Когда тип тренда установлен, необходимо вычислить оптимальные значения параметров тренда исходя из фактических уровней. Для этого обычно используют метод наименьших квадратов (МНК). Его значение уже рассмотрено в предыдущих главах учебного пособия, в данном случае оптимизация состоит в минимизации суммы квадратов отклонений фактических уровней ряда от выравненных уровней (от тренда). Для каждого типа тренда МНК дает систему нормальных уравнений, решая которую вычисляют параметры тренда. Рассмотрим лишь три такие системы: для прямой, для параболы 2-го порядка и для экспоненты. Приемы определения параметров других типов тренда рассматриваются в специальной монографической литературе.
Для линейного тренда нормальные уравнения МНК имеют вид:
Нормальные уравнения МНК для экспоненты имеют следующий вид:
По данным табл. 9.1 рассчитаем все три перечисленных тренда для динамического ряда урожайности картофеля с целью их сравнения (см. табл. 9.5).
Расчет параметров трендов
Согласно формуле (9.29) параметры линейного тренда равны а = 1894/11 = 172,2 ц/га; b = 486/110 = 4,418 ц/га. Уравнение линейного тренда имеет вид:
у̂ = 172,2 + 4,418t, где t= 0 в 1987 г Это означает,что средний фактический и выравненный уровень, отнесенный к середине периода, т.е. к 1991 г., равен 172 ц с 1 ra a среднегодовой прирост составляет 4,418 ц/га в год
Параметры параболического тренда согласно (9.23) равны- b= 4,418; a = 177,75; с = -0,5571. Уравнение параболического тренда имеет вид у̃ = 177,75 + 4,418t — 0.5571t2;t = 0 в 1991 г. Это означает, что абсолютный прирост урожайности замедляется в среднем на 2·0,56 ц/га в год за год. Сам же абсолютный прирост уже не является константой параболического тренда, а является средней величиной за период. В год, принятый за начало отсчета т.е. 1991 г., тренд проходит через точку с ординатой 77,75 ц/га; Свободный член параболического тренда не является средним уровнем за период. Параметры экспоненциального тренда вычисляются по формулам(9.32) и (9.33) lnа = 56,5658/11 = 5,1423; потенцируя, получаем а = 171,1; lnk = 2,853:110 = 0,025936; потенцируя, получаем k = 1,02628.
Уравнение экспоненциального тренда имеет вид: y̅= 171,1·1,02628 t.
Это означает, что среднегодовой темп поста урожайности за период составил 102,63%. В точке принятК начало отсчета, тренд проходит точку с ординатой 171,1 ц/га.
Рассчитанные по уравнениям трендов уровни записаны в трех последних графах табл. 9.5. Как видно по этим данным. расчетные значения уровней по всем трем видам трендов различаются ненамного, так как и ускорение параболы, и темп роста экспоненты невелики. Существенное отличие имеет парабола — рост уровней с 1995 г. прекращается, в то время как при линейном тренде уровни растут и далее, а при экспоненте их ост ускоряется. Поэтому для прогнозов на будущее эти три тренда неравноправны: при экстраполяции параболы на будущие годы уровни резко разойдутся с прямой и экспонентой, что видно из табл. 9.6. В этой таблице представлена распечатка решения на ПЭВМ по программе «Statgraphics» тех же трех трендов. Отличие их свободных членов от приведенных выше объясняется тем, что программа нумерует года не от середины, а от начала, так что свободные члены трендов относятся к 1986 г., для которого t = 0. Уравнение экспоненты на распечатке оставлено в логарифмированном виде. Прогноз сделан на 5 лет вперед, т.е. до 2001 г.. При изменении начала координат (отсчета времени) в уравнении параболы меняется и средний абсолютной прирост, параметр b. так как в результате отрицательного ускорения прирост все время сокращается, а его максимум — в начале периода. Константой параболы является только ускорение.
В строке «Data» приводятся уровни исходного ряда; «Forecast summary» означает сводные данные для прогноза. В следующих строках — уравнения прямой, параболы, экспоненты — в логарифмическом виде. Графа ME означает среднее расхождение между уровнями исходного ряда и уровнями тренда (выравненными). Для прямой и параболы это расхождение всегда равно нулю. Уровни экспоненты в среднем на 0,48852 ниже уровней исходного ряда. Точное совпадение возможно,, если истинный тренд — экспонента; в данном случае совпадения нет, но различие , мало. Графа МАЕ -это дисперсия s2— мера колеблемости фактических уровней относительно тренда, о чем сказано в п. 9.7. Графа МАЕ — среднее линейное отклонение уровней от тренда по модулю (см. параграф 5.8); графа МАРЕ — относительное линейное отклонение в процентах. Здесь они приведены как показатели пригодности выбранного вида тренда. Меньшую дисперсию и модуль отклонения имеет парабола: она за период 1986 — 1996 гг. ближе к фактическим уровням. Но выбор типа тренда нельзя сводить лишь к этому критерию. На самом деле замедление прироста есть результат большого отрицательного отклонения, т. е. неурожая в 1996 г.
