Основной тенденцией развития (трендом) называется плавное и устойчивое изменение уровня явления во времени, свободное от случайных колебаний.
Задача состоит в том, чтобы выявить общую тенденцию в изменении уровней ряде, освобожденную от действия различных случайных факторов. С этой целью ряды динамики подвергаются обработке методами укрупнения интервалов, сглаживания временных рядов.
Методы сглаживания можно условно разделить на два класса: аналитический и алгоритмический.
Аналитический подход основан на допущении, что исследователь может задать общий вид функции, описывающей регулярную, неслучайную составляющую. Например, на основе визуального и содержательного экономического анализа динамики временного ряда предполагается, что трендовая составляющая может быть описана с помощью показательной функции .
Тогда на следующем этапе будет проведена статистическая оценка неизвестных коэффициентов модели, а затем определены сглаженные значения уровней временного рада путем подстановки соответствующего значения временного параметра «t» в полученное уравнение.
В алгоритмическом подходе отказываются от ограничительного допущения, свойственного аналитическому. Процедура этого класса не предполагает описания динамики неслучайной составляющей с помощью единой функции, они предоставляют исследователю лишь алгоритм расчета неслучайной составляющей в любой заданный момент времени «t» . Методы сглаживания временных радов с помощью скользящих средних относится к такому подходу. Одним из наиболее простых методов изучения основной тенденции в рядах динамики является укрупнение интервалов. Он основан на укрупнении периодов времени, к которым относятся уровни ряда динамики (одновременно уменьшается количество интервалов). Например, рад ежесуточного выпуска продукции заменяется рядом месячного выпуска продукции и т.д. Средняя, исчисленная по укрупненным интервалам, позволяет выявлять направление и характер (ускорение или замедление роста) основной тенденции развития.
Суть различных приемов сглаживания временных рядов сводится к замене фактических уровней временного ряда расчетными, которые в меньшей степени подвержены колебаниям. Выявление основной тенденции путем сглаживания временного ряда может осуществляться также методом скользящей (подвижной) средней.
Алгоритм сглаживания по простой скользящей средней может быть представлен в виде следующей последовательности шагов.
1. Определяют длину интервала сглаживания S, включающего в себя 1 последовательных уровней ряда (1 > n). При этом надо иметьв виду, что чем шире интервал сглаживания, тем в большей степени поглощаются колебания, и тенденция развития носит более плавный, сглаженный характер. Чем сильнее колебания, тем шире должен быть интервал сглаживания.
2. Разбивают весь период наблюдения на участки, при этом интервал сглаживания «скользит» по ряду с шагом, равным I.
3. Рассчитывают средние арифметические из уровней рада, образующих каждый участок.
4. Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующие средние значения.
При этом удобно брать длину интервала сглаживания 1 в виде нечетного числа I = 2р + 1, так как в этом случае полученные значения скользящей средней приходятся на средний член интервала. Параметр р =(m-1)/2 ; где m – продолжительность периода сглаживания (5,7,9, 11,13).
Наблюдения, которые берутся для расчета среднего значения называются активным участком сглаживания.
При нечетном значении 1 =2р + 1 скользящая средняя может быть определена по формуле:
где - значение скользящей средней в момент t;
Фактическое значение i-ro уровня; 2р+1 - длина интервала сглаживания.
При построении взвешенной скользящей средней на каждом активном участке значение центрального уровня заменяется на расчетное, определяемое по формуле средней арифметической взвешенной:
где - весовые коэффициенты.
Простая скользящая средняя учитывает все уровни ряда, входящие в активный участок сглаживания, с равными весами () , а взвешенная средняя приписывает каждому уровню вес, зависящий от удаления данного уровня до уровня, стоящего в середине активного участка. Это вызвано тем, что при простой скользящей средней выравнивание на каждом активном участке проводится по прямой (полиному первого порядка), а при сглаживании по взвешенной скользящей средней используют полиномы более высоких порядков. Поэтому метод простой скользящей средней может рассматриваться как частный случай метода взвешенной скользящей средней. Весовые коэффициенты определяются с помощью метода наименьших квадратов, причем нет необходимости каждый раз вычислять их заново при уровнях ряда, входящих в активный участок сглаживания, так как они будут одинаковыми для каждого активного участка. В ниже приведенной таблице представлены весовые коэффициенты в зависимости от длины интервала сглаживания.
Таблица 1.8.2.Весовыекоэффициенты для взвешенной скользящей средней
Так как веса симметричны относительно центрального уровня, то в таблице использована символическая запись: приведены веса для половины уровней активного участка; выделен вес, относящийся к уровню, стоящему в центре участка сглаживания. Для оставшихся уровней веса не приводятся, так как они могут быть симметрично отражены.
