Лекция 4. ОСНОВНЫЕ ТИПЫ ТЕНДЕНЦИЙ И УРАВНЕНИЙ ТРЕНДА

В главе 2 было рассмотрено понятие о тенденции временного ряда, т.е. тенденции динамики развития изучаемого показате-ля. Задача данной главы состоит в том, чтобы рассмотреть ос-новные типы таких тенденций, их свойства, отражаемые с большей или меньшей степенью полноты уравнением линии тренда. Укажем при этом, что в отличие от простых систем ме-ханики тенденции изменения показателей сложных социальных, экономических, биологических и технических систем только с некоторым приближением отражаются тем или иным уравне-нием, линией тренда.

В данной главе рассматриваются далеко не все известные в математике линии и их уравнения, а лишь набор их сравнитель-но простых форм, который мы считаем достаточным для ото-бражения и анализа большинства встречающихся на практике тенденций временных рядов. При этом желательно всегда вы-бирать из нескольких типов линий, достаточно близко выра-жающих тенденцию, более простую линию. Этот «принцип простоты» обоснован тем, что чем сложнее уравнение линии тренда, чем большее число параметров оно содержит, тем при равной степени приближения труднее дать надежную оценку этих параметров по ограниченному числу уровней ряда и тем больше ошибка оценки этих параметров, ошибки прогнозиру-емых уровней.

4.1. Прямолинейный тренд и его свойства

Самым простым типом линии тренда является прямая ли-ния, описываемая линейным (т.е. первой степени) уравнением тренда:

Где - выровненные, т.е. лишенные колебаний, уровни тренда для лет с номером i;

а - свободный член уравнения, численно равный среднему выровненному уровню для момента или периода времени, принятого за начало отсчета, т.е. для

t = 0;

b - средняя величина изменения уровней ряда за единицу из-менения времени;

ti - номера моментов или периодов времени, к которым от-носятся уровни временного ряда (год, квартал, месяц, дата).

Среднее изменение уровней ряда за единицу времени - глав-ный параметр и константа прямолинейного тренда. Следова-тельно, этот тип тренда подходит для отображения тенденции примерно равномерных изменений уровней: равных в среднем абсолютных приростов или абсолютных сокращений уровней за равные промежутки времени. Практика показывает, что та-кой характер динамики встречается достаточно часто. Причи-на близких к равномерному абсолютных изменений уровней ряда состоит в следующем: многие явления, как, например, урожай-ность сельскохозяйственных культур, численность населения региона, города, сумма дохода населения, среднее потребление какого-либо продовольственного товара и др., зависят от боль-шого числа различных факторов. Одни из них влияют в сторо-ну ускоренного роста изучаемого явления, другие - в сторону замедленного роста, третьи - в направлении сокращения уров-ней и т.д. Влияние разнонаправленных и разноускоренных (за-медленных) сил факторов взаимно усредняется, частично взаимно погашается, а равнодействующая их влияний приобре-тает характер, близкий к равномерной тенденции. Итак, равно-мерная тенденция динамики (или застоя) - это результат сложения влияния большого количества факторов на изменение изучаемого показателя.

Графическое изображение прямолинейного тренда - прямая линия в системе прямоугольных координат с линейным (ариф-метическим) масштабом на обеих осях. Пример линейного тренда дан на рис. 4.1.

Абсолютные изменения уровней в разные годы не были точно одинаковыми, но общая тенденция сокращения численности занятых в народном хозяйстве очень хорошо отражает-ся прямолинейным трендом. Его параметры вычислены в гл. 5 (табл. 5.3).

Основные свойства тренда в форме прямой линии таковы:

Равные изменения за равные промежутки времени;

Если средний абсолютный прирост - положительная вели-чина, то относительные приросты или темпы прироста посте-пенно уменьшаются;

Если среднее абсолютное изменение - отрицательная вели-чина, то относительные изменения или темпы сокращения по-степенно увеличиваются по абсолютной величине снижения к предыдущему уровню;

Если тенденция к сокращению уровней, а изучаемая вели-чина является по определению положительной, то среднее изме-нение b не может быть больше среднего уровня а;

При линейном тренде ускорение, т.е. разность абсолютных изменений за последовательные периоды, равно нулю.

Свойства линейного тренда иллюстрирует табл. 4.1. Урав-нение тренда: = 100 +20 *ti.

Показатели динамики при наличии тенденции сокращения уровней приведены в табл. 4.2.

Таблица 4.1

Показатели динамики при линейном тренде к увеличению уровней = 100 +20 *ti.


Номер периода ti
Уровень


Темпы (цеп-ные), %
Ускоре-ние

1
120
+20
120,0
-

2
140
+20
116,7
0

3
160
+20
114,3
0

4
180
+20
112,5
0

5
200
+20
111,1
0

6
220
+20
110,0
0

Таблица 4.2

Показатели динамики при линейном тренде сокращения уровней: = 200 -20 *ti.


Номер периода ti
Уровень
Абсолютное изме-нение к предыду-щему периоду
Темп к предыдущему периоду, %
Ускоре-ние

1
180
-20
90,0
-

2
160
-20
88,9
0

3
140
-20
87,5
0

4
120
-20
85,7
0

5
100
-20
83,3
0

6
80
-20
80,0
0

^ 4.2. Параболический тренд и его свойства

Под названием параболического будем иметь в виду тренд, выраженный параболой II порядка с уравнением

=a+b*t+c*t 2 .

Параболы III порядка и более высоких порядков редко приме-нимы для выражения тенденции динамики и слишком сложны для получения надежных оценок параметров при ограничен-ной длине временного ряда. Прямую линию, с точки зрения ма-тематики, можно также считать одним из видов парабол - параболой I порядка, которая уже рассмотрена ранее.

Значения (смысл, сущность) параметров параболы II поряд-ка таковы: свободный член а - это средний (выровненный) уро-вень тренда на момент или период, принятый за начало отсчета времени, т.е. t = 0; b - это средний за весь период среднегодовой прирост, который уже не является константой, а изменяется рав-номерно со средним ускорением, равным 2 с, которое и служит константой, главным параметром параболы II порядка.

Следовательно, тренд в форме параболы II порядка при-меняется для отображения таких тенденций динамики, кото-рым свойственно примерно постоянное ускорение абсолютных изменений уровней. Процессы такого рода встречаются на практике гораздо реже, чем процессы с равномерным измене-нием, но, с другой стороны, любое отклонение процесса от строго равномерного прироста (или сокращения) уровней можно интерпретировать как наличие ускорения. Более того, существует строгое математическое правило: чем выше поря-док параболы, тем ближе линия тренда к уровням исходного временного ряда. Если это правило довести до крайнего пре-дела, то любой ряд из п уровней может быть точно отображен параболой (п -1)-го порядка! (Через любые две точки прохо-дит одна прямая, через три точки - одна парабола II порядка и т.д.) Такое «приближение» линии тренда к эмпирическому ряду, содержащему как тенденцию, так и колебания, нельзя считать достижением научного анализа. Напротив, применяя параболу более высокого порядка там, где сущность процес-са этого не требует, а только ради уменьшения остаточной суммы отклонений (или их квадратов) отдельных уровней от тренда, исследователь уходит от цели, смешивая тренд с коле-баниями.

ПараболаII порядка, как уравнение тренда, применяется к различным процессам, которые на некотором, как правило не-продолжительном, этапе развития имеют примерно постоян-ное ускорение абсолютного прироста уровней. Такими бывают рост населения отдельных городов или регионов, ускоренное увеличение объема продукции в фазе циклического подъема, как, например, динамика экспорта Японии в 1988-1995 гг. на рис. 4.2.

Рис. 4.2. Динамика экспорта Японии

Расчет уравнения этой параболы приведен в гл. 5. Основные свойства тренда в форме параболы II порядка та-ковы:

1) неравные, но равномерно возрастающие или равномерно убывающие абсолютные изменения за равные промежутки вре-мени;

2) парабола, рассматриваемая относительно ее математи-ческой формы, имеет две ветви: восходящую с увеличением уровней признака и нисходящую с их уменьшением. Но отно-сительно статистики по содержанию изучаемого процесса из-менений трендом, выражающим определенную тенденцию развития, чаще всего можно считать только одну из ветвей:

Либо восходящую, либо нисходящую. В особых, более конк-ретных, ситуациях мы не отрицаем возможности объединения обеих ветвей в единый тренд;

3) так как свободный член уравнения а как значение показа-теля в начальный момент (период) отсчета времени, как правило, величина положительная, то характер тренда определяется знаками параметров b и с:

А) при b >0 и с>0 имеем восходящую ветвь, т.е. тенденцию к ускоренному росту уровней;

Б) при b <0 и с<0 имеем нисходящую ветвь - тенденцию к ускоренному сокращению уровней;

В) при b > 0 и с<0 имеем либо восходящую ветвь с замедляю-щимся ростом уровней, либо обе ветви параболы, восходящую и нисходящую, если их по существу можно считать единым про-цессом;

Г) при b <0 и с>0 имеем либо нисходящую ветвь с замедляю-щимся сокращением уровней, либо обе ветви - нисходящую и восходящую, если их можно считать единой тенденцией;

4) при параболической форме тренда, в зависимости от со-отношений между его параметрами, цепные темпы изменений могут либо уменьшаться, либо некоторое время возрастать, но при достаточно длительном периоде рано или поздно темпы роста обязательно начинают уменьшаться, а темпы сокращения уровней при b <0 и с<0 обязательно начинают возрастать (по абсолютной величине относительного изменения).