Вторая половина таблицы — это прогноз уровней урожайности по трем видам трендов на годы; t = 12, 13, 14, 15 и 16 от начала отсчета (1986 г.). Прогнозируемые уровни по экспоненте вплоть до 16-го года ненамного выше,.чем по прямой. Уровни тренда-параболы — снижаются, все более расходясь с другими трендами.
Как видно в табл. 9.4, при вычислении параметров тренда уровни исходного ряда входят с разными весами — значениями tp и их квадратов. Поэтому влияние колебаний уровней на параметры тренда зависит от того, на какой номер года приходится урожайный либо неурожайный год. Если резкое отклонение приходится на год с нулевым номером (ti= 0), то оно никакого влияния на параметры тренда не окажет, а если попадет на начало и конец ряда, то повлияет сильно. Следовательно, однократное аналитическое выравнивание неполно освобождает параметры тренда от влияния колеблемости, и при сильных колебаниях они могут быть сильно искажены, что в нашем примере случилось с параболой. Для дальнейшего исключения искажающего влияния колебаний на параметры тренда следует применить метод многократного скользящего выравнивания.
Этот прием состоит в том, что параметры тренда вычисляются не сразу по всему ряду, а скользящим методом, сначала за первые т периодов времени или моментов, затем за период от 2-го до т + 1, от 3-го до (т + 2)-го уровня и т.п. Если число исходных уровней ряда равно п, а длина каждой скользящей базы расчета параметров равна т, то число таких скользящих баз t или отдельных значений параметров, которые будут по ним определены, составит:
Применение методики скользящего многократного выравнивания рассматривать, как видно из приведенных расчетов, возможно только при достаточно большом числе уровней ряда, как правило 15 и более. Рассмотрим эту методику на примере данных табл. 9.4 -динамики цен на нетопливные товары развивающихся стран, что опять же дает возможность читателю участвовать в небольшом научном исследовании. На этом же примере продолжим и методику прогнозирования в разделе 9.10.
Если вычислять в нашем ряду параметры по 11 -летним периодам (по 11 уровням), то t = 17 + 1 — 11 = 7. Смысл многократного скользящего выравнивания в том, что при последовательных сдвигах базы расчета параметров на концах ее и в середине окажутся разные уровни с разными по знаку и величине отклонениями от тренда. Поэтому при одних сдвигах базы параметры будут завышаться, при других — занижаться, а при последующем усреднении значений параметров по всем сдвигам базы расчета произойдет дальнейшее взаимопогашение искажений параметров тренда колебаниями уровней.
Многократное скользящее выравнивание не только позволяет получить более точную и надежную оценку параметров тренда, но и осуществить контроль правильности выбора типа уравнения тренда. Если окажется, что ведущий параметр тренда, его константа при расчете по скользящим базам не беспорядочно колеблется, а систематически изменяет свою величину существенным образом, значит, тип тренда был выбран неверно, данный параметр константой не является.
Что касается свободного члена при многократном выравнивании, то нет необходимости и, более того, просто неверно вычислять его величину как среднюю по всем сдвигам базы, ибо при таком способе отдельные уровни исходного ряда входили бы в расчет средней с разными весами, и сумма выравненных уровней разошлась бы с суммой членов исходного ряда. Свободный член тренда — это средняя величина уровня за период, при условии отсчета времени от середины периода. При отсчете от начала, если первый уровень ti = 1, свободный член будет равен: a0=у̅—b((N-1)/2). Рекомендуется длину скользящей базы расчета параметров тренда выбирать не менее 9-11 уровней, чтобы в достаточной мере погасить колебания уровней. Если исходный ряд очень длинный, база может составлять до 0,7 — 0,8 его длины. Для устранения влияния долго-периодических (циклических) колебаний на параметры тренда, число сдвигов базы должно быть равно или кратно длине цикла колебаний. Тогда начало и конец базы будут последовательно «пробегать» все фазы цикла и при усреднении параметра по всем сдвигам его искажения от циклических колебаний будут взаимопогашаться. Другой способ — взять длину скользящей базы, равной длине цикла, чтобы начало базы и конец базы всегда приходились на одну и ту же фазу цикла колебаний.
