Случайная компонента стационарного временного ряда представляет собой. Временные ряды в эконометрических исследованиях

Cтраница 1

Опорный план, отвечающий рассматриваемому базису, оптимален, если все AV неотрицательны.  

Опорный план будет невырожденным, если он содержит т положительных компонент, в противном случае опорный план называется вырожденным.  

Опорный план территории поселения - картографическое отображение фактически сложившейся градостроительной и экологической ситуаций на территории поселения.  

Получив первый опорный план, следует проверить его оптимальность и, если требуется, перейти к новому опорному плану с лучшим значением целевой функции Z. Для этого применяют метод потенциалов.  

Пусть теперь первый опорный план найден. Существует ряд методов проверки координат вершины на оптимальность.  

Находят опорный план расширенной задачи.  

Базисом опорного плана будем называть произвольную линейно независимую систему из т столбцов матрицы А, включающую в себя все столбцы, соответствующие ненулевым координатам опорного плана.  

Базисом опорного плана называется произвольная линейно независимая система из т столбцов матрицы А, включающая в себя все столбцы, соответствующие ненулевым координатам опорного плана.  

По данному опорному плану каждому пункту (производителю или потребителю) сопоставляется число, наз. Предварит, потенциалы определяются из условия: разность предварит, потенциалов нары пунктов (производитель, потребитель) равна стоимости перевозки (СП) единицы продукта между этими пунктами, если связывающая их коммуникация является основной. Далее, для каждой пары пунктов (производитель и потребитель) вычисляется относит, стоимость перевозки единицы продукта, равная разности предварит, потенциалов этих пунктов. Если относит, стоимость перевозки не превосходит СП для любой пары пунктов, то имеющийся план оптимален, а предварит, потенциалы являются потенциалами задачи. Соединим / - и пункт-производитель с i - м пунктом-потребителем обходным маршрутом, составленным из осн.  

По данному опорному плану каждому пункту (производителю или потребителю) сопоставляется число, паз. Предварит, потенциалы определяются из условия: разность предварит, потенциалов нары пунктов (производитель, потребитель) равна стоимости перевозки (СП) единицы продукта между этими пунктами, если связывающая их коммуникация является основной. Далее, для каждой пары пунктов (производитель и потребитель) вычисляется относит, стоимость перевозки единицы продукта, равная разности предварит, потенциалов этих пунктов. СП для любой пары пунктов, то имеющийся план оптимален, а предварит, потенциалы являются потенциалами задачи. Пусть это условие не выполняется для нек-рых пар пунктов, одна из к-рых содержит пункты с номерами / и i. Соединим / - и пункт-производитель с i - м пунктом-потребителем обходным маршрутом, составленным из оси.  

С новым опорным планом повторяется та же процедура, что и с предыдущим. Один из этих случаев обязательно наступит через конечное число шагов.  

Когда в опорный план вводится новая переменная, то для сохранения его базпсности из него должна быть исключена одна из базисных неременных. Таким образом, на каждой итерации симплексного метода новая дуга вводится в план, а одна из базисных дуг исключается. После изменения плана он проверяется на соблюдение условий оптимальности с помощью расчетов, равноценных проверке выполнения всех неравенств (2) при текущих значениях двойственных неременных.  

О качестве моделей регрессии можно судить также по значениям коэффициента корреляции (индекса корреляции) и коэффициента детерминации для однофакторной модели и по значениям коэффициента множественной корреляции и совокупного коэффициента детерминации для моделей множественной регрессии.

Чем ближе абсолютные величины указанных коэффициентов к 1, тем теснее связь между изучаемым признаком и выбранными факторами и, следовательно, с тем большей уверенностью можно судить об адекватности построенной модели, включающей в себя наиболее влияющие факторы.

Для оценки точности регрессионных моделей обычно используются те же статистические критерии точности, что и для трендовых моделей, в частности, средняя относительная ошибка аппроксимации. Проверка значимости модели регрессии проводится с использованием F-критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели. Если расчетное значение этого критерия со степенями свободы vi = ra-lHV2 = ra-m-l, где п - количество наблюдений и т - число включенных в модель факторов, больше табличного значения критерия Фишера при заданном уровне значимости, то модель признается значимой.

Привести формулы для получения точечной (интервальной) оценки прогнозного значения изучаемого показателя.

Что называется временным рядом, уровнем временного ряда?

Временно́й ряд (или ряд динамики) - собранный в разные моменты времени статистический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса. Каждая единица статистического материала называется измерением или отсчётом, также допустимо называть его уровнем на указанный с ним момент времени. Во временном ряде для каждого отсчёта должно быть указано время измерения или номер измерения по порядку. Временной ряд существенно отличается от простой выборки данных, так как при анализе учитывается взаимосвязь измерений со временем, а не только статистическое разнообразие и статистические характеристики выборки

Временным рядом называется ряд наблюдаемых значений изучаемого показателя, расположенных в хронологическом порядке или в порядке возрастания времени.

