79. Методы фильтрации временного ряда Методы фильтрации временных рядов предназначены на решение проблем, возникающих при исследовании взаимосвязи между двумя и более временными рядами, с помощью исключения из них трендовой и сезонной компонент.К проблемам, которые

82. Линейные модели стационарного временного ряда Стохастический временной ряд называется стационарным, если его математическое ожидание, дисперсия, автоковариация и автокорреляция являются неизменными во времени.К основным линейным моделям стационарных временных

Изоляторы временного содержания ИЗОЛЯТОРЫ ВРЕМЕННОГО СОДЕРЖАНИЯ - места, предназначенные для содержания под стражей задержанных по подозрению в совершении преступлений. В И.в.с. в случаях, предусмотренных законодательством, могут временно содержаться подозреваемые и

Склады временного хранения см. Временное хранение.

Пребывание в изоляторе временного содержания (ИВС) Переступив порог камеры, помните: вы теперь один, и рассчитывать теперь вам придется только на себя, поэтому мобилизуйтесь. Не удивляйтесь и не паникуйте, что в течение нескольких ближайших дней вас не вызывают

Введение

1. Суть и причины автокорреляции

2. Обнаружение автокорреляции

3. Последствия автокорреляции

4. Методы устранения

4.1 Определение

Заключение

Список использованной литературы

Введение

Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов. Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов. Применение традиционных методов корреляционно-регрессионного анализа для изучения причинно-следственных зависимостей переменных, представленных в форме временных рядов, может привести к ряду серьезных проблем, возникающих как на этапе построения, так и на этапе анализа эконометрических моделей. В первую очередь эти проблемы связаны со спецификой временных рядов как источника данных в эконометрическом моделировании.

Предполагается, что в общем случае каждый уровень временного ряда содержит три основные компоненты: тенденцию (Т), циклические или сезонные колебания (S) и случайную компоненту (E). Если временные ряды содержат сезонные или циклические колебания, то перед проведением дальнейшего исследования взаимосвязи необходимо устранить сезонную или циклическую компоненту из уровней каждого ряда, поскольку ее наличие приведет к завышению истинных показателей силы и связи изучаемых временных рядов в случае, если оба ряда содержат циклические колебания одинаковой периодичности, либо к занижению этих показателей в случае, если сезонные или циклические колебания содержит только один из рядов или периодичность колебаний в рассматриваемых временных рядах различна. Устранение сезонной компоненты из уровней временных рядов можно проводить в соответствии с методикой построения аддитивной и мультипликативной моделей. Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким, что в данном случае есть результат того, что х и у зависят от времени, или содержат тенденцию. Для того чтобы получить коэффициенты корреляции, характеризующие причинно-следственную связь между изучаемыми рядами, следует избавиться от так называемой ложной корреляции, вызванной наличием тенденции в каждом ряде. Влияние фактора времени будет выражено в корреляционной зависимости между значениями остатков

1.Суть и причины автокорреляции

Автокорреляция - это взаимосвязь последовательных элементов временного или пространственного ряда данных. В эконометрических исследованиях часто возникают и такие ситуации, когда дисперсия остатков постоянная, но наблюдается их ковариация. Это явление называют автокорреляцией остатков.

Автокорреляция остатков чаще всего наблюдается тогда, когда эконометрическая модель строится на основе временных рядов. Если существует корреляция между последовательными значениями некоторой независимой переменной, то будет наблюдаться и корреляция последовательных значений остатков. Автокорреляция может быть также следствием ошибочной спецификации эконометрической модели. Кроме того, наличие автокорреляции остатков может означать, что необходимо ввести в модель новую независимую переменную.

Автокорреляция в остатках есть нарушение одной из основных предпосылок МНК – предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении к оценке параметров модели обобщенного МНК.

Среди основных причин, вызывающих появление автокорреляции, можно выделить ошибки спецификации, инерцию в изменении экономических показателей, эффект паутины, сглаживание данных.

Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводит к системным отклонениям точек наблюдений от линии регрессии, что может обусловить автокорреляцию.