Ввиду ограниченного объема учебника рассмотрим не все четыре случая параболических трендов, а лишь два первых (табл. 4.3 и 4.4).

Таблица 4.3

Показатели динамики при параболическом тренде,


Номер периода ti
Уровень

Абсолютное изменение


Ускоре-ние

1
122
+22
122,0
-

2
148
+26
121,3
+4

3
178
+30
120,3
+4

4
212
+34
119,1
+4

5
250
+38
117,9
+4

6
292
+42
116,8
+4

^ Таблица 4.4

Показатели динамики при параболическомтренде,


Номер перио-да
Уро-вень
Абсо-лютные

измене-ния
Цепные темпы, % к предыдущему периоду
Уско-рение
Цепное относи-тельное измене-ние, % к преды-дущему периоду

1
178
-22
89,0
-
-11,0

2
152
-26
85,4
-4
-14,6

3
122
-30
80,3
-4
-19,7

4
88
-34
72,1
-4
-27,9

5
50
-38
56,8
-4
-43,2

6
8
-42
16,0
-4
-84,0

В тех случаях, когда по существу изучаемого процесса до-пустимо считать единым трендом обе ветви параболы, пред-ставляет большой интерес решение задачи о нахождении того периода или момента времени, когда уровень тренда достигает максимума (когда b >0, с<0) или минимума (если b <0, с>0). Эк-стремальная точка параболы = а + bt + ct 2 достигается при ну-левом значении первой производной:

^ 4.3. Экспоненциальный тренд и его свойства

Экспоненциальным трендом называют тренд, выраженный уравнением: . Свобод-ный член экспоненты а равен выровненному уровню, т.е. уров-ню тренда в момент или период, принятый за начало отсчета времени, т.е. при t = 0. Основной параметр экспоненциального тренда k является постоянным темпом изменения уровней (цен-ным). Если k > 1, имеем тренд с возрастающими уровнями, при-чем это возрастание не просто ускоренное, а с возрастающим ускорением и возрастающими производными всех более высо-ких порядков. Если k < 1, то имеем тренд, выражающий тенден-цию постоянного, но замедляющегося сокращения уровней, причем замедление непрерывно усиливается. Экстремума экс-понента не имеет и при
стремится либо к
при k > 1, либо к 0 при k < 1.

Экспоненциальный тренд характерен для процессов, разви-вающихся в среде, не создающей никаких ограничений для рос-та уровня. Из этого следует, что на практике он может развиваться только на ограниченном промежутке времени, так как любая среда рано или поздно создает ограничения, любые ресурсы со временем исчерпаемы. Однако практика показала что, например, численность населения Земли на протяжении 1950-1985 гг. возрастала примерно по экспоненте со среднего-довым темпом роста k = 1,018 и за это время возросла вдвое - с 2,5 до 5 млрд. чел. (рис. 4.3). В настоящее время темп роста насе-ления постепенно уменьшается.

Экспоненциальный рост объема реализации и производства происходит при возникновении новых видов продукции и их освоении промышленностью: при появлении цветных телеви-зоров, видеомагнитофонов, пейджеров и т.п., но когда произ-водство начинает наполнять рынок, приближаться к спросу, экспоненциальный рост прекращается.

Рис. 4.3. Рост народонаселения Земли

Расчет экспоненциального тренда дан в гл. 5. Основные свойства экспоненциального тренда:

1. Абсолютные изменения уровней тренда пропорциональ-ны самим уровням.

2. Экспонента экстремумов не имеет: при k > 1 тренд стремит-ся к +, при k < 1 тренд стремится к нулю.

3. Уровни тренда представляют собой геометрическую про-грессию: уровень периода с номером t = т есть a * k m .

4. При k > 1 тренд отражает ускоряющийся неравномерно рост уровней, при k < 1 тренд отражает замедляющееся неравномерно уменьшение уровней. Поведение основных показателей дина-мики в этих случаях рассмотрено в табл. 4.5 и 4.6.

В табл. 4.5 и 4.6 в последней графе приведены редко приме-няемые показатели динамики III порядка: ускорение (или при-рост) ускорения и замедление ускорения. Эти абсолютные показатели даны для наглядного пояснения главного отличия экспоненциального тренда от парабол любого порядка: экспо-нента не имеет постоянных производных любого порядка по времени. Постоянен только цепной темп изменения.


Номер периода

Уровень
Абсолютные изменения (цепные)
Цепные темпы, % к предыдущему периоду
Ускорение
Прирост ускорения к предыдущему периоду

1
120,00
+20,00
120
-
-

2
144,00
+24,00
120
+4,00
-

3
172,80
+28,80
120
+4,80
+0,80

4
207,36
+34,56
120
+4,76
+0,96

5
248,83
+41,47
120
+6,81
+1,15

6
298,60
+49,77
120
+8,30
+1,39

Номер периода

Уровень
Абсолютные изменения (цепные)
Цепные темпы, % к предыдущему периоду
Ускорение
Замедление ускорения

1
160,00
40,00
80
-
-

2
128,0
-32,00
80
+8,00
-

3
102,40
-25,60
80
+6,40
-1,60

4
81,92
-20,48
80
+5,12
-1,28

5
65,54
-16,38
80
+4,10
-1,02

6
52,43
-13,11
80
+3,27
-0,83

Читатель может заинтересоваться и таким вопросом: как на-звать тенденцию динамики, при которой и темп изменения был бы непостоянен, а имел постоянное абсолютное или относи-тельное изменение, например, уравнение типа или и т.д. Подобные «гиперэкспоненты» не применяют-ся статистикой, ибо любой, сколь угодно быстрый, сколь угодно ускоряющийся рост может быть отображен обычной экспонентой - стоит лишь уменьшить период, за который происходит возрастание (или сокращение) уровней в k раз. По своему суще-ству экспоненциальное развитие процесса и есть предельно воз-можное, предельно благоприятное по условиям развития, так как оно осуществляется в среде, не ограничивающей развитие данного процесса. Но следует помнить, что это происходит толь-ко до определенного времени, так как каждая среда, каждый ре-сурс в природе ограничен. Единственный спорный в науке процесс, по которому до сих пор нет доказательства ограничен-ности его во времени, - это экспоненциальное замедляющееся расширение Вселенной. Ограничено ли оно и сменится ли со временем сжатием или будет продолжаться бесконечно, зави-сит от значения средней плотности вещества и излучения во Вселенной, которую пока науке установить не удалось, ибо не все формы существования вещества и полей науке извест-ны. Зато интересно знать, что самый фундаментальный про-цесс, охватывающий всю известную Вселенную, уже, по крайней мере, 12-15 млрд. лет развивается по экспоненте.

^ 4.4. Гиперболический тренд и его свойства

Из различных форм гипербол рассмотрим только наиболее простую:

Если основной параметр гиперболы b >0, то этот тренд вы-ражает тенденцию замедляющегося снижения уровней и при .. Таким образом, свободный член гиперболы - это предел, к которому стремится уровень тренда.

Такая тенденция наблюдается, например (рис. 4.4), при изу-чении процесса снижения затрат любого ресурса (труда, мате-риалов, энергии) на единицу данного вида продукции или ее себестоимости в целом. Затраты ресурса не могут стремиться к нулю, значит, экспонента не соответствует сущности процесса; нужно применить гиперболическую формулу тренда.

Если параметр b <0, то с возрастанием t , т.е. с течением вре-мени, уровни тренда возрастают и стремятся к величине а при .

Такой характер динамики присущ, например, показателям КПД двигателей или иных преобразователей энергии (трансфор-матор тока, фотоэлемент и т.п.). По мере развития научно-тех-нического прогресса эти КПД постепенно повышаются, но никогда не могут превысить определенного предела для каждо-го типа двигателя и не могут превысить 100% в принципе для любого преобразователя энергии. При расчете гиперболического тренда нельзя нумеровать года от середины ряда, так как значения 1/ti должны быть всегда положительными.

Основные свойства гиперболического тренда:

1. Абсолютный прирост или сокращение уровней, ускоре-ние абсолютных изменений, темп изменения - все эти показате-ли не являются постоянными. При b >0 уровни замедленно уменьшаются, отрицательные абсолютные изменения, а также положительные ускорения тоже уменьшаются, цепные темпы из-менения растут и стремятся к 100%.

Рис. 4.4. Динамика расхода условного топлива на производство электроэнергии (г на 1 кВт-ч) на электростанциях региона

2. При b <0 уровни замедленно возрастают, положительные абсолютные изменения, а также отрицательные ускорения и цеп-ные темпы роста замедленно уменьшаются, стремясь к 100%.

Как видим, гиперболический тренд описывает в любом слу-чае тенденцию такого процесса, показатели которого со време-нем затухают, т.е. происходит переход от движения к застою. Иллюстрацией этих свойств может служить табл. 4.7.

