Моделирование тенденции временного ряда

Таблица 4.1 Исходные данные

Год	Квартал		Количество возбужденных дел,
n-2	I
II
III
IV
n-1	I
II
III
IV
n	I
II
III
IV
n+1	I
II
III
IV

Построим поле корреляции:

Рисунок 4.4 Исходные данные

Уже исходя из графика видно, что значения образуют пилообразную фигуру. Рассчитаем несколько последовательных коэффициентов автокорреляции. Для этого составляем первую вспомогательную таблицу.

Таблица 4.2 Вспомогательная таблица

		–	–	–	–	–	–
			-328,33	-288,13	94601,72	107800,59	83018,90
			169,67	-292,13	-49565,70	28787,91	85339,94
			315,67	205,87	64986,98	99647,55	42382,46
			-342,33	351,87	-120455,66	117189,83	123812,50
			-228,33	-306,13	69898,66	52134,59	93715,58
			292,67	-192,13	-56230,69	85655,73	36913,94
			320,67	328,87	105458,74	102829,25	108155,48
			-309,33	356,87	-110390,60	95685,05	127356,20
			-344,33	-273,13	94046,85	118563,15	74600,00
			292,67	-308,13	-90180,41	85655,73	94944,10
			205,67	328,87	67638,69	42300,15	108155,48
			-238,33	241,87	-57644,88	56801,19	58501,10
			-245,33	-202,13	49588,55	60186,81	40856,54
			220,67	-209,13	-46148,72	48695,25	43735,36
			227,67	256,87	58481,59	51833,63	65982,20
Сумма			9,05	0,05	74085,16	1153766,39	1187469,73
Среднее значение	699,33	663,13	–	–	–	–	–

Следует заметить, что среднее значение получается путем деления не на 16, а на 15, т.к. у нас теперь на одно наблюдение меньше.

Теперь вычисляем коэффициент автокорреляции первого порядка по формуле (4.1):

.

Составляем вспомогательную таблицу для расчета коэффициента автокорреляции второго порядка.

Таблица 4.3 Вспомогательная таблица для расчета

коэффициента автокорреляции второго порядка.

		–	–	–	–	–	–
		–	–	–	–	–	–
			145,57	-269,79	-39273,33	21190,62	72786,64
			291,57	-273,79	-79828,95	85013,06	74960,96
			-366,43	224,21	-82157,27	134270,94	50270,12
			-252,43	370,21	-93452,11	63720,90	137055,44
			268,57	-287,79	-77291,76	72129,84	82823,08
			296,57	-173,79	-51540,90	87953,76	30202,96
			-333,43	347,21	-115770,23	111175,56	120554,78
			-368,43	375,21	-138238,62	135740,66	140782,54
			268,57	-254,79	-68428,95	72129,84	64917,94
			181,57	-289,79	-52617,17	32967,66	83978,24
			-262,43	347,21	-91118,32	68869,50	120554,78
			-269,43	260,21	-70108,38	72592,52	67709,24
			196,57	-183,79	-36127,60	38639,76	33778,76
			203,57	-190,79	-38839,12	41440,74	36400,82
Сумма			-0,02	-0,06	-1034792,71	1037835,43	1116776,36
Среднее значение	723,43	644,79	–	–	–	–	–

Следовательно

.

Аналогично находим коэффициенты автокорреляции более высоких порядков, а все полученные значения заносим в сводную таблицу.

Таблица 4.4 Сводная таблица

Лаг	Коэффициент автокорреляции уровней
	0,063294
	–0,961183
	–0,036290
	0,964735
	0,050594
	–0,976516
	–0,069444
	0,964629
	0,162064
	-0,972918
	-0,065323
	0,985761

Коррелограмма:

Рисунок 4.5 Коррелограмма

Анализ коррелограммы и графика исходных уровней временного ряда позволяет сделать вывод о наличии в изучаемом временном ряде сезонных колебаний периодичностью в четыре квартала.

Распространенным способом моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. Этот способ называют аналитическим выравниванием временного ряда.

Поскольку зависимость от времени может принимать разные формы, для ее формализации можно использовать различные виды функций. Для построения трендов чаще всего применяются следующие функции:

линейный тренд:;

гипербола:;

экспоненциальный тренд: (или);

степенная функция:;

полиномы различных степеней:.

Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время, а в качестве зависимой переменной – фактические уровни временного ряда. Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.

Существует несколько способов определения типа тенденции. К числу наиболее распространенных способов относятся качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни и тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов.

Выбор наилучшего уравнения в случае, когда ряд содержит нелинейную тенденцию, можно осуществить путем перебора основных форм тренда, расчета по каждому уравнению скорректированного коэффициента детерминации и средней ошибки аппроксимации. Этот метод легко реализуется при компьютерной обработке данных.