Реферат Курсовая Конспект
Аналіз часових рядів економічних показників і побудова економетричних моделей динаміки - раздел Математика, З ДИСЦИПЛІНИ ЕКОНОМІКО-МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ Прикладами Часових Рядів Також Є Щомісячна, Щоквартальна, Щор...
|
Прикладами часових рядів також є щомісячна, щоквартальна, щорічна собівартість перевезення пасажирів, обсяг пасажирів, що перевозяться по депо, або рівнянню в цілому. Вихідні дані слід формувати по кожному з об'єктів у зв'язку з тим, що інформація буде більш достовірною ніж по групі об'єктів.
Маючи в розпорядженні свій часовий ряд для досліджуваного показника і для всіх чинників, необхідно перш за все виявити загальну тенденцію зміни цих величин (тренд, еволюційну складову, лінію рівняння).
Як показує дослідження економічних часових рядів, в них завжди міститься загальна тенденція, яку необхідно виявити. Співвідношення У=d(t) можна відшукувати безпосередньо за звітними або дослідженими даними, по К-членним ковзаним середнім.
Використання ковзаних середніх доцільно в разі достатньо довгого ряду. Число членів ковзаної середньої повинно бути обумовлено міркуваннями по суті процесу і залежно від кроку часового ряду.
При згладжуванні за допомогою ковзаних середніх доводиться втрачати частину даних: при тричленному вирівнюванні – дві сторони таблиці, при чотирьох- і п'яти членному вирівнюванні - відповідно три і чотири рядки. Якщо число даних не вірне, то таке скорочення даних навряд чи буде доцільним.
Питання про доцільну довжину часового ряду досить складне. З одного боку, як і завжди при пошуку апроксимуючої формули або рівняння регресії, виникає природне прагнення до збільшення масиву спостережень з метою підвищення точності надійності результатів, з другого боку, при обробці часових рядів слід врахувати небажаність використання старих даних. Приймати ці суперечливі вимоги можна тільки за рахунок зменшення довжини інтервалів часового ряду – скорочуючи крок ряду (шляхом переходу, наприклад від квартальних даних до місячних, від місячних до тижневих, і т.п. якщо такі дані за матеріалами звітності можна мати).
Приклад. Дані собівартості пасажироперевезень міським електричним транспортом, представлені в табл. 12.4, вирівняти за ковзаною середньою і побудувати графік.
Вирішення
Статистичні дані собівартості пасажироперевезень по депо та розрахунок ковзаних представлено в табл. 12.4.
Таблиця 12.4. Статистичні дані собівартості пасажироперевезень по депо
t | Собівартість С, коп. | Трич-лен- ні суми | Тричлен- ні ковзані середні | Чотири-член- ні суми | Чотири-членні ковзані середні | П’яті-член- ні суми | П’яти-член- ні ковзані середні |
65,9 | - | - | - | - | - | - | |
66,9 | 201,3 | 67,3 | 269,4 | 67,3 | - | - | |
69,1 | 203,5 | 67,8 | 271,7 | 67,9 | 338,2 | 67,6 | |
67,5 | 204,8 | 68,2 | 274,7 | 68,6 | 339,3 | 6,8 | |
68,2 | 205,6 | 68,5 | 276,5 | 69,1 | 345,6 | 69,1 | |
69,9 | 209,0 | 69,5 | 281,8 | 70,4 | 349,3 | 69,7 | |
70,9 | 213,6 | 71,2 | 285,7 | 71,4 | 358,5 | 71,7 | |
72,8 | 215,8 | 71,9 | 288,5 | 72,1 | 361,4 | 72,2 | |
72,1 | 217,7 | 72,5 | 290,5 | 72,6 | 363,7 | 72,7 | |
72,8 | 217,7 | 72,5 | 290,9 | 72,7 | 365,7 | 72,9 | |
72,8 | 278,8 | 72,9 | - | - | - | - | |
73,1 | - | - | - | - | - | - |
Як бачимо, середні дані більш наочно виражають основну тенденцію собівартості перевезення пасажирів. Вихідні дані, що різно ковзають, подані на рис. 12.1.