Поскольку по данным табл. 9.4, уже было установлено, что тренд имеет линейную форму, проводим расчет среднегодового абсолютного прироста, т. е. параметра b уравнения линейного тренда скользящим способом по 11-летним базам (см. табл. 9.7). В ней же приведен расчет данных, необходимых для последующего изучения колеблемости в параграфе 9.7. Остановимся подробнее на методике многократного выравнивания по скользящим базам. Рассчитаем параметр b по всем базам:
Многократное скользящее выравнивание по прямой
Уравнение тренда: у̂= 104,53 — 1,433t; t = 0 в 1987 г. Итак, индекс цен в среднем за год снижался на 1,433 пункта. Однократное выравнивание по всем 17 уровням может исказить этот параметр, ибо начальный уровень содержит значительное отрицательное отклонение, а конечный уровень — положительное. В самом деле, однократное выравнивание дает величину среднегодового изменения индекса всего на 0,953 пункта.
Видео:Что такое параметр? Уравнения и неравенства с параметром. 7-11 класс. Вебинар | МатематикаСкачать
9.7. Методика изучения и показатели колеблемости
Если при изучении и измерении тенденции динамики колебания уровней играли лишь роль помех, «информационного шума», от которого следовало по возможности абстрагироваться, то в дальнейшем сама колеблемость становится предметом статистического исследования. Значение изучения колебаний уровней динамического ряда очевидно: колебания урожайности, продуктивности скота, производства мяса экономически нежелательны, так как потребность в продукции агрокомплекса постоянна. Эти колебания следует уменьшать, применяя прогрессивную технологию и другие меры. Напротив, сезонные колебания объемов производства зимней и летней обуви, одежды, мороженого, зонтиков, коньков — необходимы и закономерны, так как спрос на эти товары тоже колеблется по сезонам и равномерное производство требует лишних затрат на хранение запасов. Регулирование рыночной экономики как со стороны государства, так и производителей в значительной мере состоит в регулировании колебаний экономических процессов.
Типы колебаний статистических показателей весьма разнообразны, но все же можно выделить три основных: пилообразную или маятниковую колеблемость, циклическую долгопериодическую и случайно распределенную во времени колеблемость. Их свойства и отличия друг от друга хорошо видны при графическом изображении рис. 9.2.
Пилообразная или маятниковая колеблемость состоит в попеременных отклонениях уровней от тренда в одну и в другую сторону. Таковы автоколебания маятника. Такие автоколебания можно наблюдать в динамике урожайности при невысоком уровне агротехники: высокий урожай при благоприятных условиях погоды выносит из почвы больше питательных веществ, чем их образуется естественным путем за год; почва обедняется, что вызывает снижение следу- ющего урожая ниже тренда, он выносит меньше питательных веществ, чем образуется за год, плодородие возрастает и т.д.
Рис. 9.2. Виды колебаний
Циклическая долгопериодическая колеблемость свойственна, например, солнечной активности (10-11-летние циклы), а значит, и связанным с ней на Земле процессам — полярным сияниям, грозовой деятельности, урожайности отдельных культур в ряде районов, некоторым заболеваниям людей, растений. Для этого типа характерны редкая смена знаков отклонений от тренда и кумулятивный (накапливающийся) эффект отклонений одного знака, который может тяжело отражаться на экономике. Зато колебания хорошо прогнозируются.
Случайно распределенная во времени колеблемость — нерегулярная, хаотическая. Она может возникать при наложении (интерференции) множества колебаний с разными по длительности циклами. Но может возникать в результате столь же хаотической колеблемости главной причины существования колебаний, например суммы осадков за летний период, температуры воздуха в среднем за месяц в разные годы.
Для определения типа колебаний применяются графическое изображение, метод «поворотных точек» М. Кендэла, вычисление коэффициентов автокорреляции отклонений от тренда. Эти методы будут рассмотрены далее.
Основными показателями, характеризующими силу колеблемости уровней, выступают уже известные по главе 5 показатели, характеризующие вариацию значений признака в пространственной совокупности. Однако вариация в пространстве и колеблемость во времени принципиально различны. Прежде всего различны их основные причины. Вариация значений признака у одновременно существующих единиц возникает из-за различий в условиях существования единиц совокупности. Например, разная урожайность картофеля в совхозах области в 1990 г. вызвана различиями в плодородии почв, в качестве семян, в агротехнике. А вот суммы эффективных температур за вегетационный период и осадков не являются причинами пространственной вариации, так как в одном и том же году на территории области эти факторы почти не варьируют. Напротив, главными причинами колебания урожайности картофеля в области за ряд лет как раз являются колебания метеорологических факторов, а качество почв колебаний почти не имеет. Что же касается общего прогресса агротехники, то он является причиной тренда, но не колеблемости.
Второе коренное отличие состоит в том, что значения варьирующего признака в пространственной совокупности можно считать в основном не зависимыми друг от друга, напротив, уровни динамического ряда, как правило, являются зависимыми: это показатели развивающегося процесса, каждая стадия которого связана с предыдущими состояниями.
