Анализ временных рядов
Проблемы получения модели для дискретного временного ряда в области, обладающей максимальной простотой и адекватно описывающей наблюдения. Автокорреляция уровней временного ряда и выявление его структуры. Приведение уравнения тренда к линейному виду.
| Рубрика | Экономико-математическое моделирование |
| Вид | курсовая работа |
| Язык | русский |
| Дата добавления | 21.05.2014 |
| Размер файла | 230,9 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
К внутренне линейным моделям относятся, например, степенная функция -
,
показательная -
,
экспоненциальная -
,
логистическая -
,
обратная -
.
К внутренне нелинейным моделям можно, например, отнести следующие модели:
, .
Среди нелинейных моделей наиболее часто используется степенная функция
,
которая приводится к линейному виду логарифмированием:
;
;
,
где
.
Т.е. МНК мы применяем для преобразованных данных:
а затем потенцированием находим искомое уравнение.
Широкое использование степенной функции связано с тем, что параметр в ней имеет четкое экономическое истолкование - он является коэффициентом эластичности. (Коэффициент эластичности показывает, на сколько процентов измениться в среднем результат, если фактор изменится на 1%.) Формула для расчета коэффициента эластичности имеет вид:
. (1.19)
Так как для остальных функций коэффициент эластичности не является постоянной величиной, а зависит от соответствующего значения фактора , то обычно рассчитывается средний коэффициент эластичности:
. (1.20)
Приведем формулы для расчета средних коэффициентов эластичности для наиболее часто используемых типов уравнений регрессии:
Таблица 1.5
|
Вид функции, |
Первая производная, |
Средний коэффициент эластичности, |
|
|
1 |
2 |
3 |
|
Возможны случаи, когда расчет коэффициента эластичности не имеет смысла. Это происходит тогда, когда для рассматриваемых признаков бессмысленно определение изменения в процентах.
Уравнение нелинейной регрессии, так же, как и в случае линейной зависимости, дополняется показателем тесноты связи. В данном случае это индекс корреляции:
, (1.21)
где
- общая дисперсия результативного признака ,
- остаточная дисперсия.
Величина данного показателя находится в пределах: . Чем ближе значение индекса корреляции к единице, тем теснее связь рассматриваемых признаков, тем более надежно уравнение регрессии.
Квадрат индекса корреляции носит название индекса детерминации и характеризует долю дисперсии результативного признака , объясняемую регрессией, в общей дисперсии результативного признака:
, (1.22)
т.е. имеет тот же смысл, что и в линейной регрессии;
.
Индекс детерминации можно сравнивать с коэффициентом детерминации для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина меньше . А близость этих показателей указывает на то, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.
Индекс детерминации используется для проверки существенности в целом уравнения регрессии по -критерию Фишера:
, (1.23)
где - индекс детерминации, - число наблюдений, - число параметров при переменной . Фактическое значение -критерия (1.23) сравнивается с табличным при уровне значимости и числе степеней свободы
(для остаточной суммы квадратов) и (для факторной суммы квадратов).
О качестве нелинейного уравнения регрессии можно также судить и по средней ошибке аппроксимации, которая, так же как и в линейном случае, вычисляется по формуле (1.8).
3.5 Сглаживание данных
Сглаживание данных, как искаженных помехами, так и статистических по своей природе, также можно считать частным случаем регрессии без определения символьной формы ее функции, а потому может выполняться более простыми методами. В Mathcad для сглаживания применяются следующие функции:
supsmooth(X,Y) - возвращает вектор сглаженных данных Y с использованием линейного сглаживания методом наименьших квадратов по k-ближайших отсчетов с адаптивным выбором значения k с учетом динамики изменения данных. Значения вектора Х должны идти в порядке возрастания.
ksmooth(X,Y,b) - вычисляет вектор сглаженных данных на основе распределения Гаусса. Параметр b задает ширину окна сглаживания и должен быть в несколько раз больше интервала между отсчетами по оси х.
medsmooth(Y,b) - вычисляет вектор сглаженных данных по методу скользящей медианы с шириной окна b, которое должно быть нечетным числом.
