При построении эконометрической модели используются два типа данных:
данные, характеризующие совокупность различных объектов в определенный момент времени;
данные, характеризующие один объект за ряд последовательных моментов времени.
Модели, построенные по данным первого типа, называются пространственными моделями . Модели, построенные на основе второго типа данных, называются моделями временных рядов .
Временной ряд (ряд динамики) – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времен и. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:
факторы, формирующие тенденцию ряда;
факторы, формирующие циклические колебания ряда;
случайные факторы.
Рассмотрим воздействие каждого фактора на временной ряд в отдельности.
Большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Все эти факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на исследуемый показатель. Однако в совокупности они формируют его возрастающую или убывающую тенденцию. На рис. 4.1 показан гипотетический временной ряд, содержащий возрастающую тенденцию.
Рис. 4.1.
Также изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей экономики зависит от времени года (например, цены на сельскохозяйственную продукцию в летний период выше, чем в зимний; уровень безработицы в курортных городах в зимний период выше по сравнению с летним). При наличии больших массивов данных за длительные промежутки времени можно выявить циклические колебания, связанные с общей динамикой конъюнктуры рынка. На рис. 4.2 представлен гипотетический временной ряд, содержащий только сезонную компоненту.
Рис. 4.2.
Некоторые временные ряды не содержат тенденции и циклической компоненты, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты. Пример ряда, содержащего только случайную компоненту, приведен на рис. 4.3.
Рис. 4.3.
Очевидно, что реальные данные не следуют целиком и полностью из каких-либо описанных выше моделей. Чаще всего они содержат все три компоненты. Каждый их уровень формируется под воздействием тенденции, сезонных колебаний и случайной компоненты.
В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования отдельного временного ряда – выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.
В практике исследования динамики явлений принято считать, что значения уровней () временных рядов могут содержать следующие компоненты: тренд (), сезонную компоненту (), циклическую компоненту () и случайную составляющую ().
Под трендом понимают изменение, определяющее общее направление развития, основную тенденцию временного ряда. Это систематическая составляющая долговременного действия.
Наряду с долговременными тенденциями во временных рядах часто имеют место более или менее регулярные колебания – периодические составляющие рядов динамики. Если период колебания не превышает года, то их называют сезонными (расходы электроэнергии по кварталам). При большом периоде колебания считают, что во временных рядах имеет место циклическая составляющая. Примерами могут служить циклы деловой активности, демографические, инвестиционные.
Если из временного ряда удалить тренд и периодические составляющие, то останется нерегулярная компонента (). Экономисты разделяют факторы, под воздействием которых формируется нерегулярная компонента, на два вида: факторы резкого, внезапного действия (стихийные бедствия, войны) и текущие факторы (ощущается несколько факторов и их суммарное действие).
В этом случае уровни ряда . Они являются функцией случайной компоненты: колеблются вокруг среднего уровня, что характерно для так называемого стационарного ряда. На рисунке 10.1 такой ряд представляет собой ломаную линию, параллельную оси времени.
Где – уровни динамического ряда, – средний за период уровень ряда, – случайная составляющая, определяемая как .
Большинство динамических рядов в экономике характеризуется тенденцией и случайными колебаниями.
Модель уровня такого ряда имеет вид: ,
Где – тренд, – случайные колебания (рис. 10.2).
Представление временного ряда может быть следующих видов:
(аддитивная модель);
(мультипликативная модель);
(смешанного типа).
Решение любой задачи по анализу и прогнозированию временных рядов начинается с построения графика исследуемого показателя, т.к., на этом этапе можно исследовать компонентный состав временных рядов, а также сделать первые шаги к выбору модели для описания их динамики. Отличительной особенностью аддитивной модели является то, что амплитуда сезонных колебаний, отражающая отклонения от тренда или среднего, остается примерно постоянной, неизменной во времени.
Иногда это сложно описать, т.к. во временном ряду ошибок остаются статистические зависимости, которые можно моделировать. Как правило, ряд ошибок – это стационарный ряд.
Ряд называется стационарным, если совместное распределение m-наблюдений: 
такое же, как и для 
при любых m, 
. В этом случае имеем:
,
При анализе изменения величины в зависимости от значения временного сдвига принято говорить об автоковариационной функции (АКФ).
На практике АКФ статистически оцениваются по имеющимся уровням временного ряда. Выборочная оценка коэффициента автокорреляции определяется формулой:
, (10.1)
где 
,
.
Числитель формулы (10.1) представляет выборочную оценкукоэффициента автоковариации. График АКФ, отражающий изменение , в зависимости от значений сдвига , называют коррелограммой. Вид АКФ оказывает существенную помощь в выборе моделей, описывающих поведение анализируемых временных рядов.
Проверка гипотезы существования тенденции.
Важной задачей возникающей при анализе рядов динамики, является определение основной тенденции в развитии исследуемого явления. Прогнозирование временных рядов целесообразно начинать с построения графика исследуемого показателя. Однако в нем не всегда прослеживается присутствие тренда. Поэтому в этих случаях необходимо выяснить, существует ли тенденция во временном ряду или она отсутствует.
Для временного ряда рассмотрим критерий «восходящих и нисходящих» серий, согласно которому наличие тенденции определяется по следующему алгоритму:
1. Для исследуемого временного ряда определяется последовательность знаков, исходя из условий
(10.2)
При этом, если последующее наблюдение равно предыдущему, то учитывается только одно наблюдение.