Отдельно взятый временной ряд можно представить как выборочную совокупность из бесконечного ряда значений показателей во времени.

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

Уровнями временного ряда называются наблюдения

из которых состоит данный ряд.

Временной ряд называется моментным рядом , если уровень временного ряда фиксирует значение изучаемого показателя на определённый момент времени.

Временной ряд называется интервальным рядом , если уровень временного ряда характеризует значение показателя за определённый период времени.

Временной ряд называется производным рядом , если уровни ряда представлены в виде производных величин (средних или относительных показателей).

Исследование данных, представленных в виде временных рядов, преследует две основные цели:

1) характеристика структуры временного ряда;

2) прогнозирование будущих уровней временного ряда на основании прошлых и настоящих уровней.

Достижение поставленных целей возможно с помощью идентификации модели временного ряда.

Идентификацией модели временного ряда называется процесс выявления основных компонент, которые содержит изучаемый временной ряд.

Временные ряды могут содержать два вида компонент – систематическую и случайную составляющие.

Систематическая составляющая временного ряда является результатом воздействия постоянно действующих факторов.

Выделяют три основных систематических компоненты временного ряда:

2) сезонность;

3) цикличность.

Трендом называется систематическая линейная или нелинейная компонента, изменяющаяся во времени.

Сезонностью называются периодические колебания уровней временного ряда внутри года.

Цикличностью называются периодические колебания, выходящие за рамки одного года. Промежуток времени между двумя соседними вершинами или впадинами в масштабах года определяют как длину цикла.

Какова цель построения и анализа временных рядов.

Практическое изучение временного ряда предполагает выявление свойств ряда и получение выводов о вероятностном механизме, порождающем этот ряд. Основные цели при изучении временного ряда следующие:

– описание характерных особенностей ряда в сжатой форме;

– построение модели временного ряда;

– предсказание будущих значений на основе прошлых наблюдений;

– управление процессом, порождающим временной ряд, путем выборки сигналов, предупреждающих о грядущих неблагоприятных событиях.

Достижение поставленных целей возможно далеко не всегда как из-за недостатка исходных данных (недостаточная длительность наблюдения), так из-за изменчивости со временем статистической структуры ряда.

Перечисленные цели диктуют в значительной мере, последовательность этапов анализа временных рядов:

Графическое представление и описание поведения ряда;

Выделение и исключение закономерных, неслучайных составляющих ряда, зависящих от времени;

Исследование случайной составляющей временного ряда, оставшейся после удаления закономерной составляющей;

Построение (подбор) математической модели для описания случайной составляющей и проверка ее адекватности;

Прогнозирование будущих значений ряда.

При анализе временных рядов используются различные методы, наиболее распространенными из которых являются:

Корреляционный анализ, используемый для выявления характерных особенностей ряда (периодичностей, тенденций и т. д.);

спектральный анализ, позволяющий находить периодические составляющие временного ряда;

Методы сглаживания и фильтрации, предназначенные для преобразования временных рядов с целью удаления высокочастотных и сезонных колебаний;

Методы прогнозирования.

Анализ временных рядов - это анализ, основанный на исходном предложении, согласно которому случившееся в прошлом служит достаточно надежным указанием на то, что произойдет в будущем. Это также можно назвать проектированием тенденций.

Существует две основные цели анализа временных рядов : определение природы ряда и прогнозирование , т.е. предсказание будущих значений временного ряда по настоящим и прошлым значениям. Обе цели требуют, чтобы модель ряда была определена и более или менее формально описана. Как только модель определена, с ее помощью можно интерпретировать рассматриваемые данные - например, использовать ее для анализа наличия сезонного изменения цен на товары. Затем можно экстраполировать ряд на основе найденной модели, т.е. предсказать его будущие значения.

Указать общий вид и область применения модели аддитивной модели временного ряда.

Модели , где временной ряд представлен в виде суммы перечисленных компонентов называются аддитивными , если в виде произведения – мультипликативными моделями . Аддитивная модель имеет вид: Y = T + S + E.

Общий вид аддитивной модели следующий:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (E) компонент.

Аддитивная модель применима в тех случаях, когда анализируемый временной ряд имеет приблизительно одинаковые изменения на протяжении всей длительности ряда.

Наиболее фундаментальной является классическая мультипликативная модель временного ряда, широко используемая при анализе ежемесячных, ежеквартальных и ежегодных данных и потому чаще всего применяемая в экономических исследованиях.