Рис. 12.1. Вихідні дані, ковзані і вирівнююча парабола:
1- вихідні дані; 2- тричленні ковзані; 3- чотиричленні ковзані; 4- п’ятичленні середні; 5- вирівнююча парабола.
При визначенні загальної тенденції виникає два завдання: вибір форми рівняння, тобто вид функції d(t); обчислення параметрів рівняння.
Слід зазначити, що аналіз часових рядів спрямований не тільки на визначення загальної тенденції і побудова моделі динаміки, а й на прогнозування економічних показників.
При виборі форми рівняння необхідно, як в статистичному регресійному аналізі, добре знати процес по суті. Так, для короткострокового прогнозування багато механіко– економічних показників найкращою формою тренда є показова, що описує зростання за законом складних процесів, для більш тривалого періоду прогнозування по цілому ряду показників - експонента з насиченням. Якщо ж сутність процесу не вимагає певної форми управління, то вибір проводиться за якнайменшою залишковою дисперсією. Графічна ілюстрація часового ряду також допоможе в цьому виборі.
Практика показує, що доцільно піддавати випробуванню залишкову дисперсію по чотирьох монотонних функціях:
1. Лінійної
;
2. Степінної
3. Експоненціальної
4. Експоненти з насиченням
При цьому відхилення від тренду визначаються відповідно у вигляді:
(12.1)
Всі параметри α знаходять за методом якнайменших квадратів, що приводить до системи нормальних рівнянь
(12.2)
(12.3)
(12.4)
(12.5)
Знайшовши для відповідної залежності, знаходять функцію, яка в порівнянні з іншими найкраще апроксимує початковий часовий ряд.
Використання з метою апроксимації багатопараметричних функцій недоцільне. Хоч за допомогою таких функцій можна отримати добре наближення вихідним даним, але, таким чином математично описується не стільки загальна тенденція, скільки випадкові від неї відхилення; з'являються невиправдані особливості процесу - максимуми і мінімуми. Крім того, складання таких функцій і їх застосування для практичних розрахунків різко ускладнюється.
Приклад. Для вищеперерахованих даних, використовуючи степеневу залежність , розраховуємо її параметри.
Вирішення
Для визначення параметрів рівняння розрахунки представимо в табл. 12.5.
Таблиця 12.5. Розрахунок статистичних характеристик рівняння.
Yt | ln t | ln t2 | ln Yt | ln Yt ln t | Yt | ε | ε2 | |||
65,9 | 0,00 | 0,00 | 1,8189 | 0,00 | 1,8035 | 63,6 | 2,3 | 5,29 | ||
66,9 | 0,3010 | 0,0906 | 1,8254 | 0,5494 | 1,8211 | 66,24 | 0,66 | 0,44 | ||
69,1 | 0,4771 | 0,2276 | 1,8395 | 0,8774 | 1,8314 | 67,32 | 1,28 | 1,64 | ||
67,5 | 0,6021 | 0,3625 | 1,8293 | 1,1014 | 1,8387 | 68,98 | -1,48 | 2,19 | ||
68,2 | 0,6990 | 0,4886 | 1,8331 | 1,2813 | 1,8443 | 69,88 | -1,68 | 2,82 | ||
69,9 | 0,7782 | 0,6056 | 1,8445 | 1,4354 | 1,8490 | 70,13 | 0,73 | 0,53 | ||
70,9 | 0,8451 | 0,7142 | 1,8505 | 1,5639 | 1,8524 | 71,19 | -0,29 | 0,08 | ||
72,9 | 0,9031 | 0,8156 | 1,8627 | 1,6822 | 1,8566 | 71,88 | 1,02 | 1,04 | ||
72,1 | 0,9542 | 0,9109 | 1,8579 | 1,7728 | 1,8593 | 72,33 | -0,23 | 0,05 | ||
72,8 | 1,000 | 1,00 | 1,8621 | 1,8626 | 1,8620 | 72,88 | -0,08 | 0,00 | ||
72,8 | 1,0414 | 1,0845 | 1,8621 | 1,9392 | 1,8644 | 73,16 | -0,36 | 0,13 | ||
73,2 | 1,0792 | 1,1647 | 1,8645 | 2,0122 | 1,8666 | 73,52 | -0,32 | 0,12 | ||
∑ | 8,6824 | 7,4648 | 22,1506 | 16,0959 | 14,32 | |||||
Система нормальних рівнянь має видгляд:
(12.6)
Підставивши відповідні значення з табл. 12.5, отримаємо
(12.7)
Вирішивши систему рівнянь, одержимо:
α=0,0585, lna=1,8035.