Подсчитывается число серий u (n ). Под серией понимается последовательность подряд расположенных плюсов или минусов, причем один плюс или один минус считается серией.
Определяется протяженность самой длинной серии l max (n ).
4. По таблице, приведенной ниже, находится значение l (n ).
Таблица 10.5
5. Если нарушается хотя бы одно из следующих неравенств, то гипотеза об отсутствии тренда отвергается с доверительной вероятностью 0,95:
(10.3)
Квадратные скобки неравенства в (10.3) означают целую часть числа.
Вопрос 1: «ОСНОВНЫЕ ЭЛЕМЕНТЫ ВРЕМЕННОГО РЯДА»
Можно построить эконометрическую модель, используя два типа исходных данных:
· данные, характеризующие совокупность различных объектов в определенный момент (период) времени;
· данные, характеризующие один объект за ряд последовательных моментов (периодов) времени.
Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные на основе второго типа данных, называютсямоделями временных рядов.
Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:
· факторы, формирующие тенденцию ряда;
· факторы, формирующие циклические колебания ряда;
· случайные факторы.
При различных сочетаниях в изучаемом явлении или процессе этих факторов зависимость уровней ряда от времени может принимать различные формы.
Во-первых, большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Очевидно, что эти факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на исследуемый показатель. Однако в совокупности они формируют его возрастающую или убывающую тенденцию. На рис. 6.1 а) показан гипотетический временной ряд, содержащий возрастающую тенденцию.
Во-вторых, изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей экономики зависит от времени года (например, цены на сельскохозяйственную продукцию в летний период выше, чем в зимний; уровень безработицы в курортных городах в зимний период выше по сравнению с летним). При наличии больших массивов данных за длительные промежутки времени можно выявить циклические колебания, связанные с общей динамикой конъюнктуры рынка, а также с фазой-бизнес цикла, в которой находится экономика страны. На рис. 6.1 б) представлен гипотетический временной ряд, содержащий только сезонную компоненту.
Некоторые временные ряды не содержат тенденции и циклической компоненты, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты. Пример ряда, содержащего только случайную компоненту, приведен на рис. 6.1 в).
Очевидно, что реальные данные не следуют целиком и полностью из каких-либо описанных выше моделей. Чаще всего они содержат все три компоненты. Каждый их уровень формируется под воздействием тенденции, сезонных колебаний и случайной компоненты.
В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования от дельного временного ряда - выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов
Рис. 6.1. «Основные компоненты временного ряда: а – возрастающая тенденция; б – сезонная компонента, в – случайная компонента.
Вопрос 2: «АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ ВРЕМЕННОГО РЯДА И ВЫЯВЛЕНИЕ ЕГО СТРУКТУРЫ»
При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называютавтокорреляцией уровней рада.
Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени. Рассмотрим пример.
Пример 6.1 Расчет коэффициентов автокорреляции уровней для временного ряда расходов на конечное потребление.
Пусть имеются следующие условные данные о средних расходах на конечное потребление y t (д.е.) за 8 лет. Табл. 6.1
Расчет коэффициента автокорреляции первого порядка для временного ряда расходов на конечное потребление, д.е.
| t | ()* () | ||||||
| 1 | 7 | - | - | - | - | - | - |
| 2 | 8 | 7 | -3,29 | -3,00 | 9,86 | 10,80 | 9,00 |
| 3 | 8 | 8 | -3,29 | -2,00 | 6,57 | 10,80 | 4,00 |
| 4 | 10 | 8 | -1,29 | -2,00 | 2,57 | 1,65 | 4,00 |
| 5 | 11 | 10 | -0,29 | 0,00 | 0,00 | 0,08 | 0,00 |
| 6 | 12 | 11 | 0,71 | 1,00 | 0,71 | 0,51 | 1,00 |
| 7 | 14 | 12 | 2,71 | 2,00 | 5,43 | 7,37 | 4,00 |
| 8 | 16 | 14 | 4,71 | 4,00 | 18,86 | 22,22 | 16,00 |
| Итого | 86 | 70 | 0 | 0 | 44,00 | 53,42857 | 38 |
Расходы на конечное потребление в текущем году зависят от расходов на конечное потребление предыдущих лет.
Определим коэффициент корреляции между рядами и и измерим тесноту связи между расходами на конечное потребление текущего и предыдущего годов. Добавим в таблицу 6.1 временно й ряд
Одна из рабочих формул для расчета коэффициента корреляции имеет вид:
В качестве переменной х
мы рассмотрим ряд 
; в качестве переменной y – ряд
.
Тогда приведенная выше формула примет вид
Эту величину называют коэффициентом автокорреляции уровней первого порядка, т.к. он измеряет зависимость между соседними уровнями ряда t и t-1 , т.е. при лаге 1.
Для данных пример 6.1 соотноешния (6.2) составят:
Используя формулу (6.1), получаем коэффициент автокорреляции первого порядка:
Полученное значение свидетельствует об очень тесной зависимости между расходами на конечное потребление текущего и непосредственно предшествующего годов, и, следовательно, о наличии во временном ряде расходов на конечное потребление сильной линейное тенденции.
Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорелляции второго порядка характеризует тесноту связи между уровнями и и определяется по формуле:
Для данных из примера 6.1 получим:
Построим таблицу 6.2 подставив полученные значения в формулу (6.3), имеем:
Таблица 6.2
Расчет коэффициента автокорреляции второго порядка для временного ряда расходов на конечное потребление, д.е.
| t | |||||||
| 1 | 7 | - | - | - | - | - | - |
| 2 | 8 | - | - | - | - | - | - |
| 3 | 8 | 7 | -3,833 | -2,333 | 8,944 | 14,694 | 5,444 |
| 4 | 10 | 8 | -1,833 | -1,333 | 2,444 | 3,361 | 1,778 |
| 5 | 11 | 8 | -0,833 | -1,333 | 1,111 | 0,694 | 1,778 |
| 6 | 12 | 10 | 0,167 | 0,667 | 0,111 | 0,028 | 0,444 |
| 7 | 14 | 11 | 2,167 | 1,667 | 3,611 | 4,694 | 2,778 |
| 8 | 16 | 12 | 4,167 | 2,667 | 11,111 | 17,361 | 7,111 |
| Итого | 86 | 56 | 0,000 | 0,000 | 27,333 | 40,833 | 19,333 |
Полученные результаты еще раз подтверждают вывод о том, что ряд расходов на конечное потребление содержит линейную тенденцию.
Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается.
Необходимо отметить два важных свойства коэффициента корреляции.
Во-первых, он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.
Во-вторых , по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержит положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.
Последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков называютавтокорреляционной функцией временного рада. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называетсякоррелограммой.
Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а, следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т. е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.
Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка t , ряд содержит циклические колебания с периодичностью в t моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических колебаний и имеет структуру, сходную со структурой ряда, изображенного на рис. 6.1 в), либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической (сезонной) компоненты.
Временной ряд расходов на конечное потребление, рассмотренный нами в примере 6.1, содержит только тенденцию, так как коэффициенты автокорреляции его уровней высокие.
Пример 6.2. Автокорреляционная функция и выявление структуры ряда.
Пусть имеются условные данные об объемах потребления электроэнергии жителями региона за 16 кварталов. (табл. 6.3).
Потребление электроэнергии жителями региона, млн. кВт*ч
| t | |||||
| 1 | 6,0 | - | - | - | - |
| 2 | 4,4 | 6,0 | - | - | - |
| 3 | 5,0 | 4,4 | 6,0 | - | - |
| 4 | 9,0 | 5,0 | 4,4 | 6,0 | - |
| 5 | 7,2 | 9,0 | 5,0 | 4,4 | 6,0 |
| 6 | 4,8 | 7,2 | 9,0 | 5,0 | 4,4 |
| 7 | 6,0 | 4,8 | 7,2 | 9,0 | 5,0 |
| 8 | 10 | 6,0 | 4,8 | 7,2 | 9,0 |
| 9 | 8,0 | 10 | 6,0 | 4,8 | 7,2 |
| 10 | 5,6 | 8,0 | 10 | 6,0 | 4,8 |
| 11 | 6,4 | 5,6 | 8,0 | 10 | 6,0 |
| 12 | 11,0 | 6,4 | 5,6 | 8,0 | 10 |
| 13 | 9,0 | 11,0 | 6,4 | 5,6 | 8,0 |
| 14 | 6,6 | 9,0 | 11,0 | 6,4 | 5,6 |
| 15 | 7,0 | 6,6 | 9,0 | 11,0 | 6,4 |
| 16 | 10,8 | 7,0 | 6,6 | 9,0 | 11,0 |
Нанесем эти значения на график 6.2
Рис. 6.2. «Потребление электроэнергии жителями региона»
Определим коэффициент автокорреляции первого порядка (добавим 6.3 и воспользуемся формулой расчета линейного коэффициента корреляции). Он составит: . Отметим, что расчет этого коэффициента производился по 15, а не по 16 парам наблюдений. Это значение свидетельствует о слабой зависимости текущих уровней ряда от непосредственно им предшествующих уровней. Однако, как следует из графика, структура этого ряда такова, что каждый следующий уровень зависит от уровня и в гораздо большей степени, чем от уровня . Построим ряд (см. табл. 6.3). Рассчитав коэффициент автокорреляции второго порядка , получим количественную характеристику корреляционной связи рядов , ,: . Продолжив расчеты аналогичным образом, получим автокорреляционную функцию этого ряда. Ее значения и коррелограмма приведены в таблице 6.4. Аналогично рассчитываем и другие автокорреляции
Анализ значений автокорреляционной функции позволяет сделать вывод о наличии в изучаемом временно м ряде, во-первых, линейной тенденции, во-вторых, сезонных колебаний периодичностью в четыре квартала. Данный вывод подтверждается и графическим анализом структуры ряда (см. рис. 6.2).
Аналогично, если, например, при анализе временно го ряда наиболее высоким оказался коэффициент автокорреляции уровней второго порядка, ряд содержит циклические колебания в два периода времени, т.е. имеет пилообразную структуру.
Вопрос 3: «Моделирование тенденции временного ряда»
Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. Этот способ называютаналитическим выравниванием временного ряда.
Поскольку зависимость от времени может принимать разные формы, для ее формализации можно использовать различные виды функций. Для построения трендов чаще всего применяются следующие функции:
Линейный тренд 
Гипербола: 
;
Экспоненциальный тренд:
Тренд в форме степенной функции:
Парабола второго и более высоких порядков:
Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время t = 1, 2, …, n, а в качестве зависимой переменной - фактические уровни временного ряда у t . Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.
Существует несколько способов определения типа тенденции. К числу наиболее распространенных способов относятся качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени, расчет некоторых основных показателей динамики. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни и тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов
Выбор наилучшего уравнения в случае, если ряд содержит нелинейную тенденцию, можно осуществить путем перебора основных форм тренда, расчета по каждому уравнению скорректированного коэффициента детерминации R 2 и выбора уравнения тренда с максимальным значением скорректированного коэффициента детерминации. Реализация этого метода относительно проста при компьютерной обработке данных.