Таблица 4.7

Показатели динамики при гиперболическом тренде:


Номер периода

Уровень
Абсолютные изменения (цепные)
Цепные темпы, % к предыдущему периоду
Ускорение

1
200,0
-
-
-

2
150,0
-50,0
75,0
-

3
133,0
-16,7
88,9
+33,3

4
125,0
-8,3
93,8
+8,4

5
120,0
-5,0
96,0
+3,3

6
116,7
-3,3
97,2
+1,7

^ 4.5. Логарифмический тренд и его свойства

Если изучаемый процесс приводит к замедлению роста ка-кого-то показателя, но при этом рост не прекращается, не стремится к какому-либо ограниченному пределу, то гипербо-лическая форма тренда уже не подходит. Тем более не подходит парабола с отрицательным ускорением, по которой замедляю-щийся рост перейдет со временем в снижение уровней. В указан-ном случае тенденция изменения лучше всего отображается логарифмической формой тренда: = a + b ln .

Логарифмы возрастают значительно медленнее, чем сами числа (номера периодов ), но рост логарифмов неограничен. Подбирая начало отсчета периодов (моментов) времени, мож-но найти такую скорость снижения абсолютных изменений, ко-торая наилучшим образом отвечает фактическому временному ряду.

Примером тенденций, соответствующих логарифмическому тренду, может служить динамика рекордных достижений в спорте: известно, что увеличение на 1 см рекорда прыжка в вы-соту или снижение на 0,1 с времени бега на 200 или 400 м требует все больших и больших затрат времени, каждый рекорд дается все большим и большим трудом. В то же время нет и «вечных» рекордов, все спортивные достижения улучшаются, но медлен-нее и медленнее, т.е. по логарифмическому тренду. Нередко та-кой же характер динамики присущ на отдельных этапах развития динамике урожайности или валового сбора какой-то культуры в данном регионе, пока новое агротехническое достижение не при-даст снова тенденции ускорения, что иллюстрирует рис. 4.5.

Конечно, характер тенденции маскируется колебаниями, но видно, что рост валового сбора замедляется. Это показывают и средние уровни сбора чая:

За 1978-1983 гг. средний сбор равен 333 тыс. т;

За 1984-1989 гг. средний сбор равен 483 тыс. т, рост на 150 тыс.т;

За 1990-1994 гг. средний сбор равен 566 тыс. т, рост на 83 тыс.т.

На рис. 4.5 для убедительности нанесен и логарифмический тренд, расчет

Рис. 4.5. Динамика валового сбора чая в Китае

Которого дан в гл. 5. Заметны также 5-6-летние циклические колебания валового сбора чая.

Основные свойства логарифмического тренда:

1. Если b >0, то уровни возрастают, но с замедлением, а если b <0, то уровни тренда уменьшаются, тоже с замедлением.

2. Абсолютные изменения уровней по модулю всегда умень-шаются со временем.

3. Ускорения абсолютных изменений имеют знак, противо-положный самим абсолютным изменениям, а по модулю посте-пенно уменьшаются.

4. Темпы изменения (цепные) постепенно приближаются к 100% при .

Можно сделать общий вывод о том, что логарифмический тренд отражает, так же как и гиперболический тренд, посте-пенно затухающий процесс изменений. Различие состоит в том, что затухание по гиперболе происходит быстро при приближе-нии к конечному пределу, а при логарифмическом тренде зату-хающий процесс продолжается без ограничения гораздо медленнее.

^ 4.6. Логистический тренд и его свойства

Логистическая форма тренда подходит для описания такого процесса, при котором изучаемый показатель проходит полный цикл развития, начиная, как правило, от нулевого уровня, сна-чала медленно, но с ускорением возрастая, затем ускорение ста-новится нулевым в середине цикла, т.е. рост происходит по линейному тренду, затем, в завершающей части цикла, рост за-медляется по гиперболе по мере приближения к предельному значению показателя.

Примером такого цикла динамики может служить измене-ние доли грамотного населения в стране, например в России, с 1800 г. до наших дней, или изменение доли семей, имеющих те-левизоры, примерно с 1945 до 2000 г. в России, доли жилищ в городах, имеющих горячее водоснабжение или центральное ото-пление (процесс, еще не законченный). В некоторых зарубеж-ных программах для компьютеров логистическая кривая называется S-образной кривой.

Можно, конечно, логистическую тенденцию считать объе-динением трех разных по типу тенденций: параболической с ускоряющимся ростом на первом этапе, линейной - на втором и гиперболической с замедляющимся ростом - на третьем этапе. Но есть доводы и в пользу рассмотрения всего цикла развития как особого единого типа тенденции со сложными, переменными свойствами, но постоянным направлением из-менений в сторону увеличения уровней в рассмотренных нами примерах или уменьшения уровней, если взять противополож-ный процесс - сокращение доли неграмотных среди населе-ния, доли жилищ, не оборудованных газоснабжением или центральным отоплением, и т.д.

Рассмотрение таких временных рядов, как проявление еди-ной логистической тенденции, позволяет уже на первом этапе рассчитать всю траекторию развития, определить сроки пере-хода от ускоренного роста к замедленному, что чрезвычайно важно при планировании производства или реализации нового вида товара, спрос на который будет проходить все этапы логи-стической тенденции вплоть до насыщения рынка. Так, напри-мер, обеспеченность населения в России автомобилями в конце 1980-х годов находилась на начальном этапе логистической кри-вой, и это означало, что предстоит еще ряд лет или даже десяти-летий ускоренного роста спроса. В то же время обеспеченность фотоаппаратами уже достигла этапа замедления роста, и это означало, что расширять производство или импорт прежних типов фотоаппаратов не следует. Расширение их рынка возмож-но было только для принципиально новых типов фотоаппара-тов, насыщенность которыми еще находится в самом начале первого этапа.

В вышеописанном диапазоне изменения уровней, т.е. от нуля до единицы, уравнение логистического тренда имеет вид:

должно быть примерно равно -10. Чем больше , тем быст-рее будут снижаться уровни, например, при = -10; = 1, уже при = 20 уровни снизятся почти до нуля.

Если же диапазон изменения уровней ограничен не нулем и единицей, а любыми значениями, определяемыми исходя из су-щества задачи, обозначаемыми то формула логис-тического тренда принимает вид:

Как видно из табл. 4.8, абсолютные изменения нарастают до середины периода, затем уменьшаются. Все они положитель-ны. Ускорения сначала возрастают, а после середины периода снижаются, становятся отрицательными, но уменьшаются по мо-дулю. Сумма положительных и отрицательных ускорений при-ближенно равна нулю (если ряд продлить от - до +, то сумма их точно равна нулю). Темпы роста возрастают до конца пер-вой половины ряда, затем снижаются. Если ряд достаточно длин-ный, то темпы начинаются со 100 % и завершаются на 100%.

Таблица 4.8

Показатели динамики при логистическом тренде:


Номер периода
Уровень
Абсолютные изме-нения к предыдуще-му периоду
Ускоре-ние
Темп роста к предыдущему периоду, %

0
51,0
-
-
-

1
54,4
+3,4
-
106,7

2
67,9
+13,5
+10,1
124,8

3
106,6
+38,7
+25,2
157,0

4
159,7
+53,1
+14,4
149,8

5
188,6
+28,8
-24,2
118,1

6
197,3
+8,7
-20,2
104,6

7
199,4
+2,1
-6,6
101,1

При логистическом тренде со снижающимися уровнями по-казатели динамики изменяются в следующем порядке: отрица-тельные абсолютные изменения по модулю возрастают до середины ряда и снижаются к концу, стремясь к нулю при . Ускорения в первой половине периода отрицательные и по мо-дулю возрастающие; во второй половине периода ускорения положительные и уменьшающиеся в пределе до нуля. Темпы изменений все меньше 100%, в конце первой половины периода наименьшие, во второй половине возрастающие с замедлением до 100% в пределе. Графическое изображение логистического тренда приведено на рис. 5.2.

Является тренд . Одним из наиболее популярных способов моделирования тенденции временного ряда является нахождение аналитической функции, характеризующей зависимость уровней ряда от времени. Этот способ называется аналитическим выравниванием временного ряда.

Зависимость показателя от времени может принимать разные формы, поэтому находят различные функции: линейную, гиперболу, экспоненту, степенную функцию, полиномы различных степеней. Временной ряд исследуют аналогично линейной регрессии.

Параметры любого тренда можно определить обычным методом наименьших квадратов, используя в качестве фактора время t = 1, 2,…, n, а в качестве зависимой переменной используют уровни временного ряда. Для нелинейных трендов сначала проводят процедуру линеаризации.

К числу наиболее распространенных способов определения типа тенденции относят качественный анализ изучаемого ряда , построение и анализ графика зависимости уровней ряда от времени, расчет основных показателей динамики. В этих же целях можно часто используют и .

Линейный тренд

Тип тенденции определяют путем сравнения коэффициентов автокорреляции первого порядка. Если временной ряд имеет линейный тренд, то его соседние уровни yt и yt-1 тесно коррелируют. В таком случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть максимальный. Если временной ряд содержит нелинейную тенденцию, то чем сильнее выделена нелинейная тенденция во временном ряду, тем в большей степени будут различаться значения указанных коэффициентов.

Выбор наилучшего уравнения в случае, если ряд содержит , можно осуществить перебором основных видов тренда, расчета по каждому уравнению коэффициента корреляции и выбора уравнения тренда с максимальным значением коэффициента.

Параметры тренда

Наиболее простую интерпретацию имеют параметры экспоненциального и линейного трендов.

Параметры линейного тренда интерпретируют так: а — исходный уровень временного ряда в момент времени t = 0; b - средний за период абсолютный прирост уровней рада.

