• Гідрологія і Гідрометрія
• Господарське право
• Економіка будівництва
• Економіка природокористування
• Економічна теорія
• Земельне право
• Історія України
• Кримінально виконавче право
• Медична радіологія
• Методи аналізу
• Міжнародне приватне право
• Міжнародний маркетинг
• Основи екології
• Предмет Політологія
• Соціальне страхування
• Технічні засоби організації дорожнього руху
• Товарознавство продовольчих товарів

Тлумачний словник
Авто
Автоматизація
Архітектура
Астрономія
Аудит
Біологія
Будівництво
Бухгалтерія
Винахідництво
Виробництво
Військова справа
Генетика
Географія
Геологія
Господарство
Держава
Дім
Екологія
Економетрика
Економіка
Електроніка
Журналістика та ЗМІ
Зв'язок
Іноземні мови
Інформатика
Історія
Комп'ютери
Креслення
Кулінарія
Культура
Лексикологія
Література
Логіка
Маркетинг
Математика
Машинобудування
Медицина
Менеджмент
Метали і Зварювання
Механіка
Мистецтво
Музика
Населення
Освіта
Охорона безпеки життя
Охорона Праці
Педагогіка
Політика
Право
Програмування
Промисловість
Психологія
Радіо
Регилия
Соціологія
Спорт
Стандартизація
Технології
Торгівля
Туризм
Фізика
Фізіологія
Філософія
Фінанси
Хімія
Юриспунденкция

Аналіз часових рядів економічних показників і побудова економетричних моделей динаміки

Прикладами часових рядів також є щомісячна, щоквартальна, щорічна собівартість перевезення пасажирів, обсяг пасажирів, що перевозяться по депо, або рівнянню в цілому. Вихідні дані слід формувати по кожному з об'єктів у зв'язку з тим, що інформація буде більш достовірною ніж по групі об'єктів.

Маючи в розпорядженні свій часовий ряд для досліджуваного показника і для всіх чинників, необхідно перш за все виявити загальну тенденцію зміни цих величин (тренд, еволюційну складову, лінію рівняння).

Як показує дослідження економічних часових рядів, в них завжди міститься загальна тенденція, яку необхідно виявити. Співвідношення У=d(t) можна відшукувати безпосередньо за звітними або дослідженими даними, по К-членним ковзаним середнім.

Використання ковзаних середніх доцільно в разі достатньо довгого ряду. Число членів ковзаної середньої повинно бути обумовлено міркуваннями по суті процесу і залежно від кроку часового ряду.

При згладжуванні за допомогою ковзаних середніх доводиться втрачати частину даних: при тричленному вирівнюванні – дві сторони таблиці, при чотирьох- і п'яти членному вирівнюванні - відповідно три і чотири рядки. Якщо число даних не вірне, то таке скорочення даних навряд чи буде доцільним.

Питання про доцільну довжину часового ряду досить складне. З одного боку, як і завжди при пошуку апроксимуючої формули або рівняння регресії, виникає природне прагнення до збільшення масиву спостережень з метою підвищення точності надійності результатів, з другого боку, при обробці часових рядів слід врахувати небажаність використання старих даних. Приймати ці суперечливі вимоги можна тільки за рахунок зменшення довжини інтервалів часового ряду – скорочуючи крок ряду (шляхом переходу, наприклад від квартальних даних до місячних, від місячних до тижневих, і т.п. якщо такі дані за матеріалами звітності можна мати).

Приклад. Дані собівартості пасажироперевезень міським електричним транспортом, представлені в табл. 12.4, вирівняти за ковзаною середньою і побудувати графік.

Вирішення

Статистичні дані собівартості пасажироперевезень по депо та розрахунок ковзаних представлено в табл. 12.4.

Таблиця 12.4. Статистичні дані собівартості пасажироперевезень по депо

Як бачимо, середні дані більш наочно виражають основну тенденцію собівартості перевезення пасажирів. Вихідні дані, що різно ковзають, подані на рис. 12.1.

Рис. 12.1. Вихідні дані, ковзані і вирівнююча парабола:

1- вихідні дані; 2- тричленні ковзані; 3- чотиричленні ковзані; 4- п’ятичленні середні; 5- вирівнююча парабола.

При визначенні загальної тенденції виникає два завдання: вибір форми рівняння, тобто вид функції d(t); обчислення параметрів рівняння.

Слід зазначити, що аналіз часових рядів спрямований не тільки на визначення загальної тенденції і побудова моделі динаміки, а й на прогнозування економічних показників.

При виборі форми рівняння необхідно, як в статистичному регресійному аналізі, добре знати процес по суті. Так, для короткострокового прогнозування багато механіко– економічних показників найкращою формою тренда є показова, що описує зростання за законом складних процесів, для більш тривалого періоду прогнозування по цілому ряду показників - експонента з насиченням. Якщо ж сутність процесу не вимагає певної форми управління, то вибір проводиться за якнайменшою залишковою дисперсією. Графічна ілюстрація часового ряду також допоможе в цьому виборі.

Практика показує, що доцільно піддавати випробуванню залишкову дисперсію по чотирьох монотонних функціях:

1. Лінійної

;

2. Степінної

3. Експоненціальної

4. Експоненти з насиченням

При цьому відхилення від тренду визначаються відповідно у вигляді:

(12.1)

Всі параметри α знаходять за методом якнайменших квадратів, що приводить до системи нормальних рівнянь

(12.2)

(12.3)

(12.4)

(12.5)

Знайшовши для відповідної залежності, знаходять функцію, яка в порівнянні з іншими найкраще апроксимує початковий часовий ряд.

Використання з метою апроксимації багатопараметричних функцій недоцільне. Хоч за допомогою таких функцій можна отримати добре наближення вихідним даним, але, таким чином математично описується не стільки загальна тенденція, скільки випадкові від неї відхилення; з'являються невиправдані особливості процесу - максимуми і мінімуми. Крім того, складання таких функцій і їх застосування для практичних розрахунків різко ускладнюється.

Приклад. Для вищеперерахованих даних, використовуючи степеневу залежність , розраховуємо її параметри.

Вирішення

Для визначення параметрів рівняння розрахунки представимо в табл. 12.5.

Таблиця 12.5. Розрахунок статистичних характеристик рівняння.

	Yt	ln t	ln t2	ln Yt	ln Yt ln t		Yt	ε	ε2
	65,9	0,00	0,00	1,8189	0,00	1,8035	63,6	2,3	5,29
	66,9	0,3010	0,0906	1,8254	0,5494	1,8211	66,24	0,66	0,44
	69,1	0,4771	0,2276	1,8395	0,8774	1,8314	67,32	1,28	1,64
	67,5	0,6021	0,3625	1,8293	1,1014	1,8387	68,98	-1,48	2,19
	68,2	0,6990	0,4886	1,8331	1,2813	1,8443	69,88	-1,68	2,82
	69,9	0,7782	0,6056	1,8445	1,4354	1,8490	70,13	0,73	0,53
	70,9	0,8451	0,7142	1,8505	1,5639	1,8524	71,19	-0,29	0,08
	72,9	0,9031	0,8156	1,8627	1,6822	1,8566	71,88	1,02	1,04
	72,1	0,9542	0,9109	1,8579	1,7728	1,8593	72,33	-0,23	0,05
	72,8	1,000	1,00	1,8621	1,8626	1,8620	72,88	-0,08	0,00
	72,8	1,0414	1,0845	1,8621	1,9392	1,8644	73,16	-0,36	0,13
	73,2	1,0792	1,1647	1,8645	2,0122	1,8666	73,52	-0,32	0,12
∑		8,6824	7,4648	22,1506	16,0959				14,32

Система нормальних рівнянь має видгляд:

(12.6)

Підставивши відповідні значення з табл. 12.5, отримаємо

(12.7)

Вирішивши систему рівнянь, одержимо:

α=0,0585, lna=1,8035.

Маємо рівняння:

(12.8)

Прогноз на 13 і 14 періоди складе: Y₁₃=72,83; Y_m=73,02.

Середній квартал відхилення вихідних значень від розрахункових (дисперсія)

(12.9)

а середні квадратичні відхилення що в порівнянні з середнім розміром складає

Проте зазначимо, похибки апроксимації особливо великі на кінцях базисного періоду, що обумовлюють велику помилку прогнозу. Можна сказати, що залежність підібрана невдало.

Якщо протягом базисного періоду процес, що вивчається, суттєво змінився в результаті появи нових чинників (сезонні коливання), то для апроксимації часового ряду слід скористатися двома або більш окремими аналітичними виразами, розглядаючи їх як частини науково – безперервної функції. При цьому прогнозування проводиться за останньою дугою і необхідно уточнити, який допустимий інтервал прогнозування. Факт істотності змін для показника слід встановлювати як якісно, так і статистично.

Можна скористатися і графічним способом: побудувавши три тренди по кожному періоду в цілому по всьому ряду, порівняти графічно, на скільки близько загальний тренд огинає обидва приватних.