Отметим важные свойства коэффициентов:
1. они симметричны относительно центрального уровня;
2. сумма весов с учетом общего множителя, вынесенного за
скобки, равна единице;
3. наличие как положительных, так и отрицательных весов
позволяет сглаженной кривой сохранять различные изгибы
кривого тренда.
Названные приемы сглаживания динамических радов (укрупнение интервалов и метод скользящей средней) дают возможность определить лишь общую тенденцию развития явления, более или менее освобожденную от случайных и волнообразных колебаний. Однако получить обобщенную статистическую модель тренда посредством этих методов нельзя.
Для того чтобы дать количественную модель, выражающую основную тенденцию изменения уровней динамического ряди во времени, используется аналитическое выравнивание ряда динамики.
Восстановление краевых значений
При использовании скользящей средней с длиной активного участка
1=2р+1 первые и последние «р» уровней ряда сгладить нельзя, их значения теряются. Очевидно, что потеря значений последних точек - существенный недостаток, так как для исследователя «свежие» данные обладают наибольшей информационной ценностью.
Рассмотрим один из приемов, позволяющих восстановить потерянные значения временного ряда при использовании простой скользящей средней. Для этого необходимо:
Вычислить средний абсолютный прирост на последнем
активном участке;
Получить «р» сглаженных значений в конце временного ряда
путем последовательного прибавления среднего абсолютного
прироста к последнему сглаженному значению.
Аналогичную процедуру можно реализовать для оценивания первых уровней временного ряда.
Рассмотрим еще один из возможных способов восстановления краевых значений. Для определения «р» первых и «р» последних потерянных уровней анализируемого временного ряда можно использовать расчетные значения, полученные с помощью аппроксимирующих полиномов той же степени, что и для остальных членов ряда. Причем неизвестные коэффициенты полиномов определяются соответственно по 1=2р+1 первым и последним уровням временного ряда.
Углубленный анализ временных рядов требует использования более сложных методик математической статистики. При наличии в динамических рядах значительной случайной ошибки (шума) применяют один из двух простых приемов - сглаживание или выравнивание путем укрупнения интервалови вычисления групповых средних. Этот метод позволяет повысить наглядность ряда, если большинство «шумовых» составляющих находятся внутри интервалов. Однако, если «шум» не согласуется с периодичностью, распределение уровней показателей становится грубым, что ограничивает возможности детального анализа изменения явления во времени.
Более точные характеристики получаются, если используют скользящие средние - широко применяемый способ для сглаживания показателей среднего ряда. Он основан на переходе от начальных значений ряда к средним в определенном интервале времени. В этом случае интервал времени при вычислении каждого последующего показателя как бы скользит по временному ряду.
Применение скользящего среднего полезно при неопределенных тенденциях динамического ряда или при сильном воздействии на показатели циклически повторяющихся выбросов (резко выделяющиеся варианты или интервенция).
Чем больше интервал сглаживания, тем более плавный вид имеет диаграмма скользящих средних. При выборе величины интервала сглаживания необходимо исходить из величины динамического ряда и содержательного смысла отражаемой динамики. Большая величина динамического ряда с большим числом исходных точек позволяет использовать более крупные временные интервалы сглаживания (5, 7, 10 и т.д.). Если процедура скользящего среднего используется для сглаживания не сезонного ряда, то чаще всего величину интервала сглаживания принимают равной 3 или 5. https://tvoipolet.ru/iz-moskvi-v-nyu-jork/ - отличная возможность выбрать авиакомпанию на перелет из Москвы в Нью-Йорк
Приведем пример вычисления скользящего среднего числа хозяйств с высокой урожайностью (более 30 ц/га) (табл. 10.3).
Таблица 10.3 Сглаживание динамического ряда укрупнением интервалов искользящим средним
|
Учетный год |
Число хозяйств с высокой урожайностью |
Суммы за три года |
Скользящие за три года |
Скользящие средние |
|
90,0 |
89,7 |
|||
| 1984 |
88,7 |
|||
|
87,3 |
||||
|
87,3 |
87,0 |
|||
|
86,7 |
||||
|
83,0 |
||||
|
83,0 |
82,3 |
|||
|
82,3 |
||||
|
82,6 |
||||
|
82,7 |
82,7 |
|||
Примеры вычисления скользящего среднего:
1982 г.(84 + 94 + 92) / 3 = 90,0;
1983 г. (94 + 92 + 83) / 3 = 89,7;
1984 г.(92 + 83 + 91) / 3 = 88,7;
1985 г.(83 + 91 + 88) / 3 = 87,3.