В-третьих, вариация в пространственной совокупности измеряется отклонениями индивидуальных значений признака от среднего значения, а колеблемость уровней динамического ряда измеряется не их отличиями от среднего уровня (эти отличия включают и тренд, и колебания), а отклонениями уровней от тренда.
Поэтому лучше использовать разные термины: различия признака в пространственной совокупности называть только вариацией, но не колебаниями: никто же не станет называть различия численности населения Москвы, Петербурга, Киева и Ташкента «колебаниями числа жителей»! Отклонения уровней динамического ряда от тренда будем называть всегда колеблемостью. Колебания всегда происходят во времени, не может существовать колебаний вне времени, в фиксированный момент.
На основе качественного содержания понятия колеблемости строится и система ее показателей. Показателями силы колебании уровней являются: амплитуда отклонений уровней отдельных периодов или моментов от тренда (по модулю), среднее абсолютное отклонение уровней от тренда (по модулю), среднее квадратическое откло;-нение уровней от тренда. Относительные меры колеблемости: относительное линейное отклонение от тренда и коэффициент колеблемости — аналог коэффициента вариации.
Особенностью методики вычисления средних отклонений от тренда является необходимость учета потерь степеней свободы колебаний на величину, равную числу параметров уравнения тренда. Например, прямая линия имеет два параметра, и, как известно из геометрии, через любые две точки можно провести прямую линию. Значит, имея лишь два уровня, мы проведем линию тренда точно через эти два уровня, и никаких отклонений уровней от тренда не окажется, хотя на самом деле и эти два уровня включали колебания, не были свободны от действия факторов колеблемости. Парабола второго порядка пройдет точно через любые три точки и т.п.
Учитывая потерю степеней свободы, основные абсолютные показатели колеблемости вычисляются по формулам (9.34) и (9.35):
среднее линейное отклонение
(9.34)
среднее квадратичное отклонение
(9.35)
где yi — фактический уровень;
n — число уровней;
р — число параметров тренда.
Знак времени «t» в скобках после показателя означает, что это показатель не обычной пространственной вариации, как в главе V, а показатель колеблемости во времени.
Относительные показатели колеблемости вычисляются делением абсолютных показателей на средний уровень за весь изучаемый период. Расчет показателей колеблемости проведем по результатам анализа динамики индекса цен (см. табл. 9.7). Тренд примем по результатам многократного скользящего выравнивания, т. е. у̂= 104,53 — 1,433t ; t = 0 в 1987 г.
1. Амплитуда колебаний составила от -14,0 в 1986 г. до +15,2 в 1984 г., т.е. 29,2 пункта.
2. Среднее линейное отклонение по модулю найдем, сложив модули |ui| (их сумма равна 132,3), и разделив на (п — р), согласно формуле (9.34):
=8,82 пункта.
3. Среднее квадратическое отклонение уровней от тренда по формуле (9.35) составило:
= 9,45 пункта.
Небольшое превышение среднего квадратического отклонения над линейным указывает на отсутствие среди отклонений резко выделяющихся по абсолютной величине.
4. Коэффициент колеблемости: или 9,04%. Колеблемость умеренная, не сильная. Для сравнения приводим показатели (без расчета) по колебаниям урожайности картофеля, данные таблиц 9.1 и 9.5 — отклонение от линейного тренда:
Для выявления типа колебаний воспользуемся приемом, предложенным М. Кендэлом. Он состоит в подсчете так называемых «поворотных точек» в ряду отклонений от тренда иi т. е. локальных экстремумов. Отклонение, либо большее по алгебраической величине, либо меньшее двух соседних, отмечается точкой. Обратимся к рис. 9.2. При маятниковой колеблемости все отклонения, кроме двух крайних, будут «поворотными», следовательно, их число составит п —1. При долгопериодических циклах на цикл приходятся один минимум и один максимум, а общее число точек составит 2(n:l), где l — длительность цикла. При случайно распределенной во времени колеблемости, как доказал М. Кендэл, число поворотных точек в среднем составит: 2/3 (n — 2). В нашем примере при маятниковой колеблемости было бы 15 точек, при связанной с 11-летним циклом было бы 2-(17 : 11) ≈ 3 точки, при случайно распределенной во времени в среднем было бы (2/3)·(17-2) =10 точек.
Фактическое число точек 6 выходит за границы двукратного среднего квадратического отклонения числа поворотных точек, которое по Кендэлу равно , в нашем случае .
Наличие 6 точек, при 2 точках за цикл, означает, что в ряду могут быть примерно 3 цикла, продолжительность периода которых 5,5 — 6 лет. Возможно сочетание таких циклических колебаний со случайными.
