Для каждого месяца рассчитывается средняя величина уровня, например за три года (
), затем вычисляется среднемесячный уровень для всего ряда После чего определяется показатель сезонной волны — индекс сезонностиIs как процентное отношение средних для каждого месяца к общему среднемесячному уровню ряда, %:Is =
100%.где
— средний уровень для каждого месяца (минимум за три года); ~ среднемесячный уровень для всего ряда.Для наглядного представления сезонной волны исчисленные индексы сезонности изображают в виде графика.
Когда уровень проявляет тенденцию к росту или снижению, то отклонения от постоянного среднего уровня могут исказить сезонные колебания. В таких случаях фактические данные сопоставляются с выравненными, т. е. полученными аналитическим выравниванием.
Формулу для расчета индекса сезонности, %, в этом случае можно записать так:
где
u - фактические и расчетные (выравненные) уровни одноимённых внутригодовых периодов (соответственно); п — число лет.Необходимым условием регулирования рыночных отношений является составление надежных прогнозов развития социально-экономических явлений.
Выявление и характеристика трендов и моделей взаимосвязи создают базу для прогнозирования, т. е. для определения ориентировочных размеров явлений в будущем. Для этого используют метод экстраполяции.
Экстраполяция это нахождение уровней за пределами изучаемого ряда, т. е. продление в будущее тенденции, наблюдавшейся в прошлом (перспективная экстраполяция). Поскольку в действительности тенденция развития не остается неизменной, то данные, получаемые путем экстраполяции ряда, следует рассматривать как вероятностные оценки.
Экстраполяцию рядов динамики осуществляют различными способами, например, экстраполируют ряды динамики выравниванием по аналитическим формулам. Зная уравнение для теоретических уровней и подставляя в него значения t за пределами исследованного ряда, рассчитывают для t вероятностные
.На практике результат экстраполяции прогнозируемых явлений обычно получают не точечными (дискретными), а интервальными оценками.
Для определения границ интервалов используют формулу:
tα— коэффициент доверия по распределению Стьюдента;
- остаточное среднее квадратическое отклонение от тренда, скорректированное по числу степеней свободы (п - т);
п — число уровней ряда динамики;
т — число параметров адекватной модели тренда (для уравнения
прямой т = 2). Вероятностные границы интервала прогнозируемого явления:
Нужно иметь в виду, что экстраполяция в рядах динамики носит не только приближенный, но и условный характер.
Число степеней свободы — число элементов статистической совокупности, вариация которых свободна (неограничена).
Стьюдент — псевдоним английского математика и статистика Уильяма С. Госсета, разработавшего метод статистических оценок и проверки гипотез t-распределения, не являющегося нормальным.
РЕГРЕССИОННЫЙ АНАЛИЗ СВЯЗНЫХ ДИНАМИЧЕСКИХ РЯДОВ
Многомерные временные ряды, показывающие зависимость результативного признака от одного или нескольких факторных, называют связными рядами динамики. Применение методов наименьших квадратов для обработки рядов динамики не требует предположений о законах распределения исходных данных. Но при использовании метода наименьших квадратов для обработки связных рядов надо 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.
В значительной части рядов динамики экономических процессов между уровнями существует взаимосвязь. Ее можно представить в виде корреляционной зависимости между рядами у1, у2, у3,…уn и этим же рядом сдвинутым относительно первоначального положения на h моментов времени y 1+ h, y 2+h, y3+h …yn+h. Временное смещение L называется сдвигом, а само явление взаимосвязи - автокорреляцией.
Автокорреляционная зависимость существенна между последующими и предшествующими уровнями ряда динамики.
При анализе нескольких взаимосвязанных рядов динамики важно установить наличие и степень их автокорреляции(поскольку классические методы математической статистики применимы лишь в случае независимости отдельных членов ряда между собой).
Различаются два вида автокорреляции:
1) автокорреляция в наблюдениях за одной или более переменными;
2) 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 также проверку их значимости.
Автокорреляцию измеряют при помощи нециклического коэффициента автокорреляции, который рассчитывается не только между соседними уровнями, т. е. сдвинутыми на один период, но и между сдвинутыми на любое число единиц времени (L). Этот сдвиг, именуемый временным лагом, определяет и порядок коэффициентов автокорреляции: первого порядка (при L = 1), второго порядка (при L = 2) и т.д.
Формулу коэффициента автокорреляции можно записать следующим образом:
где
, - среднее квадратическое отклонение рядов уt и уt+1соответственно.Если значение последнего уровня (уn) ряда мало отличается от первого (у1), то сдвинутый ряд не укорачивается, его можно условно дополнить, принимая уn = у1. Тогда уt=уt+1и
= , поскольку рассчитываются они для одного и того же ряда. При такой замене, т. е. если t t+1 и ,формула коэффициента автокорреляции примет вид:Если ряд динамики состоит из уровней, среднее значение вторых равно нулю (
= 0), то выражение yпрощается: .Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду фактическое значение коэффициентов автокорреляции сопоставляется с табличным (критическим) для 5%-ного или 1%-ного уровня значимости (вероятности допустить ошибку при принятии нулевой гипотезы о независимости уровней ряда).
(Одна из специальных таблиц, в которой определена критическая область проверяемой гипотезы (об отсутствии автокорреляции), составленная Р. Андерсеном в 1942 г., приведена в приложении 12.)
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.
Для уменьшения автокорреляции применяют различные методы. Bсе они преследуют цель исключения основной тенденции (тренда) из первоначальных данных.
Самым распространенным примером выявления наличия автокорреляции в отклонениях от тренда или от регрессионной модели является использование критерия Дарбина - Уотсона, который рассчитывается по формуле
где еt=уt -
.Теоретическое основание применения этого критерия обусловлено тем, что в динамических рядах как сами наблюдения, так и отклонения от них распределяются в хронологическом порядке.