Расчет параметров трендов. Построение линейного тренда

Линейное уравнение тренда имеет вид y = at + b.

Параметры уравнений функции тренда находят с помощью теории корреляции методом наименьших квадратов.

1.Метод наименьших квадратов.
Метод наименьших квадратов МНК), является одним из способов противостоять ошибкам измерений.(Как в Физике погрешность отклонений)
Этот метод как правило используют для нахождения параметров уравнений (Линий, гипербол парабол и т.д.)
Этот способ заключается в минимизации суммы квадратов отклонений.
Смысл МНК можно выразить через вот этот график

2. Анализ точности определения оценок параметров уравнения тренда(по таблице стьюдента находим ТТабл и делаем интервальный прогноз,т.е. выявляем реднеквадратическую ошибку)

3.Проверка гипотез относительно коэффициентов линейного уравнения тренда(статистика критерий стьюдента,фишера)

Проверка на наличие автокорреляции остатков.
Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Это гарантирует отсутствие коррелированности между любыми отклонениями и, в частности, между соседними отклонениями.
Автокорреляция (последовательная корреляция) Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов и очень редко при использовании перекрестных данных.
Проверка наличия гетероскедастичности .
1) Методом графического анализа остатков .
В этом случае по оси абсцисс откладываются значения объясняющей переменной X, а по оси ординат либо отклонения e i , либо их квадраты e 2 i .
Если имеется определенная связь между отклонениями, то гетероскедастичность имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии гетероскедастичности.
2) При помощи теста ранговой корреляции Спирмена.
Коэффициент ранговой корреляции Спирмена.

36. Методы измерения устойчивости тенденций динамики (коэффициент рангов Спирмена).

Понятие «устойчивость» используется в весьма различных смыслах. По отношению кстатистическому изучению динамики мы рассмотрим два аспекта этого понятия: 1) устойчивостькак категория, противоположная колеблемости; 2) устойчивость направленности изменений, т.е. устойчивость тенденции.

Устойчивость во втором смысле характеризует не сами по себе уровни, а процесс ихнаправленного изменения. Можно узнать, например, насколько устойчив процесс сокращенияудельных затрат ресурсов на производство единицы продукции, является ли устойчивойтенденция снижения детской смертности и т. д. С этой точки зрения полной устойчивостьюнаправленного изменения уровней динамического ряда следует считать такое изменение, впроцессе которого каждый следующий уровень либо выше всех предшествующих (устойчивыйрост), либо ниже всех предшествующих (устойчивое снижение). Всякое нарушение строгоранжированной последовательности уровней свидетельствует о неполной устойчивостиизменений.

Из определения понятия устойчивости тенденции вытекает и метод построения ее показателя.В качестве показателя устойчивости можно использовать коэффициент корреляции рангов Ч.Спирмэна (Spearman) - rx.

где п - число уровней;

I - разность рангов уровней и номеров периодов времени.

При полном совпадении рангов уровней, начиная с наименьшего, и номеров периодов (моментов)времени по их хронологическому порядку коэффициент корреляции рангов равен +1. Этозначение соответствует случаю полной устойчивости возрастания уровней. При полнойпротивоположности рангов уровней рангам лет коэффициент Спирмэна равен -1, что означаетполную устойчивость процесса сокращения уровней. При хаотическом чередовании ранговуровней коэффициент близок к нулю, это означает неустойчивость какой-либо тенденции.

Отрицательное значение rx указывает на наличие тенденции снижения уровней, причемустойчивость этой тенденции ниже средней.

При этом следует иметь в виду, что даже при 100%-ной устойчивости тенденции в рядудинамики может быть колеблемость уровней, и коэффициент их устойчивости будет ниже100%. При слабой колеблемости, но еще более слабой тенденции, напротив, возможен высокийкоэффициент устойчивости уровней, но близкий к нулю коэффициент устойчивости тренда. Вцелом же оба показателя связаны, конечно, прямой зависимостью: чаще всего большаяустойчивость уровней наблюдается одновременно с большей устойчивостью тренда.

37. Моделирование тенденции ряда динамики при наличии структурных изменений.

От сезонных и циклических колебаний следует отличать единовременные изменения характера тенденции временного ряда, вызванные структурными изменениями в экономике или иными факторами. В этом случае, начиная с некоторого момента времени t, происходит изменение характера динамики изучаемого показателя, что приводит к изменению параметров тренда, описывающего эту динамику.

