- •Метод декомпозиции временного ряда. Предпосылки к его применению для прогнозирования.
- •Формы тренд-сезонной модели временного ряда. Выбор формы модели.
- •Методы выбора кривой роста. Метод характеристик показателей динамики (метод приростов).
- •Полиномиальные модели тренда и их свойства. Выбор степени полинома. Методы оценки параметров.
- •Экспоненциальные модели тренда и их свойства. Выбор простой или модифицированной экспоненты. Методы оценки параметров.
- •Применение метода наименьших квадратов для оценки параметров кривой роста.
- •Что такое линеаризация модели? Для каких моделей тренда она применяется? Преимущества и недостатки этого метода.
- •Метод оценки параметров моделей линейного и экспоненциального тренда по двум точкам.
- •Анализ значимости параметров многофакторной линейной модели по критерию Стьюдента. Для каких моделей временных рядов он может применяться?
- •Показатели, используемые для оценки точности прогнозных моделей. Преимущества и недостатки различных показателей.
- •Какие требования предъявляются к остаточной компоненте временного ряда? к каким последствиям в прогнозировании может привести невыполнение этих условий?
- •Методы оценки прогнозных свойств модели. Верификация модели. Ретропрогноз (постпрогноз).
- •Сезонная неравномерность и её характеристики. Формы представления сезонной компоненты. Особенности их использовании в планировании на основе прогнозной модели.
- •Метод оценки сезонной компоненты усреднением по числу периодов сезонности.
- •Оценка сезонной компоненты методом фиктивных переменных.
- •Выбор длины периода упреждения. Точечный и интервальный прогноз на основании трендовых моделей (кривых роста).
- •Механическое выравнивание временного ряда. Приемы выравнивания. Использование результатов механического выравнивания в моделировании и прогнозировании.
- •Методы простой прогнозной экстраполяции. Условия применения. Использование простой и взвешенной скользящей средней для получения прогноза.
- •Модели авторегрессии. Предпосылки к применению моделей авторегрессии. Преобразование исходных данных для применения модели авторегрессии.
- •Модели авторегрессии. Выбор порядка модели. Оценка значимости коэффициентов.
- •Модели авторегрессии. Применение модели для прогнозирования.
- •Адаптивные модели Брауна. Алгоритм построения линейной модели Брауна.
- •Модель Хольта-Винтерса. Предпосылки к ее применению. Использование для прогнозирования.
- •Автокорреляционная функция. Определение и применение для анализа тенденций во временном ряду.
Модели авторегрессии. Выбор порядка модели. Оценка значимости коэффициентов.
В авторегрессионных (АР) моделях текущее значение процесса представляется как линейная комбинация предыдущих его значений и случайной компоненты. В АР(р) – модели авторегрессии порядка р текущий уровень ряда представляется в виде взвешенной суммы р предыдущих наблюдений:
. Во многих случаях АР-модель оказывается перегруженной незначимыми коэффициентами, которые надо исключить.
АР‑модели не предназначены для описания процессов с тенденцией, однако они хорошо описывают колебания, что весьма важно для отображения развития неустойчивых показателей. Чтобы сделать возможным применение АР-моделей к процессам с тенденцией, на первом этапе формируют стационарный ряд, т. е. исключают тенденцию.
Идентификация АР(р) модели состоит в определении ее порядка р. В сезонной модели авторегрессии порядок выбирается равным периоду сезонности. При отсутствии сезонности начальная оценка порядка параметра р формируется на основе анализа автокорреляционной функции.
Зависимость значений уровней временного ряда от предыдущих (со сдвигом на 1, на 2 и т.д.) уровней того же временного ряда называют автокорреляцией во временном ряду. Для получения числовой характеристики такой внутренней зависимости вычисляют значение коэффициента корреляции между наборами{ }и { }. Задавая величину сдвига =1, 2, … (обычно ≤ n/4), получим множество значений коэффициентов корреляции – автокорреляционную функцию r().
График функции r() называется коррелограммой, а величина , которой соответствует наибольший коэффициент автокорреляции – временным лагом. В сезонной модели величина лага равна периоду сезонности.