Другой метод анализа типа колеблемости и поиска длины цикла основан на вычислении коэффициентов автокорреляции отклонений от тренда.
Автокорреляция — это корреляция между уровнями ряда или отклонениями от тренда, взятыми со сдвигом во времени: на 1 период (год), на 2, на 3 и т. д., поэтому говорят о коэффициентах автокорреляции разных порядков: первого, второго и т. д. Рассмотрим сначала коэффициент автокорреляции отклонений от тренда первого порядка.
Одна из основных формул для расчета коэффициента автокорреляции отклонений от тренда имеет вид:
(9.36)
Как легко видеть по табл. 9.7, первое и последнее в ряду отклонения участвуют только в одном произведении в числителе, а все прочие отклонения от второго до (п — 1)-го — в двух. Поэтому и в знаменателе квадраты первого и последнего отклонений следует взять с половинным весом, как в хронологической средней. По данным табл. 9.7 имеем:
Теперь обратимся к рис. 9.2. При маятниковой колеблемости все произведения в числителе будут отрицательными величинами, и коэффициент автокорреляции первого порядка будет близок к -1. При долголериодических циклах будут преобладать положительные произведения соседних отклонений, а смена знака происходит лишь дважды за цикл. Чем длиннее Цикл, тем больше перевес положительных произведений в числителе, и коэффициент автокорреляции первого порядка ближе к +1. При случайно распределенной во времени колеблемости знаки отклонений чередуются хаотически, число положительных произведений близко к числу отрицательных, ввиду чего коэффициент автокорреляции близок к нулю. Полученное значение говорит о наличии как случайно распределенных во времени колебаний, так и циклических. Коэффициенты автокорреляции следующих порядков: II = — 0,577; Ш = -0,611; IV == -0,095; V = +0,376; VI = +0,404; VII = +0,044. Следовательно, противофаза цикла ближе всего кЗ годам (наибольший отрицательный коэффициент при сдвиге на 3 года), а совпадающие фазы ближе к б годам, что и дает длину цикла колебаний. Эти максимальные по абсолютной величине коэффициенты не близки к единице. Это означает, что циклическая колеблемость смешана со значительной случайной колеблемостью. Таким образом, подробный автокорреляционный анализ в целом дал те же результаты, что и выводы по автокорреляции первого порядка.
Если динамический ряд достаточно длинен, можно поставить и решить задачу об изменении показателей колеблемости с течением времени. Для этого рассчитывают эти показатели по подпериодам, но длительностью не менее 9-11 лет, иначе измерения колеблемости ненадежны. Кроме того, можно рассчитывать показатели колеблемости скользящим способом, а затем произвести их выравнивание, т. е. вычислить тренд показателей колеблемости. Это полезно, чтобы сделать вывод о действенности мер, применявшихся для уменьшения колебаний урожайности и других нежелательных колебаний, а также для того, чтобы по тренду сделать прогноз ожидаемых в будущем размеров колебаний.
Видео:Математический анализ, 47 урок, Криволинейные интегралы первого родаСкачать
9.8. Измерение устойчивости в динамике
Понятие «устойчивость» используется в весьма различных смыслах. По отношению к статистическому изучению динамики мы рассмотрим два аспекта этого понятия: 1) устойчивость как категория, противоположная колеблемости; 2) устойчивость направленности изменений, т. е. устойчивость тенденции.
В первом понимании показатель устойчивости, который может быть только относительным, должен изменяться от нуля до единицы (100%). Это разность между единицей и относительным показателем колеблемости. Коэффициент колеблемости составил 9,0%. Следовательно, коэффициент устойчивости равен 100% — 9,0% = 91,0%. Этот показатель характеризует близость фактических уровней к тренду и совершенно не зависит от характера последнего. Слабая колеблемость и высокая устойчивость уровней в данном смысле могут существовать даже при полном застое в развитии, когда тренд выражен горизонтальной прямой.
Устойчивость во втором смысле характеризует не сами по себе уровни, а процесс их направленного изменения. Можно узнать, например, насколько устойчив процесс сокращения удельных затрат ресурсов на производство единицы продукции, является ли устойчивой тенденция снижения детской смертности и т. д. С этой точки зрения полной устойчивостью направленного изменения уровней динамического ряда следует считать такое изменение, в процессе которого каждый следующий уровень либо выше всех предшествующих (устойчивый рост), либо ниже всех предшествующих (устойчивое снижение). Всякое нарушение строго ранжированной последовательности уровней свидетельствует о неполной устойчивости изменений.
Из определения понятия устойчивости тенденции вытекает и метод построения ее показателя. В качестве показателя устойчивости можно использовать коэффициент корреляции рангов Ч. Спирмэна (Spearman) — rx.