Определить параметры аддитивной модели: тренд, сезонная компонента, ошибка модели.

Компоненты временного ряда

Уровни временного ряда являются суммой двух составляющих:

систематической (детерминированной, регулярной)

случайной (нерегулярной, непредсказуемой), не зависящей от времени

Регулярная составляющая, в общем случае, может складываться из тренда, циклической компоненты и сезонной компоненты. Однако, регулярная составляющая не обязательно должна включать все три компоненты.

Случайная (нерегулярная) компонента. Экономисты разделяют факторы, под действием которых формируется нерегулярная компонента, на 2 вида:

факторы резкого, внезапного действия;

текущие факторы.

Первый тип факторов (например, стихийные бедствия, эпидемии и др.), как правило , вызывает более значительные отклонения по сравнению со случайными колебаниями - иногда такие отклонения называют катастрофическими колебаниями.

Факторы второго типа вызывают случайные колебания, являющиеся результатом действия большого числа побочных причин. Влияние каждого из текущих факторов незначительно, но ощущается их суммарное воздействие.

Цель сезонной декомпозиции и корректировки временного ряда состоит в том, чтобы разложить ряд на составляющие: тренд, сезонную компоненту и нерегулярную составляющую.

В общем случае временной ряд можно представить из четырех различных компонент:

сезонной компоненты (обозначается St, где t обозначает момент времени)

тренда (Tt)

циклической компоненты (Ct)

случайной, нерегулярной компоненты (Et)

Разница между циклической и сезонной компонентой состоит в том, что последняя имеет регулярную (сезонную) периодичность, тогда как циклические факторы обычно имеют более длительный эффект, который, к тому же, меняется от цикла к циклу. Тренд и циклическую компоненту обычно объединяют в одну тренд-циклическую компоненту (TtCt) (для простоты обозначений далее TtCt->Tt). Конкретные функциональные взаимосвязи между этими компонентами могут иметь самый разный вид. Однако можно выделить два основных способа, с помощью которых они могут взаимодейс твовать - аддитивно и мультипликативно:

Аддитивная модель: Уt = TCt + St + Et

Мультипликативная модель: Уt = Tt*Ct*St*Et

Модель смешанного типа: Уt = Tt*Ct*St+Et

Выбор одной из трех 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:

Выравнивание исходного ряда методом скользящей средней .

Расчет значений сезонной компоненты S .

Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (Y - S=T + E) в аддитивной или (Y: S=T * E) в мультипликативной модели.

Аналитическое выравнивание уровней (T + E) или (T * E) и расчет значений T с использованием полученного уравнения тренда.

Расчет полученных по модели значений (T + E) или (T * E).

Расчет абсолютных и/или относительных ошибок. Если из временного ряда удалить тренд (Tt) и периодические составляющие (Ct и St), то останется нерегулярная компонента (Et), так называемая, ошибка. Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок (Et) для анализа взаимосвязи исходного ряда и других временных рядов.

Скользящее среднее

Прежде, чем рассчитывать сезонную компоненту (S), исходный временной ряд необходимо выровнять. Для этого применяются методы механического выравнивания, к которым относятся:

метод скользящих средних;

метод экспоненциального сглаживания;

метод медианного сглаживания и др.

Вычисляя скользящее среднее для временного ряда, интервал сглаживания (ширина окна) берется равным периоду сезонности. Если период сезонности - четное число, можно выбрать одну из двух возможностей:

в случае взвешенного скользящего среднего, брать скользящее среднее с одинаковыми весами или же с неравными весами так, что первое и последнее наблюдения в окне имеют усредненные веса.

в случае простого скользящего среднего, необходимо провести процедуру центрирования, которая заключается в повторном скольжении с шагом, равным двум. Число уровней сглаженного ряда будет меньше на величину шага скользящей средней.

После определения скользящих средних вся сезонная (т.е. внутри сезона) изменчивость будет исключена и поэтому разность (в случае аддитивной модели) или отношение (для мультипликативной модели) между наблюдаемым (Yi) и сглаженным рядом (Ŷt) будет выделять сезонную составляющую плюс нерегулярную компоненту.

Таким образом, результатом процедуры сглаживания будет временной ряд выровненных значений Ŷt, не содержащий сезонной компоненты. То есть: ряд скользящих средних вычитается из наблюдаемого ряда (Yi-Ŷt) (в аддитивной модели) или же значения наблюдаемого ряда делятся на значения скользящих средних (Yi:Ŷt) (в мультипликативной модели).

Сезонная составляющая

На следующем шаге вычисляется сезонная составляющая, как среднее (для аддитивных моделей) или урезанное среднее (для мультипликативных моделей) всех значений ряда, соответствующих данной точке сезонного интервала по аналогичным временным периодам, с последующей сезонной корректировкой ряда.

