статис.. Статистические методы прогнозирования в экономике_Дуброва, Архип. Международный консорциум Электронный университет Московский государственный университет экономики, статистики и информатики
 Скачать 1.1 Mb.
|
|
Международный консорциум «Электронный университет» Московский государственный университет экономики, статистики и информатики Евразийский открытый институт Статистические методы прогнозирования в экономике Учебное пособие Практикум Тесты Программа Т.А. Дуброва Руководство по изучению дисциплины Т.А. Дуброва М.Ю. Архипова Москва, 2004 2 УДК 519.22 ББК 22.172 Д 797 СТАТИСТИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ В ЭКОНОМИКЕ: Учебное пособие, практикум, тесты, программа курса / Дуброва Т.А.; руководство по изу- чению дисциплины / Дуброва Т.А., Архипова М.Ю. Московский государственный уни- верситет экономики, статистики и информатики. — М., 2004. — 136 с. ISBN 5-7764-0453-3 © Дуброва Т.А., 2004 © Московский государственный университет экономики, статистики и информатики, 2004 ОГЛАВЛЕНИЕ 3 ОГЛАВЛЕНИЕ УЧЕБНОЕ ПОСОБИЕ........................................................................................................ 5 Введение............................................................................................................................ 6 Глава 1. Ведение в анализ временных рядов............................................................ 7 Глава 2. Сглаживание временных рядов с помощью скользящих средних .......... 20 Глава 3. Прогнозирование развития с помощью моделей кривых роста .............. 26 Глава 4. Доверительные интервалы прогноза. Оценка адекватности и точности моделей ......................................................................................................... 39 Глава 5. Использование адаптивных методов прогнозирования в экономических исследованиях ................................................................ 48 Выводы ............................................................................................................................. 58 ПРАКТИКУМ....................................................................................................................... 59 1. Тренировочные задания ............................................................................................ 60 1.1. Введение в анализ временных рядов................................................................... 60 1.2. Сглаживание временных рядов с помощью скользящих средних ................... 61 1.3. Прогнозирование развития с помощью моделей кривых роста ....................... 62 1.4. Доверительные интервалы прогноза. Оценка адекватности и точности моделей .................................................................................................................. 63 1.5. Использование адаптивных методов прогнозирования в экономических исследованиях ....................................................................................................... 64 2. Решение тренировочных заданий............................................................................ 66 2.1. Введение в анализ временных рядов................................................................... 66 2.2. Сглаживание временных рядов с помощью скользящих средних ................... 68 2.3. Прогнозирование развития с помощью моделей кривых роста ....................... 71 2.4. Доверительные интервалы прогноза. Оценка адекватности и точности моделей .................................................................................................................. 74 2.5. Использование адаптивных методов прогнозирования в экономических исследованиях ....................................................................................................... 76 3. Итоговый тест.............................................................................................................. 79 4. Контрольные вопросы ............................................................................................... 85 ТЕСТЫ .................................................................................................................................. 87 ПРОГРАММА ...................................................................................................................... 103 РУКОВОДСТВО ПО ИЗУЧЕНИЮ ДИСЦИПЛИНЫ ................................................. 109 1. Сведения об авторах ..................................................................................................... 110 2. Цели, задачи изучения, сфера профессионального применения ............................. 110 3. Необходимый объем знаний для изучения курса...................................................... 