Севастополь
2011
УДК 658 |
Анализ временных рядовпри помощи системы Мinitab для Windows. Методические указания к выполнению лабораторной работы для студентов всех форм обучения специальности 7.050106 «Учет и аудит» / Сост. ст. преп. М.В.Потанина, ст.пр. М.В. Погорелова – Севастополь: Изд-во СевНТУ, 2011. – 26 с. |
Целью методических указаний является получение навыков студентами в применении анализа временных рядов при анализе экономических данных, а также применения анализа временных рядов для решения сложных экономических задач. |
Методические указания утверждены на заседании кафедры менеджмента и экономико-математических методов Севастопольского национального технического университета, протокол №___ от «___» ___________ 2011 г. |
Допущено учебно-методическим центром СевНТУ в качестве методических указаний. |
Рецензент Букач Б.А., к.э.н, доцент кафедры Менеджмента и экономико-математических методов |
Содержание
Цель Работы.. 4
|
|
1. Теоретические сведения.. 4
1.1 Анализ тенденции развития (тренда) временного ряда 4
1.2 Декомпозиция временного ряда. Анализ сезонных колебаний 5
2. Анализ ВРЕМЕННЫХ РЯДОВ с помощью системы MINITAB.. 11
3. Задание по выполнению лабораторной работы.. 23
4. Порядок выполнения работы.. 25
5. Контрольные вопросы.. 25
6. Библиографический список.. 26
Цель Работы
Изучение и получение практических навыков в использовании анализа временных рядов, выявлении тенденции их развития (тренда), сезонных колебаний, прогноз динамики развития временных рядов при обработке экономической информации с помощью статистического пакета MINITAB For Windows
Теоретические сведения
Анализ тенденции развития (тренда) временного ряда
На практике экономист весьма часто сталкивается с тем, что исходные данные, которыми он располагает для выявления той или иной закономерности, представлены в виде временных (динамических) рядов. Такие ряды описывают изменение некоторой характеристики во времени. Каждый член (уровень) такого ряда связан с соответствующим моментом времени или временным интервалом. Разумеется, уровни ряда должны быть сопоставимыми по своему содержанию. Показатели временных рядов формируются под совокупным влиянием множества длительно и кратковременно действующих факторов и, в том числе, различного рода случайностей. Изменение условий развития явления приводит к более или менее интенсивной смене самих факторов, к изменению силы и результативности их воздействия и, в конечном счете, к вариации уровня изучаемого явления во времени. Лишь в очень редких случаях в экономике встречаются чисто стационарные ряды, т. е. ряды, в которых не наблюдаются систематические изменения в средних значениях уровней, их дисперсиях, и эти характеристики не зависят от начала отсчета времени. В таких случаях вариацию уровней можно изучать с помощью специального раздела математической статистики — теории стационарных процессов. В основном временные ряды, с которыми имеют дело в экономике, не являются стационарными. Последовательность расположения исследуемых данных во времени в таких рядах имеет существенное значение для анализа, т. е. время здесь выступает как один из определяющих для изучаемого явления факторов.
|
|
Можно выделить три основные задачи исследования временных рядов.
Первая из них заключается в описании изменения соответствующего показателя во времени и выявлении тех или иных свойств исследуемого ряда. Для этого прибегают к разнообразным способам: расчету обобщающего показателя изменения уровней во времени — среднего темпа роста; применению различных сглаживающих фильтров, уменьшающих колебания уровней во времени и позволяющих более четко представить тенденции развития; подбору кривых, характеризующих эту тенденцию; выделению сезонных и иных периодических и случайных колебаний; измерению зависимости между членами ряда (автокорреляции). К методам описания какого-либо свойства динамики можно с некоторым основанием отнести и методы проверки наличия или отсутствия долговременных тенденций в ряду.
Второй важной задачей анализа является объяснение механизма изменения уровней ряда. Для ее решения обычно прибегают к регрессионному анализу. Наконец, описание изменения временного ряда и объяснение механизма формирования ряда часто используются для статистического прогнозирования, которое в большинстве случаев сводится к экстраполяции обнаруженных тенденций развития.
Анализ временного ряда и последующий прогнозирование его развития может использоваться для:
- планирования в экономике, производстве, торговле;
- управления и оптимизации, протекающих в обществе социально-экономических процессов;
- частичного управления важными параметрами демографических процессов и экологической ниши общества;
- принятия оптимальных решений в бизнесе.
В данной лабораторной работе анализ временного ряда будет производиться в статистическом пакете «MINITAB».
Minitab позволяет анализировать данные зависящие от времени (временные ряды), выявлять основные закономерности этих зависимостей и на основе полученных моделей прогнозировать будущие значения для этих рядов.
Minitab включает следующие основные виды анализа временных рядов:
Trend Analysis - анализ линии тренда с использованием четырех типов аппроксимирующих кривых.
Decomposition - классическая декомпозиция временных рядов.
Moving Average - вычисление скользящего среднего.
Exp Smoothing - экспоненциальное сглаживание временного ряда.
Lag - смещение рядов на заданное значение.
Autocorrelation - вычисление автокорреляционной функции.
Cross Correlation - вычисление кросскорреляционной функции.
ARIMA - оценивание модели Бокса-Дженкинса.