Если временной ряд представлен аддитивной моделью, то в качестве сезонной компоненты (составляющей) используется показатель абсолютного отклонения – SΔi (S->SΔi). Сумма всех сезонных компонент, т.е. показателей абсолютных отклонений SΔi должна быть равна нулю.

Если временной ряд представлен мультипликативной моделью, то в качестве сезонной компоненты используется индекс сезонности – Isi (S->Isi). Среднее всех сезонных компонент, т. е. индексов сезонности Isi, должно быть равно единице.

Обычно сумма индексов се­зонности хотя и незначительно, но отличается от 4 (для четырех кварталов сумма индексов должна быть равна 4, для года - 12, а их средняя рав­на 1,00), то для устранения этих расхождений определяется попра­вочный коэффициент как отношение теоретической суммы ин­дексов (4,0) к фактической величине их суммы.

Показатель абсолютного отклонения в i-том сезоне рассчитывается как среднее арифметическое из отклонений фактического и выровненного уровней временного ряда:

Индекс сезонности в i-том сезоне рассчитывается как среднее арифметическое из отношений фактического уровня временного ряда к выровненному:

Если, при построении аддитивной модели временного ряда, сумма всех абсолютных отклонений не равна нулю, то рассчитываются скорректированные значения сезонных компонент по формуле:

где L – общее количество сезонных компонент (уровни временного ряда могут быть представлены в виде квартальных показателей, либо детализированы по месяцам за весь временной отрезок). При этом, для определения среднего значения отклонений для соответствующего периода, все отклонения необходимо сгруппировать (соответственно, по аналогичным кварталам или месяцам каждого года) и только потом определить среднюю величину отклонений, на которую и будет произведена корректировка. В мультипликативной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В случае с поквартальным представлением уровней временного ряда, число периодов одного цикла равно 4.

Уровни исходного временного ряда корректируются на величину сезонной компоненты следующим образом:

1) для аддитивной модели: из исходных уровней вычитаются скорректированные показатели абсолютных отклонений

SΔi (S->SΔi) (Уt=TtCt+St+Et отсюда: Y - SΔскорр.=T+E)

2) для мультипликативной модели: уровни исходного временного ряда делятся на скорректированные индексы сезонности

Isi (S->Isi) (Уt=Tt*Ct*St*Et отсюда: Y: Isскорр.=T*E)

(Смотри на примере: Сезонная корректировка временного ряда)

На следующем этапе построения модели временного ряда осуществляется расчёт трендовой компоненты с помощью метода аналитического выравнивания функциями времени y=f(t) или кривыми роста. Данный метод выравнивания применяют не к исходному временному ряду, а к временному ряду с исключённой сезонной компонентой. Эти значения рассчитываются за каждый момент времени и содержат только тенденцию (T) и случайную компоненту (E).

Тренд-циклическая компонента

Циклическая компонента отличается от сезонной компоненты тем, что продолжительность цикла больше, чем один сезонный период (год) и разные циклы могут иметь разную продолжительность. Периодическая компонента рассматривается как долговременное колебательное изменение уровней - долгопериодическая функция. Примерами долговременной циклической компоненты могут служить демографические, инвестиционные и другие циклы; соответствующая реакция экономики страны, находящейся в определенной фазе своего развития: I – фаза кризиса; II – фаза депрессии; III – фаза оживления; IV – фаза подъема и стабилизации. Теория циклического развития создает основу для преодоления экстраполяционных подходов в построении прогнозов, для достоверного учета нелинейности экономической динамики. Ориентация на цикличный характер развития способствует верному выявлению и отражению в прогнозах предстоящих критических или поворотных точек в трендовом движении.

Развитие цивилизаций Случайная или нерегулярная компонента

На последнем шаге выделяется случайная или нерегулярная компонента (погрешность, шум, ошибка) путем вычитания из ряда с сезонной поправкой (аддитивная модель) или делением этого ряда (мультипликативная модель) на тренд-циклическую компоненту.

Привести схему построения аддитивной модели временного ряда.

Алгоритм построения аддитивной модели

Построение аддитивной моделей сводится к расчету значений T, S и E для каждого уровня ряда.

3 Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T + E).

4 Аналитическое выравнивание уровней (T + E) с использованием полученного уравнения тренда.

5 Расчет полученных по модели значений (T + E).

Указать формулу расчета прогнозного значения по аддитивной модели временного ряда.