Момент t сопровождается значительными изменениями ряда факторов, оказывающих сильное воздействие на изучаемый показатель Моделирование тенденции временного ряда при наличии структурных изменений.. Чаще всего эти изменения вызваны изменениями в общеэкономической ситуации или событиями глобального характера, приведшими к изменению структуры экономики. Если исследуемый временной ряд включает в себя соответствующий момент времени, то одной из задач его изучения становится выяснение вопроса о том, значительно ли повлияли общие структурные изменения на характер этой тенденции.

Если это влияние значимо, то для моделирования тенденции данного временного ряда следует использовать кусочно-линейные модели регрессии, т.е. разделить исходную совокупность на 2 подсовокупности (до момента времени t и после) и строить отдельно по каждой подсовокупности уравнения линейной регрессии.

Если структурные изменения незначительно повлияли на характер тенденции ряда Моделирование тенденции временного ряда при наличии структурных изменений., то ее можно писать с помощью единого для всей совокупности данных уравнения тренда.

Каждый из описанных выше подходов имеет свои положительные и отрицательные стороны. При построении кусочно-линейной модели снижается остаточная сумма квадратов по сравнению с единым для всей совокупности уравнением тренда. Но разделение совокупности на части ведет к потере числа наблюдений, и к снижению числа степеней свободы в каждом уравнении кусочно-линейной модели. Построение единого уравнения тренда позволяет сохранить число наблюдений исходной совокупности, но остаточная сумма квадратов по этому уравнению будет выше по сравнению с кусочно-линейной моделью. Очевидно, что выбор модели зависит от соотношения между снижением остаточной дисперсии и потерей числа степеней свободы при переходе от единого уравнения регрессии к кусочно-линейной модели.

38. Регрессионный анализ связных динамических рядов.

Многомерные временные ряды, показывающие зависимость результативного признака от одного или нескольких факторных, называютсвязными рядами динамики. Применение методов наименьших квадратов для обработки рядов динамики не требует выдвижения никаких предположений о законах распределения исходных данных. Однако при использовании метода наименьших квадратов для обработки связных рядов следует учитывать наличие автокорреляции (авторегрессии), которая не учитывалась при обработке одномерных рядов динамики, поскольку ее наличие способствовало более плотному и четкому выявлению тенденции развития рассматриваемого социально – экономического явления во времени.

Выявление автокорреляции в уровнях ряда динамики

В рядах динамики экономических процессов между уровнями, особенно близко расположенными, существует взаимосвязь. Ее удобно представить в виде корреляционной зависимости между рядами y1,y2,y3,…..yn h y1+h, y2+h,…, yn+h. Временное смещение L называется сдвигом,а само явление взаимосвязи – автокорреляцией.

Автокорреляционная зависимость особенно существенна между последующими и предшествующими уровнями ряда динамики.

Различают два вида автокорреляции:

Автокорреляция в наблюдениях за одной или более переменными;

Автокорреляция ошибок или автокорреляция в отклонениях от тренда.

Наличие последней приводит к искажению величин средних квадратических ошибок коэффициентов регрессии, что затрудняет построение доверительных интервалов для коэффициентов регрессии, а так же проверку их значимости.

Автокорреляцию измеряют при помощи циклического коэффициента автокорреляции, который может рассчитываться не только между соседними уровнями, т.е. сдвинутыми на один период, но и между сдвинутыми на любое число единиц времени (L). Этот сдвиг, именуемыйвременным лагом, определяет и порядок коэффициентов автокорреляции: первого порядка (при L=1), второго порядка (при L=2) и т.д. Однако наибольший интерес для исследования представляет вычисление нециклического коэффициента (первого порядка), так как наиболее сильные искажения результатов анализа возникают при корреляции между исходными уровнями ряда и теми же уровнями, сдвинутыми на одну единицу времени.

Для суждения о наличии или отсутствия автокорреляции в исследуемом ряду фактическое значение коэффициентов автокорреляции сопоставляется с табличным (критическим) для 5% - го или 1% - го уровня значимости.

Если фактическое значение коэффициента автокорреляции меньше табличного, то гипотеза об отсутствии автокорреляции в ряду может быть принята. Когда же фактическое значение больше табличного, можно сделать вывод о наличии автокорреляции в ряду динамики.

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.

Покажем пример подробного расчета параметров уравнения тренда на основе следующих данных (см. таблицу) с использованием калькулятора .