Инерция. Многие экономические показатели (например, инфляция, безработица, ВНП и т.п.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Действительно, экономический подъем приводит к росту занятости, сокращению инфляции, увеличению ВНП и т.д. Этот рост продолжается до тех пор, пока изменение конъюктуры рынка и ряда экономических характеристик не приведет к замедлению роста, затем остановке и движению вспять рассматриваемых показателей. В любом случае эта трансформация происходит не мгновенно, а обладает определенной инертностью.

Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). Например, предложение сельскохозяйственной продукции реагирует на изменение цены с запаздыванием (равным периоду созревания урожая). Большая цена сельскохозяйственной продукции в прошедшем году вызовет (скорее всего) ее перепроизводство в текущем году, а следовательно, цена на нее снизится и т.д.

Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его подынтервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может послужить причиной автокорреляции.

2.Обнаружение автокорреляции

В силу неизвестности значений параметров уравнения регрессии неизвестными будут также и истинные значения отклонений

2.1.Графический метод

Существует несколько вариантов графического определения автокорреляции. Один из них, указывающий отклонения

Естественно предположить, что на рис 2.1. а-г имеются определенные связи между отклонениями, т.е. автокорреляция имеет место. Отсутствие зависимости на рис. д скорее всего свидетельствует об отсутствии автокорреляции.

Например, на рис. 2.1.б отклонения вначале в основном отрицательные, затем положительные, потом снова отрицательные. Это свидетельствует о наличии между отклонениями определенной зависимости.

2.2. Метод рядов

Этот метод достаточно прост: последовательно определяются знаки отклонений

(-----)(+++++++)(---)(++++)(-),

Т.е. 5 «-», 7 «+», 3 «-», 4 «+», 1 «-» при 20 наблюдениях.

Ряд определяется как непрерывная последовательность одинаковых знаков. Количество знаков в ряду называется длиной ряда.

Визуальное распределение знаков свидетельствует о неслучайном характере связей между отклонениями. Если рядов слишком мало по сравнению с количеством наблюдений n, то вполне вероятна положительная автокорреляция. Если же рядов слишком много, то вероятна отрицательная автокорреляция.

2.3 Критерий Дарбина-Уотсона

Наиболее известным критерием обнаружения автокорреляции первого порядка является критерий Дарбина- Уотсона и расчет величины

Согласно (2.3.1) величина d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии. Значение критерия Дарбина – Уотсона указывается наряду с коэффициентом детерминации, значениями t- и F- критериев.

Введение

Периодическая зависимость играть роль общего типа компонентов временного ряда. Не сложно заметить, что каждое наблюдение очень похоже на пограничное; к тому же имеется повторяющаяся периодическая составляющая, что означает, что каждое наблюдение также похоже на наблюдение, имевшееся в том же самое время период назад.

В общей сложности, периодическая зависимость может быть формально определена как корреляционная зависимость порядка n между каждым i-м элементом ряда и (i-n) - м элементом. Ее можно измерять с помощью автокорреляции (т.е. корреляции между самими членами ряда); n обычно называют лагом (иногда используют эквивалентные термины: сдвиг, запаздывание). Если оплошность измерения не слишком большая, то периодичность можно определить визуально, рассматривая поведение членов ряда через каждые n временных единиц.

Периодические составляющие временного ряда могут быть отысканы с помощью коррелограммы. Коррелограмма (автокоррелограмма) представляет численно и графически автокорреляционную функцию. Другими словами, коэффициенты автокорреляции для последовательности шагов из определенного диапазона. На коррелограмме просто отмечается диапазон в размере двух стандартных ошибок на каждом лаге, однако обычно величина автокорреляции более интересна, чем ее надежность, потому что интерес в основном представляют очень сильные автокорреляции .

При изучении коррелограмм следует знать следующее: автокорреляции последовательных лагов формально зависимы между собой.

Рассмотрим пример. Если первый член ряда тесно связан со вторым, а второй с третьим, то первый элемент должен также каким-то образом зависеть от третьего и т.д. Это приводит к тому, что периодическая зависимость может существенно измениться после удаления автокорреляций первого порядка, (т.е. после взятия разности с лагом 1).

Цель работы:

1. Дать основные теоретические сведения

2. Дать примеры расчета АКФ

Теоретические сведения

Коэффициент автокорреляции и его оценка

Для совершенной характеристики случайного движения недостаточно его математического ожидания и дисперсии. Вероятность того, что на определенном месте возникнут те или иные конкретные значения зависит от того, какие роли случайная величина получила раньше или будет получать позже.