Параметры экспоненциального тренда имеют такую интерпретацию. Параметр а - это исходный уровень временного ряда в момент времени t = 0. Величина exp(b) - это средний в расчете на единицу времени коэффициент роста уровней ряда.

По аналогии с линейной моделью расчетные значения уровней рада по экспоненциальному тренду можно определить путем подстановки в уравнение тренда значений времени t = 1,2,…, n, либо в соответствии с интерпретацией параметров экспоненциального тренда: каждый последующий уровень такого ряда есть произведение предыдущего уровня на соответствующий коэффициент роста

При наличии неявной нелинейной тенденции нужно дополнять описанные выше методы выбора лучшего уравнения тренда качественным анализом динамики изучаемого показателя, для того, чтобы избежать ошибок спецификации при выборе вида тренда. Качественный анализ предполагает изучение проблем возможного наличия в исследуемом ряду поворотных точек и изменения темпов прироста, начиная с определенного момента времени под влиянием ряда факторов, и т. д. В том случае если уравнение тренда выбрано неправильно при больших значениях t, результаты прогнозирования динамики временного ряда с использованием исследуемого уравнения будут недостоверными по причине ошибки спецификации.

Иллюстрация возможного появления ошибки спецификации приведем на рисунке

Если оптимальной формой тренда является парабола, в то время как на самом деле имеет место линейная тенденция, то при больших t парабола и линейная функция естественно будут по разному описывать тенденцию в уровнях ряда.

Для наглядной иллюстрации тенденций изменения цены применяется линия тренда. Элемент технического анализа представляет собой геометрическое изображение средних значений анализируемого показателя.

Рассмотрим, как добавить линию тренда на график в Excel.

Добавление линии тренда на график

Для примера возьмем средние цены на нефть с 2000 года из открытых источников. Данные для анализа внесем в таблицу:



Линия тренда в Excel – это график аппроксимирующей функции. Для чего он нужен – для составления прогнозов на основе статистических данных. С этой целью необходимо продлить линию и определить ее значения.

Если R2 = 1, то ошибка аппроксимации равняется нулю. В нашем примере выбор линейной аппроксимации дал низкую достоверность и плохой результат. Прогноз будет неточным.

Внимание!!! Линию тренда нельзя добавить следующим типам графиков и диаграмм:

  • лепестковый;
  • круговой;
  • поверхностный;
  • кольцевой;
  • объемный;
  • с накоплением.


Уравнение линии тренда в Excel

В предложенном выше примере была выбрана линейная аппроксимация только для иллюстрации алгоритма. Как показала величина достоверности, выбор был не совсем удачным.

Следует выбирать тот тип отображения, который наиболее точно проиллюстрирует тенденцию изменений вводимых пользователем данных. Разберемся с вариантами.

Линейная аппроксимация

Ее геометрическое изображение – прямая. Следовательно, линейная аппроксимация применяется для иллюстрации показателя, который растет или уменьшается с постоянной скоростью.

Рассмотрим условное количество заключенных менеджером контрактов на протяжении 10 месяцев:

На основании данных в таблице Excel построим точечную диаграмму (она поможет проиллюстрировать линейный тип):


Выделяем диаграмму – «добавить линию тренда». В параметрах выбираем линейный тип. Добавляем величину достоверности аппроксимации и уравнение линии тренда в Excel (достаточно просто поставить галочки внизу окна «Параметры»).


Получаем результат:


Обратите внимание! При линейном типе аппроксимации точки данных расположены максимально близко к прямой. Данный вид использует следующее уравнение:

y = 4,503x + 6,1333

  • где 4,503 – показатель наклона;
  • 6,1333 – смещения;
  • y – последовательность значений,
  • х – номер периода.

Прямая линия на графике отображает стабильный рост качества работы менеджера. Величина достоверности аппроксимации равняется 0,9929, что указывает на хорошее совпадение расчетной прямой с исходными данными. Прогнозы должны получиться точными.

Чтобы спрогнозировать количество заключенных контрактов, например, в 11 периоде, нужно подставить в уравнение число 11 вместо х. В ходе расчетов узнаем, что в 11 периоде этот менеджер заключит 55-56 контрактов.

Экспоненциальная линия тренда

Данный тип будет полезен, если вводимые значения меняются с непрерывно возрастающей скоростью. Экспоненциальная аппроксимация не применяется при наличии нулевых или отрицательных характеристик.

Построим экспоненциальную линию тренда в Excel. Возьмем для примера условные значения полезного отпуска электроэнергии в регионе Х:

Строим график. Добавляем экспоненциальную линию.


Уравнение имеет следующий вид:

y = 7,6403е^-0,084x

  • где 7,6403 и -0,084 – константы;
  • е – основание натурального логарифма.

Показатель величины достоверности аппроксимации составил 0,938 – кривая соответствует данным, ошибка минимальна, прогнозы будут точными.

Логарифмическая линия тренда в Excel

Используется при следующих изменениях показателя: сначала быстрый рост или убывание, потом – относительная стабильность. Оптимизированная кривая хорошо адаптируется к подобному «поведению» величины. Логарифмический тренд подходит для прогнозирования продаж нового товара, который только вводится на рынок.

На начальном этапе задача производителя – увеличение клиентской базы. Когда у товара будет свой покупатель, его нужно удержать, обслужить.

Построим график и добавим логарифмическую линию тренда для прогноза продаж условного продукта:


R2 близок по значению к 1 (0,9633), что указывает на минимальную ошибку аппроксимации. Спрогнозируем объемы продаж в последующие периоды. Для этого нужно в уравнение вместо х подставлять номер периода.

Например:

Период 14 15 16 17 18 19 20
Прогноз 1005,4 1024,18 1041,74 1058,24 1073,8 1088,51 1102,47

Для расчета прогнозных цифр использовалась формула вида: =272,14*LN(B18)+287,21. Где В18 – номер периода.

Полиномиальная линия тренда в Excel

Данной кривой свойственны переменные возрастание и убывание. Для полиномов (многочленов) определяется степень (по количеству максимальных и минимальных величин). К примеру, один экстремум (минимум и максимум) – это вторая степень, два экстремума – третья степень, три – четвертая.

Полиномиальный тренд в Excel применяется для анализа большого набора данных о нестабильной величине. Посмотрим на примере первого набора значений (цены на нефть).


Чтобы получить такую величину достоверности аппроксимации (0,9256), пришлось поставить 6 степень.

Зато такой тренд позволяет составлять более-менее точные прогнозы.

Приняв в качестве гипотетической функции теоретических уровней прямую , определим параметры последней:

Решение этой системы можно осуществить по формулам:

Отсюда искомое уравнение тренда: . Подставляя в полученное уравнении значения 1, 2, 3, 4, 5, определяем теоретические уровни ряда (см. предпоследнюю графу табл. 4.3). Сравнивая значения эмпирических и теоретических уровней, видим, что они близки, т.е. можно сказать, что найденное уравнение весьма удачно характеризует основную тенденцию изменения уровней именно как линейную функцию.

Система нормальных уравнений упрощается, если отсчет времени ведется от середины ряда. Например, при нечетном числе уровней серединная точка (год, месяц) принимается за нуль. Тогда предшествующие периоды обозначаются соответственно -1, -2, -3 и т.д., а следующие за средним – соответственно +1, +2, +3 и т.д. При четном числе уровней два срединных момента (периода) времени обозначают −1 и +1, а все последующие и предыдущие, соответственно, через два интервала: и т.д.

При таком порядке отсчета времени (от середины ряда) , система нормальных уравнений упрощается до следующих двух уравнений, каждое из которых решается самостоятельно:

Важное значение при построении модели временного ряда имеет учет сезонных и циклических колебаний. Простейшим подходом, позволяющим учесть в модели сезонные и циклические колебания, является расчет значений сезонной/циклической компоненты и построение аддитивной и мультипликативной модели временного ряда.

Общий вид аддитивной модели следующий: Y=T+S+E . Эта модель предполагает, что каждый уровень временного уровня ряда может быть представлен как сумма трендовой T , сезонной S и случайной компонент. Общий вид мультипликативной модели выглядит как: Y=T∙S∙E .

Выбор одной из двух моделей проводится на основе анализа структуры сезонных колебаний. Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель временного ряда, в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение аддитивной и мультипликативной моделей сводится к расчету T, S, E для каждого уровня ряда. Этапы построения модели включают в себя следующие шаги:

1. Выравнивание исходного ряда методом скользящей средней

2. Расчет значений сезонной компоненты S .

3. Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной (T+E) или мультипликативной (T∙E) модели.

4. Аналитическое выравнивание уровней (T+E) или (T∙E) и расчет значений T с использованием полученного уравнения тренда.

5. Расчет полученных по модели значений (T+E) или (T∙E) .

6. Расчет абсолютных и/или относительных ошибок. Если полученные значения не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок E для анализа взаимосвязи исходного ряда и других временных рядов.

Рассмотрим другие методы анализа взаимосвязи, предположив что изучаемые временные ряды не содержат периодических колебаний. Допустим, что изучается зависимость между рядами х и у . Для количественной характеристики этой зависимости используется линейный коэффициент корреляции. Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким. Однако это не говорит о том, что х причина у . Высокий коэффициент корреляции в данном случае – это результат того, что х и у зависят от времени, или содержат тенденцию. При этом одинаковую или противоположную тенденцию могут иметь ряды, совершенно не связанные друг с другом причинно-следственной зависимостью. Например, коэффициент корреляции между численностью выпускников вузов и числом домов отдыха в РФ в период с 1970-1990 г. составил 0,8. Однако, это не говорит о том, что количество домов отдыха способствует росту числа выпускников или наоборот.