Вопрос 4: «Моделирование сезонных и циклических колебаний»
Существует несколько подходов к анализу структуры временных рядов, содержащих сезонные или циклические колебания.
Простейший подход - расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временного ряда. Общий вид аддитивной модели следующий:
Y=T+S+E (6.5)
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (Е) компонент. Общий вид мультипликативной модели выгладит так:
Y=T*S*E (6.6)
Эта модель предполагает, что каждый уровень временного ряда может бьггь представлен как произведение трендовой (T), сезонной (S) и случайной (E) компонент. Выбор одной из двух моделей осуществляется 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 значений T, S и E для каждого уровня ряда.
Процесс построения модели включает 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 выравненных данных (Т+ Е) в аддитивной или (Т*Е) в мультипликативной модели.
4. Аналитическое выравнивание уровней (Т+Е) или (Т*Е) и расчет значений Т с использованием полученного уравнения тренда.
5. Расчет полученных по модели значений (Т + S) или (T * S).
6. Расчет абсолютных и/или относительных ошибок.
Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок Е для анализа взаимосвязи исходного ряда и других временных рядов.
Подробнее методику построения каждой из моделей рассмотрим на примерах.
Пример 6.4. Построение аддитивной модели временного ряда.
Обратимся к данным об объеме потребления электроэнергии жителями района за последние четыре года, представленным в табл. 6.3.
В примере 6.2 было показано, что данный временной ряд содержит сезонные колебания периодичностью 4. Объемы потребления электроэнергии в осенне-зимний период времени (I и IV кварталы) выше, чем весной и летом (II иIII кварталы). По графику, этого ряда (рис. 6.2) можно установить наличие приблизительно равной амплитуды колебаний. Это свидетельствует о возможном существовании в ряде аддитивной модели. Рассчитаем ее компоненты.
Шаг 1. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:
а. просуммируем уровни ряда последовательно за каждые четыре квартала со сдвигом на один момент времени и определим условные годовые объемы потребления электроэнергии (гр. 3 табл. 6.5);
б. разделив полученные суммы на 4, найдем скользящие средние (гр. 4 табл. 6.5). Отметим, что полученные таким образом выравненные значения уже не содержат сезонной компоненты;
в. приведем эта значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних - центрированные скользящие средние (гр. 5 табл. 6.5).
Расчет оценок сезонной компонентности в аддитивной модели
| № квартала, t | Потребление электроэнергии, | Итого за четыре квартала | Скользящая средняя за четыре квартала | Центрированная скользящая средняя | Оценка сезонной компоненты |
| 1 | 2 | 3 | 4 | 5 | 6 |
| 1 | 6 | - | - | - | - |
| 2 | 4,4 | 24,40 | 6,100 | - | - |
| 3 | 5 | 25,60 | 6,400 | 6,250 | -1,250 |
| 4 | 9 | 26,00 | 6,500 | 6,450 | 2,550 |
| 5 | 7,2 | 27,00 | 6,750 | 6,625 | 0,575 |
| 6 | 4,8 | 28,00 | 7,000 | 6,875 | -2,075 |
| 7 | 6 | 28,80 | 7,200 | 7,100 | -1,100 |
| 8 | 10 | 29,60 | 7,400 | 7,300 | 2,700 |
| 9 | 8 | 30,00 | 7,500 | 7,450 | 0,550 |
| 10 | 5,6 | 31,00 | 7,750 | 7,625 | -2,025 |
| 11 | 6,4 | 32,00 | 8,000 | 7,875 | -1,475 |
| 12 | 11 | 33,00 | 8,250 | 8,125 | 2,875 |
| 13 | 9 | 33,60 | 8,400 | 8,325 | 0,675 |
| 14 | 6,6 | 33,40 | 8,375 | -1,775 | |
| 15 | 7 | ||||
| 16 | 10,8 |
Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями рада и центрированными скользящими средними (гр. 6 табл. 6.5). Используем эти оценки для расчета значений сезонной компоненты S (табл. 6.6). Для этого найдем средние за каждый квартал (по всем годам) оценки сезонной компоненты. В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна нулю.
Расчет значений сезонной компоненты в аддитивной модели
Для данной модели имеем:
0,6-1,958-1,275+2,708=0,075
Определим корректирующий коэффициент:
К=0,075/4 = 0,01875
Рассчитаем скорректированные значения сезонной компоненты как разность между ее средней оценкой и корректирующим коэффициентом k:
Где i =1:4
Проверим условие равенства нулю суммы значений сезонной компоненты:
0,581-1,977-1,294+2,960=0
Таким образом, получены следующие значения сезонной компоненты:
I квартал: = 0.581
II квартал: = -1,979
III квартал: = -1,294
IV квартал: = 2,690
Занесем полученные значения в табл. 6.6 для соответствующих кварталов каждого года (стр.3)
Шаг 3. Элиминируем влияние сезонной компоненты, вычитая ее значение из каждого уровня исходного временного ряда. Получим величины Т+E=Y-S (гр.4 табл. 6.7). Эти значения рассчитываются за каждый период времени и содержат только тенденцию и случайную компоненту.
