Напомним, что построение модели временного ряда – не самоцель, а лишь средство его анализа и прогнозирования. При этом исходят из того предположения, что тенденция развития изучаемого процесса, установленная в прошлом, может быть распространена (экстраполирована) на будущий период.
Задача ставится следующим способом: имеется временной ряд yt (t = 1, 2, …, n)и требуется дать прогноз уровня этого ряда на момент t + l.
Один из распространенных подходов к прогнозированию состоит в следующем:
· временной ряд раскладывается на трендовую (долговременную),
сезонную (объединяющую в себе собственно сезонную и циклическую
компоненты) и случайную компоненты;
· трендовую составляющую «подгоняют» полиномом, а сезонную –
рядом Фурье;
· прогноз производится экстраполяцией этих «подогнанных» значений в
будущее.
Выше (в п.п. 2.4.4 и 3.3.4) мы рассматривали точечный и интервальный прогноз значений зависимой переменной Y для значений объясняющих переменных X, расположенных вне пределов обследованного диапазона значений X. Если рассматривать временной ряд как регрессионную модель изучаемого признака по переменной «время», то к нему могут быть применены рассмотренные выше методы анализа.
|
|
Замечание 7.2. Напомним, что одна из основных предпосылок регрессионного анализа состоит в том, что отсутствует автокорреляция «возмущений» et (t = 1, 2, …, n). Поскольку при работе с временными рядами такое допущение часто оказывается неверным, необходимо проверить отсутствие /наличие автокорреляции, например, с помощью критерия Дарбина-Уотсона (см. п. 5.2.2). 3
Пример 7.6. По данным примера 7.1 дать с надежностью 0,95 точечный и интервальный прогноз среднего и индивидуального значений спроса на товар на 9-й год, предполагая, что тренд линейный.
Решение. Выясним вначале отсутствие /наличие автокорреляции «возмущений» на уровне значимости a = 1 – 0,95 = 0,05.
Выше, в примере 7.3, получено уравнение регрессии . В табл. 7.7 приведен расчет сумм, необходимых для вычисления d -статистики Дарбина-Уотсона.
Таблица 7.7
t | yt | et – 1 | ||||
207,0 | 6,0 | – | – | 36,0 | ||
232,7 | –61,7 | 6,0 | 4 583,3 | 3 806,9 | ||
258,4 | 32,6 | –61,7 | 8 892,5 | 1 062,8 | ||
284,0 | 25,0 | 32,6 | 57,8 | 625,0 | ||
309,7 | 7,3 | 25,0 | 313,3 | 53,3 | ||
335,4 | 26,6 | 7,3 | 372,5 | 707,6 | ||
361,1 | –10,1 | 26,6 | 1 346,9 | 102,0 | ||
386,7 | –25,7 | –10,1 | 243,4 | 660,5 | ||
S | 2 014 | – | – | 15 809,7 | 7 054,1 |
Теперь по формуле (5.7) статистика Дарбина-Уотсона
.
По табл.4 Приложения при уровне значимости a = 0,05, m = 1 (одна объясняющая переменная – время) и объеме выборки n = 8 находим критические значения d н = 0,763, d в = 1,332. Так как d в £ d < 4 – d в (1,332 £ 2,24 < 2,668), то для рассматриваемого временного ряда принимается гипотеза об отсутствии автокорреляции на уровне значимости 0,05.
|
|
Точечный прогноз среднего спроса на товар на момент t = 9 найдем с помощью уравнения регрессии
412,4 (усл. ед.).
С помощью формулы (2.17) находим оценку дисперсии s 2 «возмущений»:
.
Вычислим оценки дисперсии и среднеквадратического отклонения для выборочного уравнения регрессии при t = 9:
;
(усл. ед.).
Здесь мы использовали данные, полученные в примере 7.3:
.
По табл.1 Приложения находим .
Воспользовавшись формулой (2.31), определим границы доверительного интервала для среднего значения спроса при t = 9:
412,4 ± 2,447×26,72,
или
(347,02; 447,78).
Таким образом, среднему спросу в 9-м году с надежностью 0,95 будет соответствовать доверительный интервал (347,02 усл.ед.; 447,78 усл.ед.).
Аналогично с помощью формулы (2.32) рассчитываем границы интервала, в котором с надежностью 0,95 будет находиться индивидуальное значение спроса при t = 9:
,
или
(306,85; 517,95).
Следовательно, в 9-м году возможный спрос на товар с вероятностью 0,95 будет находиться в интервале (306,85 усл. ед.; 517,95 усл.ед.). Нетрудно заметить, что он включает в себя доверительный интервал для среднего спроса.g
Контрольные вопросы
1. В чем суть временного ряда?
2. В чем состоит разница между временным рядом и совокупностью реализаций одной случайной величины?
3. Перечислите основные элементы временного ряда и основные этапы их анализа.
4. Выпишите общий вид аддитивной и мультипликативной модели временного ряда.
5. Как проверить гипотезу о наличии тренда временного ряда?
6. Как определяется автокорреляционная функция и для чего она используется?
7. В чем заключается «сглаживание» временного ряда?
8. Какие методы «сглаживания» временных рядов Вы знаете?
9. Что такое функции роста и какие их типы Вы знаете?
10. Какие методы используются для оценки тренда временного ряда?
11. Объясните назначение скользящих средних. Влияние каких компонент временного ряда устраняется с их помощью?
12. Приведите алгоритм расчета простых скользящих средних.
13. Сколько значений временного ряда теряется при использовании скользящей средней с длиной интервала сглаживания k = 2 p + 1?
14. Объясните назначение рядов Фурье. Влияние каких компонент временного ряда выделяется с их помощью?
15. Как осуществляется прогнозирование на основе временных рядов?