Составляется график. На оси абсцисс указываются годы, на оси ординат - число хозяйств с высокой урожайностью. Указываются координаты числа хозяйств на графике и соединяют полученные точки ломаной линией. Затем указываются координаты скользящей средней по годам на графике и соединяются точки плавной полужирной линией.
Более сложным и результативным методом является сглаживание (выравнивание) рядов динамики с помощью различных функций аппроксимации. Они позволяют формировать плавный уровень общей тенденции и основную ось динамики.
Наиболее эффективным методом сглаживания с помощью математических функций является простое экспоненциальное сглаживание. Этим методом учитываются все предшествующие наблюдения ряда по формуле:
S t = α∙X t + (1 - α ) ∙S t - 1 ,
где S t - каждое новое сглаживание в момент времени t ; S t - 1 - сглаженное значение в предыдущий момент времени t -1; X t - фактическое значение ряда в момент времени t ; α - параметр сглаживания.
Если α = 1, то предыдущие наблюдения полностью игнорируются; при величине α = 0 игнорируются текущие наблюдения; значения α между 0 и 1 дают промежуточные результаты. Изменяя значения этого параметраможно подобрать наиболее приемлемый вариант выравнивания. Выбор оптимального значения α осуществляется путем анализа полученных графических изображений исходной и выравненной кривых, либо на основе учета суммы квадратов ошибок (погрешностей) вычисленных точек. Практическое использование этого метода следует проводить с использованием ЭВМ в программе MS Excel . Математическое выражение закономерности динамики данных можно получить с помощью функции экспоненциального сглаживания.
Очень часто, урони рядов динамики колеблются, при этом тенденция развития явления во времени скрыта случайными отклонениями уровней в ту или иную сторону. С целью более четко выявить тенденцию развития исследуемого процесса, в том числе для дальнейшего применения методов прогнозирования на основе трендовых моделей, производят сглаживание (выравнивание ) временных рядов.
Методы сглаживания временных рядов делятся на две основные группы:
1. аналитическое выравнивание с использованием кривой, проведенной между конкретными уровнями ряда так, чтобы она отображала тенденцию, присущую ряду, и одновременно освобождала его от незначительных колебаний;
2. механическое выравнивание отдельных уровней временного ряда с использованием фактических значений соседних уровней.
Суть методов механического сглаживания заключается в следующем. Берется несколько уровней временного ряда, образующих интервал сглаживания. Для них подбирается полином, степень которого должна быть меньше числа уровней, входящих в интервал сглаживания; с помощью полинома определяются новые, выровненные значения уровней в середине интервала сглаживания. Далее интервал сглаживания сдвигается на один уровень ряда вправо, вычисляется следующее сглаженное значение и так далее.
Самым простым методом механического сглаживания является метод простой скользящей средней.
2.4.1. Метод простой скользящей средней.
Сначала для временного ряда: определяется интервал сглаживания . Если необходимо сгладить мелкие беспорядочные колебания, то интервал сглаживания берут по возможности большим; интервал сглаживания уменьшают, если нужно сохранить более мелкие колебания.
Для первых уровней ряда вычисляется их среднее арифметическое. Это будет сглаженное значение уровня ряда, находящегося в середине интервала сглаживания. Затем интервал сглаживания сдвигается на один уровень вправо, повторяется вычисление среднего арифметического и так далее. Для вычисления сглаженных уровней ряда применяется формула:
где (при нечетном ); для четных формула усложняется.
В результате такой процедуры получаются сглаженных значений уровней ряда; при этом первые и последние уровней ряда теряются (не сглаживаются). Другой недостаток метода в том, что он применим лишь для рядов, имеющих линейную тенденцию.
2.4.2. Метод взвешенной скользящей средней.
Метод взвешенной скользящей средней отличается от предыдущего метода сглаживания тем, что уровни, входящие в интервал сглаживания, суммируются с разными весами. Это связано с тем, что аппроксимация ряда в пределах интервала сглаживания осуществляется с использованием полинома не первой степени, как в предыдущем случае, а степени начиная со второй.
Используется формула средней арифметической взвешенной:
,
причем веса определяются с помощью метода наименьших квадратов. Эти веса рассчитаны для различных степеней аппроксимирующего полинома и различных интервалов сглаживания.
1. для полиномов второго и третьего порядков числовая последовательность весов при интервале сглаживания имеет вид: 
, а при имеет вид: ;
2. для полиномов четвертой и пятой степеней и при интервале сглаживания последовательность весов выглядит следующим образом: .
Распределение весов на протяжении интервала сглаживания, полученное на основе метода наименьших квадратов см. на диаграмме 1.
 |
2.4.3. Метод экспоненциального сглаживания.
К той же группе методов относится метод экспоненциального сглаживания.
Его особенность заключается в том, что в процедуре нахождения сглаженного уровня используются значения только предшествующих уровней ряда, взятые с определенным весом, причем вес наблюдения уменьшается по мере удаления его от момента времени, для которого определяется сглаженное значение уровня ряда.
Если для исходного временного ряда
соответствующие сглаженные значения обозначить через 
, то экспоненциальное сглаживание осуществляется по формуле:
где параметр сглаживания ; величина называется коэффициентом дисконтирования.
Используя, приведенное рекуррентное соотношение для всех уровней ряда, начиная с первого и кончая моментом времени , можно получить, что экспоненциальная средняя, то есть сглаженное данным методом значение уровня ряда, является взвешенной средней всех предшествующих уровней.
Боярышник обыкновенный Боярышник обыкновенный Научная классификация Царство: Растения … Википедия
Экспоненциальное сглаживание метод математического преобразования используемый при прогнозировании временных рядов … Википедия
Индикатор Стохастик - (Stochastic Oscillator) Стохастический осциллятор, описание Stochastic, версии трендового индикатора Stochastic, Торговые сигналы индикатора Стохастик Добавление индикатора Stochastics на график торгового терминала Metatrader (MT), настройка… … Энциклопедия инвестора
Содержание: I. Физический очерк. 1. Состав, пространство, береговая линия. 2. Орография. 3. Гидрография. 4. Климат. 5. Растительность. 6. Фауна. II. Население. 1. Статистика. 2. Антропология. III. Экономический очерк. 1. Земледелие. 2.… …
I КАРТА ЯПОНСКОЙ ИМПЕРИИ. Содержание: I. Физический очерк. 1. Состав, пространство, береговая линия. 2. Орография. 3. Гидрография. 4. Климат. 5. Растительность. 6. Фауна. II. Население. 1. Статистика. 2. Антропология. III. Экономический очерк. 1 … Энциклопедический словарь Ф.А. Брокгауза и И.А. Ефрона
I Урал территория, расположенная между Восточно Европейской и Западно Сибирской равнинами и вытянутая с С. на Ю. от Сев. Ледовитого океана до широтного участка р. Урал ниже г. Орска. Основной частью её является Уральская горная система,… …
Схизейные травянистые, реже лиановидные папоротники, преимущественно тропические и субтропические. Лишь немногие виды встречаются в умеренных областях Северной Америки и Японии, Чили, Новой Зеландии, Тасмании и Южной Африки. Схизейные,… … Биологическая энциклопедия
У этого термина существуют и другие значения, см. Поза (значения). Поза (из фр. pose через немецкий, ранее из лат. pono (супин positum) «класть, ставить») положение, принимаемое человеческим телом, положение тела, головы и… … Википедия
Поза (лат. positum класть, ставить; fr: pose) положение, принимаемое человеческим телом, положение тела, головы и конечностей по отношению к друг другу. Содержание 1 Общая характеристика позы … Википедия
Урал, территория, расположенная между Восточно Европейской и Западно Сибирской равнинами и вытянутая с С. на Ю. от Сев. Ледовитого океана до широтного участка р. Урал ниже г. Орска. Основной частью её является Уральская горная система,… … Большая советская энциклопедия
Сглаживание временного ряда
Сглаживание временного ряда, т.е. замена фактических уровней расчетными значениями, имеющими меньшую колеблемость, чем исходные данные, является простым методом выявления тенденции развития. Соответствующее преобразование называется фильтрованием.
Сглаживание временных рядов проводиться в следующих случаях:
· При графическом изображении временного ряда тренд прослеживается недостаточно отчетливо. Поэтому ряд сглаживают, на график наносят сглаженные значения, и, как правило, тенденция проявляется более четко;
· Применяются методы анализа и прогнозирования, требующие в качестве предварительного условия сглаживания временного ряда;
· При устранении аномальных наблюдений;
· При непосредственном прогнозировании экономических показателей и прогнозировании изменение тренда - «точек поворота».
Существующие методы сглаживания делят на две группы:
1) Аналитические методы. Для сглаживания используется кривая, проведенная относительно фактических значений ряда так, чтобы она отображала тенденцию, присущую ряда, и одновременно освобождала его от мелких незначительных колебаний. Такие кривые называют еще кривыми роста, применяются они главным образом для прогнозирования экономических показателей;
2) Методы механического сглаживания. Сглаживается каждый отдельный уровень ряда с использованием фактических значений соседних с ним уровней. Для сглаживания временных рядов часто используются методы простой и взвешенной скользящей средней, экспоненциального сглаживания.