Как можно видеть на этом рисунке, качество сглаживания функциями supsmooth (X,Y) и ksmooth (X,Y,b) практически идентично (при соответствующем выборе параметра b). Медианный способ уступает по своим возможностям двум другим. Можно заметить также, что на концевых точках интервала задания данных качество сглаживания ухудшается, особенно в медианном способе, который вообще не может выполнять свои функции на концевых интервалах длиной b/2.
Предсказание зависимостей:
Функция Mathcad predict (Y,n,K), где n - степень полинома аппроксимации вектора равномерно распределенных данных Y, позволяет вычислить вектор К точек предсказания (экстраполяции) поведения произвольного сигнала за пределами его задания (по возрастанию координат х). Предсказание тем точнее, чем более гладкую форму имеет заданный сигнал. Пример использования функции приведен на рис.2.5 1 для гладкой и статистически зашумленной сигнальной кривой. Степень аппроксимирующего полинома определяет глубину использования входных данных и может быть достаточно небольшой для гладких и монотонных сигналов. Ошибка прогнозирования увеличивается по мере удаления от заданных данных.
3.6 Пример нелинейной парной регрессии
Заключение
Корреляционный анализ позволяет выявить существенные свойства временных рядов. В том числе периодические зависимости и временные лаги для единичного процесса (автокорреляция) или между несколькими процессами (кросскореляция).
Чем больше информации относительно величина Y содержится в исходных x1, х2, х3 … тем более тесную связь мы можем выявить между ними.
Установив характер взаимосвязи можно получить ожидаемое значение зависимой переменной при заданных значениях объясняющих переменных, то есть построить эконометрическую модель.
Добившись разбиения зависимой переменной на случайную и объясненную, мы можем, в частности, построить строить тренд.
Сам анализ состоит из нахождения взаимосвязей между значениями X(t), нахождения тренда, между отклонением значений от линии тренда. Вычитая линию тренда из функции x(t) мы получим некоторые остатки, анализ этих остатков позволяет выявить существование периодичности и тенденции к смене тренда.
Размещено на Allbest.ru
...Подобные документы
Теория и анализ временных рядов. Построение линии тренда и прогнозирование развития случайного процесса на основе временного ряда. Сглаживание временного ряда, задача выделения тренда, определение вида тенденции. Выделение тригонометрической составляющей.
курсовая работа [722,6 K], добавлен 09.07.2019Анализ временных рядов с помощью статистического пакета "Minitab". Механизм изменения уровней ряда. Trend Analysis – анализ линии тренда с аппроксимирующими кривыми (линейная, квадратическая, экспоненциальная, логистическая). Декомпозиция временного ряда.
методичка [1,2 M], добавлен 21.01.2011Основные элементы эконометрического анализа временных рядов. Задачи анализа и их первоначальная обработка. Решение задач кратко- и среднесрочного прогноза значений временного ряда. Методы нахождения параметров уравнения тренда. Метод наименьших квадратов.
контрольная работа [37,6 K], добавлен 03.06.2009Изучение понятия имитационного моделирования. Имитационная модель временного ряда. Анализ показателей динамики развития экономических процессов. Аномальные уровни ряда. Автокорреляция и временной лаг. Оценка адекватности и точности трендовых моделей.
курсовая работа [148,3 K], добавлен 26.12.2014Анализ упорядоченных данных, полученных последовательно (во времени). Модели компонентов детерминированной составляющей временного ряда. Свободные от закона распределения критерии проверки ряда на случайность. Теоретический анализ системы линейного вида.
учебное пособие [459,3 K], добавлен 19.03.2011Построение графика временного ряда. Тренд - устойчивое систематическое изменение процесса в течение продолжительного времени. Динамика продаж бензина на АЗС. Выявление сезонной составляющей и тренда. Коррелограмма, построенная в программе Statistica.
курсовая работа [1,2 M], добавлен 15.11.2013Временные ряды и их характеристики. Факторы, влияющие на значения временного ряда. Тренд и сезонные составляющие. Декомпозиция временных рядов. Метод экспоненциального сглаживания. Построение регрессионной модели. Числовые характеристики переменных.