Понятие тенденция развития не имеет достаточно четкого определения. Обычно тенденцию стремятся представить в виде более или менее гладкой кривой, которой соответствует некоторая функция времени. Эта кривая, назовем ее трендом, характеризует основную закономерность движения во времени и в известной мере (но не полностью) свободна от случайных воздействий. Тренд описывает некоторую усредненную для достаточно протяженного периода наблюдения тенденцию развития во времени. В большинстве случаев полученная траектория связывается исключительно с ходом времени. Предполагается, что с помощью переменной время можно выразить влияние всех основных факторов. Механизм их влияния в явном виде не учитывается.
|
|
Для анализа линии тренда в статистическом пакете «MINITAB» необходимо выполнить следующую операцию: Stat > Time Series > Trend Analysis. На мониторе появится следующее диалоговое окно (Рис 1.1):
Рисунок 1.1 – Диалоговое окно «Анализ линии тренда»
Диалоговое окновключает в себя следующие параметры:
Variable: вводится идентификатор (название) столбца в таблице с исследуемым временным рядом.
Model Type: определяется тип модели для аппроксимации тренда временного ряда. В используемой программе Minitab рассматриваются следующие четыре типа моделей:
- Linear – линейная;
- Quadratic – квадратическая;
- Exponential growth - экспоненциального роста;
- S-Curve (Pearl-Reed logistic)- логистическая S – кривая.
Generate forecasts: Отмечается при необходимости просчитать прогнозные значения, на графике эти точки отмечаются красным цветом.
Number of forecasts: Вводится число точек для прогноза.
Starting from origin: Вводится положительное число, определяющее с какой точки начинать считать прогнозные значения. Если эта позиция остается не заполненной Minitab начинает считать прогнозные значения, начиная с последней точки исходного временного ряда. Например, если в примере 1 необходимо сделать прогноз производства автомобилей на три года вперед, начиная с последнего года, т. е. с 22-го по счету, то в эту позицию вводят число 21 и программа подсчитает прогноз в точках 22, 23, 24.
Title: Вводится вами заданный заголовок для выводимого графика.
Результат проведенного исследования Minitab выводит в виде графика, на котором показаны исходные данные, аппроксимирующая их линия тренда и рассчитанные прогнозные значения для этого ряда. В качестве оценок точности аппроксимации и вычисленного прогноза Minitab использует следующие три показателя:
MAPE - средняя абсолютная ошибка в процентах;
MAD - среднее абсолютное отклонение;
MSD - среднеквадратическое отклонение. Близко по своей структуре к среднеквадратической ошибке, но не зависит от числа степеней свободы для разных моделей, поэтому может быть использовано для сравнения точности разных моделей.
|
|
Вычисляются эти оценки точности следующим образом:
Вычисляются эти оценки точности следующим образом:
; , где
;
Определение типа модели для аппроксимации тренда временного ряда – одна из наиболее сложных задач анализа временных рядов. Оценка коэффициентов уравнения тренда осуществляется по методу наименьших квадратов (МНК).
Наиболее часто в экономике при аппроксимации тренда используются следующие виды функций:
- линейная
- параболическая
- степенная
- экспоненциальная
- функцию Гомперца
- логистическая
Пример 1: Рассмотрим динамику производства автомобилей и цен на них в мире за 1990 –2010 гг., данные представлены в таблице 1.1. Необходимо определить тип модели для аппроксимации имеющихся временных рядов. В качестве критерия оптимальности выбора модели воспользуемся показателем MSD - среднеквадратическим отклонением.
Таблица 1.1 -
Годы | Производство автомобилей | Цены на автомобили | Годы | Производство автомобилей | Цены на автомобили |
1990 | 100 | 100 | 2001 | 135 | 101 |
1991 | 78 | 131 | 2002 | 183 | 102 |
1992 | 91 | 148 | 2003 | 174 | 103 |
1993 | 130 | 114 | 2004 | 191 | 104 |
1994 | 139 | 89 | 2005 | 165 | 108 |
1995 | 130 | 84 | 2006 | 143 | 122 |
1996 | 139 | 85 | 2007 | 161 | 155 |
1997 | 122 | 83 | 2008 | 165 | 168 |
1998 | 143 | 108 | 2009 | 204 | 152 |
1999 | 161 | 109 | 2010 | 200 | 133 |
2000 | 152 | 102 |
|
Статистический пакет Minitab рассматриваются следующие четыре типа моделей: линейная, квадратическая, экспоненциального роста, логистическая S – кривая. Выполним расчеты по каждой из моделей для обоих временных рядов и представим данные расчетов в таблице 2.
Таблица 1.2 -
Вид модели | MSD | |
Производство автомобилей | Цены на автомобили | |
линейная | 296.219 | 460.058 |
квадратическая | 272.670 | 258.870 |
экспоненциального роста | 331.586 | 452.138 |
логистическая S – кривая | 281.557 | нет данных |
Наиболее точно описывают имеющиеся данные квадратическая модель, так как среднеквадратическое отклонение (MSD) у этой модели наименьшее. Уравнения тренда, описывающие данные временные ряды имеют вид:
- для производства автомобилей:
Yt = 84,5 + 7,89*t - 0,148*t^2
- для цены на автомобили:
Yt = 130,9 - 7,73*t + 0,434*t^2
В результате выполнения операции: Stat > Time Series > Trend Analysis и заполнения диалогового окна на экране появятся графики, которые показаны на рисунке 1.2. На графиках видно, что выбранные нами модели тренда достаточно точно описывают имеющиеся временные ряды.