где п — число уровней;
Δi — разность рангов уровней и номеров периодов времени.
При полном совпадении рангов уровней, начиная с наименьшего, и номеров периодов (моментов) времени по их хронологическому порядку коэффициент корреляции рангов равен +1. Это значение соответствует случаю полной устойчивости возрастания уровней. При полной противоположности рангов уровней рангам лет коэффициент Спирмэна равен -1, что означает полную устойчивость процесса сокращения уровней. При хаотическом чередовании рангов уровней коэффициент близок к нулю, это означает неустойчивость какой-либо тенденции. Приведем расчет коэффициента корреляции Спирмэна по данным о динамике индекса цен (табл. 9.7) в табл. 9.8.
Расчет коэффициентов корреляции рангов Спирмена
Видео:Excel для полных чайников Урок 16 Линия трендаСкачать
Методические рекомендации к выполнению статистических расчетов по теме «Анализ рядов динамики» (стр. 3 )
Из за большого объема этот материал размещен на нескольких страницах: 1 2 3
Таким образом, основная тенденция развития ряда отображается уравнением прямой:
Для определения параметров уравнения параболы итоговые данные гр. 2, 4-7 необходимо подставить в систему уравнений 26:
Решая систему, из 2-го уравнения определяют значение b:
Затем из 1-го уравнения выражают значение а, через параметр с:
Подставляя значение а в 3-е уравнение системы, получаем уравнение относительно с:
Решение последнего уравнения позволяет определить значение параметра c, а затем параметра а:
Таким образом, параболическая модель ряда имеет вид:
Правильность расчёта уровней выровненного ряда динамики проверяется следующим способом: сумма значений уровней эмпирического ряда должна совпадать с суммой значений уровней выровненного ряда , то есть:
(27)
Для того, чтобы определить, какое из полученных уравнений наиболее адекватно исходному ряду динамики, для каждого из них рассчитывают среднеквадратическое отклонение (среднеквадратическую ошибку) , которое определяется по следующей формуле:
, (28)
где m – число параметров в уравнении тренда (для уравнения прямой m=2, для уравнения параболы m=3).
С целью проверки правильности проведенных расчетов параметров уравнений прямой и параболы, а также выбора наиболее адекватной модели развития изучаемого явления, построена расчётная табл. 6.
Равенство итоговых значений гр.2,3,4 показывает, что согласно критерию 27 расчеты коэффициентов уравнений прямой и параболы выполнены правильно. Графики соответствующих сглаживающих кривых представлены на рис.4.
Рис. 4. Сглаживание ряда динамики объемов реализации продукции методом аналитического выравнивания по прямой и параболе
Для выбора наиболее адекватной модели развития ряда (прямой или параболы) необходимо рассчитать среднеквадратическое отклонение по формуле 27 с использованием итоговых данных гр.7,8 табл.6.
Для уравнения прямой:
,
Для уравнения параболы:
Вывод. Величина среднеквадратической ошибки , рассчитанная для уравнения параболы значительно меньше, чем для уравнения прямой. Следовательно, уравнение параболы
является более адекватной моделью описания тенденции ряда динамики объемов реализации продукции по сравнению с уравнением прямой
Этот же вывод подтверждают графики сглаживания ряда динамики на рис.4.
Параболическая форма ряда может объясняться разными причинами, в том числе наличием сезонной компоненты в развитии явления.
Аналитическое выравнивание рядов динамики широко используется при построении прогнозов на основе метода экстраполяции. Применение программных продуктов позволяет при помощи компьютеров оперативно определить адекватное уравнение тренда, на основании которого при необходимости можно делать прогноз.
На основании помесячных данных о динамике объемов реализации продукции за пятилетний период (табл. 1) необходимо выполнить следующее:
· определить индексы сезонности реализации продукции;
· построить график сезонной волны.
Сделать выводы по результатам выполнения задания 3.
Выполнение задания 3
Целью выполнения данного задания является выявление сезонной компоненты в динамике объемов реализации продукции.
3.1. Определение индексов сезонности реализации продукции
Периодические колебания, которые имеют постоянный годовой период, определяются как сезонные колебания (сезонные волны).
Сезонные колебания характеризуются в статистики индексами сезонности
Индекс сезонности () – отношение средней величины уровня, рассчитанной для каждого из 12 календарных месяцев за ряд лет (), к среднемесячному уровню ряда динамики за весь рассматриваемый период (), выраженное в процентах:
, (29)
где – средний уровень за i-ый меся года;
– среднемесячный уровень за весь пятилетний период исследования.
Расчёты индексов сезонности для данных табл.1 в табл. 7.
Расчётная таблица для определения индексов сезонности
Объем реализации, тыс. тонн
Вывод: В динамике объемов реализации продукции явно прослеживается наличие сезонной компоненты. Наибольшим средним значением объемов реализации продукции за пять лет характеризуется месяц июль – 3501,6 тыс. тонн (=179,25%), а наименьшее среднее значение приходится на декабрь – 1227,9 тыс. тонн (=62,86%).
3.2. Построение сезонной волны реализации продукции
На основании полученных в табл.7 данных об индексах сезонности построен график сезонной волны (рис 5).
Рис.5. Сезонная волнадинамики объемов реализации за пятилетний период
Вывод. График сезонной волны (рис. 5), наглядно демонстрирует наличие сезонной компоненты в реализации произведенной продукции: наибольшими объемами реализации характеризуется месяцы май, июнь, июль, август, а наименьшими – январь, февраль, ноябрь, декабрь.
На основании ряда динамики годовых объемов реализации продукции (табл.1), а также данных, полученных при выполнении задания 1, 2, необходимо сделать прогноз на последующие 2 года вперёд с использованием:
· среднего абсолютного прироста;
· среднего темпа роста;
· аналитического выравнивания ряда динамики по прямой.
Сделать выводы по результатам выполнения задания 4.
Выполнение задания 4
Целью выполнения данного задания является построение методом экстраполяции прогноза объемов реализации продукции, произведенного одного из регионов РФ, на ближайшую перспективу.
Применение метода экстраполяции основано на инерционности развития социально-экономических явлений и заключается в предположении о том, что тенденция развития данного явления в будущем не будет претерпевать каких-либо существенных изменений. При этом с целью получения окончательного прогноза всегда следует учитывать все имеющиеся предпосылки и гипотезы дальнейшего развития рассматриваемого социально-экономического явления. Прогноз, сделанный на период экстраполяции (период упреждения), больший 1/3 периода исследования не может считаться научно обоснованным.
4.1. Прогнозирование объемов реализации продукции сиспользованиемсреднего абсолютного прироста
Прогнозирование уровня ряда динамики с использованием среднего абсолютного прироста осуществляется по следующей формуле:
, (30)
где: – прогнозируемый уровень;
t – период упреждения (число лет, кварталов и т. п.);
yi – базовый для прогноза уровень;
– средний за исследуемый период абсолютный прирост (среднегодовой, среднеквартальный и т. п.).
Прогнозируемый объем реализации продукции на 7 год (по данным пятилетнего периода) с использованием среднего абсолютного прироста, рассчитанного в задание 1, исчисляется следующим образом:
4. 2.Прогнозирование объемов реализации продукции с использованием среднего темпа роста
Прогнозирование уровня ряда динамики с использованием среднего темпа (коэффициента) роста осуществляется по следующей формуле:
, (31)
где: – средний за исследуемый период темп роста (среднегодовой, среднеквартальный и т. п.).
Прогнозируемый объем реализации продукции на седьмой год (по данным пятилетнего периода) с использованием среднего темпа роста, рассчитанного в задание 1, исчисляется следующим образом:
4. 3. Прогнозирование объемов реализации продукцииметодоманалитического выравниванияряда динамикипо прямой
Модель прямолинейной зависимости уровня ряда от фактора времени имеет следующий вид:
Параметры уравнения a и b определяются путем решения системы нормальных уравнений 19:
Для конкретизации общего вида системы нормального уравнения применительно к исходным данным необходимо знать значение величин , ,, их расчет приведен во вспомогательной табл.8
Вспомогательная таблица для расчёта параметров тренда
Метод аналитического выравнивания динамического ряда
Проведение аналитического выравнивания предполагает следующую последовательность действий:
• выбор вида математической функции в качестве модели тренда. Для этих целей анализируют: 1) форму кривой, полученную на основе графического отображения эмпирически данных или данных, сглаженных методом скользящей средней; 2) абсолютные и относительные показатели изменения уровней динамического ряда. Как правило, отбирают не одну, а несколько функций;
• определение параметров уравнения на основе метода наименьших квадратов по эмпирическим данным;
• оценка адекватности (качества) уравнения тренда
• составление прогноза на основе выбранного уравнения тренда.
Выбор вида математической функции
При анализе рядов динамики в качестве модели линии тренда чаще всего используются следующие функции.
Вид математической функции
Условия применения функции
Уровни эмпирического ряда динамики меняются в арифметической прогрессии (цепные абсолютные приросты относительно постоянны).
Парабола 2-ого порядка
Ускоренное или замедленное изменение уровней ряда, когда относительно неизменны вторые разности уровней (цепные абсолютные приросты цепных абсолютных приростов).
Уровни ряда меняются в геометрической прогрессии, т.е. цепные коэффициенты (темпы) роста относительно стабильны.