Прогнозирование по аддитивной модели. Прогнозное значение Ft уровня временного ряда в аддитивной модели есть сумма трендовой и сезонной компонент

Прогнозные значения по модели с аддитивной компонентой рассчитываются как

F = Т + S+/-E (тыс. шт. за квартал),

где трендовое значение Т, сезонная компонента S , Е - ошибка прогноза

Привести схему построения мультипликативной модели временного ряда .

Алгоритм построения мультипликативной модели

Построение 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 выровненных данных (T x E).

4Аналитическое выравнивание уровней (T x E) с использованием полученного уравнения тренда.

5 Расчет полученных по модели значений (T x E).

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 E для анализа взаимосвязи исходного ряда и других временных рядов.

Указать формулу расчета прогнозного значения по мультипликативной модели временного ряда.

Прогнозирование по мультипликативной модели. Прогнозное значение Ft уровня временного ряда в мультипликативной модели есть сумма трендовой и сезонной компонент. Для мультипликативной модели фактическое значение рассчитывается по формуле:

Расчет фактического значения в мультипликативной модели

Т - трендовое значение S - сезонная вариация Е - ошибка прогноза

Описать схему построения модели прогнозирования на основе временных рядов при отсутствии сезонных колебаний.

Какие формулы расчета точечной и интервальной оценки прогнозного значения применяются в модели временного ряда при отсутствии сезонных колебаний?

В чем заключаются ошибки 1-го и 2-го рода временного ряда

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

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.

Реальные данные часто содержат все три компоненты. В большинстве случаев временной ряд можно представить как сумму или произведение трендовой , циклической и случайной компонент. В случае суммы имеет место аддитивная модель временного ряда:

(1)

в случае произведения – мультипликативная модель:

. (2)

Основная задача эконометрического исследования отдельного временного ряда – выявление количественного выражения каждой из компонент и использование полученной информации для прогноза будущих значений ряда или построение модели взаимосвязи двух или более временных рядов.

Сначала рассмотрим основные подходы к анализу отдельного временного ряда. Такой ряд может содержать, помимо случайной составляющей, либо только тенденцию, либо только сезонную (циклическую) компоненту, либо все компоненты вместе. Для того, чтобы выявить наличие той или иной неслучайной компоненты, исследуется корреляционная зависимость между последовательными уровнями временного ряда, или автокорреляция уровней ряда. Основная идея такого анализа заключается в том, что при наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих.

Количественно автокорреляцию можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.

Коэффициент автокорреляции уровней ряда первого порядка измеряет зависимость между соседними уровнями ряда и т.е. при лаге 1.

Он вычисляется по следующей формуле:

(3)

где в качестве средних величин берутся значения:

(4)

В первом случае усредняются значения ряда, начиная со второго до последнего, во втором случае - значения ряда с первого до предпоследнего.

Формулу (3) можно представить как формулу выборочного коэффициента корреляции:

(5)

где в качестве переменной берется ряд а в качестве переменной ряд

Если значение коэффициента (3) близко к единице, это указывает на очень тесную зависимость между соседними уровнями временного ряда и о наличии во временном ряде сильной линейной тенденции.

Аналогично определяются коэффициенты автокорреляции более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и и определяется по формуле:

(6)

где в качестве одной средней величины берут среднюю уровней ряда с третьего до последнего, а в качестве другой - среднюю с первого уровня до

(7)

Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Для обеспечения статистической достоверности максимальный лаг, как считают некоторые известные эконометристы, не должен превышать четверти общего объема выборки.

Коэффициент автокорреляции строится по аналогии с линейным коэффициентом корреляции, и поэтому он характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. По нему можно судить о наличии линейной или близкой к линейной тенденции. Однако для некоторых временных рядов с сильной нелинейной тенденцией (например, параболической или экспоненциальной), коэффициент автокорреляции уровней ряда может приближаться к нулю.

Кроме того, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных имеют положительную автокорреляцию уровней, однако при этом не исключается убывающая тенденция.

Последовательность коэффициентов автокорреляции уровней различных порядков, начиная с первого, называется автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага называется коррелограммой. Анализ автокорреляционной функции и коррелограммы помогает выявить структуру ряда. Здесь уместно привести следующие качественные рассуждения.

Если наиболее высоким является коэффициент автокорреляции первого порядка, очевидно, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка τ , ряд содержит циклические колебания с периодичностью в τ моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, то либо ряд не содержит тенденции и циклических колебаний и имеет только случайную составляющую, либо ряд содержит сильную нелинейную тенденцию, для исследования которой нужно провести дополнительный анализ.

Пример . Пусть имеются данные об объёмах потребления электроэнергии жителями района за 16 кварталов, млн. квт.-ч:

t
y t	6,0	4,4	5,0	9,0	7,2	4,8	6,0	10,0	8,0	5,6	6,4	11,0	9,0	6,6	7,0	10,8

Нанесем эти значения на график:

Определим автокорреляционную функцию данного временного ряда. Рассчитаем коэффициент автокорреляции первого порядка. Для этого определим средние значения:

С учетом этих значений можно построить вспомогательную таблицу:

t	y t
	6,0		-1,0667			1,137778
	4,4	-2,9867	-2,6667	3,185778	8,920178	7,111111
	5,0	-2,3867	-2,0667	6,364444	5,696178	4,271111
	9,0	1,6133	1,9333	-3,33422	2,602844	3,737778
	7,2	-0,1867	0,1333	-0,36089	0,034844	0,017778
	4,8	-2,5867	-2,2667	-0,34489	6,690844	5,137778
	6,0	-1,3867	-1,0667	3,143111	1,922844	1,137778
	10,0	2,6133	2,9333	-2,78756	6,829511	8,604444
	8,0	0,6133	0,9333	1,799111	0,376178	0,871111
	5,6	-1,7867	-1,4667	-1,66756	3,192178	2,151111
	6,4	-0,9867	-0,6667	1,447111	0,973511	0,444444
	11,0	3,6133	3,9333	-2,40889	13,05618	15,47111
	9,0	1,6133	1,9333	6,345778	2,602844	3,737778
	6,6	-0,7867	-0,4667	-1,52089	0,618844	0,217778
	7,0	-0,3867	-0,0667	0,180444	0,149511	0,004444
	10,8	3,4133		-0,22756	11,65084
Итог			9,813333	65,3173	54,0533

С помощью итоговых сумм подсчитаем величину коэффициента автокорреляции первого порядка:

.

Это значение свидетельствует о слабой зависимости текущих уровней ряда от непосредственно им предшествующих. Однако из графика очевидно наличие возрастающей тенденции уровней ряда, на которую накладываются циклические колебания.

Продолжая аналогичные расчеты для второго, третьего и т.д. порядков, получим автокорреляционную функцию, значения которой сведем в таблицу и построим по ней коррелограмму:

Лаг
	0,16515	0,56687	0,11355	0,98302	0,11871	0,72204	0,00336	0,97384

Из коррелограммы видно, что наиболее высокий коэффициент корреляции наблюдается при значении лага, равном четырем, следовательно, ряд имеет циклические колебания периодичностью в четыре квартала. Это подтверждается и графическим анализом структуры ряда.

В случае, если при анализе структуры временного ряда обнаружена только тенденция и отсутствуют циклические колебания (случайная составляющая присутствует всегда), следует приступать к моделированию тенденции. Если же во временном ряде имеют место и циклические колебания, прежде всего следует исключить именно циклическую составляющую, и лишь затем приступать к моделированию тенденции. Выявление тенденции состоит в построении аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда . Этот способ называют аналитическим выравниванием временного ряда .

Зависимость от времени может принимать разные формы, поэтому для её формализации используют различные виды функций:

Линейный тренд: ;

Гипербола: ;

Экспоненциальный тренд: (или );

Степенной тренд: ;

Параболический тренд второго и более высоких порядков:

Параметры каждого из трендов можно определить обычным МНК, используя в качестве независимой переменной время , а в качестве зависимой переменной – фактические уровни временного ряда y t (или уровни за вычетом циклической составляющей, если таковая была обнаружена). Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.

Существует несколько способов определения типа тенденции. Чаще всего используют 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 y t и y t -1 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 и выбора уравнения тренда с максимальным значением этого коэффициента. Реализация этого метода относительно проста при компьютерной обработке данных.

При анализе временных рядов, содержащих сезонные или циклические колебания, наиболее простым подходом является расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временнóго ряда в форме (1) или (2).

Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель (1), в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель (2), которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение модели (1) или (2) сводится к расчету значений Т , S или Е 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 выровненных 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 (Т·S )

6. Расчет абсолютных и относительных ошибок.

Пример . Построение аддитивной модели временного ряда . Рассмотрим данные об объёме потребления электроэнергии жителями района из ранее приведенного примера. Из анализа автокорреляционной функции было показано, что данный временнóй ряд содержит сезонные колебания периодичностью в 4 квартала. Объёмы потребления электроэнергии в осенне – зимний период (I и IV кварталы) выше, чем весной и летом (II и III кварталы). По графику этого ряда можно установить наличие приблизительно равной амплитуды колебаний. Это говорит о возможном наличии аддитивной модели. Рассчитаем её компоненты.

Шаг 1 . Проведем выравнивание исходных уровней ряда методом скользящей средней.

Поскольку циклические колебания имеют периодичность в 4 квартала, просуммируем уровни ряда последовательно за каждые 4 квартала со сдвигом на один момент времени и определим условные годовые объёмы потребления электроэнергии (колонка 3 в таблице 1).

Разделив полученные суммы на 4, найдем скользящие средние (колонка 4 таблицы 1). Полученные таким образом выровненные значения уже не содержат сезонной компоненты.

Поскольку скользящие средние получены осреднением четырех соседних уровней ряда, т.е. четного числа значений, они соответствуют серединам подынтервалов, состоящих из четверок чисел, т.е. должны располагаться между третьим и четвертым значениями четверок исходного ряда. Для того, чтобы скользящие средние располагались на одних временных отметках с исходным рядом, пары соседних скользящих средних ещё раз усредняются и получаются центрированные скользящие средние (колонка 5 таблицы 1). При этом теряются первые две и последние две отметки временного ряда, что связано с осреднением по четырем точкам.

Таблица 1

№ квартала	Потребление электроэнергии y t	Итого за четыре квартала			Оценка сезонной компоненты
	6,0
	4,4
	5,0	24,4	6,10	6,25	-1,250
	9,0	25,6	6,40	6,45	2,550
	7,2	26,0	6,50	6,625	0,575
	4,8	27,0	6,75	6,875	-2,075
	6,0	28,0	7,00	7,1	-1,100
	10,0	28,8	7,20	7,3	2,700
	8,0	29,6	7,40	7,45	0,550
	5,6	30,0	7,50	7,625	-2,025
	6,4	31,0	7,75	7,875	-1,475
	11,0	32,0	8,00	8,125	2,875
	9,0	33,0	8,25	8,325	0,675
	6,6	33,6	8,40	8,375	-1,775
	7,0	33,4	8,35
	10,8

Шаг 2 . Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда (колонка 2 таблицы 1) и центрированными скользящими средними (колонка 5). Эти значения помещаем в колонку 6 таблицы 1 и используем для расчета значений сезонной компоненты (таблица 2), которые представляют собой средние за каждый квартал (по всем годам) оценки сезонной компоненты S i . В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период (в данном случае – за год) взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем точкам (здесь – по четырем кварталам) должна быть равна нулю.

Таблица 2

Для данной модели сумма средних оценок сезонной компоненты равна:

0,6-1,958-1,275+2,708=0,075.

Эта сумма оказалась не равной нулю, поэтому каждую оценку уменьшим на величину поправки, равной одной четверти полученного значения:

Δ=0,075/4=0,01875.

Рассчитаем скорректированные значения сезонной компоненты (они записаны в последней строке таблицы 2):

(8)

Эти значения при суммировании уже равны нулю:

0,581-1,977-1,294+2,69=0.

Шаг 3 . Исключаем влияние сезонной компоненты, вычитая её значения из каждого уровня исходного временного ряда. Получаем величины:

T+E=Y-S (9)

Эти значения рассчитываются в каждый момент времени и содержат только тенденцию и случайную компоненту (колонка 4 следующей таблицы):

Таблица 3

t				T	T+S		E 2
	6,0	0,581	5,419	5,902	6,483	-0,483	0,2332
	4,4	-1,977	6,377	6,088	4,111	0,289	0,0833
	5,0	-1,294	6,294	6,275	4,981	0,019	0,0004
	9,0	2,69	6,310	6,461	9,151	-0,151	0,0228
	7,2	0,581	6,619	6,648	7,229	-0,029	0,0008
	4,8	-1,977	6,777	6,834	4,857	-0,057	0,0032
	6,0	-1,294	7,294	7,020	5,726	0,274	0,0749
	10,0	2,69	7,310	7,207	9,897	0,103	0,0107
	8,0	0,581	7,419	7,393	7,974	0,026	0,0007
	5,6	-1,977	7,577	7,580	5,603	-0,003	0,0000
	6,4	-1,294	7,694	7,766	6,472	-0,072	0,0052
	11,0	2,69	8,310	7,952	10,642	0,358	0,1278
	9,0	0,581	8,419	8,139	8,720	0,280	0,0785
	6,6	-1,977	8,577	8,325	6,348	0,252	0,0634
	7,0	-1,294	8,294	8,512	7,218	-0,218	0,0474
	10,8	2,69	8,110	8,698	11,388	-0,588	0,3458

Шаг 4 . Определим трендовую компоненту данной модели. Для этого проведем выравнивание ряда (Т+Е ) с помощью линейного тренда:

, найдем уровни Т для каждого момента времени (колонка 5 таблицы 3).

Шаг 5 . Найдем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням Т значения сезонной компоненты для соответствующих кварталов, т.е. к значениям в колонке 5 таблицы 3 прибавим значения в колонке 3. Результаты операции представлены в колонке 6 таблицы 3.

