Аддитивная и мультипликативная модели временного ряда

Метод последовательных разностей

Часто при аналитическом выравнивании ряда используется модель тренда в виде полинома.

Для определения порядка аппроксимирующего полинома в этом случае выделения тренда широко используется метод последовательных разностей членов анализируемого временного ряда.

Метод основан на следующем математическом факте: если временной ряд y₁, y₂, ..., y_t, ..., y_n содержит в качестве своей неслучайной составляющей алгебраический полином f(t)=a₀+a₁t+...+a_pt^p порядка р, то переход к последовательным разностям y(1), y(2), …, y(n), повторенный р+1 раз (то есть переход к последовательным разностям порядка р+1), исключает неслучайную составляющую (включая константу a₀), оставляя элементы, выражающиеся только через остаточную случайную компоненту u(t).

Алгоритм метода. Последовательно для k=1,2,… вычисляем разности D^ky(t) (t=1,2,…, n-k). Анализируем поведение разностей в зависимости от их порядка k. Начиная с некоторого k разности стабилизируются, оставаясь приблизительно на одном уровне при дальнейшем росте k. Это значение k и будет давать порядок сглаживающего полинома, то есть p.

При применении метода следует иметь в виду, что стабилизация разностей не доказывает, что ряд первоначально состоял из полинома плюс случайный остаток, а только то, что он может быть приближенно представлен таким образом.

Пример. Имеются данные о базисных темпах роста среднедушевого дохода населения области за 10 месяцев (в % к январю). Расчет первых и вторых разностей показывает, что для ряда y_t тренд может быть адекватно описан полиномом второй степени. Ñ

Таблица 5.5

Расчет последовательных разностей

 

Месяц	Темпы роста среднедушевого дохода (%), yt	Dyt=yt - yt-1	D2yt=Dyt - Dyt-1
Февраль		-	-
Март			-
Апрель
Май
Июнь
Июль
Август
Сентябрь
Октябрь
Ноябрь

 

Простейшим подходом к моделированию временных рядов, содержащих сезонные колебания, является построение аддитивной или мультипликативной моделей временного ряда.

Выбор одной из этих моделей основывается на анализе структуры временного ряда.

Если амплитуда сезонных колебаний примерно постоянна, то строят аддитивную модель. Если же амплитуда колебаний непостоянна, то есть возрастает или уменьшается, то строят мультипликативную модель.

Процесс построения модели ряда в этом случае включает следующие этапы:

1. Выравнивание исходного ряда методом скользящей средней. Расчет значений сезонной компоненты S.

2. Устранение сезонной компоненты из исходных уровней ряда и получение выравненных данных (Т+U) в аддитивной или (Т×U) в мультипликативной модели.

3. Аналитическое выравнивание уровней (Т+U) или (Т×U) и расчет значений Т с использованием полученного уравнения тренда.

4. Расчет полученных по модели значений (Т+S) или (Т×S)

5. Расчет абсолютных и/или относительных ошибок.

Рассмотрим процесс построения аддитивной модели на примере.

Пример. Имеются данные о количестве продукции (тыс.шт.), проданной фирмой «Вега» в течение последних 20 кварталов.

 

Квартал	Объем продаж	Квартал	Объем продаж	Квартал	Объем продаж	Квартал	Объем продаж
	8,4		9,1		10,1		12,2
	8,6		9,2		10,8		11,9
	8,8		9,9		10,5		12,3
	9,5		9,7		10,7		12,5
	8,5		9,9				13,2

Этап 1. Проведем выравнивание ряда методом скользящей средней. Для этого просуммируем уровни ряда по 4 кварталам последовательно. Далее разделим полученные суммы на 4 и найдем скользящие средние, уже не содержащие сезонной компоненты. Найдем центрированные скользящие средние, для чего вычислим средние значения из двух последовательных скользящих средних. Вычислим оценки сезонной компоненты как разность между фактическим уровнем продаж и центрированными скользящими средними.

 

Таблица 5.6

Расчет оценок сезонной компоненты

Квартал	Объем продаж, тыс.шт.	Итого за 4 квартала	Скользящая средняя за 4 квартала	Центрированная скользящая средняя	Оценка сезонной компоненты
	8,4
	8,6
		35,3	8,825
	8,8			8,8375	-0,0375
		35,4	8,85
	9,5			8,9125	0,5875
		35,9	8,975
	8,5			9,025	-0,525
		36,3	9,075
	9,1			9,125	-0,025
		36,7	9,175
	9,2			9,325	-0,125
		37,9	9,475
	9,9			9,575	0,325
		38,7	9,675
	9,7			9,7875	-0,0875
		39,6	9,9
	9,9			10,0125	-0,1125
		40,5	10,125
	10,1			10,225	-0,125
		41,3	10,325
	10,8			10,425	0,375
		42,1	10,525
	10,5			10,6375	-0,1375
			10,75
	10,7			10,925	-0,225
		44,4	11,1
				11,275	-0,275
		45,8	11,45
	12,2			11,65	0,55
		47,4	11,85
	11,9			12,0375	-0,1375
		48,9	12,225
	12,3			12,35	-0,05
		49,9	12,475
	12,5
	13,2

 

Используем полученные оценки сезонной компоненты для расчета сезонности S. Для этого найдем средние квартальные оценки сезонной компоненты, использовав данные всех кварталов. Заметим, что сумма значений сезонной компоненты по всем кварталам должна быть равна нулю, поэтому значения сезонной компоненты корректируются на величину, полученную как частное от деления суммы оценок сезонных компонент на число сезонов.

Таблица 5.7

Корректировка значений сезонной компоненты

Показатели	Год	Квартал
	-	-	-0,0375	0,5875
	-0,525	-0,025	-0,125	0,325
	-0,0875	-0,1125	-0,125	0,375
	-0,1375	-0,225	-0,275	0,55
	-0,1375	-0,05	-	-
Итого за квартал	-0,8875	-0,4125	-0,5625	1,8375
Средняя оценка сезонной компоненты для квартала	-0,2218	-0,1031	-0,1406	0,4593
Скорректированная оценка сезонной компоненты	-0,2203	-0,1015	-0,1390	0,4609

 

Рассчитаем корректирующий коэффициент:

k=[(-0,22188)+(-0,10313)+( -0,14063)+ 0,459375]/4=-0,00625/4= -0,00156.

Cкорректированные оценки сезонной компоненты определяются путем вычитания из средней оценки сезонной компоненты для квартала корректирующего коэффициента. Полученные таким образом значения занесены в таблицу 5.7.

Этап 2. Устраним сезонную компоненту из исходных уровней ряда и получим выравненные данные Т+U=y_i-S (столбец 4).

Таблица 5.8

Расчет выравненных значений Т и ошибок Е в аддитивной модели

t	yi	Si	Т+U=yi-S	T	T+S	U=yi-(T+S)	U2
	8,4	-0,2203	8,6203	8,1545	7,9341	0,6861	0,4707
	8,6	-0,1015	8,7015	8,3845	8,2829	0,4185	0,1751
	8,8	-0,1390	8,9390	8,6146	8,4755	0,4635	0,2148
	9,5	0,46093	9,0390	8,8446	9,3056	-0,2666	0,0710
	8,5	-0,2203	8,7203	9,0747	8,8544	-0,1344	0,0179
	9,1	-0,1015	9,2015	9,3047	9,2032	-0,0016	0,0000
	9,2	-0,1390	9,3390	9,5348	9,3957	-0,0566	0,0032
	9,9	0,46093	9,4390	9,7648	10,2258	-0,7867	0,6189
	9,7	-0,2203	9,9203	9,9949	9,7746	0,1457	0,0212
	9,9	-0,1015	10,0010	10,2249	10,1234	-0,1218	0,0148
	10,1	-0,1390	10,2390	10,4550	10,3159	-0,0769	0,0059
	10,8	0,46093	10,3390	10,6850	11,1460	-0,8069	0,6511
	10,5	-0,2203	10,7203	10,9151	10,6948	0,0254	0,0006
	10,7	-0,1015	10,8015	11,1451	11,0436	-0,2420	0,0585
		-0,1390	11,1390	11,3752	11,2361	-0,0971	0,0094
	12,2	0,46093	11,7390	11,6052	12,06622	-0,3271	0,1070
	11,9	-0,2203	12,1203	11,8353	11,6150	0,5052	0,2553
	12,3	-0,1015	12,4015	12,0653	11,9638	0,4377	0,1916
	12,5	-0,1390	12,6390	12,2954	12,1563	0,4826	0,2329
	13,2	0,46093	12,7390	12,5254	12,9864	-0,2473	0,0611

Этап 3.Определим компоненту Т. Для этого проведем аналитическое выравнивание ряда (Т+U) с помощью линейного тренда. Имеем линейный тренд вида:

T = 7,9244+0,2301t.

Стандартная ошибка коэффициента регрессии 0,293. R²=0,95.

Подставляя в уравнение тренда последовательно t= 1,…,20, получим значения тренда для каждого уровня временного ряда (столбец 5, табл. 5.8).

Этап 4. Найдем значения уровней ряда, полученные по аддитивной модели как (T+S) (столбец 6, табл. 5.8).

Этап 5. Рассчитаем абсолютную ошибку как U=y_i-(T+S), (столбец 7, табл. 5.8). Качество полученной модели можно проверить, используя сумму квадратов абсолютных ошибок (столбец 8). Сумма квадратов абсолютных ошибок равна 3,18. По отношению к сумме квадратов отклонений исходных уровней ряда от его среднего уровня, равной 40,32, эта величина составит 7,89%.

Следовательно, аддитивная модель объясняет 92,11% общей вариации объема продаж за 20 кварталов. Ñ

Рассмотрим построение мультипликативной модели на примере.

Пример. Имеются поквартальные данные об объеме экспорта одной из областей РФ за 5 лет (млн. долл.).

Таблица 5.9

Квартал	Объем экспорта, млн.долл.	Квартал	Объемэкспорта, млн.долл.	Квартал	Объем экспорта, млн.долл.	Квартал	Объем экспорта, млн.долл.
	19,3		15,8		20,3		25,4
	12,3		17,2		22,3		31,8
	13,2		19,9		29,7		23,9
	15,6		26,3		21,1		25,8
	21,5		19,1		23,7		27,4

Этап 1. Проведем выравнивание ряда методом скользящей средней. Для этого просуммируем уровни ряда по 4 кварталам последовательно. Далее разделим полученные суммы на 4 и найдем скользящие средние, уже не содержащие сезонной компоненты. Найдем центрированные скользящие средние, для чего вычислим средние значения из двух последовательных скользящих средних. Вычислим оценки сезонной компоненты как частное от деления фактического уровня экспорта на центрированные скользящие средние.

Таблица 5.10

Расчет оценок сезонной компоненты

Квартал	Объем продаж, тыс.шт.	Итого за 4 квартала	Скользящая средняя за 4 квартала	Центрированная скользящая средняя	Оценка сезонной компоненты
	19,3
	12,3
		60,4	15,1
	13,2			15,375	0,858537
		62,6	15,65
	15,6			16,0875	0,969697
		66,1	16,525
	21,5			17,025	1,262849
		70,1	17,525
	15,8			18,0625	0,87474
		74,4	18,6
	17,2			19,2	0,895833
		79,2	19,8
	19,9			20,2125	0,984539
		82,5	20,625
	26,3			21,0125	1,251636
		85,6	21,4
	19,1			21,7	0,880184
	20,3			22,425	0,90524
		91,4	22,85
	22,3			23,1	0,965368
		93,4	23,35
	29,7			23,775	1,249211
		96,8	24,2
	21,1			24,5875	0,85816
		99,9	24,975
	23,7			25,2375	0,939079
			25,5
	25,4			25,85	0,982592
		104,8	26,2
	31,8			26,4625	1,201701
		106,9	26,725
	23,9			26,975	0,886006
		108,9	27,225
	25,8
	27,4

 

Используем полученные оценки сезонности для расчета сезонной компоненты S. Для этого найдем средние квартальные оценки сезонной компоненты, используя данные всех кварталов.

Таблица 5.11

Расчет значений сезонной компоненты

Показатели	Год	Квартал
	-	-	0,8585	0,9696
	1,2628	0,8747	0,8958	0,9845
	1,2516	0,8801	0,9052	0,9653
	1,2492	0,8581	0,9390	0,9825
	1,2017	0,8860	-	-
Итого за квартал	4,9653	3,4990	3,5986	3,9021
Средняя оценка сезонной компоненты для квартала	1,2413	0,8747	0,8996	0,9755
Скорректированная оценка сезонной компоненты	1,2440	0,876	0,9016	0,9776

 

Заметим, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем примере, цикл – год, в котором соответственно 4 квартала. Поэтому окончательный вариант сезонной компоненты будет получен корректировкой, заключающейся в умножении средней оценки сезонной компоненты для квартала на коэффициент k:

k=4/(1,2413+0,8747+0,8996+0,9755)=4/3,9913=1,0021.

Полученные таким образом значения были занесены в табл. 5.11 (строка 3).

Этап 2. Устраним сезонную компоненту из исходных уровней ряда и получим выравненные данные T×U=y_i/S (столбец 4, табл. 5.12).

Таблица 5.12

Расчет выравненных значений Т и ошибок U в мультипликативной модели

t	yi	S	T×U=yi/S	T	Т×U	U=yi-(T×S)	U2
	19,3	1,2440	15,5139	14,2959	17,7847	0,8723	0,7609
	12,3	0,8766	14,0303	15,0690	13,2105	1,0620	1,1279
	13,2	0,9016	14,6402	15,8421	14,2836	1,0249	1,0505
	15,6	0,9776	15,9563	16,6151	16,2440	0,9822	0,9648
	21,5	1,2440	17,2823	17,3882	21,6317	0,7989	0,6383
	15,8	0,8766	18,0227	18,1613	15,9214	1,1319	1,2813
	17,2	0,9016	19,0767	18,9344	17,0717	1,1174	1,2486
	19,9	0,9776	20,3546	19,7074	19,2673	1,0564	1,1160
	26,3	1,2440	21,1407	20,4805	25,4786	0,8297	0,6884
	19,1	0,8766	21,7869	21,2536	18,6324	1,1693	1,3672
	20,3	0,9016	22,5149	22,0266	19,8597	1,1336	1,2852
	22,3	0,9776	22,8094	22,7997	22,2905	1,0232	1,0471
	29,7	1,2440	23,8738	23,5728	29,3255	0,8140	0,6627
	21,1	0,8766	24,0683	24,3459	21,3433	1,1276	1,2716
	23,7	0,9016	26,2859	25,1189	22,6478	1,1606	1,3470
	25,4	0,9776	25,9802	25,8920	25,3137	1,0263	1,0533
	31,8	1,2440	25,5618	26,6651	33,1725	0,7705	0,5937
	23,9	0,8766	27,2622	27,4381	24,0542	1,1333	1,2845
	25,8	0,9016	28,6150	28,2112	25,4359	1,1249	1,2655
	27,4	0,9776	28,0259	28,9843	28,3369	0,9890	0,9781

Этап 3.Определим компоненту Т. Для этого проведем аналитическое выравнивание ряда (Т×Е) с помощью линейного тренда. Имеем линейный тренд вида:

T = 13,5229+0,7730t.

Стандартная ошибка коэффициента регрессии 0,735. R²=0,97.

Подставляя в уравнение тренда последовательно t= 1,…,20, получим значения тренда для каждого уровня временного ряда (столбец 5, табл. 5.12).

Этап 4. Найдем значения уровней ряда, полученные по мультипликативной модели как (T×S) (столбец 6, табл. 5.12).

Этап 5. Рассчитаем абсолютную ошибку как U=y_i-(T×S), (столбец 7, табл. 5.12). Качество полученной модели можно проверить, используя сумму квадратов абсолютных ошибок (столбец 8). Общая сумма квадратов абсолютных ошибок равна 21,033. По отношению к сумме квадратов отклонений исходных уровней ряда от его среднего уровня, равной 530,072, эта величина составит 3,9681%:

(21,03378/530,072)×100=3,97 %.

Следовательно, мультипликативная модель объясняет 96,03% общей вариации экспорта. Ñ