79. Методы фильтрации временного ряда Методы фильтрации временных рядов предназначены на решение проблем, возникающих при исследовании взаимосвязи между двумя и более временными рядами, с помощью исключения из них трендовой и сезонной компонент.К проблемам, которые

82. Линейные модели стационарного временного ряда Стохастический временной ряд называется стационарным, если его математическое ожидание, дисперсия, автоковариация и автокорреляция являются неизменными во времени.К основным линейным моделям стационарных временных

Изоляторы временного содержания ИЗОЛЯТОРЫ ВРЕМЕННОГО СОДЕРЖАНИЯ - места, предназначенные для содержания под стражей задержанных по подозрению в совершении преступлений. В И.в.с. в случаях, предусмотренных законодательством, могут временно содержаться подозреваемые и

Склады временного хранения см. Временное хранение.

Пребывание в изоляторе временного содержания (ИВС) Переступив порог камеры, помните: вы теперь один, и рассчитывать теперь вам придется только на себя, поэтому мобилизуйтесь. Не удивляйтесь и не паникуйте, что в течение нескольких ближайших дней вас не вызывают

Проверка показателя и факторов на автокорреляцию установила, что все включенные в анализ переменные имели высокий (надежный) коэффициент автокорреляции (+ г > г табл = 0,299, - г > г табл = 0,399 при а = 5 % и /V= 20) . Однако известно, что фактор времени, введенный в модель, снимает автокорреляцию (основанием к такому утверждению являются теоремы Фриша и Роу ), поэтому для получения динамических моделей нами использовались и простейшие формы связи типа (23), (24).  

Распространены следующие способы вычисления коэффициента автокорреляции.  

Если полученное по одной из этих формул значение коэффициента автокорреляции окажется меньше табличного, то это свидетельствует об отсутствии во временном ряде существенной автокорреляции.  

Рекомендуется исчислять ряд коэффициентов автокорреляции в зависимости от временного лага (напомним, что коэффициент автокорреляции исчисляется между двумя векторами данных, один из которых - исходный динамический ряд, а другой - такой же, но сдвинутый на 1,2, 3 и т.д. моментов наблюдения). Формула коэффициента автокорреляции  

Рассмотрим коэффициенты автокорреляции валютного курса рубля к доллару США  

Приведем рассчитанные нами значения коэффициента автокорреляции для упомянутых факторов (лаг = 1-3 мес.) ВВП 0,86 -0,52  

Автокорреляция - это корреляция между уровнями ряда или отклонениями от тренда, взятыми со сдвигом во времени на 1 период (год), на 2, на 3 и т. д., поэтому говорят о коэффициентах автокорреляции разных порядков первого, второго и т. д. Рассмотрим сначала коэффициент автокорреляции отклонений от тренда первого порядка.  

Автокорреляцию измеряют при помощи нециклического коэффициента автокорреляции, который может рассчитываться не только между соседними уровнями, т.е. сдвинутыми на один период, но и между сдвинутыми на любое число единиц времени (I). Этот сдвиг, именуемый временным лагом, определяет и порядок коэффициентов автокорреляции. Различают коэффициенты автокорреляции первого порядка (при L- 1), второго порядка (при L = 2) и т.д. Однако наибольший интерес для исследования представляет вычисление нециклического коэффициента первого порядка, так как наиболее  

Тогда формулу коэффициента автокорреляции можно записать следующим образом  

Если фактическое значение коэффициента автокорреляции меньше табличного, то гипотеза об отсутствии автокорреляции в ряду может быть принята. Когда фактическое значение больше табличного, можно сделать вывод о наличии автокорреляции в ряду динамики.  

Следовательно, прежде чем коррелировать ряды динамики (по уровням), необходимо проверить каждый ряд на наличие или отсутствие в них автокорреляции (при помощи коэффициента автокорреляции, описанного в предыдущем параграфе). В случае наличия автокорреляции между уровнями ряда она должна быть устранена. Рассмотрим способы ее исключения в рядах динамики.  

Так как коэффициент р(т) измеряет корреляцию между членами одного и того же ряда, его называют коэффициентом автокорреляции, а зависимость р(т) - автокорреляционной функцией . В силу стационарности временного ряда у, (t= 1,2,..., ri) автокорреляционная функция р(т) зависит только от лага т, причем  

Пример 6.1. По данным табл. 6.1 для временного ряда у, найти среднее значение , среднее квадратическое отклонение , коэффициенты автокорреляции (для лагов т=1 2) и частный коэффициент автокорреляции 1-го порядка.  