Линейное уравнение тренда имеет вид y = at + b.
1. Находим параметры уравнения методом наименьших квадратов .
Система уравнений МНК:
a 0 n + a 1 ∑t = ∑y
a 0 ∑t + a 1 ∑t 2 = ∑y t

t	y	t 2	y 2	t y	y(t)	(y-y cp) 2	(y-y(t)) 2	(t-t p) 2	(y-y(t)) : y
1	17.4	1	302.76	17.4	12.26	895.01	26.47	30.25	0.3
2	26.9	4	723.61	53.8	18.63	416.84	68.39	20.25	0.31
3	23	9	529	69	25	591.3	4.02	12.25	0.0872
4	23.7	16	561.69	94.8	31.38	557.75	58.98	6.25	0.32
5	27.2	25	739.84	136	37.75	404.68	111.4	2.25	0.39
6	34.5	36	1190.25	207	44.13	164.27	92.72	0.25	0.28
7	50.7	49	2570.49	354.9	50.5	11.45	0.0383	0.25	0.0039
8	61.4	64	3769.96	491.2	56.88	198.34	20.44	2.25	0.0736
9	69.3	81	4802.49	623.7	63.25	483.27	36.56	6.25	0.0872
10	94.4	100	8911.36	944	69.63	2216.84	613.62	12.25	0.26
11	61.1	121	3733.21	672.1	76	189.98	222.11	20.25	0.24
12	78.2	144	6115.24	938.4	82.38	953.78	17.46	30.25	0.0534
78	567.8	650	33949.9	4602.3	567.8	7083.5	1272.21	143	2.41

Для наших данных система уравнений имеет вид:
12a 0 + 78a 1 = 567.8
78a 0 + 650a 1 = 4602.3
Из первого уравнения выражаем а 0 и подставим во второе уравнение
Получаем a 0 = 6.37, a 1 = 5.88

Примечание: значения столбца №6 y(t) рассчитываются на основе полученного уравнения тренда. Например, t = 1: y(1) = 6.37*1 + 5.88 = 12.26

Уравнение тренда

y = 6.37 t + 5.88

Оценим качество уравнения тренда с помощью ошибки абсолютной аппроксимации.

Поскольку ошибка больше 15%, то данное уравнение не желательно использовать в качестве тренда.

Средние значения:

Дисперсия

Среднеквадратическое отклонение

Коэффициент эластичности


Коэффициент эластичности меньше 1. Следовательно, при изменении Х на 1%, Y изменится менее чем на 1%. Другими словами - влияние Х на Y не существенно.

Коэффициент детерминации

т.е. в 82.04 % случаев влияет на изменение данных. Другими словами - точность подбора уравнения тренда - высокая

2. Анализ точности определения оценок параметров уравнения тренда .
Дисперсия ошибки уравнения.

где m = 1 - количество влияющих факторов в модели тренда.

Стандартная ошибка уравнения.

3. Проверка гипотез относительно коэффициентов линейного уравнения тренда .
1) t-статистика. Критерий Стьюдента.
По таблице Стьюдента находим Tтабл
T табл (n-m-1;α/2) = (10;0.025) = 2.228

>
Статистическая значимость коэффициента a 0 подтверждается. Оценка параметра a 0 является значимой и тренд у временного ряда существует..


Статистическая значимость коэффициента a 1 не подтверждается.

Доверительный интервал для коэффициентов уравнения тренда .
Определим доверительные интервалы коэффициентов тренда, которые с надежность 95% будут следующими:
(a 1 - t набл S a 1 ;a 1 + t набл S a 1)
(6.375 - 2.228*0.943; 6.375 + 2.228*0.943)
(4.27;8.48)
(a 0 - t набл S a 0 ;a 0 + t набл S a 0)
(5.88 - 2.228*6.942; 5.88 + 2.228*6.942)
(-9.59;21.35)
Так как точка 0 (ноль) лежит внутри доверительного интервала, то интервальная оценка коэффициента a 0 статистически незначима.
2) F-статистика. Критерий Фишера.


