Анализ временных рядов

рядов" width="128" height="26" align="BOTTOM" border="0" /> 6 12 18 24

Анализ временных рядов 6 6 6

Анализ временных рядов 0 0


Взятие разностей преобразует случайную составляющую ряда.

В общем случае получаем :


Анализ временных рядов;

Анализ временных рядов;

Анализ временных рядов;

Анализ временных рядов;

Анализ временных рядов.


Из последнего соотношения получаем


Анализ временных рядов .


Следовательно, метод последовательных разностей переменной состоит в вычислении первых, вторых, третьих и т.д. разностей , определении сумм квадратов, делении на Анализ временных рядов и т.д. и обнаружения момента , когда это отношение становится постоянным. Таким образом мы получаем оценки порядка полинома , содержащегося в исходном ряде, и дисперсии случайного компонента.


4.3.Методы экспоненциального сглаживания


Методы построения функций для описания наблюдений до сих пор основывался на критерии наименьших квадратов, в соответствии с которым все наблюдения имеют равный вес. Однако, можно предположить, что недавним точкам следует придавать в некотором смысле больший вес, а наблюдения, относящиеся к далекому прошлому, должны иметь по сравнению с ними меньшую ценность. До некоторой степени мы учитывали это в скользящих средних с конечной длиной отрезка усреднения, где значения весов, приписываемых группе из 2m+1 значений, не зависят от предшествующих значений. Теперь обратимся к другому методу выделения более «свежих» наблюдений.

Рассмотрим ряд весов, пропорциональных множителю b, а именно Анализ временных рядов и т.д. Так как сумма весов должна равняться единице, т.е. Анализ временных рядов, весами фактически будут Анализ временных рядов и т.д. ( предполагается , что 0<b<1.)


4.3.1 Простое экспоненциальное сглаживание

Рассмотрим простейший ряд Анализ временных рядов, равный сумме постоянной Анализ временных рядов (уровень) и случайной компоненты Анализ временных рядов:


Анализ временных рядов.


Будем считать, что ряд имеет бесконечную предысторию, т. е. время принимает значения t,t-1,t-2,..., - Ґ . Найдем оценку Анализ временных рядов уровня ряда Анализ временных рядов, воспользовавшись минимизацией взвешенной суммы квадратов:


Анализ временных рядов.


В приведенном выражении расхождения между наблюденными значениями ряда и оценкой уровня берутся с экспоненциально убывающими весами в зависимости от возраста данных.


Анализ временных рядов ; Анализ временных рядов ; Анализ временных рядов .


Полученную оценку Анализ временных рядов на момент t обозначим Анализ временных рядов(t). Сглаженное значение в момент t можно выразить через сглаженное значение в прошлый момент t-1 и новое наблюдение Анализ временных рядов:

Анализ временных рядовАнализ временных рядов Анализ временных рядов


Полученное соотношение


Анализ временных рядов(t) =Анализ временных рядов


Перепишем несколько иначе, введя так называемую постоянную сглаживания Анализ временных рядов (0 Ј a Ј1).


Анализ временных рядов(t) Анализ временных рядов,


Из полученного соотношения видно, что новое сглаженное значение получается из предыдущего коррекцией последнего на долю ошибки, рассогласования, между новым и прогнозным значениями ряда. Происходит своего рода адаптация уровня ряда к новым данным.


4.3.2 Экспоненциальное сглаживание высоких порядков

Обобщим метод экспоненциального сглаживания на случай , когда модель процесса определяется линейной функцией Анализ временных рядов. Как и прежде, при заданном b минимизируем:


Анализ временных рядов.


(Здесь для удобства представления знаки ~ и Щ опущены).


Анализ временных рядов,

Анализ временных рядов

Анализ временных рядов


С учетом того что


Анализ временных рядов , Анализ временных рядов ,


получаем


Анализ временных рядов


Запишем : Анализ временных рядов.


Эту операцию можно рассматривать как сглаживание 1-го порядка. По аналогии построим сглаживание 2-го порядка:


Анализ временных рядов

Анализ временных рядов.

Я

Анализ временных рядов

Анализ временных рядов ; Анализ временных рядов.

Анализ временных рядов ;

Анализ временных рядов ;

Анализ временных рядов ;

Анализ временных рядов ;

Анализ временных рядов ;

Анализ временных рядов.


Рассмотренную выше процедуру можно обобщить на случай полиномиальных трендов более высокого порядка n , при этом алгебраические выражения будут сложнее. Например, если модель описывается параболой, то используется метод тройного экспоненциального сглаживания.

5. Оценивание и исключение сезонной компоненты


Сезонные компоненты могут представлять самостоятельный интерес либо выступать в роли мешающего фактора. В первом случае необходимо уметь выделять их из ряда и оценивать параметры соответствующей модели. Что же касается удаления сезонной компоненты из ряда, то здесь возможны несколько способов.

Рассмотрим сначала процедуру оценивания сезонных эффектов. Пусть исходный ряд является полностью аддитивным, то есть


Анализ временных рядов.