Метод простой скользящей средней включает в себя следующие этапы:
1. Определяется количество наблюдений, входящих в интервал сглаживания. При этом используют правило: если необходимо сгладить мелкие, беспорядочные колебания, то интервал сглаживания берут по возможности большим и, наоборот, интервал сглаживания уменьшают, когда нужно сохранить более мелкие волны и освободиться от периодически повторяющихся колебаний, возникающих, например, из-за автокорреляций уровней.
2. Вычисляется среднее значение наблюдений, образующих интервал сглаживания, которое одновременно является сглаживающим значением уровня, находящегося в центре интервала сглаживания, при условии, что m - нечетное число, по формуле
где m - количество наблюдений, входящих в интервал сглаживания; p - количество наблюдений, стоящих по разные стороны от сглаживаемого.
При нечетном m значение параметра p вычисляют следующим образом:
Первым сглаженным будет наблюдение t, где t = p+1.
3. Интервал сглаживания сдвигается на один член вправо, и по формуле (1) находится сглаженное значение для (t+1) - го наблюдения. Затем снова производят сдвиг и т.д.
Процедура продолжается до тех пор, пока в интервал сглаживания не войдет последнее наблюдение временного ряда.
Метод простой скользящей средней можно использовать, если графическое изображение ряда напоминает прямую линию.
В этом случае не искажается динамика развития исследуемого процесса. Однако когда тренд выравниваемого ряда имеет изгибы и к тому же желательно сохранить мелкие волны, использовать для сглаживания ряда метод простой скользящей средней нецелесообразно, поскольку при этом:
· выравниваются и выпуклые, и вогнутые линии;
· происходит сдвиг волны вдоль ряда;
· изменяется знак волны, т.е. на кривой, соединяющей сглаженные точки, вместо выпуклого участка образуется вогнутый и наоборот. Последнее имеет место в случае, когда интервал сглаживания в полтора раза превышает длину волны.
Таким образом, если развитие процесса носит нелинейный характер, то применение метода простой скользящей средней может привести к значительным искажениям исследуемого процесса.
В таких случаях более надежным является использование других методов сглаживания, например метод взвешенной скользящей средней.
Метод взвешенной скользящей средней отличается от предыдущего тем, что сглаживание внутри интервала производиться не по прямой, а по кривой более высокого порядка. Это обусловлено тем, что суммирование членов ряда, входящих в интервал сглаживания, производиться с определенными весами, рассчитанными по методу наименьших квадратов.
Если сглаживание производиться с помощью полинома (многочлена) второго и третьего порядка, то веса берутся следующие
(-3; 12; 17; 12; - 3) для m=5;
(-2; 3; 6; 7; 3; - 2) для m=7.
Особенности весов:
1) симметричны относительно центрального члена;
2) сумма весов с учетом общего множителя равна единице.
Недостаток метода: первые и последние p наблюдений ряда остаются несглаженными.
Расчет показателей динамики экономических процессов
Расчет показателей динамики экономических процессов - заключительный этап предварительного анализа данных.
Для характеристики динамики изменения экономических показателей часто используется понятие автокорреляции, которая характеризует не только взаимозависимость уровней одного и того же ряда, относящихся к разным моментам наблюдений, но и степень устойчивости развития процесса во времени, величину оптимального периода прогнозирования и т.п.
Степень тесноты статистической связи между уровнями временного ряда, сдвинутыми на ф единиц времени, определяется величиной коэффициента корреляции r(ф). Так как r(ф) измеряет тесноту связи между уровнями одного и того же временного ряда, его принято называть коэффициентом автокорреляции. При этом ф - длину временного смещения - называют обычно лагом.
Коэффициент автокорреляции вычисляют по формуле
При большой протяженности исследуемого ряда расчет коэффициентов автокорреляции можно упростить. Для этого находят отклонения не от средних коррелируемых рядов, а от общей средней всего ряда. В этом случае
Порядок коэффициентов автокорреляции определяется временным лагом: первого порядка (при ф = 1), второго порядка (при ф = 2) и т.д.
Последовательность коэффициентов автокорреляции уровней первого, второго и последующих порядков называют автокорреляционной функцией. Значения которой, могут колебаться от -1 до +1, но из стационарности следует, что r(ф) = - r(ф). График автокорреляционной функции называется коррелограммой.
Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.
Если наиболее высоким оказался коэффициент автокорреляции 1 ого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка ф, то ряд содержит циклические колебания с периодичностью в ф моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, то можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и сезонных колебаний, 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 f(t) и сезонной компоненты S(t).