Шаг 6 . В соответствии с методикой построения аддитивной модели расчет ошибки производим по формуле:

(10)

Это абсолютная ошибка. Численные значения абсолютных ошибок приведены в колонке 7 таблицы 3.

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%. Следовательно, можно сказать, что аддитивная модель объясняет 98,5% общей вариации уровней временного ряда потребления электроэнергии за последние 16 кварталов.

Пример . Построение мультипликативной модели временного ряда . Пусть имеются поквартальные данные о прибыли компании за последние четыре года:

Таблица 4

График временного ряда свидетельствует о наличии сезонных колебаний периодичностью 4 квартала и общей убывающей тенденции уровней ряда:

Прибыль компании в весенне-летний период выше, чем в осенне-зимний период. Поскольку амплитуда сезонных колебаний уменьшается, можно предположить существование мультипликативной модели. Определим её компоненты.

Шаг 1 . Проведем выравнивание исходных уровней ряда методом скользящей средней. Методика, применяемая на этом шаге, полностью совпадает с методикой аддитивной модели. Результаты расчетов оценок сезонной компоненты представлены в таблице:

Таблица 5

№ квартала	Прибыль компании	Итого за четыре квартала	Скользящая средняя за четыре квартала	Центрированная скользящая средняя	Оценка сезонной компоненты
			81,500	81,250	1,108
			81,000	80,000	0,800
			79,000	77,750	0,900
			76,500	75,750	1,215
			75,000	74,000	1,081
			73,000	71,500	0,811
			70,000	68,500	0,905
			67,000	65,750	1,217
			64,500	63,250	1,075
			62,000	59,500	0,807
			57,000	54,750	0,950
			52,500	50,250	1,194
			48,000

Шаг 2 . Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (колонка 6 таблицы). Используем эти оценки для расчета значений сезонной компоненты S . Для этого найдем средние за каждый квартал оценки сезонной компоненты S i . Взаимопогашаемость сезонных воздействий в мультипликативной модели выражается в том, что сумма значений сезонной компоненты по всем кварталам должна равняться числу периодов в цикле. В нашем случае число периодов одного цикла (год) равно четырем кварталам. Результаты расчетов сведем в таблицу:

Таблица 6

Здесь сумма средних оценок сезонных компонент по всем четырем кварталам

не равна четырем. Чтобы эта сумма равнялась четырем, умножим каждое слагаемое на поправочный коэффициент

0,803 79,70 79,48 63,82 1,003 0,179 0,03 0,913 76,67 76,70 70,03 1,000 -0,030 0,00 1,202 76,54 73,93 88,86 1,035 3,139 9,85 1,082 73,94 71,15 76,99 1,039 3,013 9,08 0,803 72,23 68,38 54,91 1,056 3,093 9,57 0,913 67,91 65,60 59,90 1,035 2,105 4,43 1,202 66,56 62,83 75,52 1,059 4,482 20,08 1,082 62,85 60,05 64,98 1,047 3,024 9,14 0,803 59,78 57,28 45,99 1,044 2,007 4,03 0,913 56,96 54,50 49,76 1,045 2,240 5,02 1,202 49,92 51,73 62,18 0,965 -2,176 4,73 1,082 46,21 48,95 52,97 0,944 -2,966 8,79 0,803 37,36 46,18 37,08 0,809 -7,080 50,12

Шаг 3 . Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. Тем самым мы получим величины

, (12)

Шаг 4 . Определим трендовую компоненту в мультипликативной модели. Для этого рассчитаем параметры линейного тренда, используя уровни (Т+Е ). Уравнение тренда имеет вид:

Подставляя в это уравнение значения , найдем уровни Т для каждого момента времени (колонка 5 таблицы).

Шаг 5 . Найдем уровни ряда по мультипликативной модели, умножив уровни Т на значения сезонной компоненты для соответствующих кварталов (колонка 6 таблицы).

Шаг 6 . Расчет ошибок в мультипликативной модели произведем по формуле:

. (13)

Численные значения ошибок приведены в колонке 7 таблицы. Для того, чтобы сравнить мультипликативную модель и другие модели временного ряда, можно по аналогии с аддитивной моделью использовать сумму квадратов абсолютных ошибок. Абсолютные ошибки в мультипликативной модели определяются как:

. (14)

В данной модели сумма квадратов абсолютных ошибок составляет 207,4. Общая сумма квадратов отклонений фактических уровней этого ряда от среднего значения равна 5023. Таким образом, доля объясненной дисперсии уровней ряда составляет 95,9%.

Прогнозирование по аддитивной или мультипликативной модели временного ряда сводится к расчету будущего значения временного ряда по уравнению модели без случайной составляющей в виде

для аддитивной или

для мультипликативной модели.