Необходимо оценить Анализ временных рядов по наблюденным Анализ временных рядов. Иными словами, необходимо получить оценки Анализ временных рядов коэффициентов Анализ временных рядов индикаторной модели.

Как уже отмечалось, сезонный эффект проявляется на фоне тренда, поэтому вначале необходимо оценить трендовую составляющую одним из рассмотренных методов. Затем для каждого сезона Анализ временных рядов вычисляют все относящиеся к нему разности


Анализ временных рядов


где, как обычно, Анализ временных рядов- наблюденное значение ряда, Анализ временных рядов- оцененное значение тренда.


Каждая из этих разностей дает совместную оценку сезонного эффекта и случайного компонента, отличного, правда, от исходного Анализ временных рядов в силу взятия разностей.

Производя усреднение полученных разностей, получают оценки эффектов. Полагая, что исходный ряд содержит целое число k периодов сезонности и ограничиваясь простым средним, имеем


Анализ временных рядов


С учетом условия репараметризации, требующим, чтобы сумма сезонных эффектов равнялась нулю, получаем скорректированные оценки


Анализ временных рядов.


В случае мультипликативного сезонного эффекта, когда модель ряда имеет вид


Анализ временных рядов,


вычисляют уже не разности, а отношения


Анализ временных рядов.


В качестве оценки сезонного индекса Анализ временных рядов выступает среднее


Анализ временных рядов.


На практике считается, что для оценки сезонных эффектов временной ряд должен содержать не менее пяти-шести периодов сезонности.

Перейдем теперь к способам удаления сезонного эффекта из ряда. Таких способов два. Первый из них назовем «послетрендовый». Он является логическим следствием рассмотренной выше процедуры оценивания. Для аддитивной модели удаление сезонной компоненты сводится к вычитанию оцененной сезонной компоненты из исходного ряда. Для мультипликативной модели значения ряда делят на соответствующие сезонные индексы.

Второй способ не требует предварительной оценки ни трендовой, ни сезонной компонент, а основывается на использовании разностных операторов.

Разностные операторы.

При исследовании временных рядов часто имеется возможность представить детерминированные функции времени простыми рекуррентными уравнениями. К примеру, линейный тренд


Анализ временных рядов (1)


можно записать как


Анализ временных рядов (2)


Последнее соотношение получается из (1) сравнением двух значений ряда для соседних моментов t-1 и t . Учитывая, что соотношение (2) справедливо и для моментов t-2 и t-1, так что Анализ временных рядов, модель (1) можно записать и в виде


Анализ временных рядов (3)

Модель (3) не содержит явно параметров, описывающих тренд. Более компактно описанные преобразования можно описать, используя операторы взятия разности назад


Анализ временных рядов.

Анализ временных рядов.


Модели (2) и (3) можно записать как


Анализ временных рядов, Анализ временных рядов.


Выходит, разность второго порядка полностью исключает из исходного ряда линейный тренд. Легко видеть, что разность порядка d исключает из ряда полиномиальный тренд порядка d-1. Пусть теперь ряд содержит сезонный эффект с периодом t, так что


Анализ временных рядов (4).


Процедура перехода от ряда Анализ временных рядов (t = 1,2,...,T) к ряду Анализ временных рядов называется взятием первой сезонной разности, а оператор Анализ временных рядов сезонным разностным оператором с периодом t. Из (4) следует, что


Анализ временных рядов.


Выходит, взятие сезонной разности Анализ временных рядов исключает из временного ряда Анализ временных рядов любую детерминированную сезонную компоненту.

Иногда оказываются полезными сезонные операторы более высоких порядков. Так, сезонный оператор второго порядка с периодом t есть


Анализ временных рядов.


Если ряд содержит и тренд, и сезонную составляющую, их можно исключить, последовательно применяя операторы Анализ временных рядов и Анализ временных рядов.

Легко показать, что порядок применения этих операторов не существенен:


Анализ временных рядов.


Отметим также, что детерминированный тренд, состоящий из тренда и сезонной компоненты, после применения операторов Анализ временных рядов и Анализ временных рядов полностью вырождается, то есть Анализ временных рядов. Однако записав последнее уравнение в рекуррентной форме, получаем


Анализ временных рядов.


Из последнее соотношения видно, каким образом ряд можно неограниченно продолжать, имея вначале по крайней мере t+1 последовательных значения.

6. Модели случайной составляющей временного ряда

линейный ряд временной система

Для удобства изложения условимся обозначать здесь случайные величины так, как это принято в математической статистике – строчными буквами.

Случайным процессом X(t) на множестве Т называют функцию, значения которой случайны при каждом t О T. Если элементы Т счетные (дискретное время), то случайный процесс часто называют случайной последовательностью.

Полное математическое описание случайного процесса предполагает задание системы функций распределения:

– для каждого t О T Анализ временных рядов, (1)

– для каждой пары элементов Анализ временных рядов


Анализ временных рядов (2)


и вообще для любого конечного числа элементов


Анализ временных рядов

Анализ временных рядов (3).


Функции (1),(2),(3) называют конечномерными распределениями случайного процесса.