Для того чтобы получить коэффициенты корреляции, характеризующие причинно-следственную связь между изучаемыми рядами, следует избавиться от так называемой ложной корреляции, вызванной наличием тенденции в каждом ряду, которую устраняют одним из методов.

Предположим, что по двум временным рядам х t и у t строится уравнение парной регрессии линейной регрессии вида: . наличие тенденции в каждом из этих временных рядов означает, что на зависимую у t и независимую х t переменные модели оказывает воздействие фактор времени, который непосредственно в модели не учтен. Влияние фактора времени будет выражено в корреляционной зависимости между значениями остатков за текущий и предыдущие моменты времени, которая получила название автокорреляции в остатках.

Автокорреляция в остатках – это нарушение одной из основных предпосылок МНК – предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении обобщенного МНК.

Для устранения тенденции используются две группы методов:

Методы, основанные на преобразовании уровней исходного ряда в новые переменные, не содержащие тенденции (метод последовательных разностей и метод отклонения от трендов);

Методы, основанные на изучении взаимосвязи исходных уровней временных рядов при элиминировании воздействия фактора времени на зависимую и независимую переменные модели (включение в модель регрессии по временным рядам фактора времени).

Пусть имеются два временных ряда и , каждый из которых содержит трендовую компоненту Т и случайную составляющую . Аналитическое выравнивание каждого из этих рядов позволяет найти параметры соответствующих уравнений трендов и определить расчетные по тренду уровни и соответственное. Эти расчетные значения можно принять за оценку трендовой компоненты Т каждого ряда. Поэтому влияние тенденции можно устранить путем вычитания расчетных значений уровней ряда из фактических. Эту процедуру проделывают для каждого временного ряда в модели. Дальнейший анализ взаимосвязи рядов проводят с использованием не исходных уровней, а отклонений от тренда и . Именно в этом и заключается метод отклонений от тренда.

В ряде случаев вместо аналитического выравнивания временного ряда с целью устранения тенденции можно применить более простой метод – метод последовательных разностей. Если временной ряд содержит ярко выраженную линейную тенденцию, ее можно устранить путем замены исходных уровней ряда цепными абсолютными приростами (первыми разностями).

Пусть , .

Коэффициент b – константа, которая не зависит от времени. При наличии сильной линейной тенденции отставки достаточно малы и в соответствии с предпосылками МНК носят случайный характер. Поэтому первые разности уровней ряда не зависят от переменной времени, их можно использовать для дальнейшего анализа.

Если временной ряд содержит тенденцию в форме параболы второго порядка, то для ее устранения можно заменить исходные уровни ряда на вторые разности: .

Если тенденции временного ряда соответствует экспоненциальной, или степенной, тренд, метод последовательных разностей следует применять не к исходным уровням ряда, а к их логарифмам.

Модель вида: также относится к группе моделей, включающих фактор времени. Преимущество данной модели перед методами отклонений от трендов и последовательных разностей состоит в том, что она позволяет учесть всю информацию, содержащуюся в исходных данных, поскольку значения и – это уровни исходных временных рядов. Кроме того, модель строится по всей совокупности данных за рассматриваемый период в отличие от метода последовательных разностей, который приводит к потере числа наблюдений. Параметры этой модели определяются обычным МНК.

Пример. Построим уравнение тренда по исходным данным таблицы 4.4.

Таблица 4.4

Расходы на конечное потребление и совокупный доход (усл. ед.)

Система нормальных уравнений имеет вид:

По исходным данным рассчитаем необходимые величины и подставим в систему:

Уравнение регрессии имеет вид: .

Интерпретация параметров уравнения следующая: характеризует, что при увеличении совокупного дохода на 1 д.е. расходы на конечное потребление возрастут в среднем на 0,49 д.е в условиях существования неизменной тенденции. Параметр означает, что воздействие всех факторов, кроме совокупного дохода, на расходы на конечное потребление приведет к его среднегодовому абсолютному приросту на 0,63 д.е.

Рассмотрим уравнение регрессии вида: . Для каждого момента времени значение компоненты определяются как или . Рассматривая последовательность остатков как временной ряд, можно построить график их зависимости от времени. В соответствии с предпосылками МНК остатки должны быть случайными (рис. 4.4).


Рис. 4.4 Случайные остатки

Однако при моделировании временных рядов нередко встречаются ситуации, когда остатки содержат тенденцию или циклические колебания (рис. 4.5). Это говорит о том, что каждое следующее значение остатков зависит от предшествующих. В этом случае говорят о наличии автокорреляции в остатках.



а) б)

Рис. 4.5 Убывающая тенденция (а ) и циклические колебания (б )

в остатках

Автокорреляция случайной составляющей - корреляционная зависимость текущих и предыдущих значений случайной составляющей. Последствия автокорреляции случайной составляющей:

Коэффициенты регрессии становятся неэффективными;

Стандартные ошибки коэффициентов регрессии становятся заниженными, а значения t –критерия завышенными.

Для определения автокорреляции остатков известны два наиболее распространенных метода определения автокорреляции остатков. Первый метод – это построение графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции. Второй метод – это использование критерия Дарбина-Уотсона, который сводится к проверке гипотезы:

Н0 (основная гипотеза): автокорреляция отсутствует;

Н1 и Н2 (альтернативные гипотезы): присутствует положительная или отрицательная автокорреляция в остатках соответственно.

Для проверки основной гипотезы используется статистика критерия Дарбина-Уотсона:

где .

На больших выборках d≈2(1- ), где - коэффициент автокорреляции 1-го порядка.

.

Если в остатках существует полная положительная автокорреляция и =1, то d=0; если в остатках есть полная отрицательная автокорреляция, то = -1 и d=4; если автокорреляция остатков отсутствует, то = 0, то d=2. Следовательно, 0 .

Существуют специальные статистические таблицы для определения нижней и верхней критических границ d -статистики – d L и d U . Они определяются в зависимости от n, числа независимых переменных k и уровня значимости .

Если d набл ‹d L , то принимается гипотеза Н1: положительная автокорреляция.

Если d и ‹d набл ‹2,

Если 2‹d набл ‹4-d и, то принимается гипотеза Н0: автокорреляции нет.

Если d набл ›4-d L , то принимается гипотеза Н2: отрицательная автокорреляция.

Если 4-d и ‹d набл ‹4-d L , и d L ‹d набл ‹d и, то имеет место случай неопределенности.

0 d L d U 2 4- d U 4- d L 4

Рис. 4.6 Алгоритм проверки гипотезы о наличии автокорреляции остатков

Для применения критерия Дарбина-Уотсона есть ограничения. Он неприменим для моделей, включающих в качестве независимых переменных лаговые значения результативного признака, т.е. к моделям авторегрессии. Методика направлена только на выявление автокорреляции остатков первого порядка. Результаты являются более достоверными при работе с большими выборками.

В тех случаях, когда имеет место автокорреляция остатков, для определения оценок параметров a, b используют обобщенный методМНК, который заключается в последовательности следующих шагов:

1. Преобразовать исходные переменные y t и x t к виду

2. Применив обычный МНК к уравнению , где определить оценки параметров и b.

4. Выписать исходное уравнение .

Среди эконометрических моделей, построенных по временным данным, выделяют динамические модели.

Эконометрическая модель является динамической , если в данный момент времени t она учитывает значения входящих в нее переменных, относящихся как к текущему, так и к предыдущим моментам времени, т.е. эта модель отражает динамику исследуемых переменных в каждый момент времени.

Существует два основных типа динамических эконометрических моделей. К моделям первого типа относятся модели авторегрессии и модели с распределенным лагом, в которых значение переменной за прошлые периоды времени (лаговые переменные) непосредственно включены в модель. Модели второго типа учитывают динамическую информацию в неявном виде. В эти модели включены переменные, характеризующие ожидаемый и желаемый уровень результата, или один из факторов в момент времени t.

Модель с распределенным лагом имеет вид:

Построение моделей с распределенным лагом и моделей авторегрессии имеет свою специфику. Во-первых, оценка параметров моделей авторегрессии, а в большинстве случаев и моделей распределенным лагом не может быть проведена с помощью обычного МНК ввиду нарушения его предпосылок и требует специальных статистических методов. Во-вторых, исследователям приходится решать проблемы выбора оптимальной величины лага и определения его структуры. Наконец, в третьих, между моделями с распределенным лагом и моделями авторегрессии имеется определенная взаимосвязь, и в некоторых случаях необходимо осуществить переход от одноного типа моделей к другому.

Рассмотрим модель с распределенным лагом в предположении, что максимальная величина лага конечна:

Даная модель говорит о том, что если в некоторый момент времени t происходит изменение независимой переменной x , то это изменение будет влиять на значения переменной y в течение l следующих моментов времени.

Коэффициент регрессии b 0 при переменной x t характеризует среднее абсолютное изменение y t при изменении x t на 1 ед. своего измерения в некоторый фиксированный момент времени t , без учета воздействия лаговых значений фактора x. Этот коэффициент называется краткосрочным мультипликатором.