Статистична перевірка може бути здійснений наступним прикладом дисперсійного аналізу. Нехай значення показника до і після деякого моменту задані рядами:

_{11, 12}... _1h1; (12.10)

_{21, 22}... _2h1 . (12.11)

з середніми значеннями і дисперсіями, визначуваними по формулах

; (12.12)

Обчислюємо загальну середня і загальну дисперсію з'єднаного ряду

; . (12.13)

Розчленовувавши повну дисперсію ряду на частини, одержуємо

(12.14)

Враховуючи число ступенів свободи кожної з сум в рівнянні, позначаємо

; . (12.15)

Відношення порівнюємо з відповідним значенням розподілу Фішера. Якщо < F5% [1, n-2] при рівні значущості 5% вважаємо періоди, що вивчаються, не істотно різними у значенні даного показника . Якщо < F_5% [1, n-2] при рівні значущості 1% вважаємо періоди, що вивчаються, суттєво різними за показником і будуємо тренд з двох частин, різних тільки за параметрами або видом функції d(t).

Приклад. Методику обробки рядів динаміки за наявності сезонних коливань можна проілюструвати на прикладі собівартості пасажироперевезень одним з тролейбусних рівнянь за період 2002-2007 рр.

Вирішення

Виявлення загальної тенденції на підставі даних табл. 12.6 починаємо з побудови графіка.

Таблиця 12.6. Динаміка статистичних показників

Рис. 12.2. Динаміка собівартості пасажироперевезень

В цьому прикладі (рис. 12.2) спостерігається різкий перелом характеру змін в 2004 р. Тому неможливо підібрати єдину математичну функцію зростання, задовільно апроксимуючу дані про собівартість пасажироперевезень за всі роки. У зв'язку з цим розбиваємо тимчасовий діапазон на дві частини - 2002-2005 рр. і 2005-2007 рр. Для першого ряду підбираємо експоненту, для другого - експоненту з насиченням. При визначенні параметрів рівнянь використовуємо розрахунки, зведені відповідно в табл. 12.7. і 12.8.

Таблиця 12.7. Розрахунок параметрів експоненти

Ро- ки	Y	ℓny	t	V= ℓny-1,78	Vt	t2		ℓny=1,78+		ε	ε2	β%
	58,71	1,7761		-0,0039			-0,013	1,7787	60,08	-1,37	1,88	2,28
	60,13	1,7791		-0,0004	-0,004		0,0021	1,7821	60,53	-0,4	0,16	0,66
	60,83	1,7841		0,0041	0,0082		0,0155	1,7955	62,44	-1,61	2,59	2,57
	65,70	1,8176		0,0376	0,1182		0,0289	1,8089	64,40	1,3	1,69	2,01
∑				0,0374	0,1206						6,32

Таблиця 12.8. Розрахунок параметрів експоненти з насиченням

Роки	Y	ℓny	t	t1=t-2	V= ℓny-1,82					ℓny= 1,82+		ε	ε 2	β%
	65,7	1,8176			-0,0024		-0,024		-0,0084	1,8116	64,8	0,9	0,81	1,388
	65,08	1,82			0,000	0,50	0,00	0,250	0,0033	1,8233	66,58	-0,5	0,25	0,75
	66,76	1,8245			0,0045	0,333	0,0015	0,111	0,0072	1,8272	67,16	-0,4	0,16	0,59
∑					0,0021	1,833	-0,0009	1,361					1,22

Системи нормальних рівнянь

; . (12.16)

Звідки

ℓ_na =-0,0113, a= 0,0134; ℓ_na¹ =0,015, а¹= -0,0234;

V = -0,0113+0,0134 t; V¹=0,015 - .

Тоді одержуємо

ℓ_{n t} = 1,7687 + 0,0134 t; ℓ_{n t} = 1,835 - ;

=58,7^{0,0134 t} 0 ≤ t ≤ 3; _t 3≤ t ≤ 5

max β% = 2,58; max β% = 1,388.

Апроксимація цілком задовільна.

Для 2005 р. приймаємо значення собівартості

= 64,60.

Прогноз на 2004 р. При t=6

ℓ_nу = 1,835 - = 1,829, = 67,49.

Проте через сезонні коливання прогнозування за сумарними річними даними є абсолютно недостатнім. Тому необхідно прогнозувати за окремими періодами, в даному прикладі за вихідними квартальними даними.

Читайте також:

1. ABC-XYZ аналіз
2. C. 3. Структурна побудова управління організаціями.
3. H) інноваційний менеджмент – це сукупність організаційно-економічних методів управління всіма стадіями інноваційного процесу.
4. I етап. Аналіз впливу типів ринку на цінову політику.
5. I. Аналіз контрольної роботи.
6. II. Багатофакторний дискримінантний аналіз.
7. III етап. Аналіз факторів, що визначають цінову політику підприємства.
8. III. Аналіз ринку
9. III. Стратегії вибору комбінацій показників
10. IІI розділ. Аналіз стану маркетингового середовища підприємства
11. S Визначення оптимального темпу роботи з урахуванням динаміки наростання втоми.
12. SWOT-аналіз у туризмі

Переглядів: 1359