Найдем коэффициент автокорреляции г(т) временного ряда (для лага т = 1), т. е. коэффициент корреляции между последовательностями семи пар наблюдений yt и у/ч-i (t= 1,2,...,7)  

Л =213 171+171 291+... +351 361=642 583.

Коэффициент автокорреляции г(2) для лага т = 2 между членами ряда yt и yt+2 (1,2 -. 6) по шести парам наблюдений вычисляем аналогично г(2)=0,842.  

Эту величину называют еще коэффициентом автокорреляции первого порядка. Так как согласно допущениям МНК математическое ожидание ошибки равно нулю, то формулу можно упростить  

Мы можем считать, что автокорреляция отсутствует, если выборочный коэффициент автокорреляции незначимо отличается от нуля, то есть в данном случае мы должны проверить гипотезу  

На практике проверяется не независимость, а некоррелированность ошибок, которая является необходимым, но недостаточным условием независимости. Для этого нужно рассчитать коэффициент автокорреляции первого порядка  

Для рассматриваемого здесь случая эта величина равна Pk k+i = 0.987. Очевидно, что коэффициент автокорреляции  

Формулы для расчета коэффициентов автокорреляции старших порядков легко получить из формулы линейного коэффициента корреляции.  

Коэффициент автокорреляции остатков первого порядка определяется по формуле  

Фактическое значение d сравниваем с табличными значениями при 5%-ном уровне значимости. При п = 18 месяцев и т = 2 (число факторов) нижнее значение d равно 1,05, а верхнее - 1,53. Так как фактическое значение d близко к 4, можно считать, что автокорреляция в остатках характеризуется отрицательной величиной. Чтобы проверить значимость отрицательного коэффициента автокорреляции, найдем величину  

По данным за 30 месяцев некоторого временного ряда хг были получены значения коэффициентов автокорреляции уровней П = 0,63 г2 = 0,38 гг = 0,72 г4 = 0,97 г5 = О,55 г6 = 0,40 г7 = 0,65 г - коэффициенты автокорреляции t-го порядка.  

Так как значения всех коэффициентов автокорреляции достаточно высокие, ряд содержит тенденцию. Поскольку наибольшее абсолютное значение имеет коэффициент автокорреляции 4-го порядка г4, ряд содержит периодические колебания, цикл этих колебаний равен 4.  

Определите коэффициенты автокорреляции уровней этого ряда первого и второго порядка.  

Оцените качество каждого тренда через среднюю ошибку аппроксимации , линейный коэффициент автокорреляции отклонений.  

Для определения типа колебаний применяются графическое изображение, метод поворотных точек М. Кендэла, вычисление коэффициентов автокорреляции отклонений от тренда. Эти методы будут рассмотрены далее.  

Теперь обратимся к рис. 9.2. При маятниковой колеблемости все произведения в числителе будут отрицательными величинами, и коэффициент автокорреляции первого порядка будет близок к -1. При долгопериодических циклах будут преобладать положительные произведения соседних отклонений, а смена знака происходит лишь дважды за цикл. Чем длиннее цикл, тем больше перевес положительных произведений в числителе, и коэффициент автокорреляции первого порядка ближе к +1. При случайно распределенной во времени колеблемости знаки отклонений чередуются хаотически, число положительных произведений близко к числу отрицательных , ввиду чего коэффициент автокорреляции близок к нулю. Полученное значение говорит о наличии как случайно распределенных во времени колебаний, так и циклических. Коэффициенты автокорреляции следующих порядков II = - 0,577 III = -0,611 IV = -0,095 V = +0,376 VI = +0,404 VII = +0,044. Следовательно, противофаза цикла ближе всего к 3 годам (наибольший отрицательный коэффициент при сдвиге на 3 года), а совпадающие фазы ближе к 6 годам, что и дает длину цикла колебаний. Эти максимальные по абсолютной величине коэффициенты не близки к единице. Это означает, что циклическая колеблемость смешана со значительной случайной колеблемостью. Таким образом, подробный автокорреляционный анализ в целом дал те же результаты, что и выводы по автокорреляции первого порядка.  

Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду фактическое значение коэффициентов автокорреляции сопоставляется с табличным (критическим) для 5%-ного или 1%-ного уровня значимости (вероятности допустить ошибку при принятии нулевой гипотезы

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда , а график зависимости ее значений от величины лага (порядка коэффициента автокорреляции) - коррело-граммой.  

Критерий Дарбина - Уотсона и коэффициент автокорреляции остатков первого порядка связаны соотношением  

Временной ряд (ряд динамики) – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

факторы, формирующие тенденцию ряда;

факторы, формирующие циклические колебания ряда;

случайные факторы.