110 4. Основная информация о курсе и его структура......................................................... 111 Тема 1. Введение в анализ временных рядов. ........................................................... 112 Тема 2. Сглаживание временных рядов с помощью скользящих средних ............ 116 ОГЛАВЛЕНИЕ 4 Тема 3. Прогнозирование развития с помощью моделей кривых роста. ............... 118 Тема 4. Проверка адекватности и точности выбранных моделей прогнозирования. ........................................................................................... 121 Тема 5. Статистический анализ и прогнозирование периодических колебаний. .. 123 Тема 6. Использование адаптивных методов прогнозирования в экономических исследованиях. ................................................................. 124 Тема 7. Модели стационарных временных рядов и их идентификация. Методология Бокса-Дженкинса.................................................................... 127 Тема 8. Применение многофакторных моделей прогнозирования. ........................ 131 6. Итоговый контроль знаний по курсу .......................................................................... 133 7. Список литературы и ссылки на ресурсы ИНТЕРНЕТ............................................. 133 8. Глоссарий....................................................................................................................... 135 ОГЛАВЛЕНИЕ 5 Учебное пособие ВВЕДЕНИЕ 6 Введение В настоящее время статистические методы прогнозирования заняли видное место в экономической практике. Широкому внедрению методов анализа и прогнозирования дан- ных способствовало появление персональных компьютеров. Распространение статистиче- ских программных пакетов позволило сделать доступными и наглядными многие методы обработки данных. Все шире используются статистические методы прогнозирования в деятельности плановых, аналитических, маркетинговых отделов производственных предприятий и объ- единений, торговых, страховых компаний, банков, правительственных учреждений. Теперь уже не требуется проводить вручную трудоемкие расчеты, строить таблицы и графики — всю эту черновую работу выполняет компьютер. Человеку же остается ис- следовательская, творческая работа: постановка задачи, выбор методов прогнозирования, оценка качества полученных моделей, интерпретация результатов. Для этого необходимо иметь определенную подготовку в области статистических методов обработки данных и прогнозирования. В данном учебном пособии в систематизированном виде изложены статистические методы анализа одномерных временных рядов и прогнозирования. Для изучения выбраны наиболее часто применяемые в экономической практике методы. Большое внимание уде- ляется анализу полученных результатов. Структура изложения соответствует логической последовательности основных этапов анализа и прогнозирования временных рядов. Последний раздел посвящен разви- вающемуся направлению статистических исследований — прогнозированию временных рядов с помощью адаптивных моделей. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 7 ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 1.1. Классификация экономических прогнозов В современных условиях управленческие решения должны приниматься лишь на ос- нове тщательного анализа имеющейся информации. Например, банк или совет директоров корпорации примет решение о вложении денег в какой-то проект лишь после тщательных расчетов, связанных с прогнозами состояния рынка, с определением рентабельности вложе- ний и с оценками возможных рисков. В противном случае могут опередить конкуренты, умеющие лучше оценивать и прогнозировать перспективы развития. Для решения подобных задач, связанных с анализом данных при наличии случай- ных воздействий, предназначен мощный аппарат прикладной статистики, составной ча- стью которого являются статистические методы прогнозирования. Эти методы позволяют выявлять закономерности на фоне случайностей, делать обоснованные прогнозы и оцени- вать вероятность их выполнения. Под прогнозом понимается научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. Процесс разработки прогнозов называется прогнозированием (от греч. prognosis — пред- видение, предсказание). Прогнозирование должно отвечать на два вопроса: • Что вероятнее всего ожидать в будущем? • Каким образом нужно изменить условия, чтобы достичь заданного, конечного состояния прогнозируемого объекта? Прогнозы, отвечающие на вопросы первого типа, называются поисковыми, второго типа — нормативными. Например, ставится задача обеспечить каждую семью отдельной квартирой с улучшенной планировкой. Нормативные прогнозы продемонстрируют при каких капита- ловложениях и к какому сроку возможно выполнение поставленной задачи. В зависимости от объектов прогнозирования принято разделять прогнозы на науч- но-технические, экономические, социальные, военно-политические и т.