Расчет выравненных значений Т и ошибок Е в аддитивной модели
| t |  | T | T+S |  | E 2 | ||
| 1 | 6,0 | 0,581 | 5,419 | 5,902 | 6,483 | -0,483 | 0,2333 |
| 2 | 4,4 | -1,977 | 6,337 | 6,088 | 4,111 | 0,289 | 0,0835 |
| 3 | 5,0 | -1,294 | 6,294 | 6,275 | 4,981 | 0,019 | 0,0004 |
| 4 | 9,0 | 2,690 | 6,310 | 6,461 | 9,151 | -0,151 | 0,0228 |
| 5 | 7,2 | 0,581 | 6,619 | 6,648 | 7,229 | -0,029 | 0,0008 |
| 6 | 4,8 | -1,977 | 6,777 | 6,834 | 4,857 | -0,057 | 0,0032 |
| 7 | 6,0 | -1,294 | 7,294 | 7,020 | 5,727 | 0,273 | 0,0745 |
| 8 | 10,0 | 2,690 | 7,310 | 7,207 | 9,896 | 0,104 | 0,0108 |
| 9 | 8,0 | 0,581 | 7,419 | 7,393 | 7,974 | 0,026 | 0,0007 |
| 10 | 5,6 | -1,977 | 7,577 | 7,580 | 5,603 | -0,030 | 0,0009 |
| 11 | 6,4 | -1,294 | 7,694 | 7,766 | 6,472 | -0,072 | 0,0052 |
| 12 | 11,0 | 2,690 | 8,310 | 7,952 | 10,642 | 0,358 | 0,1282 |
| 13 | 9,0 | 0,581 | 8,419 | 8,139 | 8,720 | 0,258 | 0,0784 |
| 14 | 6,6 | -1,977 | 8,577 | 8,325 | 6,348 | 0,252 | 0,0635 |
| 15 | 7,0 | -1,294 | 8,294 | 8,519 | 7,218 | -0,218 | 0,0475 |
| 16 | 10,8 | 2,690 | 8,110 | 8,698 | 11,388 | -0,588 | 0,3457 |
Шаг 4. Определим компоненту Т данной модели. Для этого проведем аналитическое выравнивание ряда (Т+Е) с помощью линейного тренда. Результаты аналитического выравнивания следующие:
Константа 5,715416
Коэффициент регрессии 0,186421
Стандартная ошибка коэффициента регрессии 0,015188
R-квадрат 0,914971
Число наблюдений 16
Число степеней свободы 14
Таким образом, имеем следующий линейный тренд:
Т=5,715+0,186*t
Подставляя в это уравнение значения t=1, …, 16, найдем уровни Т для каждого момента времени (гр. 5 табл. 6.7). График уравнения тренда приведен на рис. 6.3.
Рис. 6.3. «Потребление электроэнергии жителями района (фактическое, выравненные и полученные по аддитивной модели значения уровней ряда)
Шаг 5. Найдем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням Т значения сезонной компоненты для соответствующих кварталов. Графически значения (Т+S) представлены на рис. 6.3.
Шаг 6. В соответствии с методикой построения аддитивной модели расчет ошибки производится по формуле
E=Y-(T+S) (6.8)
Это абсолютная ошибка. Численные значения абсолютных ошибок приведены в гр. 7 табл. 6.7.
По аналогии с моделью регрессии для оценки качества построения модели или для выбора наилучшей модели можно применять сумму квадратов полученных абсолютных ошибок. Для данной аддитивной модели сумма квадратов абсолютных ошибок равна 1,10. По отношению к общей сумме квадратов отклонений уровней ряда от его среднего уровня, равной 71,59 , эта величина составляет чуть более 1,5%
(1-1,10/71,59)*100=1,536
Следовательно, можно сказать, что аддитивная модель объясняет 98,5% общей вариации уровней временно го ряда потребления электроэнергии за последние 16 кварталов.
Вопрос 5: «Моделирование тенденции временного ряда при наличии структурных изменений».
От сезонных и циклических колебаний следует отличать единовременные изменения характера тенденции временно го ряда, вызванные структурными изменениями в экономике или иными факторами. В этом случае, начиная с некоторого момента времени , происходит изменение характера динамики изучаемого показателя, что приводит к изменению параметров тренда, описывающего эту динамику. Схематично такая ситуация изображена на рис. 6.4
Рис. 6.4. «Изменение характера тенденции временного ряда».
Момент (период) времени сопровождается значительными изменениями ряда факторов, оказывающих сильное воздействие на изучаемый показатель . Чаще всего эти изменения вызваны изменениями в общеэкономической ситуации или факторами (событиями) глобального характера, приведшими к изменению структуры экономики (например, начало крупных экономических реформ, изменение экономического курса, нефтяные кризисы и прочие факторы). Если исследуемый временной ряд включает в себя соответствующий момент (период) времени, то одной из задач его изучения становится выяснение вопроса о том, значимо 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 две подсовокупности (до момента времени и после момента ) и построить отдельно по каждой подсовокупности уравнения линейной регрессии (на рис. 6.4 этим уравнением соответствуют прямые (1) и (2)). Если структурные изменении незначительно повлияли на характер тенденции ряда , то ее можно описать с помощью единого для всей совокупности данных уравнения тренда (на рис. 6.4 этому уравнению соответствует прямая (3)).