При различных сочетаниях в изучаемом явлении или процессе этих факторов зависимость уровней ряда от времени может принимать различные формы.

Во-первых, большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Очевидно, что эти факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на исследуемый показатель. Однако в совокупности они формируют его возрастающую или убывающую тенденцию.

Во-вторых, изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей экономики зависит от времени года (например, цены на сельскохозяйственную продукцию в летний период выше, чем в зимний; уровень безработицы в курортных городах в зимний период выше по сравнению с летним). При наличии больших массивов данных за длительные промежутки времени можно выявить циклические колебания, связанные с общей динамикой конъюнктуры рынка, а также с фазой бизнес-цикла, в которой н
аходится экономика страны.

Некоторые временные ряды не содержат тенденции и циклической компоненты, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты.

Очевидно, что реальные данные не следуют целиком и полностью из каких-либо описанных выше моделей. Чаще всего они содержат все три компоненты. Каждый их уровень формируется под воздействием тенденции, сезонных колебаний и случайной компоненты.

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача отдельного временного ряда – выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.

§ 5.2. Автокорреляция уровней временного ряда и выявление его структуры

При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда .

Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени. Рассмотрим пример.

Пример 1. Расчет коэффициентов автокорреляции уровней для временного ряда расходов на конечное потребление .

Пусть имеются следующие условные данные о средних расходах на конечное потребление (, д. е.) за 8 лет (таблица 1).

Таблица 1

Расчет коэффициента автокорреляции первого порядка для временного ряда расходов на конечное потребление, д. е.

Разумно предположить, что расходы на конечное потребление в текущем году зависят от расходов на конечное потребление предыдущих лет.

Определим коэффициент корреляции между рядами и
и измерим тесноту связи между расходами на конечное потребление текущего и предыдущего годов. Добавим в табл. 1 временной ряд
.

Одна из рабочих формул для расчета коэффициента корреляции имеет вид:

.

В качестве переменной мы рассмотрим ряд
, в качестве переменной– ряд
. Тогда приведенная выше формула примет вид

,

Эту величину называют коэффициентом автокорреляции уровней ряда первого порядка , так как он измеряет зависимость между соседними уровнями ряда и
, т. е. при лаге 1.

Для данных примера 1 соотношения (2) составят:

Используя формулу (1), получаем коэффициент автокорреляции первого порядка:

.

Полученное значение свидетельствует об очень тесной зависимости между расходами на конечное потребление текущего и непосредственно предшествующего годов и, следовательно, о наличии во временном ряде расходов на конечное потребление сильной линейной тенденции.

Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и
и определяется по формуле

,

,

Для данных из примера 1 получим:

Построим табл. 2.

Полученные результаты еще раз подтверждают вывод о том, что ряд расходов на конечное потребление содержит линейную тенденцию.

Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом . С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Некоторые авторы считают целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный лаг должен быть не больше
.

Подставив полученные значения в формулу (3), имеем:

.

Таблица 2

Расчет коэффициента автокорреляции второго порядка для временного ряда расходов на конечное потребление, д. е.

Отметим два важных свойства коэффициента автокорреляции:

Во-первых, он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.

Во-вторых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержит положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда . График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.

Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка, ряд содержит циклические колебания с периодичностью вмоментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты () и циклической (сезонной) компоненты ().

Временной ряд расходов на конечное потребление, рассмотренный нами в примере 1, содержит только тенденцию, так как коэффициенты автокорреляции его уровней высокие.

Пример 2 Автокорреляционная функция и выявление структуры ряда.

Пусть имеются условные данные об объемах потребления электроэнергии жителями региона за 16 кварталов (табл. 3).

Таблица 3

Потребление электроэнергии жителями региона, млн. кВт ч

Нанесем эти значения на график:

Определим коэффициент корреляции первого порядка. Он составит:
. Отметим, что расчет этого коэффициента производился по 15, а не по 16 парам наблюдений. Это значение свидетельствует о слабой зависимости текущих уровней ряда от непосредственно им предшествующих уровней. Однако, как следует из графика, структура этого ряда такова, что каждый следующий уровеньзависит от уровня
и
в гораздо большей степени, чем от уровня
. Рассчитаем коэффициенты автокорреляции до порядка 8. Получим автокорреляционную функцию этого ряда. Ее значения и коррелограмма приведены в таблице 4.

Таблица 4

Коррелограмма временного ряда потребления электроэнергии

Анализ значений автокорреляционной функции позволяет сделать вывод о наличии в изучаемом временном ряде, во-первых , линейной тенденции, во-вторых , сезонных колебаний периодичностью в четыре квартала. Данный вывод подтверждается и графическим анализом структуры ряда (см. график).