д. Однако такая классификация носит условный характер, т.к. между этими прогнозами, как правило, су- ществует множество прямых и обратных связей. Важной характеристикой является время (период) упреждения прогноза — отрезок времени от момента, для которого имеются последние статистические данные об изучае- мом объекте, до момента, к которому относится прогноз. На рис.1.1 показана экстраполяция тенденции показателя для периода упреждения, т.е. продление в будущее тенденции, наблюдавшейся в прошлом (для периода наблюде- ния). При этом предполагается инерционность развития показателя, отсутствие сущест- венных изменений тенденции в течение периода упреждения. По времени упреждения экономические прогнозы делятся на: • оперативные (с периодом упреждения до одного месяца); • краткосрочные (период упреждения — от одного, нескольких месяцев до года); • среднесрочные (период упреждения более 1 года, но не превышает 5 лет); • долгосрочные (с периодом упреждения более 5 лет). Наибольший практический интерес, безусловно, представляют краткосрочные и оперативные прогнозы. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 8 расчетные значения фактические значения 1 2 3 4 5 6 7 8 9 10 11 12 время 0 5 10 15 20 25 30 35 40 У период наблюдения период упреждения Рис. 1.1. Экстраполяция тенденции показателя Классификация прогнозов Научно- технические прогнозы Демогра- фические прогнозы Экономи- ческие прогнозы Прогнозы природных ресурсов Социальные прогнозы Внешне- политические, военно- политические прогнозы По масштабности объекта прогнозирования глобальные прогнозы макропрогнозы межотраслевые и межрегиональные прогнозы региональные прогнозы прогнозы развития народнохозяйствен- ных комплексов отраслевые прогнозы микропрогнозы По времени упреждения долгосрочные прогнозы среднесрочные прогнозы краткосрочные прогнозы оперативные прогнозы По цели прогнозирования поисковый прогноз нормативный прогноз Рис. 1.2. Классификация экономических прогнозов { { ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 9 Классификация экономических прогнозов показана на рис. 1.2. Следует обратить внимание на разнообразие прогнозов в зависимости от масштабности объекта прогнози- рования. Экономические прогнозы могут охватывать все уровни: от микроуровня (рас- сматривающего прогнозы развития отдельных предприятий, производств и т.д.) до макро- уровня (анализирующего экономическое развитие в масштабе страны) или — до глобаль- ного уровня, при котором существующие закономерности рассматриваются в мировом масштабе. Прогнозирование экономических явлений и процессов включает в себя следую- щие этапы: 1. постановка задачи и сбор необходимой информации; 2. первичная обработка исходных данных; 3. определение круга возможных моделей прогнозирования; 4. оценка параметров моделей; 5. исследование качества выбранных моделей, адекватности их реальному процес- су и выбор лучшей из моделей; 6. построение прогноза; 7. содержательный анализ полученного прогноза. Рассмотрим более подробно существующие методы и подходы для реализации ка- ждого из намеченных этапов. 1.2. Виды временных рядов. Требования, предъявляемые к исходной информации Статистическое описание развития экономических процессов во времени осущест- вляется с помощью временных рядов. Временным рядом (рядом динамики,динамическим рядом) называется последова- тельность значений показателя (признака), упорядоченная в хронологическом порядке, т.е. в порядке возрастания временного параметра. Отдельные наблюдения временного ря- да называются уровнями этого ряда. В англоязычной литературе для временных рядов используется термин «time series». Каждый временной ряд содержит два элемента: 1) значения времени; 2) соответствующие им значения уровней ряда. Временные ряды имеют характерные отличия от пространственных выборок: Во-первых, в отличие от пространственных данных уровни временного ряда, как правило, не являются статистически независимыми. Во-вторых, члены временного ряда не являются одинаково распределенными. Очевидно, что эти особенности должны быть учтены в исследовательской работе. В качестве показателя времени в рядах динамики могут указываться либо опреде- ленные моменты времени (даты), либо отдельные периоды (сутки, месяцы, кварталы, по- лугодия, годы и т.