контрольная работа [1,6 M], добавлен 18.06.2012Теоретические выкладки в области теории хаоса. Методы, которые используются в математике, для прогнозирования стохастических рядов. Анализ финансовых рядов и рядов Twitter, связь между сентиметными графиками и поведением временного финансового ряда.
курсовая работа [388,9 K], добавлен 01.07.2017Анализ автокорреляции уровней временного ряда, характеристика его структуры; построение аддитивной и мультипликативной модели, отражающую зависимость уровней ряда от времени; прогноз объема выпуска товаров на два квартала с учетом выявленной сезонности.
лабораторная работа [215,7 K], добавлен 23.01.2011Автокорреляционная функция временного ряда темпов роста производства древесноволокнистых плит в Российской Федерации. Расчет значений сезонной компоненты в аддитивной модели и коэффициента автокорреляции третьего порядка по логарифмам уровней ряда.
контрольная работа [300,6 K], добавлен 15.11.2014Выборка и генеральная совокупность. Модель множественной регрессии. Нестационарные временные ряды. Параметры линейного уравнения парной регрессии. Нахождение медианы, ранжирование временного ряда. Гипотеза о неизменности среднего значения временного ряда.
задача [62,0 K], добавлен 08.08.2010Построение временной ряда величины по данным об уровне безработицы в России за 10 месяцев 2010 г., вычисление ее числовых характеристик. Регрессионная модель временного тренда. Краткосрочный и долгосрочный прогнозы изменения рассматриваемой величины.
контрольная работа [118,1 K], добавлен 26.02.2012Аддитивная модель временного ряда. Мультипликативная модель временного ряда. Одномерный анализ Фурье. Регрессионная модель с переменной структурой. Сущность адаптивной сезонной модели Тейла – Вейджа. Прогнозирование естественного прироста населения.
курсовая работа [333,1 K], добавлен 19.07.2010Эконометрическое моделирование стоимости квартир в московской области. Матрица парных коэффициентов корреляции. Расчет параметров линейной парной регрессии. Исследование динамики экономического показателя на основе анализа одномерного временного ряда.
контрольная работа [298,2 K], добавлен 19.01.2011Расчет выборочной средней, дисперсии, среднего квадратического отклонения и коэффициента вариации. Точечная оценка параметра распределения методом моментов. Решение системы уравнений по формулам Крамера. Определение уравнения тренда для временного ряда.
контрольная работа [130,4 K], добавлен 16.01.2015Этапы и проблемы эконометрических исследований. Параметры парной линейной регрессии. Оценка тесноты связи с помощью показателей корреляции и детерминации. Расчет коэффициентов автокорреляции второго порядка для временного ряда расходов на потребление.
контрольная работа [60,3 K], добавлен 05.01.2011Двойственные оценки как мера влияния ограничений на функционал. Построение экономико-математической модели задачи. Выявление аномальных уровней временного ряда с использованием метода Ирвина. Построение графика общих годовых затрат по выгодному способу.
контрольная работа [282,7 K], добавлен 16.01.2012Расчет доверительных интервалов прогноза для линейного тренда с использованием уравнения экспоненты. Оценка адекватности и точности моделей. Использование адаптивных методов в экономическом прогнозировании. Экспоненциальные средние для временного ряда.
контрольная работа [916,2 K], добавлен 13.08.2010Статистические методы анализа одномерных временных рядов, решение задач по анализу и прогнозированию, построение графика исследуемого показателя. Критерии выявления компонент рядов, проверка гипотезы о случайности ряда и значения стандартных ошибок.
контрольная работа [325,2 K], добавлен 13.08.2010Основы понятия финансового рынка. Методы нахождения параметров уравнения тренда. Метод временного ряда на примере продажи акций. Производный финансовый инструмент (дериватив). Екстраполяция тенденции как метод прогнозирования. Валютный рынок Форекс.
курсовая работа [398,4 K], добавлен 25.02.2011