В момент t+1 воздействие факторной переменной x t на результат y t составит (b 0 +b 1) условных единиц; в момент времени t+2 это воздействие можно охарактеризовать суммой (b 0 +b 1 +b 2) и т.д. Полученные таким образом суммы называются промежуточными мультипликаторами .

С учетом конечной величины лага можно сказать, что изменение переменной x t в момент времени t на 1 условную единицу приведет к общему изменению результата через l моментов времени (b 0 +b 1 +b 2 +…+b l ).

Введем следующее обозначение: b=(b 0 +b 1 +b 2 +…+b l ). Величину b называется долгосрочным мультипликатором , который показывает абсолютное изменение в долгосрочном периоде t+l результата y под влиянием изменения на 1 ед. фактора x .

Величины называются относительными коэффициентами модели с распределенным лагом. Если все коэффициенты b j имеют одинаковые знаки,то . Относительные коэффициенты являются весами для соответствующих коэффициентов b j . Каждый из них измеряет долю общего изменения результативного признака в момент времени t+j .

Зная величины , с помощью стандартных формул можно определить еще две важные характеристики модели множественной регрессии: величину среднего и медианного лагов.

Средний лаг рассчитывается по формуле средней арифметической взвешенной:

и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора x в момент t. Если значение среднего лага небольшое, то это говорит о довольно быстром реагировании y на изменение x. Высокое значение среднего лага говорит о том, что воздействие фактора на результат будет сказываться в течение длительного периода времени.

Медианный лаг (L Me) – это величина лага, для которого период, в течение которого . Это тот период времени, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат.

Изложенные выше приемы анализа параметров модели с распределенным лагом действительны только в предположении, что все коэффициенты при текущем и лаговых значениях исследуемого фактора имеют одинаковые знаки. Это предположение вполне оправдано с экономической точки зрения: воздействие одного и того же фактора на результат должно быть однонаправленным независимо от того, с каким временным лагом измеряется сила или теснота связи между этими признаками. Однако на практике получить статистически значимую модель, параметры которой имели бы одинаковые знаки, особенно при большой величине лага l , чрезвычайно сложно.

Применение обычного МНК к таким моделям в большинстве случаев затруднительно по следующим причинам:

Текущие и лаговые значения независимой переменной, как правило, тесно связаны друг с другом, тем самым оценка параметров модели проводится в условиях высокой мультиколлинеарности;

При большой величине лага снижается число наблюдений, по которому строится модель, и увеличивается число ее факторных признаков, что ведет к потере числа степеней свободы в модели;

В моделях с распределенным лагом часто возникает проблема автокорреляции остатков.

Как и в модели с распределенным лагом, b 0 в этой модели характеризует краткосрочное изменение y t под воздействием изменения x t на 1 ед. Однако промежуточные и долгосрочный мультипликаторы в модели авторегрессии несколько иные. К моменту времени t+1 результат y t изменился под воздействием изменения изучаемого фактора в момент времени t на b 0 единиц, а y t +1 – под воздействием своего изменения в непосредственно предшествующим момент времени на с 1 единиц. Таким образом, общее абсолютное изменение результата в момент t+1 составит b 0 с 1 . Аналогично в момент времени t+2 абсолютное изменение результатасоставит b 0 с 1 2 единиц и т.д. Следовательно, долгосрочный мультипликатор в модели авторегрессии можно рассчитать как сумму краткосрочного и промежуточного мультипликаторов:

Такая интерпретация коэффициентов модели авторегрессии и расчет долгосрочного мультипликатора основаны на предпосылке о наличии бесконечного лага в воздействии текущего значения зависимой переменной на ее будущие значения.

Пример. Предположим, по данным о динамике показателей потребления и дохода в регионе была получена модель авторегрессии, описывающая зависимость среднедушевого объема потребления за год (С, млн. руб.) от среднедушевого совокупного годового дохода (Y, млн. руб.) и объема потребления предшествующего года:

.

Краткосрочный мультипликатор равен 0,85. В этой модели он представляет собой предельную склонность к потреблению в краткосрочном периоде. Следовательно, увеличение среднедушевого совокупного дохода на 1 млн. руб. приводит к росту объема потребления в тот же год в среднем на 850 тыс. руб. Долгосрочную предельную склонность к потреблению в данной модели можно определить как

.

В долгосрочной перспективе рост среднедушевого совокупного дохода на 1 млн. руб. приведет к росту объема потребления в среднем на 944 тыс. руб. Промежуточные показатели предельной склонности к потреблению можно определить, рассчитав необходимые частные суммы за соответствующие периоды времени. Например, для момента времени t+1

  • IX. Организация и порядок осуществления денежных расчетов на предприятия
  • VIII. Задания для выполнения в процессе самоподготовки. 1. Напишите формулу расчета лейкоцитарного индекса интоксикации
  • Авансовые расчеты и налоговая декларация. Налогоплательщики представляют налоговые расчеты по авансовым платежам по налогу не позднее 30 календарных дней с даты окончания соответствующего отчетного


    • Ряда. Уравнение тренда.

    Кривые роста, описывающие закономерности развития явлений во времени, - это результат аналитического выравнивания динамических рядов. Выравнивание ряда с помощью тех или иных функций (т. е. их подгонка к данным) в большинстве случаев оказывается удобным средством описания эмпирических данных. Это средство при соблюдении ряда условий можно применить и для прогнозирования. Процесс выравнивания состоит из следующих основных этапов:

    Выбора типа кривой, форма которой соответствует характеру изменения динамического ряда;

    Определения численных значений (оценивание) параметров кривой;

    Апостериорного контроля качества выбранного тренда.

    В современных ППП все перечисленные этапы реализуются одновременно, как правило, в рамках одной процедуры.

    Аналитическое сглаживание с использованием той или иной функции позволяет получить выравненные, или, как их иногда не вполне правомерно называют, теоретические значения уровней динамического ряда, т. е. те уровни, которые наблюдались бы, если бы динамика явления полностью совпадала с кривой. Эта же функция с некоторой корректировкой или без нее, применяется в качестве модели для экстраполяции (прогноза).

    Вопрос о выборе типа кривой является основным при выравнивании ряда. При всех прочих равных условиях ошибка в решении этого вопроса оказывается более значимой по своим последствиям (особенно для прогнозирования), чем ошибка, связанная со статистическим оцениванием параметров.

    Поскольку форма тренда объективно существует, то при выявлении ее следует исходить из материальной природы изучаемого явления, исследуя внутренние причины его развития, а также внешние условия и факторы на него влияющие. Только после глубокого содержательного анализа можно переходить к использованию специальных приемов, разработанных статистикой.

    Весьма распространенным приемом выявления формы тренда является графическое изображение временного ряда. Но при этом велико влияние субъективного фактора, даже при отображении выровненных уровней.

    Наиболее надежные методы выбора уравнения тренда основаны на свойствах различных кривых, применяемых при аналитическом выравнивании. Такой подход позволяет увязать тип тренда с теми или иными качественными свойствами развития явления. Нам представляется, что в большинстве случаев практически приемлемым является метод, который основывается на сравнении характеристик изменения приростов исследуемого динамического ряда с соответствующими характеристиками кривых роста. Для выравнивания выбирается та кривая, закон изменения прироста которой наиболее близок к закономерности изменения фактических данных.

    В табл. 4 приводится перечень наиболее употребительных при анализе экономических рядов видов кривых и указываются соответствующие «симптомы», по которым можно определить, какой вид кривых подходит для выравнивания.

    При выборе формы кривой надо иметь в виду еще одно обстоятельство. Рост сложности кривой в целом ряде случаев может действительно увеличить точность описания тренда в прошлом, однако в связи с тем, что более сложные кривые содержат большее число параметров и более высокие степени независимой переменной, их доверительные интервалы будут в общем существенно шире, чем у более простых кривых при одном и том же периоде упреждения.

    Таблица 4

    Характер изменения показателей, основанных
    на средних приростах для различных видов кривых

    Показатель Характер изменения показателей во времени Вид кривой
    Примерно одинаковые Прямая
    Линейно изменяются Парабола второй степени
    Линейно изменяются Парабола третьей степени
    Примерно одинаковые Экспонента
    Линейно изменяются Логарифмическая парабола
    Линейно изменяются Модифицированная экспонента
    Линейно изменяются Кривая Гомперца

    В настоящее время, когда использование специальных программ без особых усилий позволяет одновременно строить несколько видов уравнений, широко эксплуатируются формальные статистические критерии для определения лучшего уравнения тренда.

    Из сказанного выше, по-видимому, можно сделать вывод о том, что выбор формы кривой для выравнивания представляет собой задачу, которая не решается однозначно, а сводится к получению ряда альтернатив. Окончательный выбор не может лежать в области формального анализа, тем более, если предполагается с помощью выравнивания не только статистически описать закономерность поведения уровня в прошлом, но и экстраполировать найденную закономерность в будущее. Вместе с тем различные статистические приемы обработки данных наблюдения могут принести существенную пользу, по крайней мере, с их помощью можно отвергнуть заведомо непригодные варианты и тем самым существенно ограничить поле выбора.

    Рассмотрим наиболее используемые типы уравнений тренда:

    1.Линейная форма тренда:

    где - уровень ряда, полученный в результате выравнивания по прямой;

    Начальный уровень тренда;

    Средний абсолютный прирост; константа тренда.