Fkp = 4.84
Поскольку F > Fkp, то коэффициент детерминации статистически значим

Проверка на наличие автокорреляции остатков .
Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Это гарантирует отсутствие коррелированности между любыми отклонениями и, в частности, между соседними отклонениями.
Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные ряды). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов и очень редко при использовании перекрестных данных.
В экономических задачах значительно чаще встречается положительная автокорреляция , нежели отрицательная автокорреляция . В большинстве случаев положительная автокорреляция вызывается направленным постоянным воздействием некоторых неучтенных в модели факторов.
Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот. Такая ситуация может иметь место, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима-лето).
Среди основных причин, вызывающих автокорреляцию , можно выделить следующие:
1. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводят к системным отклонениям точек наблюдения от линии регрессии, что может обусловить автокорреляцию.
2. Инерция. Многие экономические показатели (инфляция, безработица, ВНП и т.д.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Поэтому изменение показателей происходит не мгновенно, а обладает определенной инертностью.
3. Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом).
4. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может служить причиной автокорреляции.
Последствия автокорреляции схожи с последствиями гетероскедастичности : выводы по t- и F-статистикам, определяющие значимость коэффициента регрессии и коэффициента детерминации, возможно, будут неверными.

Обнаружение автокорреляции
1. Графический метод
Есть ряд вариантов графического определения автокорреляции. Один из них увязывает отклонения e i с моментами их получения i. При этом по оси абсцисс откладывают либо время получения статистических данных, либо порядковый номер наблюдения, а по оси ординат – отклонения e i (либо оценки отклонений).
Естественно предположить, что если имеется определенная связь между отклонениями, то автокорреляция имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии автокорреляции.
Автокорреляция становится более наглядной, если построить график зависимости e i от e i-1
Критерий Дарбина-Уотсона .
Этот критерий является наиболее известным для обнаружения автокорреляции.
При статистическом анализе уравнения регрессии на начальном этапе часто проверяют выполнимость одной предпосылки: условия статистической независимости отклонений между собой. При этом проверяется некоррелированность соседних величин e i .

y	y(x)	e i = y-y(x)	e 2	(e i - e i-1) 2
17.4	12.26	5.14	26.47	0
26.9	18.63	8.27	68.39	9.77
23	25	-2	4.02	105.57
23.7	31.38	-7.68	58.98	32.2
27.2	37.75	-10.55	111.4	8.26
34.5	44.13	-9.63	92.72	0.86
50.7	50.5	0.2	0.0384	96.53
61.4	56.88	4.52	20.44	18.71
69.3	63.25	6.05	36.56	2.33
94.4	69.63	24.77	613.62	350.63
61.1	76	-14.9	222.11	1574.09
78.2	82.38	-4.18	17.46	115.03
			1272.21	2313.98

Для анализа коррелированности отклонений используют статистику Дарбина-Уотсона :


Критические значения d 1 и d 2 определяются на основе специальных таблиц для требуемого уровня значимости α, числа наблюдений n = 12 и количества объясняющих переменных m=1.
Автокорреляция отсутствует, если выполняется следующее условие:
d 1 < DW и d 2 < DW < 4 - d 2 .
Не обращаясь к таблицам, можно пользоваться приблизительным правилом и считать, что автокорреляция остатков отсутствует, если 1.5 < DW < 2.5. Поскольку 1.5 < 1.82 < 2.5, то автокорреляция остатков отсутствует .
Для более надежного вывода целесообразно обращаться к табличным значениям.
По таблице Дарбина-Уотсона для n=12 и k=1 (уровень значимости 5%) находим: d 1 = 1.08; d 2 = 1.36.
Поскольку 1.08 < 1.82 и 1.36 < 1.82 < 4 - 1.36, то автокорреляция остатков отсутствует .

Проверка наличия гетероскедастичности .
1) Методом графического анализа остатков .
В этом случае по оси абсцисс откладываются значения объясняющей переменной X, а по оси ординат либо отклонения e i , либо их квадраты e 2 i .
Если имеется определенная связь между отклонениями, то гетероскедастичность имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии гетероскедастичности.
2) При помощи теста ранговой корреляции Спирмена .
Коэффициент ранговой корреляции Спирмена .
Присвоим ранги признаку Y и фактору X. Найдем сумму разности квадратов d 2 .
По формуле вычислим коэффициент ранговой корреляции Спирмена.

t табл (n-m-1;α/2) = (10;0.05/2) = 2.228
Поскольку Tнабл < tтабл, то принимаем гипотезу о равенстве 0 коэффициента ранговой корреляции. Другими словами, коэффициент ранговой корреляции статистически - не значим.
Проверим гипотезу H 0: гетероскедастичность отсутствует.
Поскольку 2.228 > 0.45, то гипотеза об отсутствии гетероскедастичности принимается.

t	e i	ранг X, d x	ранг e i , d y	(d x - d y) 2
1	-5.14	1	4	9
2	-8.27	2	2	0
3	2	3	7	16
4	7.68	4	9	25
5	10.55	5	11	36
6	9.63	6	10	16
7	-0.2	7	6	1
8	-4.52	8	5	9

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

Наиболее часто тренд представляется линейной зависимостью исследуемой величины вида

где y – исследуемая переменная (например, производительность) или зависимая переменная;
x – число, определяющее позицию (второй, третий и т.д.) года в периоде прогнозирования или независимая переменная.

