Характеристики временных рядов. Выявление тренда в динамических рядах экономических показателей

Методы математической статистики широко применяются для анализа экономических временных рядов.

В общем случае временной ряд содержит детерминированную и случайную составляющие:

у _t=f(t, х _t)+e_t, t=1,…,Т,

где у _t – значения временного ряда; f(t, х _t) – детерминированная составляющая; х _t – значения факторов, влияющих на детерминированную составляющую в момент t; e_t – случайная составляющая; Т – длина ряда.

Получив оценки детерминированной и случайной составляющих, решают задачи прогноза будущих значений, как самого временного ряда, так и его составляющих.

Если детерминированная составляющая зависит только от времени и линейна относительно своих параметров, то задача сводится к задаче множественной линейной регрессии, рассмотренной выше.

Действительно, в этом случае

у _t=a₀+a₁j ₁(t) +a₂j ₂(t) +…+a_mj _m(t)+e_t, t=1,…,Т. (6.1)

В частном случае,

у _t=a₀+a₁t¹ +a₂t² +…+a_mt^m + e_t, t=1,…,Т. (6.2)

Детерминированная составляющая (называемая трендом), в свою очередь представляется тремя составляющими.

Долговременная эволюторно изменяющаяся составляющая является результатом действия факторов, приводящих к постепенному изменению экономического показателя. Так, в результате научно-технического прогресса, совершенствования системы управления производством показатели эффективности производства растут, а удельные расходы на единицу полезного эффекта снижаются.

Долговременная циклическая составляющая проявляется на протяжении длительного времени в результате действия факторов, обладающих большим последействием или циклически изменяющихся во времени. Например, кризисы перепроизводства или периодичность солнечной активности, влияющая на урожайность.

Сезонная циклическая составляющая легко просматривается в колебаниях продуктивности сельскохозяйственных животных, а также в колебаниях розничного товарооборота в зависимости от времени года.

Эволюторно изменяющуюся долговременную составляющую во многих практических случаях представляют в виде некоторой аналитической функции (см. ниже), тогда как долговременная и сезонная циклические составляющие представляются периодическими функциями.

Для построения эволюторных трендов (моделирования тенденции) чаще всего применяются те же функции, которые мы рассматривали выше:

- линейный тренд: ŷ _t= b+ at;

- гипербола: ŷ _t= b+a / t;

- экспоненциальный тренд: ŷ _t= е ^b+at (или ŷ _t= ba^t);

- тренд в форме степенной функции ŷ _t= bt^a;

- полином порядка m: ŷ _t= b + a ₁ t + a ₂ t ² +…+ a_mt ^m.

Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время t. Для нелинейных трендов предварительно проводят процедуру их линеаризации.

Пример 6.1. Имеются помесячные данные о темпах роста заработной платы в РФ за 10 месяцев 2008 г. в процентах к уровню декабря 2007г. (табл. 6.1). Требуется выбрать наилучший тип тренда и определить его параметры.

Таблица 6.1

месяц
Темп роста з/платы	82,3	87,3	99,4	104,8	107,2	121,6	118,6	114,1	123,0	127,3

Определим параметры основных видов тренда. Результаты этих расчетов представлены в табл. 6.2.

Таблица 6.2

Тип тренда	уравнение	R2
Линейный	ŷ t= 82,66 + 4,72 t	0,887
Парабола	ŷ t= 72,9 + 9,599 t – 0,444 t 2	0,937
Степенной	ln ŷ t= 4,39 + 0,193ln t	0.939
Экспоненциальный	ln ŷ t= 4.43 + 0.045 t	0.872
Гиперболический	ŷ t= 122.57 – 47.63/ t	0.758

Наилучшей является степенная форма тренда, которая в исходном виде (после потенцирования) примет следующий вид

ŷ _t= е ^4.39 t ^0,193

или ŷ _t= 80,32 t ^0,193.

Наиболее простую экономическую интерпретацию имеют параметры линейного и экспоненциального трендов.