Другими словами, существует поле рассеяния пар значений x(t), x (t+n) временного ряда, где n - постоянный интервал или задержка, которая характеризует зависимость последующих реализаций процесса от предыдущих. Теснота этой взаимосвязи оценивается коэффициентами автоковариации -

g (n) = E[(x(t) - m) (x (t + n) - m)] -

и автокорреляции

r (n) = E[(x(t) - m) (x (t + n) - m)] / D,

где m и D - математическое ожидание и дисперсия случайного процесса. Для расчета автоковариации и автокорреляции реальных процессов необходима информация о совместном распределении вероятностей уровней ряда p (x(t 1), x(t 2)).

r (n) = g (n) /g (0),

откуда вытекает, что r (0) = 1. В тех же условиях стационарности множитель корреляции r (n) между двумя значениями временного ряда зависит лишь от величины временного интервала n и не зависит от самих моментов наблюдений t. Коэффициент автокорреляции может быть оценен и для нестационарного ряда, но в этом случае его вероятностная интерпретация теряется.

В статистике имеется несколько выборочных оценок теоретических значений автокорреляции r (n) процесса по конечному временному ряду из n наблюдений. Наиболее популярной оценкой является нециклический коэффициент автокорреляции с задержкой n

Главным из различных коэффициентов автокорреляции является первый - r 1 , измеряющий тесноту связи между уровнями x(1), x(2),…, x (n -1) и x(2), x(3),…, x(n).

Распределение коэффициентов автокорреляции неизвестно, поэтому для оценки их правдивости иногда используют непараметрическую теорию Андерсона (1976), предложившего статистику

t = r 1 (n -1) 0.5 ,

которая при достаточно большой выборке распределена нормально, имеет нулевую среднюю и дисперсию, равную единице (Тинтнер, 1965).

Проверка показателя и факторов на автокорреляцию установила, что все включенные в анализ переменные имели высокий (надежный) коэффициент автокорреляции (+ г > г табл = 0,299, - г > г табл = 0,399 при а = 5 % и /V= 20) . Однако известно, что фактор времени, введенный в модель, снимает автокорреляцию (основанием к такому утверждению являются теоремы Фриша и Роу ), поэтому для получения динамических моделей нами использовались и простейшие формы связи типа (23), (24).  

Распространены следующие способы вычисления коэффициента автокорреляции.  

Если полученное по одной из этих формул значение коэффициента автокорреляции окажется меньше табличного, то это свидетельствует об отсутствии во временном ряде существенной автокорреляции.  

Рекомендуется исчислять ряд коэффициентов автокорреляции в зависимости от временного лага (напомним, что коэффициент автокорреляции исчисляется между двумя векторами данных, один из которых - исходный динамический ряд, а другой - такой же, но сдвинутый на 1,2, 3 и т.д. моментов наблюдения). Формула коэффициента автокорреляции  

Рассмотрим коэффициенты автокорреляции валютного курса рубля к доллару США  

Приведем рассчитанные нами значения коэффициента автокорреляции для упомянутых факторов (лаг = 1-3 мес.) ВВП 0,86 -0,52  

Автокорреляция - это корреляция между уровнями ряда или отклонениями от тренда, взятыми со сдвигом во времени на 1 период (год), на 2, на 3 и т. д., поэтому говорят о коэффициентах автокорреляции разных порядков первого, второго и т. д. Рассмотрим сначала коэффициент автокорреляции отклонений от тренда первого порядка.  

Автокорреляцию измеряют при помощи нециклического коэффициента автокорреляции, который может рассчитываться не только между соседними уровнями, т.е. сдвинутыми на один период, но и между сдвинутыми на любое число единиц времени (I). Этот сдвиг, именуемый временным лагом, определяет и порядок коэффициентов автокорреляции. Различают коэффициенты автокорреляции первого порядка (при L- 1), второго порядка (при L = 2) и т.д. Однако наибольший интерес для исследования представляет вычисление нециклического коэффициента первого порядка, так как наиболее  

Тогда формулу коэффициента автокорреляции можно записать следующим образом  

Если фактическое значение коэффициента автокорреляции меньше табличного, то гипотеза об отсутствии автокорреляции в ряду может быть принята. Когда фактическое значение больше табличного, можно сделать вывод о наличии автокорреляции в ряду динамики.  

Следовательно, прежде чем коррелировать ряды динамики (по уровням), необходимо проверить каждый ряд на наличие или отсутствие в них автокорреляции (при помощи коэффициента автокорреляции, описанного в предыдущем параграфе). В случае наличия автокорреляции между уровнями ряда она должна быть устранена. Рассмотрим способы ее исключения в рядах динамики.  

Так как коэффициент р(т) измеряет корреляцию между членами одного и того же ряда, его называют коэффициентом автокорреляции, а зависимость р(т) - автокорреляционной функцией . В силу стационарности временного ряда у, (t= 1,2,..., ri) автокорреляционная функция р(т) зависит только от лага т, причем  

Пример 6.1. По данным табл. 6.1 для временного ряда у, найти среднее значение , среднее квадратическое отклонение , коэффициенты автокорреляции (для лагов т=1 2) и частный коэффициент автокорреляции 1-го порядка.  

Найдем коэффициент автокорреляции г(т) временного ряда (для лага т = 1), т. е. коэффициент корреляции между последовательностями семи пар наблюдений yt и у/ч-i (t= 1,2,...,7)  

Л =213 171+171 291+... +351 361=642 583.

Коэффициент автокорреляции г(2) для лага т = 2 между членами ряда yt и yt+2 (1,2 -. 6) по шести парам наблюдений вычисляем аналогично г(2)=0,842.  

Эту величину называют еще коэффициентом автокорреляции первого порядка. Так как согласно допущениям МНК математическое ожидание ошибки равно нулю, то формулу можно упростить  

Мы можем считать, что автокорреляция отсутствует, если выборочный коэффициент автокорреляции незначимо отличается от нуля, то есть в данном случае мы должны проверить гипотезу  

На практике проверяется не независимость, а некоррелированность ошибок, которая является необходимым, но недостаточным условием независимости. Для этого нужно рассчитать коэффициент автокорреляции первого порядка  

Для рассматриваемого здесь случая эта величина равна Pk k+i = 0.987. Очевидно, что коэффициент автокорреляции  

Формулы для расчета коэффициентов автокорреляции старших порядков легко получить из формулы линейного коэффициента корреляции.  

Коэффициент автокорреляции остатков первого порядка определяется по формуле  

Фактическое значение d сравниваем с табличными значениями при 5%-ном уровне значимости. При п = 18 месяцев и т = 2 (число факторов) нижнее значение d равно 1,05, а верхнее - 1,53. Так как фактическое значение d близко к 4, можно считать, что автокорреляция в остатках характеризуется отрицательной величиной. Чтобы проверить значимость отрицательного коэффициента автокорреляции, найдем величину  

По данным за 30 месяцев некоторого временного ряда хг были получены значения коэффициентов автокорреляции уровней П = 0,63 г2 = 0,38 гг = 0,72 г4 = 0,97 г5 = О,55 г6 = 0,40 г7 = 0,65 г - коэффициенты автокорреляции t-го порядка.  

Так как значения всех коэффициентов автокорреляции достаточно высокие, ряд содержит тенденцию. Поскольку наибольшее абсолютное значение имеет коэффициент автокорреляции 4-го порядка г4, ряд содержит периодические колебания, цикл этих колебаний равен 4.  

Определите коэффициенты автокорреляции уровней этого ряда первого и второго порядка.  

Оцените качество каждого тренда через среднюю ошибку аппроксимации , линейный коэффициент автокорреляции отклонений.  

Для определения типа колебаний применяются графическое изображение, метод поворотных точек М. Кендэла, вычисление коэффициентов автокорреляции отклонений от тренда. Эти методы будут рассмотрены далее.  