При линейной аппроксимации связи между двумя параметрами для нахождения эмпирических коэффициентов линейной функции используется наиболее часто метод наименьших квадратов. Суть метода состоит в том, что линейная функция «наилучшего соответствия» проходит через точки графика, соответствующие минимуму суммы квадратов отклонений измеряемого параметра. Такое условие имеет вид:

где n – объем исследуемой совокупности (число единиц наблюдений).

Рис. 5.3. Построение тренда методом наименьших квадратов

Значения констант b и a или коэффициента при переменной Х и свободного члена уравнения определяются по формуле:

В табл. 5.1 приведен пример вычисления линейного тренда по данным .

Таблица 5.1. Вычисление линейного тренда

Методы сглаживания колебаний.

При сильных расхождениях между соседними значениями тренд, полученный методом регрессии, трудно поддается анализу. При прогнозировании, когда ряд содержит данные с большим разбросом колебаний соседних значений, следует их сгладить по определенным правилам, а потом искать смысл в прогнозе. К методу сглаживания колебаний
относят: метод скользящих средних (рассчитывается n-точечное среднее), метод экспоненциального сглаживания. Рассмотрим их.

Метод «скользящих средних» (МСС).

МСС позволяет сгладить ряд значений с тем, чтобы выделить тренд. При использовании этого метода берется среднее (обычно среднеарифметическое) фиксированного числа значений. Например, трехточечное скользящее среднее. Берется первая тройка значений, составленная из данных за январь, февраль и март (10 + 12 + 13), и определяется среднее, равное 35: 3 = 11,67.

Полученное значение 11,67 ставится в центре диапазона, т.е. по строке февраля. Затем «скользим на один месяц» и берется вторая тройка чисел, начиная с февраля по апрель (12 + 13 + 16), и рассчитывается среднее, равное 41: 3 = 13,67, и таким приемом обрабатываем данные по всему ряду. Полученные средние представляют новый ряд данных для построения тренда и его аппроксимации. Чем больше берется точек для вычисления скользящей средней, тем сильнее происходит сглаживание колебаний. Пример из МВА построения тренда дан в табл. 5.2 и на рис. 5.4.

Таблица 5.2 Расчет тренда методом трехточечного скользящего среднего

Характер колебаний исходных данных и данных, полученных методом скользящего среднего, иллюстрирован на рис. 5.4. Из сравнения графиков рядов исходных значений (ряд 3) и трехточечных скользящих средних (ряд 4), видно, что колебания удается сгладить. Чем большее число точек будет вовлекаться в диапазон вычисления скользящей средней, тем нагляднее будет вырисовываться тренд (ряд 1). Но процедура укрупнения диапазона приводит к сокращению числа конечных значений и это снижает точность прогноза.

Прогнозы следует делать исходя из оценок линии регрессии, составленной по значениям исходных данных или скользящих средних.

Рис. 5.4. Характер изменения объема продаж по месяцам года:
исходные данные (ряд 3); скользящие средние (ряд 4); экспоненциальное сглаживание (ряд 2); тренд, построенный методом регрессии (ряд 1)

Метод экспоненциального сглаживания.

Альтернативный подход к сокращению разброса значений ряда состоит в использовании метода экспоненциального сглаживания. Метод получил название «экспоненциальное сглаживание» в связи с тем, что каждое значение периодов, уходящих в прошлое, уменьшается на множитель (1 – α).

Каждое сглаженное значение рассчитывается по формуле вида:

St =aYt +(1−α)St−1,

где St – текущее сглаженное значение;
Yt – текущее значение временного ряда; St – 1 – предыдущее сглаженное значение; α – сглаживающая константа, 0 ≤ α ≤ 1.

Чем меньше значение константы α , тем менее оно чувствительно к изменениям тренда в данном временном ряду.