д.). В зависимости от характера временного параметра ряды делятся на моментные и интервальные. В моментных рядах динамики уровни характеризуют значения показателя по со- стоянию на определенные моменты времени. Например, моментными являются времен- ные ряды цен на определенные виды товаров, ряды курсов акций, уровни которых фикси- руются для конкретных чисел. Примерами моментных рядов динамики могут служить также ряды численности населения или стоимости основных фондов, т.к. значения уров- ней этих рядов определяются ежегодно на одно и то же число. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 10 В интервальных рядах уровни характеризуют значение показателя за определен- ные интервалы (периоды) времени. Примерами могут служить ряды годовой (месячной, квартальной) динамики производства продукции в натуральном или стоимостном выра- жении. В табл.1.1—1.2 приведены моментные временные ряды, а в табл.1.3—1.4 — интер- вальные. Таблица 1.1. Цены акций промышленной компании на момент закрытия торгов Дата 06.09.99 07.09.99 08.09.99 09.09.99 10.09.99 13.09.99 Цены акций промышленной компании 383 392 391 399 397 399 Таблица 1.2. Объем вкладов физических лиц в Сбербанке России на рублевых счетах (на начало года) Год 1998 1999 2000 2001 2002 Объем вкладов физических лиц на начало каждого года (млрд. руб.) 115,2 126,8 184,2 266 375,6 Таблица 1.3. Фонд заработной платы в первом полугодии 2001 г. Месяц январь февраль март апрель май июнь Фонд заработной платы работников предприятия (тыс. руб.) 79,5 84,1 85, 5 88,5 89,9 90,0 Таблица 1.4. Объем экспорта Российской Федерации Год 1995 1998 1999 2000 2001 Объем экспорта (млрд. долл.США) 78,2 71,3 72,9 103,1 100,7 Источник: Россия в цифрах 2002: Крат. стат. сб ./ Госкомстат России. — М., 2002. — (таб. 1.2,1,4). Если уровни ряда представляют собой непосредственно не наблюдаемые значения, а производные величины: средние или относительные, то такие ряды называются произ- водными. Уровни этих временных рядов получаются с помощью некоторых вычислений на основе абсолютных показателей. Примером производного ряда динамики может слу- жить ряд среднесуточного производства промышленной продукции (табл. 1.5). ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 11 Таблица 1.5. Среднесуточное производство продукции Месяц Производство про- дукции (тыс.шт.) Количество рабочих дней в месяце Среднесуточное произ- водство (тыс. шт.) 1 2 3 4 Январь 195,0 25 7,8 Февраль 204,0 24 8,5 Март 210,6 26 8,1 Апрель 195,0 26 7,5 Май 207,5 25 8,3 Июнь 205,4 26 7,9 Данные графы 4 (табл. 1.5) получаются с помощью деления данных графы 2 на графу 3. Важной особенностью интервальных рядов динамики абсолютных величин являет- ся возможность суммирования их уровней. В результате этой процедуры получаются на- копленные итоги, имеющие осмысленное содержание благодаря отсутствию повторного счета. Например, суммируя фонд заработной платы работников предприятия за первые три месяца и три последующих месяца (табл.1.3), получаем, соответственно, фонд зара- ботной платы за первый и второй кварталы, а сумма этих квартальных данных дает фонд заработной платы за полугодие. Суммирование уровней моментного ряда динамики не практикуется, т.к. получен- ные накопленные итоги лишены всякого смысла. Например, уровни моментного ряда «Объем вкладов физических лиц в Сбербанке России на рублевых счетах (на начало го- да)» (табл. 1.2) содержат элементы повторного счета. Второй уровень частично содержит вклады населения, учтенные первым уровнем и т.д. Таким образом, моментные ряды ди- намики, в отличие от интервальных не обладают свойством аддитивности. (Термин про- исходит от английского глагола to add — добавлять). При исследовании моментного ряда динамики определенный смысл имеет расчет разностей уровней, характеризующих изменение показателя за некоторый отрезок време- ни. Например, за 2001 г. объем вкладов физических лиц в Сбербанке России на рублевых счетах увеличился на 109,6 млрд. руб. На практике часто используются временные ряды с нарастающими итогами. Уровни таких рядов дают обобщающий результат развития показателя с начала отчетного периода (квартала, полугодия, года и т.д.). В качестве примера рассмотрим данные о про- изводстве телевизоров в России в первом полугодии 2002 г. (табл. 1.6). Данные 3 графы получены последовательным суммированием смежных уровней. Уровни ряда могут принимать детерминированные или случайные значения. При- мером ряда с детерминированными значениями уровней служит ряд последовательных данных о количестве дней в месяцах. Естественно, анализу, а в дальнейшем и прогнозиро- ванию, подвергаются ряды со случайными значениями уровней. В таких рядах каждый уровень может рассматриваться как реализация случайной величины — дискретной или непрерывной. Успешность статистического анализа развития процессов во времени во многом за- висит от правильного построения временных рядов. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 12 Таблица 1.6. Данные о производстве телевизоров (тыс. шт.) Произведено телевизоров (тыс. шт.) Месяц За месяц С начала года 1 2 3 1.2002 146 146 2.2002 128 146 + 128 = 274 3.2002 124 274 + 124 = 398 4.2002 142 398 + 142 = 540 5.2002 85,9 540 + 85,9 = 625,9 6.2002 89,5 625,9 +89,5 = 715,4 Большое значение для дальнейшего исследования процесса имеет выбор интерва- лов между соседними уровнями ряда. Удобнее всего иметь дело с равноотстоящими друг от друга уровнями ряда. При этом, если выбрать слишком большой интервал времени, можно упустить существенные закономерности в динамике показателя. Например, по квартальным данным невозможно судить о месячных сезонных колебаниях. Информация может также оказаться слишком «короткой» для использования некоторых методов ана- лиза и прогнозирования динамики, предъявляющих «жесткие» требования к длине рядов. В то же время, слишком малые интервалы между наблюдениями увеличивают объем вы- числений, а также могут приводить к появлению ненужных деталей в динамике процесса, засоряющих общую тенденцию. Безусловно, вопрос о выборе интервала времени между уровнями ряда должен ре- шаться, исходя из целей каждого конкретного исследования. Одним из важнейших условий, необходимых для правильного отражения времен- ным рядом реального процесса развития, является сопоставимость уровней ряда. Для не- сопоставимых величин неправомерно проводить исследование динамики. Появление несопоставимых уровней может быть вызвано разными причинами: из- менением методики расчета показателя, изменением классификации, терминологии и т.д. Например, уровни временного ряда, характеризующие количество малых предприятий, могут оказаться несопоставимыми из-за изменения самого понятия «малое предприятие». Подразумевается, что это понятие должно быть одинаковым для всего исследуемого пе- риода. Чаще всего несопоставимость встречается в стоимостных показателях, что вызвано изменением цен в разные периоды времени, поэтому на практике осуществляют пересчет уровней в сопоставимые цены (цены одного периода). Несопоставимость может возникнуть вследствие территориальных изменений, на- пример, как результат изменения границ области, района, страны. При этом следует иметь в виду, что вопрос о сопоставимости будет зависеть от целей исследования. Например, при описании военной, экономической мощи страны следует учитывать данные в изме- няющихся границах территории, а при сопоставлении темпов развития промышленности следует производить сравнение в одних и тех же территориальных границах. Другой причиной несопоставимости могут служить структурные изменения. На- пример, произошло укрупнение нескольких ведомств путем слияния их в единое целое или укрупнение производства за счет слияния нескольких предприятий в одно объеди- нение. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 13 В большинстве случаев удается устранить несопоставимость, вызванную указан- ными причинами, путем пересчета более ранних значений показателей с помощью фор- мальных методов. Хотя далеко не всегда проведение такой обработки обеспечивает тре- буемую точность, что может привести к снижению ценности исходной информации, а, следовательно, и к затруднению дальнейшего анализа. Для успешного изучения динамики процесса важно, чтобы информация была пол- ной, временной ряд имел достаточную длину (с учетом конкретных целей исследования). Например, при изучении периодических колебаний желательно иметь информацию не менее чем за три полных периода колебания. Поэтому при анализе сезонных колебаний на базе рядов месячной или квартальной динамики желательно иметь информацию, как пра- вило, не менее чем за 3 года. Использование же более тонкого статистического аппарата для исследования периодичности (например, рассматриваемого в гл.5) требует большей длины информации — не менее пяти полных периодов колебаний. Применение определенного математического аппарата также накладывает ограни- чение на допустимую длину временных рядов. Например, для использования регрессион- ного анализа требуется иметь временные ряды, длина которых в несколько раз превосхо- дит количество независимых переменных. Во временных рядах не должны содержаться пропущенные уровни. Пропуски могут объясняться как недостатками при сборе информации, так и происходившими изменениями в системе отчетности, в системе фиксирования данных. Например, изме- няется круг основных видов промышленной продукции, данные о производстве кото- рых собираются на базе срочной отчетности. Решение об исключении какого-то пока- зателя может быть отменено через некоторое время, в связи с тем, что становится оче- видной его важность для аналитических исследований. В этом случае для использова- ния этого временного ряда в дальнейшем анализе необходимо восстановить пропу- щенные уровни одним из известных способов восстановления пропусков (выбор мето- да зависит от специфики конкретного временного ряда). Если же в систему показате- лей включен новый признак, учет которого не проводился ранее, то необходимо подо- ждать, пока ряд достигнет требуемой длины или попытаться восстановить прежние значения косвенными методами (через другие показатели), если такой путь представ- ляется возможным. Уровни рядов динамики могут содержать аномальные значения или “выбросы». Часто появление таких значений может быть вызвано ошибками при сборе, записи и пе- редаче информации. Возможными источниками появления ошибочных значений являют- ся: сдвиг запятой при перенесении информации из документа, занесение данных в другую графу и т.д. Выявление, исключение таких значений, замена их истинными или расчетными является необходимым этапом первичной обработки данных, т.к. применение матема- тических методов к «засоренной» информации приводит к искажению результатов анализа. Однако аномальные значения могут отражать реальное развитие процесса, на- пример, «скачок» курса доллара в «черный вторник». Как правило, эти значения также заменяются расчетными при построении моделей, но учитываются при расчете воз- можной величины отклонений фактических значений от полученных по модели. Соответствие исходной информации всем указанным требованиям проверяется на этапе предварительного анализа временных рядов. Лишь после этого переходят к расчету и анализу основных показателей динамики развития, построению моделей прогнозирова- ния, получению прогнозных оценок. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 14 1.3. Компоненты временных рядов В практике исследования динамики явлений и прогнозирования принято считать, что значения уровней временных рядов экономических показателей могут содержать сле- дующие компоненты (составные части или структурно-образующие элементы): • тренд; • сезонную компоненту; • циклическую компоненту; • случайную составляющую. Под трендом понимают изменение, определяющее общее направление развития, основную тенденцию временного ряда. Это систематическая составляющая долговремен- ного действия. Наряду с долговременными тенденциями во временных рядах экономических про- цессов часто имеют место более или менее регулярные колебания — периодические со- ставляющие рядов динамики. Если период колебаний не превышает одного года, то их называют сезонными. Ча- ще всего причиной их возникновения считаются природно-климатические условия. При- мером могут служить колебания цен на сельскохозяйственную продукцию, в частности на картофель. Из года в год наблюдается снижение цен в период после уборки урожая и по- следующее повышение цен, связанное с необходимостью хранения продукции. Своего “пика» цены достигают перед следующим урожаем. Таким образом, в колебаниях цен прослеживается устойчивая годовая периодичность. Иногда причины сезонных колебаний имеют социальный характер, например, увели- чение закупок в предпраздничный период, увеличение платежей в конце квартала и т.д. При большем периоде колебания считают, что во временных рядах имеет место циклическая составляющая. Примерами могут служить демографические, инвестици- онные и другие циклы. Если из временного ряда удалить тренд и периодические составляющие, то оста- нется нерегулярная компонента. Экономисты разделяют факторы, под действием которых формируется нерегуляр- ная компонента, на 2 вида: • факторы резкого, внезапного действия; • текущие факторы. Факторы первого вида (например, стихийные бедствия, эпидемии и др.), как прави- ло, вызывают более значительные отклонения. Иногда такие отклонения называют ката- строфическими колебаниями. Факторы второго вида вызывают случайные колебания, являющиеся результатом действия большого числа побочных причин. Влияние каждого из текущих факторов не- значительно, но ощущается их суммарное воздействие. Если временной ряд представляется в виде суммы соответствующих компонент, то полученная модель носит название аддитивной (1.1), если в виде произведения — муль- типликативной (1.2) или смешанного типа (1.3): t t t t t v s u y ε + + + = ; (1.1) t t t t t v s u y ε ⋅ ⋅ ⋅ = ; (1.2) t t t t t v s u y ε + ⋅ ⋅ = , (1.3), где t y — уровни временного ряда; ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 15 t u — трендовая составляющая; t s — сезонная компонента; t v — циклическая компонента; t ε — случайная компонента. Рис. 1.3. Месячная динамика производства отдельных видов промышленной продукции в натуральном выражении На рис. 1.3 приведены примеры временных рядов, иллюстрирующие присутствие в них указанных компонент. Графики месячных временных рядов производства промышленной про- дукции наглядно демонстрируют устойчивые сезонные колебания при снижающемся тренде, причем на последнем участке темпы падения производства заметно снижаются. Решение любой задачи по анализу и прогнозированию временных рядов начинает- ся с построения графика исследуемого показателя, тем более, что современные программ- ные средства предоставляют пользователю большие возможности для этого. Иногда на стадии графического анализа можно определить характер сезонных колебаний: аддитив- ный или мультипликативный. Отличительной особенностью аддитивной модели является то, что амплитуда сезонных колебаний, отражающая отклонения от тренда или среднего, остается примерно постоянной, неизменной во времени. В качестве примера рассмотрим временной ряд производства электроэнергии в России с 1994 по 1999 гг. (рис.1.4.). На основании этого графика можно предположить, что тенденция ряда в исследуе- мом периоде была близка к линейному развитию, а амплитуда внутригодовых колебаний примерно постоянна. На рис. 1.4. видны устойчивые сезонные колебания, имеющие годо- вую периодичность: очевидны повторяющиеся подъемы производства в зимне-осенний период, спады — в весенне-летний период. Амплитуду периодических колебаний можно считать практически неизменной, не зависящей от уровня тренда, что приводит к выводу об аддитивном характере сезонности. Таким образом, на стадии проведения графического анализа можно исследовать компонентный состав временных рядов, а также сделать первые шаги к выбору модели для описания их динамики и последующего прогнозирования. Если присутствие тренда во временном ряду прослеживается нечетко, то прежде чем перейти к определению тенденции и выделению тренда, нужно выяснить, существует ли вообще тенденция в исследуемом процессе. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 16 1994 1995 1996 1997 1998 1999 50 55 60 65 70 75 80 85 90 95 Y время Рис. 1.4. Месячная динамика производства электроэнергии в Российской Федерации за период с 1994 по 1999 гг. (млн. кВт.ч ) Основные подходы к решению этой задачи основаны на статистической проверке гипотез. Критерии выявления компонент ряда основаны на проверке гипотезы о случай- ности ряда. Среди наиболее часто используемых на практике подходов для проверки «наличия — отсутствия» тренда следует отметить метод Фостера-Стюарта. Этот метод может быть реализован в виде следующей последовательности шагов. 1) Каждый уровень ряда сравнивается со всеми предшествующими, при этом определяют- ся значения вспомогательных характеристик m t и l t : > = − случае противном в 0 y если 1 1 2 1 , , ... , y , y y , m t- t t t Таким образом, m t = 1, если y t больше всех предшествующих уровней. В свою оче- редь 1 t = 1, если y t меньше всех предшествующих уровней. 2) Вычисляется d t = m t — l t для всех t = 2 ÷ n. Очевидно, что величина d t может принимать значения 0; 1; –1. 3) Находится характеристика ∑ = = n t t d D 2 4) С помощью критерия Стьюдента проверяется гипотеза о том, что можно считать слу- чайной разность D – 0 (т.е. ряд можно считать случайным, не содержащим тренд). Для этого определяется D набл D t σ = , где σ D — средняя квадратическая ошибка величины D: ∑ = = n t D t 2 1 2 σ ≈ 0,8456 - n ln 2 ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 17 Значения σ D затабулированы. Таблица 1.7. Значения стандартных ошибок σ D для n от 10 до 100 n σ D n σ D n σ D n σ D 10 15 20 25 30 1,964 2,153 2,279 2,373 2,447 35 40 45 50 55 2,509 2,561 2,606 2,645 2,681 60 65 70 75 80 2,713 2,742 2,769 2,793 2,816 85 90 95 100 2,837 2,857 2,876 2,894 Расчетное значение t набл сравнивается с критическим значением t кр , взятым из таблицы t — распределения Стьюдента для заданного уровня значимости α и числа степеней свободы ν = n – 1. Если t набл > t кр , то гипотеза об отсутствии тренда отвергается. Также в литературе кроме рассмотренного подхода описаны и другие критерии, отличающиеся друг от друга мощностью, сложностью математического аппарата, напри- мер, критерий квадратов последовательных разностей (критерий Аббе), метод проверки разностей средних уровней, критерий серий, имеющий две модификации: критерий серий, основанный на медиане выборки, и критерий «восходящих и нисходящих» серий и др. [3,4,23]. 