Теперь обратимся к рис. 9.2. При маятниковой колеблемости все произведения в числителе будут отрицательными величинами, и коэффициент автокорреляции первого порядка будет близок к -1. При долгопериодических циклах будут преобладать положительные произведения соседних отклонений, а смена знака происходит лишь дважды за цикл. Чем длиннее цикл, тем больше перевес положительных произведений в числителе, и коэффициент автокорреляции первого порядка ближе к +1. При случайно распределенной во времени колеблемости знаки отклонений чередуются хаотически, число положительных произведений близко к числу отрицательных , ввиду чего коэффициент автокорреляции близок к нулю. Полученное значение говорит о наличии как случайно распределенных во времени колебаний, так и циклических. Коэффициенты автокорреляции следующих порядков II = - 0,577 III = -0,611 IV = -0,095 V = +0,376 VI = +0,404 VII = +0,044. Следовательно, противофаза цикла ближе всего к 3 годам (наибольший отрицательный коэффициент при сдвиге на 3 года), а совпадающие фазы ближе к 6 годам, что и дает длину цикла колебаний. Эти максимальные по абсолютной величине коэффициенты не близки к единице. Это означает, что циклическая колеблемость смешана со значительной случайной колеблемостью. Таким образом, подробный автокорреляционный анализ в целом дал те же результаты, что и выводы по автокорреляции первого порядка.  

Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду фактическое значение коэффициентов автокорреляции сопоставляется с табличным (критическим) для 5%-ного или 1%-ного уровня значимости (вероятности допустить ошибку при принятии нулевой гипотезы

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда , а график зависимости ее значений от величины лага (порядка коэффициента автокорреляции) - коррело-граммой.  

Критерий Дарбина - Уотсона и коэффициент автокорреляции остатков первого порядка связаны соотношением  

При изучении развития явления во времени часто возникает необходимость оценить степень взаимосвязи в изменениях уровней 2-х или более рядов динамики различного содержания, но связанных между собой. Эта задача решается методами коррелирования:

· уровней ряда динамики

· отклонений фактических уровней от тренда

· последовательных разностей

Коррелирование уровней динамических рядов с применением парного коэффициента корреляции правильно показывает тесноту связи лишь в том случае, если в каждом из них отсутствует автокорреляция. Наличие зависимости между последующими и предшествую­щими уровнями динамического ряда в статистической литерату­ре называютавтокорреляцией .

Поэтому прежде, чем коррелировать ряды динамики по уровням, необходимо проверить каждый из рядов на наличие или отсутствие в них автокорреляции. Применение методов классической теории корреляции в ди­намических рядах связано с некоторыми особенностями. Преж­де всего, это наличие для большинства динамических рядов зави­симости последующих уровней от предыдущих.

Коэффициент автокорреляции вычисляется по непосред­ственным данным рядов динамики, когда фактические уровни од­ного ряда рассматриваются как значения факторного признака, а уровни этого же ряда со сдвигом на один период, принимаются в качестве результативного признака (этот сдвиг называется лагом). Коэффициент автокорреляции рассчитывается на основе фор­мулы коэффициента корреляции для парной зависимости:

· y t – фактические уровни ряда,

· y t+1 – уровни того же ряда со сдвигом на 1 период (коэффициент автокорреляции первого порядка).

Формула для расчета коэффициента автокорреляции уровней ряда 1-го порядка :

Формула для расчета коэффициента автокорреляции уровней ряда 2-го порядка :

Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду, фактическое значение коэффициента автокорреляции сопоставляют с табличным для 5% или 1% уровня значимости. Если расчетное значение меньше табличного, то гипотеза об отсутствии автокорреляции принимается и, наоборот, в противном случае, отвергается.

Последовательность коэффициентов автокорреляции 1, 2 и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости значений коэффициентов автокорреляции от величины лага (порядка коэффициента автокорреляции) называют коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет выявить структуру ряда, т. е. определить присутствие в ряде той или иной компоненты. Так, если наиболее высоким оказался коэффициент автокорреляции первого порядка, то исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка m, то ряд содержит циклические колебания с периодичностью в m моментов времени. Если же ни один из коэффициентов автокорреляции не является значимым, то можно сделать одно из двух предположений:

· либо ряд не содержит тенденции и циклических колебаний, а его уровень определяется только случайной компонентой;

· либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ .

Необходимо подчеркнуть, что линейные коэффициенты автокорреляции характеризуют тесноту только линейной связи текущего и предыдущих уровней ряда. Поэтому, по коэффициентам автокорреляции можно судить только о наличии или отсутствии линейной зависимости (или близкой к линейной). Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к 0 .