Построить такую систему функции для произвольного случайного процесса практически невозможно. Обычно случайные процессы задают с помощью априорных предположений о его свойствах, таких как независимость приращений, марковский характер траекторий и т. п.

Процесс, у которого все конечномерные распределения нормальны, называется нормальным (гауссовским). Оказывается, что для полного описания такого процесса достаточно знания одно- и двумерного распределений (1), (2), что важно с практической точки зрения, поскольку позволяет ограничиться исследованием математического ожидания и корреляционной функцией процесса.

В теории временных рядов используются ряд моделей случайной составляющей, начиная от простейшей – «белого шума», до весьма сложных типа авторегрессии – скользящего среднего и других, которые строятся на базе белого шума.

Прежде чем определять процесс белого шума рассмотрим последовательность независимых случайных величин, для которой функция распределения есть


Анализ временных рядов.


Из последнего соотношения следует, что все конечномерные распределения последовательности определяются с помощью одномерных распределений.

Если к тому же в такой последовательности составляющие ее случайные величины X(t) имеют нулевое математическое ожидание и распределены одинаково при всех t О T, то это – «белый шум». В случая нормальности распределения X(t) говорят о гауссовском белом шуме. Итак, гауссовский белый шум – последовательность независимых нормально распределенных случайных величин с нулевым математическим ожиданием и одинаковой (общей) дисперсией.

Более сложными моделями, широко используемыми в теории и практике анализа временных рядов, являются линейные модели: процессы скользящего среднего, авторегрессии и смешанные.

Процесс скользящего среднего порядка q Анализ временных рядов представляет собой взвешенную сумму случайных возмущений:

Анализ временных рядов (4),


где Анализ временных рядов – независимые одинаково распределенные случайные величины (белый шум);

Анализ временных рядов – числовые коэффициенты.


Легко видеть из определения, что у процесса скользящего среднего порядка q (сокращенно CC(q)) статистически зависимыми являются (q+1) подряд идущих величин X(t), X(t-1),..., X(t-q). Члены ряда, отстоящие друг от друга больше чем на (q+1) такт, статистически независимы, поскольку в их формировании участвуют разные слагаемые Анализ временных рядов.

Процессом авторегрессии порядка p (сокращенно АР(р)) называют взвешенную возмущенную сумму p прошлых значений временного ряда


Анализ временных рядов (5),


где Анализ временных рядов – случайное возмущение, действующее в текущий момент t;

Анализ временных рядов – числовые коэффициенты.


Выражая последовательно в соответствии с соотношением (5) X(t-1) через X(t-2), . . . , X(t-p-1), затем X(t-2) через X(t-3), . . . , X(t-p-2) и т.д. получим, что X(t) есть бесконечная сумма прошлых возмущений Анализ временных рядов Из этого следует, члены процесса авторегрессии X(t) и X(t-k) статистически зависимы при любом k.

Процесс АР(1) часто называют процессом Маркова, АР(2) – процессом Юла. В общем случае марковским называют такой процесс, будущее которого определяется только его состоянием в настоящем и воздействиями на процесс, которые будут оказываться в будущем, тогда как его состояние до настоящего момента при этом несущественно. Процесс АР(1)

Анализ временных рядов


является марковским, поскольку его состояние в любой момент Анализ временных рядов определяется через значения процесса Анализ временных рядов, если известна величина Анализ временных рядов в момент Анализ временных рядов. Формально процесс авторегресси произвольного порядка Анализ временных рядов также можно считать марковским, если его состоянием в момент t считать набор


(X(t),X(t-1), . . . , X(t-p-1)) .


Более полно модели СС, АР, а также их композиция: модели авторегрессии – скользящего среднего рассматриваются далее (п.10.1.5 ). Заметим только, что все они представляются частными случаями общей линейной модели


Анализ временных рядов (6)


где Анализ временных рядов – весовые коэффициенты, число которых, вообще-то говоря, бесконечно.


Среди моделей случайной составляющей выделим важный класс – стационарные процессы, такие, свойства которых не меняются во времени. Случайный процесс Y(t) называется стационарным, если для любых n, Анализ временных рядов распределения случайных величин Анализ временных рядов и Анализ временных рядоводинаковы. Иными словами, функции конечномерных распределений не меняются при сдвиге времени:

Анализ временных рядов.


Образующие стационарную последовательность случайные величины распределены одинаково, так что определенный выше процесс белого шума является стационарным.


7.Числовые характеристики случайной составляющей


При анализе временных рядов используются числовые характеристики, аналогичные характеристикам случайных величин:

– математическое ожидание (среднее значение процесса)


Анализ временных рядов;


– автоковариационная функция


Анализ временных рядов;


– дисперсия


Анализ временных рядов;


– стандартное отклонение


Анализ временных рядов


– автокорреляционная функция


Анализ временных рядов


– частная автокорреляционная функция

Заметим, что в операторе функции Анализ временных рядов усреднение происходит при неизменном t , то есть имеется математическое ожидание по множеству реализаций (вообще-то говоря, потенциальных поскольку «в реку времени нельзя войти дважды»).

Рассмотрим введенные числовые характеристики для стационарных процессов. Из определения стационарности следует, что для любых s, t и

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: