Существует несколько подходов к анализу структуры временных рядов, содержащих сезонные или циклические колебания. Моделирование циклических колебаний в целом осуществляется аналогично моделированию сезонных колебаний, поэтому мы рассмотрим только методы моделирования последних Простейший подход - расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временного ряда. Общий вид аддитивной модели следующий:
Y= T+S+E (5.5)
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (7), сезонной (S) и случайной (£) компонент. Общий вид мультипликативной модели выглядит так:
Y=T*S*E (5.6)
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как произведение трендовой (7), сезонной (S) и случайной (Е) компонент. Выбор одной из двух моделей осуществляется на основе анализа структуры сезонных колебаний. Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель временного ряда, в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.
|
|
Построение аддитивной и мультипликативной моделей сводится к расчету значений T, S и Е для каждого уровня ряда.
Процесс построения модели включает в себя следующие шаги.
1. Выравнивание исходного ряда методом скользящей средней.
2. Расчет значений сезонной компоненты S.
3. Устранение сезонной компоненты из исходных уровней ряда и получение выравненных данных (Т+Е) в аддитивной или (T*Е) вмультипликативной модели.
4. Аналитическое выравнивание уровней (T + Е) или (Т * Е) и расчет значений Т с использованием полученного уравнения тренда.
5. Расчет полученных по модели значений (T+ S) или (T*S).
6. Расчет абсолютных и/или относительных ошибок.
Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок Е для анализа взаимосвязи исходного ряда и других временных рядов.
Подробнее методику построения каждой из моделей рассмотрим на примерах.
Пример 5.4. Построение аддитивной модели временного ряда.
Обратимся к данным об объеме потребления электроэнергии жителями района за последние четыре года, представленным в табл. 5.3.
В примере 5.2 было показано, что данный временной ряд содержит сезонные колебания периодичностью 4. Объемы потребления электроэнергии в осенне-зимний период времени (I и IV кварталы) выше, чем весной и летом (II и III кварталы). По графику этого ряда (рис. 5.2) можно установить наличие приблизительно равной амплитуды колебаний. Это свидетельствует о возможном существовании в ряде аддитивной модели. Рассчитаем ее компоненты.
|
|
Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:
a) просуммируем уровни ряда последовательно за каждые четыре квартала со сдвигом на один момент времени и определим условные годовые объемы потребления электроэнергии (гр. 3 табл. 5.8);
b) разделив полученные суммы на 4, найдем скользящие средние (гр. 4 табл. 5.8). Отметим, что полученные таким образом выравненные значения уже не содержат сезонной компоненты;
c) приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних — центрированные скользящие средние (гр. 5 табл. 5.8).
Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и центрированными скользящими средними (гр. 6 табл. 5.8). Используем эти оценки для расчета значений сезонной компоненты S (табл. 5.9). Для этого найдем средние за каждый квартал (по всем годам) оценки сезонной компоненты Si. В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна нулю.
Для данной модели имеем:
Определим корректирующий коэффициент:
Рассчитаем скорректированные значения сезонной компоненты как разность между ее средней оценкой и корректирующим коэффициентом k:
(5.7)
Проверим условие равенства нулю суммы значений сезонной компоненты: 0,581 - 1,977 - 1,294 + 2,690 = 0.
Таким образом, получены следующие значения сезонной компоненты:
I квартал: S1 = 0,581;
II квартал: S2 = -1,979;
III квартал: S3 = -1,294;
IV квартал: S4 = 2,690.
Занесем полученные значения в табл. 5.9 для соответствующих кварталов каждого года (стр. 3).
Шаг 3. Элиминируем влияние сезонной компоненты, вычитая ее значение из каждого уровня исходного временного ряда. Получим величины Т+ Е = Y - S (гр. 4 табл. 5.10). Эти значения рассчитываются за каждый момент времени и содержат только тенденцию и случайную компоненту.
Шаг 4. Определим компоненту T данной модели. Для этого проведем аналитическое выравнивание ряда (T+ Е) с помощью линейного тренда. Результаты аналитического выравнивания следующие: 1
Константа Коэффициент регрессии Стандартная ошибка коэффициента регрессии R -квадрат Число наблюдений Число степеней свободы | 5,715416 0,186421 0,015188 0,914971 |
Таким образом, имеем следующий линейный тренд:
Подставляя в это уравнение значения t = 1,..., 16, найдем уровни Т для каждого момента времени (гр. 5 табл. 5.10). График уравнения тренда приведен на рис. 5.5.
Шаг 5. Найдем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням T значения сезонной компоненты для соответствующих кварталов. Графически значения (T + S) представлены на рис. 5.5.
Шаг 6. В соответствии с методикой построения аддитивной модели расчет ошибки производится по формуле E = Y – (T+S) (5.8)
Это абсолютная ошибка. Численные значения абсолютных ошибок приведены в гр. 7 табл. 5.10.