Аналогично, если, например, при анализе временного ряда наиболее высоким оказался коэффициент автокорреляции уровней второго порядка, ряд одержит циклические колебания в два периода времени, т.е. имеет пилообразную структуру .

При наличии тенденции и циклических колебаний каждый последующий уровень ряда зависит от предыдущего. Количественное выражение степени связи уровней ряда за один или несколько периодов времени наз. коэффициентом автокорреляции. Они бывают 1-ого, 2, 3 и т.д. порядка.

Коэффициент автокорреляции показывает тесноту связи между уровнями ряда, сдвинутыми на 1 или более шаг.

Предположим, что значения y t в текущем году зависят от значений в прошлом году, тогда значения в предыдущем году можно рассчитать с помощью коэффициента автокорреляции:

n -количество данных

r 1 -коэффициент автокорреляции 1го порядка

Автокорреляция даёт информацию о наличии фактора, формирующего тенденцию ряда.

Полученные значения коэффициента автокорреляции 1го и 2го порядков свидетельствует о тесноте зависимости между текущими уровнями ряда и уровнями ряда предыдущих периодов, а также свидетельствует о линейной тенденции. Периоды, по которым рассчитывается коэффициент автокорреляции называются лагами. Для статистической достоверности коэффициента автокорреляции максимальный лаг может быть n/4.

Свойства коэффициента автокорреляции:

Характеризует только тесноту линейной связи текущего и предыдущего уровней ряда

В случае нелинейной тенденции коэффициент автокорреляции может быть равен нулю

По знаку коэффициента автокорреляции нельзя сделать вывод о возрастающей или убывающей тенденции.

22. Корреляционная функция.

Последовательность коэффициентов автокорреляции называется автокорреляционной функцией. График зависимости ее значений от величины коэффициентов автокорреляции(порядков коэффициентов автокорреляции) называют коррелограммой. Анализ автокорреляционной функции и коррелограммы позволяет определить структуру временного ряда. Если наиболее высоким оказывается коэффициент автокорреляции 1-го порядка – это означает, что временный ряд содержит тенденцию Т, если наиболее высоким оказался коэффициент автокорреляции τ-ого порядка – это означает, что временной ряд содержит сезонную или циклическую компоненту S с периодичностью τ моментов времени.

Если ни один из коэффициентов автокорреляции не оказался значимым, то это означает, что ряд не содержит ни тенденции, ни сезонных или циклических колебаний и требует дополнительных исследований. В этом случае действует случайная компонента или помехи, или имеет место нелинейная зависимость.

Анализ автокорреляционной функции позволяет сделать вывод о том, что в изучаемом временном ряде имеется тенденция T (к возрастанию или убыванию), сезонные колебания с расчётной периодичностью.

23. Определение тенденции временного ряда.

Одним из наиболее распространенных способов является построение аналитической функции, характеризующей зависимость уровней ряда от времени. Такая аналитическая функция называется трендом Т.

Определение аналитической функции называется выравниванием временного ряда.

Для построения тренда чаще всего используют следующие (элементарные) функции:

Линейная у t = a + bt T =a + bt - линейный тренд

Нелинейная:

а) полиномиальная y t =a+bt+ct 2 +…+kt n

б) степенная

в) показательная

a, b, c - параметры линии тренда

Если присутствует большой размах колебаний уровней ряда необходимо провести процедуру, которая называется сглаживание уровней временного ряда.

24. Аддитивная модель временного ряда.

Для выявления структуры временного ряда, т.е. определения количественных значений компонентов, составляющих уровней ряда, чаще всего используют аддитивную или мультипликативную модели временных рядов.

Аддитивная модель: У=Т+S+E,

T-трендовая компонента

S-сезонная компонента

E-случайная компонента

Аддитивная модель временного ряда используется в случае, если амплитуда сезонных колебаний практически не меняется. При этом предполагается, что все сезонные компоненты являются постоянными для различных типов.

Алгоритм построения модели. Процесс построения модели включает в себя следующие шаги:

Выравнивание уровней исходного ряда методом скользящей средней.

Расчет значений сезонной компоненты S

Устранение сезонной компоненты из исходного уровня ряда и получение выровненных данных без S

Аналитическое выравнивание уровней ряда и расчет значений фактора Т

Расчет полученных значений (Т* S) для каждого уровня ряда

Расчет абсолютных или относительных ошибок модели.

(или 4.Определение тенденции временного ряда и уравнения тренда; 5.Расчет абсолютных или относительных ошибок модели.)