Каждый из описанных выше подходов имеет свои положительные и отрицательные стороны. При построении кусочно-линейной модели происходит снижение остаточной суммы квадратов по сравнению с единым для всей совокупности уравнением тренда. Однако разделение исходной совокупности на две части ведет к потере числа наблюдений, и, следовательно, к снижению числа степеней свободы в кажодм уравнении кусочно-линейной модели. Построение единого для всей совокупности уравнения тренда, напротив, позволяет, сохранить число наблюдений n исходной совокупности, однако остаточная сумма квадратов по этому уравнению будет выше по сравнению с кусочно-линейной модели. Построение единого для всей совокупности уравнения тренда, напротив, позволяет сохранить число наблюдений n исходной совокупности, однако остаточная сумма квадратов по этому уравнению будет выше по сравнению с кусочно-линейной моделью. Очевидно, что выбор одной из двух моделей (кусочно-линейной или единого уравнения тренда) будет зависеть от соотношения между снижением остаточной дисперсии и потерей числа степеней свободы при переходе от единого уравнения регрессии к кусочно-линейной модели.
| № уравнения | Вид уравнения | Число наблюдений в совокупности | Остаточная сумма квадратов | Число параметров в уравнении 1 | Число степеней свободы остаточной дисперсии |
| Кусочно-линейная модель |
|||||
| (1) |  | ||||
| (2) |  | ||||
| Уравнение тренда по всей совокупности |
|||||
| (3) |  | ||||
| 1 В рассматриваемой нами формулировке число параметров всех уравнений k 1 =k 2 =k 3 =2. В общем случае число параметров в каждом уравнении может различаться. |
|||||
Формальный статистический тест для оценки этого соотношения был предложен Грегори Чоу. Применение этого теста предполагает расчет параметров уравнений трендов, графики которых изображены на рис. 6.5 (1), (2), (3). Введем систему обозначений, приведенную в табл. 6.8
Выдвинем гипотезу Н 0 о структурной стабильности тенденции изучаемого временного ряда.
Остаточную сумму квадратов по кусочно-линейной модели () можно найти как сумму и
Соответствующее ей число степеней свободы зависит:
Тогда сокращение остаточной дисперсии при переходе от единого уравнения тренда к кусочно-линейной модели можно определить следующим образом:
Число степеней свободы, соответствующее , с учетом соотношения 6.10 будет равно
Найденное значение сравнивают с табличным, полученным по таблицам распределения Фишера для уровня значимости и числа степеней свободы и
Пример 6.2. Расчет параметров тренда.
Имеются помесячные данные о темпах роста номинальной заработной платы в РФ за 10 месяцев 2010 года в процентах к уровню предыдущего месяца 2009 г. (Табл. 6.3). Требуется выбрать наилучший тип тренда и определить его параметры.
Построим график данного временного ряда
Рис. 6.2. Динамика темпов роста номинальной заработной платы за 10 мес. 2010г.
На графике рис. 6.2. заметно наличие возрастающего тренда (тенденции). Возможно существование линейной зависимости.
Http://homekid.ru/kidinspb2010/kid2010part2.htm
100 р бонус за первый заказ
Выберите тип работы Дипломная работа Курсовая работа Реферат Магистерская диссертация Отчёт по практике Статья Доклад Рецензия Контрольная работа Монография Решение задач Бизнес-план Ответы на вопросы Творческая работа Эссе Чертёж Сочинения Перевод Презентации Набор текста Другое Повышение уникальности текста Кандидатская диссертация Лабораторная работа Помощь on-line
Узнать цену
Временной ряд – это набор наблюдений, упорядоченных во времени.
Классификация временных рядов
1. Моментные и интервальные временные ряды
Моментным рядом называется такой ряд, уровни которого характеризуют состояние явления на определенные даты (моменты времени).Примерами моментных рядов могут быть последовательность показателей численности населения на начало года, поголовье скота в фермерских хозяйствах на 1 декабря или 1 июня за несколько лет, величина запаса какого-либо материала на начало периода и т.д.
Интервальный (периодический) временной ряд – последовательность, в которой уровень явления относят к результату, накопленному или вновь произведенному за определенный интервал времени. Таковы, например, ряды показателей объема продукции предприятия по месяцам года, количества отработанных человеко-дней по отдельным периодам (месяцам, кварталам, полугодиям, годам, пятилетиям и т.п.) и т.д. Также примером такого ряда могут служить данные о динамике добычи нефти в Российской Федерации.
Полные и неполные временные ряды
Ряды следующих друг за другом периодов или следующих через определенные промежутки дат называются равноотстоящими или полными.
Если же в рядах даются прерывающиеся периоды или неравномерные промежутки между датами, то ряды называются неравноотстоящими или неполными.
Временные ряды абсолютных, относительных, средних величин
Временные ряды абсолютных величин более полно характеризуют развитие процесса или явления, например: объема валового внутреннего продукта в целом, грузооборота транспорта, инвестиций в основной капитал, производства продукции животноводства и т.д.
Ряды относительных величин могут характеризовать во времени темпы роста (или снижения) определенного показателя; изменение удельного веса того или иного показателя в совокупности; изменение показателей интенсивности отдельных явлений, например, удельный вес приватизированных предприятий в той или иной отрасли; производство продукции надушу населения; структура инвестиций в основной капитал по отраслям экономики и др.
Временные ряды средних величин служат для характеристики изменения уровня явления, отнесенного к единице совокупности, например: данные о среднегодовой численности занятых в экономике, о средней урожайности отдельных сельскохозяйственных культур, о средней заработной плате в отдельных отраслях и т.д.
Временные ряды частных и агрегированных показателей .
Частные показатели характеризуют изучаемое явление односторонне, изолированно. Например, среднесуточный объем выпуска промышленной продукции дает возможность оценить динамику промышленного производства, численность граждан, состоящих на учете в службе занятости; показывает эффективность социальной политики государства; остатки наличных денег у населения и вклады населения в банках отражают платежеспособность населения и т.д.
Агрегированные показатели основаны на частных показателях и характеризуют изучаемый процесс комплексно. Так, чтобы иметь представление о состоянии экономики в России в целом, необходимо определять агрегированный показатель экономической конъюнктуры, включающий в себя и вышеперечисленные частные показатели.Их определяют также при исследовании эффективности производства, технического уровня предприятий, качества продукции, экологического состояния. Широкое применение последних, стало возможным с развитием факторного и компонентного анализа.
Временные ряды по предметной области:
Демографические
Политические
Экономические
Образовательные
Медицинские
Социальные
Правила формирования временных рядов:
А) единицы измерения для всех точек данных должны совпадать;
Б) методика вычисления и технология сбора данных временного ряда должна быть едина;
В) сбор данных и формирование временного ряда должно осуществляться для одного и того же объекта;
Г) фиксирование показателя должно совпадать с моментом времени.
Динамика – изменение, направленное развитие процесса во времени.
Тенденция – устойчивая закономерность изменения процесса во времени.
Тренд – кривая, описывающая закономерность изменения динамического процесса, уравнение кривой.
Прогнозирование по тренду – процесс получения прогнозных оценок динамического процесса на основе тренда
Абсолютный базисный прирост показывает прирост уровней ряда относительно базового периода времени y0 (на сколько), выражается в натуральных единицах измерения
В качестве базовых могут рассматриваться показатели различных периодов.
Например, момент начала вложения капитала, либо запуска проекта.
Абсолютный цепной прирост показывает прирост уровня ряда относительно предыдущего периода времени, выражается в натуральных единицах измерения.
Варианты значений цепного прироста:
1. Сyt = 0, t - уровни ряда постоянны, т.е. yt = const ,t и, соответственно, временная динамика отсутствует. Процесс стационарен.
2. Сyt = const , t - временная динамика имеет линейную тенденцию с равными темпами роста или падения уровней ряда. Процесс линейный.
3. Сyt >= t - возрастание уровней ряда на каждый период. Процесс возрастающий.
4. Сyt <= t - убывание уровней ряда на каждый период. Процесс убывающий .
Ускорение динамики показывает ускорение или замедление тенденции изучаемого процесса/
Рассчитывается по интервалам равной длительности и только для цепных показателей.
Варианты значений ускорения динамики:
1. Ayt>=0 - рост уровня ряда постепенно замедляется или ускоряется его падение. Процесс возрастающий с затуханием, либо скорый, убывающий
2. Ayt<=0 - рост уровня ряда постепенно ускоряется или замедляется его падение. Процесс убывающий с затуханием, либо скорый, возрастающий
3. Ayt=0 - цепной темп роста постоянен и, соответственно, временная динамика имеет линейную тенденцию с равными темпами роста или падения уровней ряда. Линейный процесс
4. Ayt = const . В этом случае временная динамика имеет параболическую тенденцию. Параболический процесс.
1. Линейная тенденция. 2. Стационарный процесс. Отсутствие динамики. 3. Параболическая тенденция. 4. Периодическая тенденция.
Базисный темп роста характеризует в относительных единицах прирост показателя в период времени t относительно базового уровня, выражается в процентах. Показывает во сколько раз увеличился уровень временного ряда относительно базового.
Цепной темп роста показывает увеличение уровня ряда относительно предыдущего значения, выражается в процентах.
Этапы построения модели временного ряда .
1. Сбор исходных данных и их предварительная обработка
2. Анализ данных
2.1. Расчет основных показателей динамики
2.2. Сглаживание рядов данных (фильтрация)
2.3. Оценка устойчивости уровней ряда
2.4. Оценка устойчивости динамики
2.5. Статистический анализ
3. Синтез модели
3.1. Идентификация модели
4. Использование модели
4.1. Точечный прогноз
4.2. Интервальный прогноз
Анализ данных временного ряда
Цель анализа – выявить особенности изучаемого процесса, определить наличие временной динамики и ее характер.
2.Выполнить сглаживание (фильтрацию) данных и определить точки “выброса”.
3. Проанализировать устойчивость уровней рядов данных и временной динамики.
4. Выполнить статистический анализ данных и определить характер временной динамики.
Методы анализа временных рядов
1. Анализ показателей, характеризующих тенденцию динамики
Абсолютный временной ряд
Относительный временной ряд
2. Прикладные методы (по предметной области)
Социальные
Финансовые
Медицинские
3. Статистический анализ
Корреляционный анализ
Кластерный анализ
Сглаживание «фильтрация»
4. Анализ устойчивости
Устойчивость уровней ряда
Устойчивость динамики
5. Вейвлет-анализ (дискретное вейвлет-преобразование)
6. R/S -анализ
Различают следующие типы трендов:
Детерминированный, если значения членов временного ряда могут быть точно определены какой- либо математической функцией
где a1
, a2
, a3
- параметры, постоянные коэффициенты модели; t
- время.
Стохастический (случайный процесс), если уровни ряда носят случайный характер:
где - начальное значение; - случайная величина (прирост уровней ряда).
- смешанный, включает элементы детерминированного и стохастического тренда:
Где a1 , a2 , q , b , w - постоянные коэффициенты; ut - случайная величина.
Стохастический процесс называется стационарным, если его свойства не изменяются во времени, в частности он имеет постоянное математическое ожидание, дисперсию и автоковариацию с некоторым запаздыванием k .
Задача прогнозирования заключается в выявлении компонентов кси t, et, исходного временного ряда xt, а также принципов изменения во времени (тренда).
Прогнозная модель временного ряда – модель, аппроксимирующая, приближающая с достаточной степенью точности тренд.
Временной ряд - это набор чисел, привязанный к последовательным, обычно равноотстоящим моментам времени. Числа, составляющие временной ряд и получающиеся в результате наблюдения за ходом некоторого процесса, называются уровнями временного ряда или элементами. Под длиной временного ряда понимают количество входящих в него уровней n . Временной ряд обычно обозначают Y(t), или, где t= 1,2,…,n.
В общем случае каждый уровень временного можно представить как функцию четырех компонент: f (t ), S (t ), U (t ), (t ) , отражающих закономерность и случайность развития.
Где f (t ) - тренд (долговременная тенденция) развития; S (t ) - сезонная компонента; U (t ) -циклическая компонента; (t )- остаточная компонента.
В модели временного ряда принято выделять две основные составляющие: детерминированную (систематическую) и случайную. Под детерминированной составляющей временного ряда понимают числовую последовательность, элементы которой вычисляются по определенному правилу как функция времени t . Исключив детерминированную составляющую из данных, мы получим колеблющийся вокруг нуля ряд, который может в одном предельном случае представлять случайные скачки, а в другом - плавное колебательное движение.
Детерминированная составляющая может содержать следующие структурные компоненты:
- 1) тренд, или тенденция f (t ), представляет собой устойчивую закономерность, наблюдаемую в течение длительного периода времени. Обычно тренд (тенденция) описывается с помощью той или иной неслучайной функции f тр (t ) (аргументом которой является время), как правило, монотонной. Эту функцию называют функцией тренда, или просто - трендом.
- 2) Сезонная компонента s(t) связана с наличием факторов, действующих с заранее известной периодичностью. Это регулярные колебания, которые носят периодический или близкий к нему характер и заканчиваются в течение года.
- 3) Типичные примеры сезонного эффекта: изменение загруженности автотрассы по временам года, пик продаж товаров для школьников в конце августа - начале сентября. Спрос на пластические операции сезонный: в осенне-зимний период обращений больше. Типичным примером являются сильные колебания объема товарно-материальных запасов в сезонных отраслях Сезонная компонента со временем может меняться, либо иметь плавающий характер.
- 4) Циклическая компонента u (t ) - неслучайная функция, описывающая длительные периоды (более одного года) относительного подъема и спада и состоящая из циклов переменной длительности и амплитуды. Примером циклической (конъюнктурной) компоненты являются волны Кондратьева, демографические «ямы» и т.п. Подобная компонента весьма характерна для рядов макроэкономических показателей. Здесь циклические изменения обусловлены взаимодействием спроса и предложения, а также наложением таких факторов, как истощение ресурсов, погодные условия, изменения в налоговой политике и т.п. Отметим, что циклическую компоненту крайне трудно идентифицировать формальными методами, исходя только из данных изучаемого ряда.
- 5) Случайная компонента (t ) - это составная часть временного ряда, оставшаяся после выделения систематических компонент. Она отражает воздействие многочисленных факторов случайного характера и представляет собой случайную, нерегулярную компоненту. Она является обязательной составной частью любого временного ряда в экономике, так как случайные отклонения неизбежно сопутствуют любому экономическому явлению. Если систематические компоненты временного ряда определены правильно, то остающаяся после выделения из временного ряда этих компонент так называемая остаточная последовательность (ряд остатков) будет случайной компонентой ряда.
Задача анализа временных рядов состоит в том, чтобы с помощью детерминированной компоненты предсказывать прогнозное значение временного ряда, а с помощью случайной компоненты предсказывать величину возможного отклонения и вероятность такого отклонения.
Требования к исходной информации: Для того, чтобы анализ временного ряда обладал в нужной степени достоверностью в первую очередь необходимо обеспечить качество исходной информации:
- 1. Данные должны быть сопоставимы;
- 2. Данные должны быть однородными;
- 3. Данные должны быть устойчивыми;
- 4. Необходим достаточно большой объём данных
В анализе случайного компонента экономических временных рядов важную роль играет сравнение случайной величины с хорошо изученной формой случайных процессов - стационарными случайными процессами.
Стационарным процессом в узком смысле называется такой случайный процесс, вероятностные свойства которого с течением времени не изменяются. Он протекает в приблизительно однородных условиях и имеет вид непрерывных случайных колебаний вокруг некоторого среднего значения. Причем ни средняя амплитуда, ни его частота не обнаруживают с течением времени существенных изменений.
Однако на практике чаще встречаются процессы, вероятностные характеристики которых подчиняются определенным закономерностям и не являются постоянными величинами.
Поэтому в прикладном эконометрическом анализе используется понятие слабой стационарности (или стационарности в широком смысле), которое предполагает неизменность во времени среднего значения, дисперсии и ковариации временного ряда. Случайный процесс называется стационарным в широком смысле, если его математическое ожидание постоянно и автокорреляционная функция зависит только от длины временного интервала.
В зависимости от вида связи между этими компонентами может быть построена либо аддитивная модель:
Y (t) =f (t )+ S (t )+U (t )+(t );
либо мультипликативная модель:
Y (t) =f (t ) S (t ) U (t )+ (t )
временного ряда.
В процессе формирования значений временных рядов не всегда участвуют все четыре компоненты. Однако во всех случаях предполагается наличие случайной составляющей.