    Для линейной формы тренда характерно равенство так называемых первых разностей (абсолютных приростов) и нулевые вторые разности, т. е. ускорения.

    2.Параболическая (полином 2-ой степени) форма тренда:

    Для данного типа кривой постоянными являются вторые разности (ускорение), а нулевыми – третьи разности.

    Параболическая форма тренда соответствует ускоренному или замедленному изменению уровней ряда с постоянным ускорением. Если < 0 и > 0, то квадратическая парабола имеет максимум, если > 0 и < 0 – минимум. Для отыскания экстремума первую производную параболы по t приравнивают 0 и решают уравнение относительно t.

    3.Экспоненциальная форма тренда:

    где - константа тренда; средний темп изменения уровня ряда.

    При > 1 данный тренд может отражать тенденцию ускоренного и все более ускоряющегося возрастания уровней ряда. При < 1 – тенденцию постоянно, все более замедляющегося снижения уровней временного ряда.

    4.Гиперболическая форма тренда (1 типа):

    Данная форма тренда может отображать тенденцию процессов, ограниченных предельным значением уровня.

    5.Логарифмическая форма тренда:

    где - константа тренда.

    Логарифмическим трендом может быть описана тенденция, проявляющаяся в замедлении роста уровней ряда динамики при отсутствии предельно возможного значения. При достаточно большом t логарифмическая кривая становится мало отличимой от прямой линии.

    6.Обратнологарифмическая форма тренда:

    7.Мультипликативная (степенная) форма тренда:

    8.Обратная (гиперболическая 2 типа) форма тренда:

    9.Гиперболическая форма тренда 3 типа:

    10.Полином 3-ей степени:

    Для всех нелинейных, относительно исходных переменных моделей (уравнений регрессии), а их здесь большинство, требуется провести вспомогательные преобразования, представленные в таблице ниже.

    Таблица 5

    Модели, сводящиеся к линейному тренду

    Модель Уравнение Преобразование
    Мультипликативная (Степенная)
    Гиперболическая I типа
    Гиперболическая II типа
    Гиперболическая III типа
    Логарифмическая
    Обратнологариф­мическая

    В формулах, перечисленных в таблице, как и во всех формулах, описывающих модель тренда, есть коэффициенты уравнений.

    Однако, при практическом использовании линеаризации с помощью преобразования исследуемых переменных следует иметь ввиду, что оценки параметров, полученных линеаризацией с помощью М.Н.К. (метод наименьших квадратов), минимизируют сумму квадратов отклонений для преобразованных, а не исходных переменных. Поэтому полученные с помощью линеаризации зависимостей оценки нуждаются в уточнении.

    Для решения поставленной задачи по аналитическому сглаживанию динамических рядов в системе STATISTICA нам потребуется создать несколько новых дополнительных переменных, необходимых для выполнения дальнейшей работы, а также осуществить некоторые вспомогательные операции по преобразованию нелинейных моделей тренда в линейные.

    Итак, нам предстоит построить уравнение тренда, которое по существу является уравнением регрессии, в котором в качестве фактора выступает «время». Прежде всего, мы создадим переменную «Т», содержащую моменты времени четвертого периода. Так как четвертый период включает 12 лет, то переменная «Т» будет состоять из натуральных чисел от 1 до 12, соответствующих месяцам года.

    Кроме того, для работы с некоторыми моделями тренда нам потребуется еще несколько переменных, содержание которых можно понять из их обозначения. Это переменные, получаемые из временного ряда: «Т^2», «Т^3», «1/Т» и «ln T». А также переменные, получаемые из исходных данных за четвертый период: «1/Import4» и «ln Import4». Также необходимо создать такую же таблицу для экспорта. Все это предлагается сделать на новом рабочем листе, скопировав туда данные за 4-й период.

    Для этого воспользуемся уже известным нам меню Workbook/Insert.

    В итоге получаем следующие электронные таблицы.

    Рис. 38. Таблица со вспомогательными переменными для импорта

    Рис. 39. Таблица со вспомогательными переменными для экспорта

    Для аналитического выравнивания рядов динамики мы будем использовать модуль Multiple Regression в меню Statistics. Рассмотрим пример построения графического изображения и определение численных параметров тренда, выраженного линейной зависимостью.

    Рис. 40. Модуль Multiple Regression в меню Statistics

    Для выбора зависимых и независимых переменных воспользуемся кнопкой Variables.

    В открывшемся окне в левом информационном поле мы выбираем зависимую переменную Y t , (в нашем случае это Import 4 – данные по четвертому периоду). Номера выбранных зависимых переменных отображаются внизу в поле Dependent var. (or list for batch). Соответственно в правом поле мы выбираем независимые переменные (в нашем случае одну – время «Т»). Номера выбранных независимых переменных высвечиваются внизу в поле Independent variable list.

    После того, как завершен выбор переменных, нажимаем ОК. Система выдает окно с обобщенными результатами расчета параметров тренда (далее они будут рассмотрены более подробно) и возможностью выбора направления для последующего детального анализа. Заметим, что значение оценки, высвеченное красным цветом, указывает на статистическую значимость результатов.

    Рис. 41. Закладка Advanced

    На закладке располагается несколько кнопок, позволяющих получить максимально детализированные сведения по интересующему нас направлению анализа. При нажатии на нее получаем две таблицы с результатами регрессионного анализа. В первой представлены результаты расчета параметров уравнения регрессии, во второй – основные показатели уравнения.

    Рис. 42. Основные показатели уравнения для данных импорта за четвертый период (линейный тренд)

    Здесь N = – объем результативной переменной. В верхнем поле расположены показатели R, , Adjusted R, F, p, Std.Error of Estimate , означающие соответственно теоретическое корреляционное отношение, коэффициент детерминации, уточненный коэффициент детерминации, расчетное значение критерия Фишера (в скобках дано число степеней свободы), уровень значимости, стандартная ошибка уравнения (эти же показатели можно увидеть во второй таблице). В самой таблице нас интересуют столбец В , в котором расположены коэффициенты уравнения, столбец t и столбец p-level , обозначающие расчетное значение t-критерия и расчетный уровень значимости, необходимые для оценки значимости параметров уравнения. При этом система помогает пользователю: когда процедура предполагает проверку на значимость, STATISTICA выделяет значимые элементы красным цветом (т.е. отвергается нулевая гипотеза о равенстве параметров нулю). В нашем случае |t факт | > t табл для обоих параметров, следовательно они значимы.

    Рис. 43. Параметры уравнения регрессии для данных импорта за четвертый период (линейный тренд)

    Для оценки статистической значимости уравнения в целом на закладке Advanced воспользуемся кнопкой ANOVA (Goodness Of Fit), позволяющей получить таблицу дисперсионного анализа и значение F-критерия Фишера.

    Рис. 44. Таблица дисперсионного анализа

    Sums of Squares – сумма квадратов отклонений: на пересечении со строкой Regression – сумма квадратов отклонений теоретических (полученных по уравнению регрессии) значений признака от средней величины. Эта сумма квадратов используется для расчета факторной, объясненной дисперсии зависимой переменной. На пересечении со строкой Residual – сумма квадратов отклонений теоретических и фактических значений переменной (для расчета остаточной, необъясненной дисперсии), Total – отклонений фактических значений переменной от средней величины (для расчета общей дисперсии). Столбец df – число степеней свободы, Means Squares обозначает дисперсию: на пересечении со строкой Regression – факторную, со строкой Residual - остаточную, F – критерий Фишера, используемый для оценки общей значимости уравнения и коэффициента детерминации, p-level – уровень значимости.

    Параметры уравнения тренда в STATISTICA, как и в большинстве других программ, рассчитываются по метод наименьших квадратов (МНК).

    Метод позволяет получить значения параметров, при которых обеспечивается минимизация суммы квадратов отклонений фактических уровней от сглаженных, т. е. полученных в результате аналитического выравнивания.

    Математический аппарат метода наименьших квадратов описан в большинстве работ по математической статистике, поэтому нет необходимости подробно на нем останавливаться. Напомним только некоторые моменты. Так, для нахождения параметров линейного тренда (2.10) необходимо решить систему уравнений:

    Данная система уравнений упрощается, если значения t подобрать таким образом, чтобы их сумма равнялась нулю, т. е. начало отсчета времени перенести в середину рассматриваемого периода. Очевидно, что перенос начала координат имеет смысл только при ручной обработке динамического ряда.

    Если , то , .

    В общем виде систему уравнений для нахождения параметров полинома можно записать как

    При сглаживании временного ряда по экспоненте (которая часто используется в экономических исследованиях) для определения параметров следует применить метод наименьших квадратов к логарифмам исходных данных.

    После переноса начала отсчета времени в середину ряда получают:

    следовательно:

    Если наблюдаются более сложные изменения уровней временного ряда и выравнивание осуществляется по показательной функции вида , то параметры определяются в результате решения следующей системы уравнений:

    В практике исследования социально-экономических явлений исключительно редко встречаются динамические ряды, характеристики которых полностью соответствуют признакам эталонных математических функций. Это обусловлено значительным числом факторов разного характера, влияющих на уровни ряда и тенденцию их изменения.

    На практике чаще всего строят целый ряд функций, описывающих тренд, а затем выбирают лучшую на основе того или иного формального критерия.

