Решение задач прогнозирования с помощью статистического пакета SPSS

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда (АКФ).

График зависимости ее значений от величины лага называется коррелограмой.

АКФ и коррелограмма позволяют определить лаг, при котором автокорреляция наиболее высокая, а, следовательно, и лаг, при котором связь между текущим и предыдущим уровн

ями ряда наиболее тесная, т.е. с их помощью можно выявить структуру ряда.

Коэффициент автокорреляции и АКФ целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической компоненты:

­ если наиболее высоким оказался коэффициент автокорреляции 1-го порядка, то исследуемый ряд содержит только тенденцию;

­ если наиболее высоким оказался коэффициент автокорреляции к-го порядка, то ряд содержит циклические колебания с периодичностью в к-моментов времени;

­ если, ни один из коэффициентов не является значимым, то можно сделать одно из двух предположений, относительно структуры этого ряда: либо ряд не содержит тенденции и циклических изменений и имеет структуру, сходную со структурой ряда, изображенного на рис. 5.1в, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ.

При моделировании временных рядов нередко встречается ситуация, когда остатки содержат тенденцию или циклические колебания, когда в соответствии с предпосылками МНК остатки должны быть случайными.

В том случае, когда каждое следующее значение зависит от , говорят о наличии автокорреляции остатков. Причинами автокорреляции могут быть: исходные данные с ошибками в измерениях результативного признака; формулировка модели (модель может не включать фактор, оказывающий существенное воздействие на результат). Очень часто этим фактором является фактор времени t).

Если причина автокорреляции – в неправильной спецификации функциональной формы модели, то следует изменить форму связи факторных и результативных признаков.

Существуют два наиболее распространенных метода определения автокорреляции остатков: 1) путем построения графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции; 2) использование критерия Дарбина-Уотсона и расчет величины

Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени или тренда. Этот способ называют аналитическим выравниванием временного ряда.

Для построения трендов чаще всего применяются следующие функции:

­ линейный тренд: ;

­ гипербола: ;

­ экспоненциальный тренд: или ;

­ полиномиальный тренд:

– полином 2-й степени;

– полином 3-й степени.

Расчет оценок параметров трендовых моделей с помощью метода наименьших квадратов в рамках регрессионных моделей, в которых в качестве значений зависимой переменной выступают фактические уровни ряда , а в роли независимой переменной – время t. Для нелинейных трендовых моделей применяется процедуры линеаризации. В том случаи, если уравнение тренда преобразовать к линейному виду невозможно, применяют нелинейные методы оценивания коэффициентов.

При наличии неявной нелинейной тенденции следует дополнять описанные выше методы качественным анализом динамики изучаемого показателя, с тем, чтобы избежать ошибок спецификации при выборе вида тренда.

Качественный анализ предполагает изучение проблем возможного наличия в исследуемом временном ряде поворотных точек и изменения темпов прироста, начиная с определенного момента. В случае если уравнение тренда выбрано неверно при больших значениях t, результаты прогноза на основе выбранного вида тренда будут недостоверными.

Существует несколько подходов к анализу структуры временных рядов, содержащих сезонные или циклические колебания. Простейший подход – построение аддитивной или мультипликативной модели временного ряда методом скользящей средней.

При краткосрочном прогнозировании, а также при прогнозировании в ситуации изменения внешних условий, когда более важными являются последние реализации исследуемого процесса, более эффективными оказываются адаптивные методы, учитывающие неравноценность уровней временного ряда.

Адаптивные модели прогнозирования – это модели дисконтирования данных, способные быстро приспосабливать свою структуру и параметры к изменению условий. Инструментом прогноза в адаптивной модели является математическая модель, аргументом которой выступает – время.

При оценке параметров адаптивных моделей, в отличии от «кривых роста», наблюдениям (уровням ряда) присваиваются различные веса, в зависимости от того, насколько сильным признается их влияние на текущий уровень. Это позволяет учитывать изменения в тенденции, а также любые колебания, в которых прослеживается закономерность. В качестве примера можно назвать модель экспоненциального сглаживания Брауна.

3. Пример проведения прогнозирования прибыли с использованием пакета SPSS

Постановка задачи:

Необходимо построить модель, дающую возможность предсказывать размер прибыли некоторой торговой фирмы, если известны данные о ежемесячной прибыли за последние полтора года.

В качестве исходных данных возьмем экспериментальные данные, представленные в таблице 1.

Таблица 1.

 Скачать реферат