По аналогии с моделью регрессии для оценки качества построения модели или для выбора наилучшей модели можно применять сумму квадратов полученных абсолютных ошибок. Для данной аддитивной модели сумма квадратов абсолютных ошибок равна 1,10. По отношению к общей сумме квадратов отклонений уровней ряда от его среднего уровня, равной 71,59, эта величина составляет чуть более 1,5%: (1-1,10/71,59)100= 1,536.
|
|
Следовательно, можно сказать, что аддитивная модель объясняет 98,5% общей вариации уровней временного ряда потребления электроэнергии за последние 16 кварталов.
Пример 5.5. Построение мультипликативной модели временного ряда. Пусть имеются поквартальные данные о прибыли компании за последние четыре года (табл. 5.11).
График данного временного ряда (рис. 5.6) свидетельствует о наличии сезонных колебаний (период колебаний равен 4) и общей убывающей тенденции уровней ряда. Прибыль компании в весенне-летний период выше, чем в осенне-зимний период. Поскольку амплитуда сезонных колебаний уменьшается, можно предположить существование мультипликативной модели. Определим ее компоненты.
Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Методика, применяемая на этом шаге, полностью совпадает с методикой аддитивной модели. Результаты расчетов оценок сезонной компоненты представлены в табл. 5.12.
Шаг 2. Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (гр. 6 табл. 5.12). Используем эти оценки для расчета значений сезонной компоненты S (табл. 5.13). Для этого найдем средние за каждый квартал оценки сезонной компоненты Si.
Взаимопогашаемость сезонных воздействий в мультипликативной модели выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем случае число периодов одного цикла (год) равно 4 (четыре квартала).
Имеем: 0,918 + 1,209 + 1,088 + 0,808 = 4,023.
Определим корректирующий коэффициент: k = 4/4,023 - 0,9943.
Определим скорректированные значения сезонной компоненты, умножив ее средние оценки на корректирующий коэффициент k.
(5.9) (5.9)
Проверим условие равенства 4 суммы значений сезонной компоненты:
0,913 + 1,202 + 1,082 + 0,803 = 4.
Получим следующие значения сезонной компоненты:
I квартал: II квартал: III квартал: IV квартал: | =0,913; = 1,202; = 1,082; = 0,803. |
Занесем полученные значения в табл. 5.14 для соответствующих кварталов каждого года (стр. 3).
|
|
Шаг 3. Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. Тем самым мы получим величины Т *Е = Y: S (гр. 4 табл. 5.14), которые содержат только тенденцию и случайную компоненту.
Шаг 4. Определим компоненту Т в мультипликативной модели. Для этого рассчитаем параметры линейного тренда, используя уровни (T - E). Результаты аналитического выравнивания этого ряда представлены ниже:
Константа Коэффициент регрессии Стандартная ошибка коэффициента регрессии R -квадрат Число наблюдений Число степеней свободы | 90,585150 -2,773250 0,225556 0,915239 |
Уравнение тренда имеет следующий вид: Подставляя в это уравнение значения t = 1,..., 16, найдем уровни T для каждого момента времени (гр. 5 табл. 5.14). График уравнения тренда приведен на рис. 5.7.
Шаг 5. Найдем уровни ряда по мультипликативной модели, умножив уровни Т на значения сезонной компоненты для соответствующих кварталов. Графически значения (Т-S) представлены на рис. 5.7.
Шаг 6. Расчет ошибки в мультипликативной модели производится по формуле
Численные значения ошибки приведены в гр. 7 табл. 5.14. Если временной ряд ошибок не содержит автокорреляции, его можно использовать вместо исходного ряда для изучения его взаимосвязи с другими временными рядами. Для того чтобы сравнить мультипликативную модель и другие модели временного ряда, можно по аналогии с аддитивной моделью использовать сумму квадратов абсолютных ошибок. Абсолютные ошибки в мультипликативной модели определяются как
(5.11)
В данной модели сумма квадратов абсолютных ошибок составляет 207,40. Общая сумма квадратов отклонений фактических уровней этого ряда от среднего значения равна 5023. Таким образом, доля объясненной дисперсии уровней ряда равна: (1 - 207,40/5023) = 0,959, или 95,9%.
Выявление и устранение сезонного эффекта (в некоторых источниках применяется термин «десезонализация уровней ряда») используются в двух направлениях. Во-первых, воздействие сезонных колебаний следует устранять на этапе предварительной обработки исходных данных при изучении взаимосвязи нескольких временных рядов. Поэтому в российских и международных статистических сборниках часто публикуются данные, в которых устранено влияние сезонной компоненты (если это помесячная или поквартальная статистика), например показатели объемов, производства в отдельных отраслях промышленности, уровня безработицы и т.д. Во-вторых, это анализ структуры одномерных временных рядов с целью прогнозирования уровней ряда в будущие моменты времени.