- •К лабораторной работе № 2
- •Севастополь
- •1 Цель работы
- •2 Теоретические сведения
- •2.1 Виды данных, являющихся временными рядами
- •2.2 Изучение наборов данных, являющихся временными рядами.
- •2.3 Исследование данных на нормальность
- •2.4 Исследование данных с помощью автокорреляционного анализа
- •2.5 Выбор метода прогнозирования и оценка его адекватности
- •3 Практическая часть
- •3.1 Постановка задачи
- •3.2 Пример анализа данных с использованием ms Excel
- •3.3 Пример анализа данных с использованием Minitab for Windows
- •4 Порядок выполнения работы
- •5 Контрольные вопросы
- •Библиографический список
- •Приложение а Исходные данные
3.3 Пример анализа данных с использованием Minitab for Windows
1 Ввести данные в Minitab for Windows
2 На панели меню выбрать команду GraphTime Series Plot и ввести соответствующие данные. Результат построения для компании А представлен на рис.4.
3 На панели меню выбрать команду StatTime Series Autocorrelation. На экране раскроется диалоговое окно Autocorrelation Function, представленное на рис.5.
а) в поле Series выбрать значение Profit A(C1)
б) Отметить Store ACF, Store t statistics и Store Ljung-Box Q Statistics
в) щелкнуть на кнопке OK в диалоговом окне Autocorrelation Function, и на экран будут выведены результаты расчета, представленные на рис.6 и в таблице 5.
Рис.4 Прибыль предприятия А
Рис.5 Диалоговое окно Autocorrelation Function приложения Minitab
Рис. 6. Результаты расчета автокорреляции (коррелограмма)
Таблица 5 – Результаты автокорреляционного
Lag |
ACF1 |
TSTA1 |
LBQ1 |
1 |
0,35720483 |
2,369428777 |
6,005880595 |
2 |
0,11732431 |
0,694639567 |
6,669222215 |
3 |
0,2401706 |
1,406630878 |
9,516739219 |
4 |
0,68599833 |
3,848422097 |
33,32878062 |
5 |
0,06785047 |
0,294265165 |
33,56770013 |
6 |
-0,2190849 |
-0,948299259 |
36,1242353 |
7 |
-0,1196512 |
-0,50763371 |
36,90738126 |
8 |
0,28073742 |
1,184145494 |
41,33845126 |
9 |
-0,2148486 |
-0,878658885 |
44,00781379 |
10 |
-0,419388 |
-1,685831281 |
54,47822112 |
11 |
-0,2919431 |
-1,104369035 |
59,70571017 |
В таблице 5 приняты следующие обозначения
-
Lag – период запаздывания;
-
ACF1 – коэффициенты автокорреляции
-
TSTA1 – результаты t-статистики;
-
LBQ1 – результат Q-статистики.
Автокорреляция для первых периодов запаздывания существенно отличны от нуля и затем убывают. Для периода запаздывания 11 коэффициент LBQ = 59,70571017, что превышает значение равное 19,675 (получено при уровне значимости 0,05). Следовательно данные имеют значительную автокорреляцию и демонстрируют заметный тренд. Кроме того, по полученным данным видно, что прибыль предприятия А носит ярко выраженный сезонный характер с периодом 4 (квартал).
4 Порядок выполнения работы
1 Изучить методические указания к выполнению работы.
2 Провести анализ данных, представленных в приложении А с использованием MS Excel и Minitab for Windows.
3 Подготовить отчет по лабораторной работе.
4Ответить на контрольные вопросы.
5 Защитить лабораторную работу.