Параметры линейного тренда можно интерпретировать так:

b – начальный уровень временного ряда при t =0;

a – средний за период абсолютный прирост ряда.

Применительно к вышеприведенному примеру можно сказать, что темпы роста месячной заработной платы за 10 месяцев 2008г. изменялись от 82,66% со средним за месяц абсолютным приростом 4,72%.

Параметры экспоненциального тренда имеют следующую интерпретацию:

b – начальный уровень временного ряда при t =0;

е^a – средний за период коэффициент роста ряда.

В примере уравнение экспоненциального тренда в исходной форме имеет вид

ŷ _t= е ^4.43 е ^{0,045 t}

или ŷ _t= 83,96 е ^{0,045 t}.

Следовательно, можно сказать, что темпы роста месячной заработной платы за 10 месяцев 2004г. изменялись от 83,96% со средним за месяц темпом роста, равным е ^0,045= 1,046.

Выбранная прогнозная эмпирическая функция, описывающая динамический ряд, должна минимизировать стандартное отклонение S на интервале оценивания, обеспечивать тесноту связи (по коэффициенту корреляции); аппроксимирующее уравнение должно быть адекватно фактической временной тенденции (по F-критерию) и устранять автокорреляцию.

Технология моделирования на основе тренда включает следующие этапы.

1.Анализ и обработка исходной информации.

2.Выбор вида функции, описывающей временной ряд.

3.Расчет параметров функции (например, методом наименьших квадратов).

4.Оценка адекватности и достоверности уравнения тренда.

Оценка адекватности проводится с помощью показателей, рассмотренных в теме 2, так как трендовые модели являются частным случаем регрессионных моделей. Следует отметить, что временные ряды качественно отличаются от простых числовых выборок, поэтому обычно в целях проверки адекватности модели используют оценку устойчивости тенденции временного ряда.

Определение устойчивости изменения показателей временного ряда

Устойчивость характеризуется преобладанием закономерности над случайностью в изменении уровней ряда. Устойчивость экономических процессов можно рассматривать как категорию противоположную колеблемости, и как устойчивость направленности изменений.

В первом случае показатель устойчивости можно измерять как разность между единицей и относительным показателем колеблемости. В свою очередь показатель колеблемости вычисляется как отношение среднеквадратического отклонения от тренда к среднему значению показателя.

, где

- показатель колеблемости уровней временного ряда;

- среднеквадратическое отклонение уровней временного ряда от рассчитанных по уравнению тренда (стандартное отклонение);

- среднее значение уровней временного ряда;

- фактические значения уровней временного ряда;

- значения уровней временного ряда, рассчитанные по уравнению тренда.

Следовательно, показатель устойчивости будет равен:

Показатель устойчивости характеризует близость фактических уровней к тренду. Изменения показателей считаются устойчивыми, если показатель устойчивости не менее 67% (то есть показатель колеблемости не превышает 33%).

Во втором случае устойчивость характеризует уровни временного ряда как процесс их направленного изменения. С этих позиций полной устойчивостью направленного изменения уровней временного ряда следует считать такое их изменение, в процессе которого каждый следующий уровень либо выше всех предшествующих (устойчивый рост), либо ниже всех предшествующих (устойчивое снижение). Всякое нарушение строго ранжированной последовательности уровней свидетельствует о неполной устойчивости их развития.

При такой интерпретации в качестве показателя устойчивости тенденции можно использовать коэффициент корреляции рангов Ч.Спирмена:

, где

n – число уровней временного ряда;

- разность рангов уровней и номеров периодов времени.

Коэффициент корреляции рангов Спирмена изменяется от -1 до 1. При хаотическом чередовании подъемов и падений исследуемого процесса его значение буде близко к нулю. Значение коэффициента близкое к 1 доказывает устойчивость тенденции возрастания, близость коэффициента к -1 свидетельствует об устойчивой тенденции убывания.