В качестве порядка модели р принимается номер коэффициента автокорреляции, имеющего максимальную величину. Следовательно, в модели используются р уровней, которые оказывают на текущий уровень наибольшее влияние.«Чистые» авторегрессионные процессы имеют плавно затухающую автокорреляционную функцию (АКФ). В этом случае в качестве порядка модели выбирается лаг, после которого все частные автокорреляционные функции (ЧАКФ) имеют незначительную величину.
Элементы ЧАКФ обозначим k. Система уравнений Юла-Уокера связывает неизвестные 1, …, k со значениями автокорреляции r1, …, rk
Решая систему для k = 1, 2, …, из каждого решения выбираем только одно значение k.
Первые значения ЧАКФ: 1= r1,
С помощью МНК получают числовые значения коэффициентов АР(р)-модели. Прогнозные оценки базируются как на фактических, так и на полученных прогнозных уровнях ряда.
Если значения выходят за границы белого шума, есть автокореляця, можно строить авторегрессию.
Наличие сезонности говорит о автокорел связях. Для рядов сезоннсти порядок модели авторегресссии = длине цикла сезонности, если сезонности нет, то порядок авторегресии - наиблший сдвиг (лаг) при кот автокорел ф-ция выходит за границу белого шума.
Модели авторегрессии. Применение модели для прогнозирования.
Адаптивные модели Брауна. Алгоритм построения линейной модели Брауна.
Модель Брауна может отображать развитие не только в виде линейной тенденции, но также в виде случайного процесса, не имеющего тенденции, а также в виде изменяющейся параболической тенденции. Соответственно различают адаптивные модели Брауна:
Нулевого порядка. Описывает процессы, не имеющие тенденции развития. Она имеет один параметр a0 – оценка текущего уровня y(t). Прогноз развития на k шагов вперед осуществляется согласно формуле . Такая модель также называется «наивной» («будет, как было»).
Первого порядка. . Коэффициент a0 – значение, близкое к уровню , и представляет как бы закономерную составляющую этого уровня. Коэффициент a1 определяет прирост, сформировавшийся к моменту t, но отражающий также (правда, в меньшей степени) скорость роста на более ранних этапах.
Второго порядка. Отражает развитие в виде параболической тенденции с изменяющимися «скоростью» и «ускорением». Она имеет три параметра (a2 – оценка текущего прироста или «ускорение»). Прогноз осуществляется по формуле: .
Порядок модели обычно определяют либо априорно на основе визуального анализа графика процесса (есть ли тренд и близок ли он к линейной функции), знаний законов развития характера изменения исследуемого явления, либо методом проб, сравнивая статистические характеристики моделей различного порядка на участке ретроспективного прогнозирования.
Рассмотрим этапы построения линейной модели Брауна .
Этап 1. По первым пяти точкам ряда y(t) с помощью метода наименьших квадратов оцениваются начальные значения a0(0) и a1(0) параметров модели для линейной аппроксимации:
(t = 1, 2, ..., 5).
Этап 2. С использованием параметров a0(0) и a1(0) строят прогноз на один шаг, подставляя t = 0, k = 1: .
Этап 3. Расчетное значение сравнивают с фактическим значением y(t) и вычисляют величину их расхождения (ошибки прогнозирования).
.
Этап 4. В соответствии с этой величиной корректируются параметры модели. В линейной модели Брауна модификация осуществляется следующим образом:
;
,
где – коэффициент дисконтирования данных (от 0 до 1), характеризующий обесценивание данных за единицу времени и отражающий степень доверия более поздним наблюдениям, =1– – параметр сглаживания. Значение можно задать по формуле: = (N – 3)/(N – 1), а затем оптимизировать. N – длина временного рада.
Этап 5. По модели со скорректированными параметрами a0(t) и a1(t) находят прогноз на следующий момент времени.
Возврат к пункту 3, если t < N.
Этап 6. Интервальный прогноз на будущее строят по линейной модели кривой роста, используя a0(N) и a1(N) для k = 1, 2, ….