Маємо рівняння:
(12.8)
Прогноз на 13 і 14 періоди складе: Y13=72,83; Ym=73,02.
Середній квартал відхилення вихідних значень від розрахункових (дисперсія)
(12.9)
а середні квадратичні відхилення що в порівнянні з середнім розміром складає
Проте зазначимо, похибки апроксимації особливо великі на кінцях базисного періоду, що обумовлюють велику помилку прогнозу. Можна сказати, що залежність підібрана невдало.
Якщо протягом базисного періоду процес, що вивчається, суттєво змінився в результаті появи нових чинників (сезонні коливання), то для апроксимації часового ряду слід скористатися двома або більш окремими аналітичними виразами, розглядаючи їх як частини науково – безперервної функції. При цьому прогнозування проводиться за останньою дугою і необхідно уточнити, який допустимий інтервал прогнозування. Факт істотності змін для показника слід встановлювати як якісно, так і статистично.
Можна скористатися і графічним способом: побудувавши три тренди по кожному періоду в цілому по всьому ряду, порівняти графічно, на скільки близько загальний тренд огинає обидва приватних.
Статистична перевірка може бути здійснений наступним прикладом дисперсійного аналізу. Нехай значення показника до і після деякого моменту задані рядами:
11, 12...1h1; (12.10)
21, 22...2h1 . (12.11)
з середніми значеннями і дисперсіями, визначуваними по формулах
; (12.12)
Обчислюємо загальну середня і загальну дисперсію з'єднаного ряду
; . (12.13)
Розчленовувавши повну дисперсію ряду на частини, одержуємо
(12.14)
Враховуючи число ступенів свободи кожної з сум в рівнянні, позначаємо
; . (12.15)
Відношення порівнюємо з відповідним значенням розподілу Фішера. Якщо < F5% [1, n-2] при рівні значущості 5% вважаємо періоди, що вивчаються, не істотно різними у значенні даного показника . Якщо < F5% [1, n-2] при рівні значущості 1% вважаємо періоди, що вивчаються, суттєво різними за показником і будуємо тренд з двох частин, різних тільки за параметрами або видом функції d(t).
Приклад. Методику обробки рядів динаміки за наявності сезонних коливань можна проілюструвати на прикладі собівартості пасажироперевезень одним з тролейбусних рівнянь за період 2002-2007 рр.
Вирішення
Виявлення загальної тенденції на підставі даних табл. 12.6 починаємо з побудови графіка.