1.4. Основные показатели динамики экономических явлений На практике для количественной оценки динамики явлений широко применяются следующие основные аналитические показатели: — абсолютные приросты; — темпы роста; — темпы прироста. Причем каждый из указанных показателей может быть трех видов: • цепной; • базисный; • средний. В основе расчета этих показателей динамики лежит сравнение уровней временного ряда. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу срав- нения, то эти показатели называются базисными. В качестве базы сравнения выбирается либо начальный уровень динамического ряда, либо уровень, с которого начинается новый этап развития. Например, при анализе динамики развития российской промышленности часто за базу сравнения выбирают 1990 год. Это объясняется тем, что до этого года во многих отраслях промышленности наблюдался замедлявшийся подъем, перешедший за- тем в спад производства. Поэтому начавшийся в посткризисный период подъем производ- ства желательно оценивать не только по отношению к предыдущему году, но и в сравне- нии с 1990 г. Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные таким образом показатели называ- ются цепными. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 18 Абсолютный прирост ∆у равен разности двух сравниваемых уровней. Темп роста Т характеризует отношение двух сравниваемых уровней ряда, выра- женное в процентах. Темп прироста К характеризует абсолютный прирост в относительных величинах. Определенный в % темп прироста показывает, на сколько процентов изменился сравни- ваемый уровень по отношению к уровню, принятому за базу сравнения. В таблице 1.8 приведены выражения для вычисления базисных и цепных абсолют- ных приростов, темпов роста, темпов прироста. При этом использованы следующие обо- значения: n t y y y y , , , , , 2 1 K K — уровни временного ряда, t = 1, 2, ... , n; n — длина временного ряда; б y — уровень временного ряда, принятый за базу сравнения. Для получения обобщающих показателей динамики развития определяются средние величины: средний абсолютный прирост, средний темп роста и средний темп прироста. Эти обобщающие характеристики динамики представляют наибольший интерес для статистиче- ского анализа. С их помощью можно строить прогнозы исследуемых показателей. Однако необходимо отметить, что их применение требует определенной осторожности. Описание динамики ряда с помощью среднего абсолютного прироста соответству- ет его представлению в виде прямой, проведенной через две крайние точки. В этом слу- чае, чтобы получить прогноз на L шагов вперед (L — период упреждения), достаточно воспользоваться следующей формулой: y L y ∆ + = + n L n y ) , (1.4) где n y — фактическое значение в последней n-ой точке ряда (конечный уровень ряда); L n + y) — прогнозное значение (n + L)-го уровня ряда; y ∆ — значение среднего абсолютного прироста, рассчитанное для временного ряда n t y y y y , , , , , 2 1 K K Таблица 1.8. Основные показатели динамики Вид показателя Абсолютный прирост Темп роста, % Темп прироста, % Цепной ∆у t = y t – y t–1 % y y Т t t t 100 1 × = − К t = T t – 100 % Базисный ∆ б t y = y t – y б % y y T б t б t 100 × = % Т K б t б t 100 − = Средний 1 1 − − = n y y ∆y n % y y Т n n 100 1 1 × = − % Т K 100 − = Очевидно, что такой подход к получению прогнозного значения корректен, если характер развития близок к линейному. На такой равномерный характер развития могут указывать примерно одинаковые значения цепных абсолютных приростов. ГЛАВА 1. ВВЕДЕНИЕ В АНАЛИЗ ВРЕМЕННЫХ РЯДОВ 19 Применение среднего темпа роста (и среднего темпа прироста) для описания дина- мики ряда соответствует его представлению в виде показательной или экспоненциальной кривой, проведенной через две крайние точки. Поэтому использование этого показателя в качестве обобщающего целесообразно для тех процессов, изменение динамики которых происходит примерно с постоянным темпом роста. В этом случае прогнозное значение на L шагов вперед может быть получено по формуле: L n n Т y ⋅ = +L y) , (1.5) где n y — фактическое значение в последней n-ой точке ряда (конечный уровень ряда); L n + y) — прогнозное значение (n + L)-го уровня ряда; Т — значение среднего темпа роста, рассчитанное для временного ряда n t y y y y , , , , , 2 1 K K (не в %-ном выражении). К недостаткам среднего абсолютного прироста и среднего темпа роста (среднего темпа прироста) следует отнести то, что они учитывают лишь конечный и начальный уровни ряда, исключают влияния промежуточных уровней. Тем не менее, эти показа- тели имеют весьма широкую область применения, что объясняется чрезвычайной про- стотой их вычисления. Они могут быть использованы как приближенные, простейшие способы прогнозирования, предшествующие более глубокому количественному и ка- чественному анализу. ГЛАВА 2. СГЛАЖИВАНИЕ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ СКОЛЬЗЯЩИХ СРЕДНИХ 20 |