Г иперболическая а.
Значение уровней ряда во времени уменьшается, постепенно замедляя свою скорость и приближаясь к некоторому пороговому значению, не достигая его
Возможности современного программного обеспечения (например, система STATISTICA, программа Excel) позволяют использовать в качестве модели тренда, кроме указанных выше, более широкий спектр математических функций вплоть до произвольно заданных.
Видео:Как легко составить уравнение параболы из графикаСкачать
Определение параметров уравнения
Для определения параметров уравнения тренда на основе метода наименьших квадратов исходят из условия, что сумма квадратов отклонений фактических уровней ряда динамики от уровней, исчисленных по уравнению тренда, должна быть минимальной:
Для нахождения параметров выбранной математической функции, при которых выполняется это условия, первые частные производные функции (9.30) приравнивают к нулю. В результате получают систему нормальных линейных уравнений.
При выравнивании, например, по линейной функции ее параметры а о и a i находят путем решения следующей системы нормальных линейных уравнений:
Для упрощения расчетов при нахождении параметров уравнения показатель времени удобно обозначить так, чтобы выполнялось равенство = 0. Это достигается, используя следующий прием.
При нечетном количестве уровней ряда моменту (периоду) времени, находящемуся в центре ряда, придается значение t = 0, предыдущим- присваивают значения —1, -2, -3 и т.д., последующим — значения 1, 2, 3 и т.д. (т.е. с шагом 1 от середины ряда в одну и другую сторону от центра).
При четном количестве уровней ряда в середине ряда находятся два момента (периода) времени. Более раннему присваивают значение t = -1, а другому t = +1. Тогда предыдущие моменты времени получают значения -3, -5 и т.д., а последующие значения +3, +5 и т.д., (т.е. с шагом 2 в одну и другую сторону от центра).
При подобном способе обозначения показателя времени система уравнений (9.31) упрощается и принимает следующий вид:
Отсюда параметры линейной функции ао и aj находят следующим образом:
1. Сумма выравненных (теоретических) значений должна равняться сумме эмпирических значений уровней ряда динамики.
2. Принятая система обозначения показателя времени влияет на интерпретацию параметров уравнения тренда.
3. Приводя результаты аналитического выравнивания необходимо указывать принятую систему обозначения показателя времени.
4. При нахождении параметров гиперболы невозможно применение принципа условного обозначения времени, при котором центральному периоду (моменту) времени придается значение t = 0. Поэтому моменты (периоды) времени просто нумеруются, т.е. условному показателю времени присваиваются значения (1, 2, 3 и т.д.) начиная с первого уровня ряда.
Проведем аналитическое выравнивание ряда, представленного в табл. 9.14, по линейной функции, поскольку, как легко видеть, цепные абсолютные приросты в этом ряду колеблются незначительно.
Данный онлайн-сервис позволяет найти с помощью метода наименьших квадратов уравнения линейной, квадратичной, гиперболической, степенной, логарифмической, показательной, экспоненциальной регрессии и др., коэффициенты и индексы корреляции и детерминации. Показываются диаграмма рассеяние и график уравнения регрессии. Также калькулятор делает оценку значимости параметров уравнения регрессии с помощью F-критерия Фишера, t-критерия Стьюдента и критерия Дарбина-Уотсона.
Можно задать уровень значимости и указать, до какого знака после запятой округлять расчётные величины.
Примечание: дробные числа записывайте через точку, а не запятую.
(9.34)
(9.35)
=8,82 пункта.
= 9,45 пункта.
или 9,04%. Колеблемость умеренная, не сильная. Для сравнения приводим показатели (без расчета) по колебаниям урожайности картофеля, данные таблиц 9.1 и 9.5 — отклонение от линейного тренда:
, в нашем случае 
.
(9.36)
должна совпадать с суммой значений уровней выровненного ряда 
, то есть:
(27)
, которое определяется по следующей формуле:
, (28)
,
, рассчитанная для уравнения параболы значительно меньше, чем для уравнения прямой. Следовательно, уравнение параболы
) – отношение средней величины уровня, рассчитанной для каждого из 12 календарных месяцев за ряд лет (
), к среднемесячному уровню ряда динамики за весь рассматриваемый период (
), выраженное в процентах:
, (29)
=179,25%), а наименьшее среднее значение приходится на декабрь – 1227,9 тыс. тонн (
=62,86%).
, (30)
– прогнозируемый уровень;
– средний за исследуемый период абсолютный прирост (среднегодовой, среднеквартальный и т. п.).
, (31)
– средний за исследуемый период темп роста (среднегодовой, среднеквартальный и т. п.).
, 
,
, 
их расчет приведен во вспомогательной табл.8
