Досить поширеним і простим методом аналізу динаміки є згладжування ряду. Суть його полягає в заміні фактичних рівнів уt , середніми за певними інтервалами. Варіація середніх порівняно з варіацією рівнів первинного ряду значно менша, а тому характер динаміки проявляється чіткіше. Процедуру згладжування називають фільтруванням, а оператори, за допомогою яких вона здійснюється, — фільтрами. На практиці використовують переважно лінійні фільтри, з-поміж яких найпростіший — ковзна середня з інтервалом згладжування m < n. Інтервали поступово зміщуються на один елемент:
Для кожного з них визначається середня , яка припадає на середину інтервалу. Якщо m — непарне число, тобто m = 2p + 1, а ваги членів ряду в межах інтервалу однакові
, то
де yi — фактичне значення рівня в i -й момент; i — порядковий номер рівня в інтервалі.
При парному m середина інтервалу знаходиться між двома часовими точками і тоді проводиться додаткова процедура центрування (усереднення кожної пари значень).
|
|
Ковзна середня з однаковими вагами аr при згладжуванні динамічного ряду погашає не лише випадкові, а й властиві конкретному процесу періодичні коливання. Припускаючи наявність таких коливань, використовують зважену ковзну середню, тобто кожному рівню в межах інтервалу згладжування надають певну вагу. Способи формування вагової функції різні. B одних випадках ваги відповідають членам розкладання біному , при m= 3, скажімо, ar = 1/4, 1/2,1/4. B інших випадках до даних інтервалу згладжування добирається певний поліном, наприклад, парабола , де i = -р, …, p. Тоді вагова функція така:
Для m = 5
Для m = 7 і т.д.
Як видно з формул, ваги симетричні відносно центра інтервалу згладжування, сума їх з урахуванням винесеного за дужки множника дорівнює .
Основна перевага ковзної середньої — наочність і простота тлумачення тенденції. Проте не слід забувати, що ряд ковзних середніх коротший за первинний ряд на 2p рівнів, а отже, втрачається інформація про крайні члени ряду. I чим ширший інтервал згладжування, тим відчутніші втрати, особливо нової інформації. Окрім того, маючи спільну основу розрахунку, ковзні середні виявляються залежними, що при згладжуванні значних коливань навіть за відсутності циклів у первинному ряду може вказувати на циклічність процесу (ефект Слуцького).
У симетричних фільтрах стара і нова інформація рівновагомі, а при прогнозуванні важливішою є нова інформація. У такому разі використовують асиметричні фільтри. Найпростіший з них — ковзна середня, яка замінює не центральний, а останній член ряду (адаптивна середня):
|
|
.
У наведеній формулі перший елемент характеризує інерцію розвитку, другий — адаптує середню до нових умов. Таким чином середня з кожним кроком ніби оновлюється. Ступінь оновлення визначається постійною вагою . При використанні зважених асиметричних фільтрів вагова функція формується з урахуванням ступеня новизни інформації. Такою є середня з екс-поненційно розподіленими вагами:
,
де Yt, — експоненційна середня, тобто згладжене значення рівня динамічного ряду на момент t; — вага (t - r)- гoрівня; a — параметр згладжування, який визначає вагу t- гoрівня, значення його коливаються в межах від 0 до 1.
Розклавши формулу за елементами суми, маємо
,
або
Друга складова останньої формули є не що інше, як експоненційна середня для (t- l)-гo моменту. Отже, експоненційну середню можна представити як лінійну комбінацію фактичного рівня t- гoмоменту та експоненційної середньої (t - l)-гo моменту: .
Чим віддаленіший від t- гомоменту рівень ряду, тим менша його відносна вага і вклад у тенденцію. Так, при a = 0,2 ваги становлять: для t- гомоменту — 0,2, для (t – 1)- гомоменту — 0,2(1 -O,2) = 0,16; для (t-2) -ro моменту — 0,2(1 -0,2)2 = 0,128 і т. д. Надаючи більшу вагу новій інформації, експоненційна середня адаптується до нових умов, що робить її досить ефективним і надійним методом короткострокового прогнозування.
Для розрахунку експоненційної середньої Yt, необхідно визначити початкові умови: початкову величину Y0 і параметр а. Як початкову величину можна використати середній рівень за минулий (до динамічного ряду) період, або за відсутності таких даних, перший рівень ряду, тобто Yo=yt. Щодо параметра а, то на практиці найчастіше використовують його значення в інтервалі від 0,1 до 0,3. Оскільки від параметра а залежить сума вагових коефіцієнтів на певному часовому інтервалі m, то можна за наперед заданим значенням цих величин орієнтовно визначити параметр а:
Наприклад, якщо часовий інтервал m = 10 місяців, а сума ваг = 0,90, то . Тобто, при a = 0,2 десять членів динамічного ряду визначать 90% величини експоненційної середньої.
При прогнозуванні процесу вдаються до багаторазового згладжування. Якщо період упередження v = 1, то використовують подвійне згладжування. Експоненційна середня другого порядку визначається за такою ж самою рекурентною формулою на основі згладженого ряду :
.
Якщо припустити наявність лінійного тренда, прогнозний рівень Yt+ 1можна розрахувати за формулою:
Довірчі межі прогнозного рівня визначаються традиційно:
де ¾ дисперсія рівнів первинного динамічного
ряду; t — квантиль розподілу Стьюдента для ймовірності ( 1 - a).
Очевидно, що за умови значної варіації рівнів динамічного ряду довірчі межі будуть досить широкими.
Базову модель експоненційного згладжування можна використати при моделюванні рядів, які мають сезонну компоненту.