    Рис. 45. Закладка Residuals/Assumptions/Prediction

    Здесь воспользуемся кнопкой Perform Residual Analysis, открывающую модуль анализа остатков. Под остатками (Residuals) в данном случае понимается отклонение исходных значений динамического ряда от прогнозируемых, в соответствии с выбранным уравнением тренда. Сразу же переходим к закладке Advanced.

    Рис. 46. Закладка Advanced в Perform Residual Analysis

    Воспользуемся кнопкой Summary: Residuals & Predicted, позволяющую получить одноименную таблицу, которая содержит исходные значения динамического ряда Observed Value, прогнозируемые значения по выбранной модели тренда Predicted Value, отклонения прогнозных значений от исходных Residual Value, а также различные специальные показатели и стандартизированные значения. Также в таблице представлены максимальное, минимальное значения, средняя и медиана по каждому столбцу.

    Рис. 47. Таблица, содержащая показатели и специальные значения для линейного тренда

    В данной таблицы наибольший интерес для нас представляет столбец Residual Value, значения которого в дальнейшем используются для характеристики качества подбора тренда, а также столбец Predicted Value, который содержит прогнозные значения динамического ряда в соответствии с выбранной моделью тренда (в нашем случае – линейной).

    Далее построим график исходного временного ряда совместно с вычисленными в соответствии с линейным уравнением тренда прогнозными значениями для четвертого периода. Для этого лучше всего скопировать значения из столбца Predicted Value в таблицу, в которой были созданы переменные для построения трендов.

    Рис. 48. Третий период динамического ряда импорта (млрд. $) и линейный тренд

    Итак, мы получили все необходимые результаты расчета параметров тренда, выраженного линейной моделью, для четвертого периода исходного динамического ряда, а также построили график данного ряда, совмещенный с линией тренда. Далее будут представлены остальные модели трендов.

    Следует заметить, что в результате линеаризации степенной и экспоненциальной функций STATISTICA возвращает значение линеаризованной функции равное , поэтому для дальнейшего использования их надо преобразовать с помощью следующей элементарной транзакции , в том числе и для построения графических изображений. Для гиперболических функций, а также для обратнологарифмической функции необходимо выполнить преобразование вида .

    Для этого также целесообразно создать дополнительные переменные и получить их с помощью формул на основе уже имеющихся переменных.

    Итак, при решении задачи с помощью процедуры Multiple Regression, необходимо в качестве переменных выбрать натуральные логарифмы исходного ряда и оси времени.

    Рис. 49. Основные показатели уравнения для данных импорта за третий период (степенная модель)

    Рис. 50. Параметры уравнения регрессии для данных импорта за третий период (степенная модель)

    Рис. 51. Таблица дисперсионного анализа

    Рис. 52. Таблица, содержащая показатели и специальные значения для степенной модели

    Затем, как и в случае с линейным трендом, копируем значения из столбца Predicted Value в таблицу, но там для этого строим еще одну переменную, в которой получаем прогнозные значения по степенной функции с помощью преобразования .

    Рис. 53. Создание дополнительной переменной

    Рис. 54. Таблица со всеми переменными

    Рис. 55. Третий период динамического ряда импорта (млрд. $) и степенная модель

    Рис.56. Основные показатели уравнения для данных импорта за третий период (экспоненциальная модель)

    Рис. 57. Третий период динамического ряда импорта (млрд. $) и экспоненциальная модель

    Рис.58. Основные показатели уравнения для данных импорта за третий период (обратная модель)

    Рис. 59. Третий период динамического ряда импорта (млрд. $) и обратная модель

    Рис. 60. Основные показатели уравнения для данных импорта за третий период (полином второй степени)

    Рис. 61. Третий период динамического ряда импорта (млрд. $) и полином второй степени

    Рис. 62. Основные показатели уравнения для данных импорта за третий период (полином 3-й степени)

    Рис. 63. Третий период динамического ряда импорт (млрд. $) и полином 3-й степени


    Рис. 64. Основные показатели уравнения для данных импорта за третий период (гипербола 1-ого вида)

    Рис. 65. Третий период динамического ряда импорт (млрд. $) и гипербола 1-ого вида


    Рис. 66. Основные показатели уравнения для данных импорта за третий период (гипербола 3 типа)

    Рис. 67. Третий период динамического ряда импорт и гипербола 3 типа


    Рис. 68. Основные показатели уравнения для данных импорта за третий период (логарифмическая модель)

    Рис. 69. Третий период динамического ряда импорт (млрд. $) и логарифмическая модель


    Рис. 70. Основные показатели уравнения для данных импорта за третий период (обратнологарифмическая модель)

    Рис. 71. Третий период динамического ряда импорт (млрд. $) и обратнологарифмическая модель


    Затем построим таблицу со вспомогательными переменными для построения трендов для экспорта.

    Рис. 72. Таблица со вспомогательными переменными

    Проделаем те же операции что и для четвертого период импорта.

    Рис. 73. Основные показатели уравнения для данных экспорта за третий период (линейная модель)

    Рис. 74. Третий период динамического ряда экспорта (млрд. $) и линейная модель

    Рис. 75. Основные показатели уравнения для данных экспорта за третий период (степенная модель тренда)

    Рис. 76. Третий период динамического ряда экспорта и степенная модель


    Рис. 77. Основные показатели уравнения для данных экспорта за третий период (экспоненциальная модель тренда)

    Рис. 78. Третий период динамического ряда экспорта (млрд. $) и экспоненциальная модель


    Рис. 79. Основные показатели уравнения для данных экспорта за третий период (обратная модель тренда)

    Рис. 80. Третий период динамического ряда экспорта (млрд. $) и обратная модель


    Рис. 81. Основные показатели уравнения для данных экспорта за третий период (полином второй степени)

    Рис. 82. Третий период динамического ряда экспорта (млрд. $) и полином второй степени


    Рис. 83. Основные показатели уравнения для данных экспорта за третий период (полином третей степени)

    Рис. 84. Третий период динамического ряда экспорта (млрд. $) и полином третей степени


    Рис. 85. Основные показатели уравнения для данных экспорта за третий период (гипербола 1-ого вида)

    Рис. 86. Третий период динамического ряда экспорта и гипербола 1-ого типа


    Рис. 87. Основные показатели уравнения для данных экспорта за третий период (гипербола 3-ого вида)

    Рис. 88. Третий период динамического ряда экспорта (млрд. $) и гипербола 3-ого типа


    Рис. 89. Основные показатели уравнения для данных экспорта за третий период (логарифмическая модель)

    Рис. 90. Третий период динамического ряда экспорта (млрд. $) и логарифмическая модель


    Рис. 91. Основные показатели уравнения для данных экспорта за третий период (обратнологарифмическая модель)

    Рис. 91. Третий период динамического ряда экспорта (млрд. $) и обратнологарифмическая модель

    Выбор наилучшего тренда

    Как уже отмечалось, проблема выбора формы кривой - одна из основных проблем, с которой сталкиваются при выравнивании ряда динамики. Решение этой проблемы во многом определяет результаты экстраполяции тренда. В большинстве специализированных программ для выбора лучшего уравнения тренда предоставляется возможность воспользоваться следующими критериями:

    Минимальное значение среднеквадратической ошибки тренда:

    ,

    где - фактические уровни ряда динамики;

    Уровни ряда, определенные по уравнению тренда;

    n - число уровней ряда;

    p - число факторовв уравнении тренда.

    - минимальное значение остаточной дисперсии:

    Минимальное значение средней ошибки аппроксимации;

    Минимальное значение средней абсолютной ошибки;

    Максимальное значение коэффициента детерминации;

    Максимальное значение F- критерия Фишера:

    : ,

    где k – число степеней свободы факторной дисперсии,равное числу независимых переменных (признаков-факторов) в уравнении;

    n-k-1 - число степеней свободы остаточной дисперсии.

    Применение формального критерия для выбора формы кривой, по-видимому, даст практически пригодные результаты в том случае, если отбор будет проходить в два этапа. На первом этапе отбираются зависимости, пригодные с позиции содержательного подхода к задаче, в результате чего происходит ограничение круга потенциально приемлемых функций. На втором этапе для этих функций подсчитываются значения критерия и выбирается та из кривых, которой соответствует минимальное его значение.

    В данном пособии для идентификации тренда используется формальный метод, который основывается на использовании численного критерия. В качестве такого критерия рассматривается максимальный коэффициент детерминации:

    .

    Расшифровка обозначений и формулы данных показателей даны в предыдущих разделах. Коэффициент детерминации показывает, какая доля общей дисперсии результативного признака обусловлена вариацией признака – фактора. В таблицах STATISTICA он обозначается как R?.

    В следующей ниже таблице будут представлены уравнения моделей трендов и коэффициенты детерминации данных импорта.

    Таблица 6

    Уравнения моделей трендов и коэффициенты детерминации Import.

    Сопоставив значения коэффициентов детерминации для различных типов кривых можно сделать вывод о том, что для исследуемого третьего периода лучшей формой тренда будет полином третей степени для импорта и для экспорта.

    Далее необходимо проанализировать выбранную модель тренда с точки зрения ее адекватности реальным тенденциям исследуемого временного ряда через оценку надежности полученных уравнений трендов по F-критерию Фишера. В данном случае расчетное значение критерия Фишера для импорта равно 16,573; для экспорта – 13,098, а табличное значение при уровне значимости равно 3,07. Следовательно, эта модель тренда признается адекватно отражающей реальную тенденцию изучаемого явления.