Лабораторная. Лаб. работа 5. Лекции, либо в учебном пособии Эконометрика. Анализ временных рядов
![]()
|
Лабораторная работа по одномерным временным рядам Сезонная декомпозиция. Теоретическую часть этого раздела см. либо в лекции, либо в учебном пособии «Эконометрика. Анализ временных рядов» Как известно, уровни элементов временного ряда могут формироваться под воздействием трёх компонент; трендовой (Tt), сезонной (St) и случайной (It). Будем рассматривать мультипликативную модель временного ряда, когда все эти компоненты объединены знаком умножить: yt = Tt*St*It. Рассмотрим следующий временной ряд продаж за 6 лет поквартально. ![]() Здесь приведены горизонтальный график рада и его коррелограмма (график автокорреляционной функции). Коррелограма показывает наличие тренда (первый высокий столбик) и сезонность с длиной сезонности, равной четырём (четвёртый высокий столбик). Ниже приведена реализация этого метода программой Statgraphics. ![]() Первый столбик цифр – номера кварталов. Второй – уровни ряда, график которого – выше. Метод сезонной декомпозиции включает в себя несколько этапов: выделяется трендовая компонента путём применения центрированной скользящей средней (третий столбик цифр и первый график; точки–исходные данные, красная линия–линия тренда); затем путём деления элементов временного ряда на полученные уровни трендовой компоненты получаются уровни сезонно-случайных компонент (yt/Tt = St*It) (четвёртый столбик цифр); путём усреднения по кварталам случайной компоненты получаем индекс сезонности (нижняя часть таблицы и график индекса – второй график). Из индекса сезонности видно, что в первом квартале объёмы продаж на 34,6% выше, чем в среднем по тренду, во втором и третьем кварталам ниже соответственно на 12% и на 38% (цифры приведены с округлением); пятый столбик и третий график–это случайная компонента (yt/(Tt*St)= It): шестой столбик и четвёртый график – это данные, исправленные на сезонность (yt/ St = Tt*It). Геометрическая иллюстрация метода мезонной декомпозиции приведена ниже: ![]() Последние данные нужны для получения линии тренда в виде функции от времени. Такая процедура называется аналитическое выравнивание уровней элементов временного ряда. Реализуется эта процедура разделом «прогнозирование» в этой программе. Сохранив эти данные под именем sadjusted, получим следующий отчёт о работе этой процедуры. ![]() Для сравнения здесь приведены пять моделей: (А) – квадратичный тренд, (В) – линейный тренд, (С) – Хольта линейное экспоненциальное сглаживание, (D) – простая экспоненциальная сглаженная и (Е) – Брауна линейное экспоненциальное сглаживание. Ниже приведены показатели точности прогноза, по минимальному значению которых выбирается наиболее точная модель. Как видим, более точная модель – квадратичный тренд. У него наименьшая ошибка прогноза (RMSE). Выбрав эту модель, получили прогноз с доверительными границами и ниже – график прогноза и автокорреляционную функцию остатков модели. Коррелограма показывает, что модель адекватна исходным данным (данным, исправленным на сезонность), т.к. остатки модели являются «белым шумом». При защите работы надо будет проанализировать все модели. ![]() ![]() ![]() Прогноз по Хольту: ![]() Так, например, прогноз по квадратичному тренду получился слишком оптимистичным. А по Хольта линейной модели (нижний график) – более осторожный и в большей мере соответствует реальным данным. Да и автокорреляционная функция иллюстрирует остатки, более близкими к «белому шуму». Пояснить. Прогноз получили по тренду. Теперь надо его подкорректировать с учётом сезонности, умножив каждое прогнозное значение на соответствующий индекс сезонности. Проделать самостоятельно с указанием доверительных границ. Адаптивные методы прогнозирования (экспоненциально взвешенные средние) Рассмотрим более подробно применение экспоненциально взвешенных средних к прогнозу временных рядов (теорию см. в уч. пособии). Пусть имеется след. вр. ряд (на рис. показан горизонтальный график ряда и его коррелограма). ![]() Коррелограма представляет собой типичную картину, когда временной ряд имеет только трендовую и случайную компоненты, что видно и из графика. Выберем наилучшую модель из представленных на рис. ниже по показателям точности прогноза. RMSE и MAE указывают на две модели: С и Е, т. е. на Хольта линейную и Брауна линейную. ![]() Посмотрим, какая из них лучше подходит для прогноза. Ниже представлены графики прогноза и коррелограмы остатков по обеим моделям. ![]() ![]() Обе коррелограмы указывают на то, что остатки моделей не являются «белым шумом» - автокорреляции выходят за пределы доверительной области нуля (особенно у модели Хольта). Да и размах доверительных границ по этой модели шире. Но зато у неё прогноз менее оптимистичен, чем по модели Брауна. Какую модель выбрать – решает исследователь. Ниже приведены прогнозы по обеим моделям на 6 периодов. ![]() ![]() Как видим, по модели Брауна прогноз более оптимистичный. Следует иметь в виду, что прогнозирование – процесс творческий и здесь кроме формальных статистических критериев (показатели точности прогноза, поведение остатков и пр.) надо учитывать и не формальные критерии, согласующиеся с интересами аналитика. В заключение этой темы проиллюстрируем «работу» модели Винтера на ранее рассмотренном примере с сезонной составляющей. На рис. приведены прогноз и график автокорреляционной функции остатков по этой модели. ![]() ![]() Здесь приведены данные за последний квартал исходных данных и прогноз на очередной квартал уже с учётом сезонности (сравните с прогнозом по методу сезонной декомпозиции). |