АНАЛИЗ ТРЕНДОВ И ВРЕМЕННЫХ РЯДОВ

Введение Временные ряды отличаются от обычных данных об одном временном срезе в том отношении, что в случае временных рядов сама последовательность наблюдений несет в себе важную информацию. Теперь чтобы охарактеризовать совокупность данных в целом, уже недостаточно знать лишь типичное значение этих данных (среднее значение) или даже изменчивость этой совокупности данных (дисперсия). В этом случае желательно знать, что, скорее всего, произойдет дальше. НУЖЕН ПРОГНОЗ!

Введение ПРИМЕР. Чтобы составить бюджет на следующий квартал, требуется достоверная оценка ожидаемого объема продаж. Этот прогноз послужит основой для прогнозирования других показателей бюджета (возможно, с помощью регрессионного анализа). Проанализировав временной ряд фактических квартальных объемов продажи за последние несколько лет, можно выдать прогноз, который будет представлять собой наиболее достоверную оценку, базирующуюся на общих тенденциях продаж, с учетом любых сезонных колебаний спроса.

Анализ трендов и сезонности Анализ трендов и сезонности представляет собой непосредственный, интуитивный подход к оцениванию четырех базовых компонентов помесячных или поквартальных временных рядов: долгосрочный тренд (тенденция), сезонность, циклическая вариация и нерегулярный компонент. Базовая модель временного ряда представляет числа в этом ряде в виде произведения, получаемого путем умножения перечисленных компонентов.

Анализ трендов и сезонности

Тренд и циклический компонент: скользящее среднее Скользящее среднее представляет собой новый ряд, полученный путем усреднения соседних наблюдений временного ряда и перехода к следующему периоду времени – в итоге получается более гладкий ряд.

Анализ трендов и сезонности Сезонный индекс: среднее значение отношения к скользящему среднему отражает сезонное поведение Чтобы выделить сезонное поведение, прежде всего, следует получить отношение исходных значений к скользящему среднему. Полученный результат будет включать сезонный и нерегулярный компоненты, поскольку скользящее среднее исключает из данных тренд и циклический компонент.

Анализ трендов и сезонности Затем, чтобы устранить нерегулярный компонент, надо усреднить эти значения для каждого сезона. Сезонный компонент проявляется, поскольку он присутствует ежегодно, тогда как нерегулярный компонент, как правило, удается усреднить.

Анализ трендов и сезонности Поправка на сезон: деление ряда на сезонный индекс. Поправка на сезонные колебания устраняет из результатов измерения ожидаемый сезонный компонент (путем деления ряда на сезонный индекс для соответствующего периода), что позволяет нам непосредственно сравнивать один квартал или месяц с другим (после внесения поправки на сезон), выявляя те или иные скрытые тенденции.

Анализ трендов и сезонности Долгосрочный тренд и прогноз с поправкой на сезонные колебания: линия регрессии Когда временной ряд демонстрирует долгосрочную линейную тенденцию к нарастанию или снижению, для оценки этой тенденции и прогнозирования будущего можно воспользоваться регрессионным анализом.

Анализ трендов и сезонности Прогноз: тренд с учетом сезонности Чтобы прогнозировать будущее, надо учесть сезонность в долгосрочном тренде, вернув ему ожидаемую сезонную вариацию. Для этого достаточно умножить значение тренда на значение сезонного индекса для того периода времени, который вы прогнозируете. Этот процесс является обратным по отношению к внесению поправки на сезонные колебания. Результирующий прогноз включает долгосрочный тренд и сезонную вариацию.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса АRIМА-процессы Бокса-Дженкинса представляют собой семейство линейных статистических моделей, основанных на нормальном распределении, которые позволяют имитировать поведение множества различных реальных временных рядов путем комбинирования процессов авторегрессии, процессов интегрирования и процессов скользящего среднего. ARIMA - сокращение от Autoregressive Integrated Moving Average

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Процесс случайного шума не обладает памятью: отправная точка Процесс случайного шума состоит из случайной выборки (независимых наблюдений) из нормального распределения с постоянным средним и стандартным отклонением. Какие- либо тенденции (тренды) в этом случае отсутствуют, поскольку – по причине независимости - наблюдения не помнят о прошлом поведении ряда.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Процесс авторегрессии (AR) обладает памятью о своем прошлом Любое наблюдение процесса авторегрессии (часть "AR" названия ARIMA) представляет собой линейную функцию от предыдущего наблюдения плюс случайный шум. Таким образом, процесс авторегрессии помнит о своем предыдущем состоянии и использует эту информацию для определения своего дальнейшего поведения.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Процесс скользящего среднего (МА) имеет ограниченную память Любое наблюдение процесса скользящего среднего состоит из константы, (долгосрочное среднее значение процесса), плюс независимый случайный шум минус часть предыдущего случайного шума. Процесс скользящего среднего не помнит в точности своего прошлого, но помнит компонент случайного шума того состояния, в котором он (процесс) находился. Таким образом, его память ограничена одним шагом в будущее; за пределами этого шага для процесса все начинается заново.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Процесс авторегрессии и скользящего среднего (ARMA) сочетает в себе AR и МА Любое наблюдение процесса авторегрессии и скользящего среднего состоит из линейной функции от предыдущего наблюдения плюс независимый случайный шум минус некоторая доля предыдущего случайного шума. Процесс авторегрессии и скользящего среднего запоминает как свое предыдущее состояние, так и компонент случайного шума предыдущего состояния. Таким образом, его память сочетает в себе память процесса авторегрессии с памятью процесса скользящего среднего.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Чистый интегрированный (I) процесс помнит, где он находился, и затем движется случайно Каждое наблюдение чистого интегрированного (I) процесса (pure integrated (I) process), называемого также случайным блужданием, заключается в случайном шаге в сторону от текущего наблюдения. Этот процесс знает, где он находится, но забыл, как он попал туда.

Моделирование циклического поведения с помощью АRIМА-процессов Бокса-Дженкинса Процесс авторегрессионного интегрированного скользящего среднего (ARIMA) помнит свои изменения Процесс состоит из линейной функции предыдущего изменения плюс независимый случайный шум минус определенная доля предыдущего случайного шума. Этот процесс знает, где он находится, помнит, как он попал в это состояние, и помнит даже часть предыдущего шумового компонента.

ВОПРОСЫ ?