Таблиця 12.6. Динаміка статистичних показників
Роки | t | Значення показника, С, коп. | Квартал | ||||
I | II | III | IV | ||||
58,71 | 62,3 | 56,88 | 59,34 | 56,72 | |||
60,13 | 62,78 | 58,35 | 60,84 | 58,78 | |||
60,83 | 63,47 | 57,88 | 62,58 | 59,4 | |||
65,70 | 69,52 | 63,02 | 63,89 | 66,51 | |||
66,08 | 67,23 | 62,99 | 65,65 | 67,54 | |||
66,76 | 68,59 | 60,56 | 66,00 | 68,29 | |||
Рис. 12.2. Динаміка собівартості пасажироперевезень
В цьому прикладі (рис. 12.2) спостерігається різкий перелом характеру змін в 2004 р. Тому неможливо підібрати єдину математичну функцію зростання, задовільно апроксимуючу дані про собівартість пасажироперевезень за всі роки. У зв'язку з цим розбиваємо тимчасовий діапазон на дві частини - 2002-2005 рр. і 2005-2007 рр. Для першого ряду підбираємо експоненту, для другого - експоненту з насиченням. При визначенні параметрів рівнянь використовуємо розрахунки, зведені відповідно в табл. 12.7. і 12.8.
Таблиця 12.7. Розрахунок параметрів експоненти
Ро- ки | Y | ℓny | t | V= ℓny-1,78 | Vt | t2 | ℓny=1,78+ | ε | ε2 | β% | ||
58,71 | 1,7761 | -0,0039 | -0,013 | 1,7787 | 60,08 | -1,37 | 1,88 | 2,28 | ||||
60,13 | 1,7791 | -0,0004 | -0,004 | 0,0021 | 1,7821 | 60,53 | -0,4 | 0,16 | 0,66 | |||
60,83 | 1,7841 | 0,0041 | 0,0082 | 0,0155 | 1,7955 | 62,44 | -1,61 | 2,59 | 2,57 | |||
65,70 | 1,8176 | 0,0376 | 0,1182 | 0,0289 | 1,8089 | 64,40 | 1,3 | 1,69 | 2,01 | |||
∑ | 0,0374 | 0,1206 | 6,32 |
Таблиця 12.8. Розрахунок параметрів експоненти з насиченням
Роки | Y | ℓny | t | t1=t-2 | V= ℓny-1,82 | ℓny= 1,82+ | ε | ε 2 | β% | |||||
65,7 | 1,8176 | -0,0024 | -0,024 | -0,0084 | 1,8116 | 64,8 | 0,9 | 0,81 | 1,388 | |||||
65,08 | 1,82 | 0,000 | 0,50 | 0,00 | 0,250 | 0,0033 | 1,8233 | 66,58 | -0,5 | 0,25 | 0,75 | |||
66,76 | 1,8245 | 0,0045 | 0,333 | 0,0015 | 0,111 | 0,0072 | 1,8272 | 67,16 | -0,4 | 0,16 | 0,59 | |||
∑ | 0,0021 | 1,833 | -0,0009 | 1,361 | 1,22 |
Системи нормальних рівнянь
; . (12.16)
Звідки
ℓna =-0,0113, a= 0,0134; ℓna1 =0,015, а1= -0,0234;
V = -0,0113+0,0134 t; V1=0,015 - .
Тоді одержуємо
ℓn t = 1,7687 + 0,0134 t; ℓn t = 1,835 - ;
=58,70,0134 t 0 ≤ t ≤ 3; t 3≤ t ≤ 5
max β% = 2,58; max β% = 1,388.
Апроксимація цілком задовільна.
Для 2005 р. приймаємо значення собівартості
= 64,60.
Прогноз на 2004 р. При t=6
ℓnу = 1,835 - = 1,829, = 67,49.
Проте через сезонні коливання прогнозування за сумарними річними даними є абсолютно недостатнім. Тому необхідно прогнозувати за окремими періодами, в даному прикладі за вихідними квартальними даними.
– Конец работы –
Эта тема принадлежит разделу:
ХАРКІВСЬКА НАЦІОНАЛЬНА АКАДЕМІЯ МІСЬКОГО ГОСПОДАРСТВА... Мамонов К А Скоков Б Г Чечетова Н Ф... НАВЧАЛЬНИЙ ПОСІБНИК...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Аналіз часових рядів економічних показників і побудова економетричних моделей динаміки
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов