Критерии выбора трендовых моделей
Показатель | Изменение уровней временного ряда | Уравнение кривой | Наименование функции |
D¢ | более или менее постоянные | `yt=a0+a1t | линейная |
D¢ | уменьшающиеся | ``yt=a0+a1/t | гиперболическая |
D¢¢ | постоянны | ``yt=a0+a1t+ a2t2 | параболическая 2-ой степени |
D¢¢¢ | постоянны | `yt=a0+a1t+ a2t2+ a3t3 | параболическая 3-ей степени |
D¢¢¢¢ | постоянны | `yt=a0+a1t+ a2t2+ a3t3+ a4t4 | параболическая 4-ой степени |
TpD¢ | постоянны | `yt= a0×a1t | экспоненциальная |
TpD¢ | сначала быстро растут, а затем рост изменяется | ``yt=a0+a1lgt | полулогарифмическая |
D¢lgyi | изменяется с постоянным темпом роста | `yt=abc | кривая Гомперца |
Для полиномиальных моделей характерно отсутствие прямой связи между абсолютными приростами и приростами уровней рядов динамики.
Практика моделирования свидетельствует о том, что выбор тех или иных кривых всегда оказывается под воздействием представлений о желаемой форме кривой, и что на координатном поле, отображающем расстояние точек, можно построить бесконечное множество кривых. При этом необходимо отражать особенности процесса. Свойства процесса должны соответствовать свойствам функций, используемых для построения моделей.
Необходимо иметь в виду, что отдельные уравнения выражают определенный тип динамики.
Монотонное возрастание или убывание процесса характеризуют функции:
· линейная;
· параболическая;
· степенная;
· экспоненциальная простая (показательная) и производная от нее логарифмическая линейная;
· сложная экспоненциальная и производная от нее логарифмическая парабола;
· гиперболическая (главным образом убывающих процессов);
· комбинация их видов.
Для моделирования динамических рядов, которые характеризуются стремлением к некоторой предельной величине, насыщением, применяются логистические функции.
Логистическую функцию часто записывают в следующем виде:
или , (2.27)
где:
е – основание натуральных логарифмов.
Тип процессов, характеризующихся наличием экстремальных значений, описывается кривой Гомперца, имеющей следующее выражение:
. (2.28)
Возможны четыре варианта этой кривой.
При выборе формы тренда наряду с теоретическим анализом закономерностей развития изучаемого явления используются эмпирические методы, такие как:
· расчет и анализ средней квадратической ошибки;
· критерий наименьшей суммы квадратов отклонений эмпирических значений уровней временного ряда от теоретических, полученных по уравнению;
· метод разностного исчисления;
· метод дисперсионного анализа.
Средняя квадратическая ошибка определяется по формуле:
, (2.29)
где:
k – число параметров уравнения.
Чем меньше значение средней квадратической ошибки, тем функция наилучшим образом описывает тенденцию исходного временного ряда.
На основе данных табл. 2.10 рассмотрим порядок расчета средней квадратической ошибки по линейному тренду и параболе второго порядка показателя объема платных услуг населению одного из регионов, представленных в табл. 2.12.
Так, например, для уравнения линейного тренда, средняя квадратическая ошибка составит:
= =0,78,
а для параболы второго порядка:
= =0,75.
Анализ приведенных значений средних квадратических ошибок свидетельствует о том, что уравнение параболы второго порядка наиболее точно описывает тенденцию изменения объема платных услуг населению.
Критерий наименьшей суммы квадратов отклонений эмпирических уровней от теоретических также предполагает, что наилучшим образом тенденция описывается трендом, которому соответствует наименьшее значение суммы квадратов отклонений.
Так на основе приведенных в табл. 2.12 расчетов видно, что для уравнения линейного тренда, описывающего тенденцию изменения объема платных услуг населению , а для уравнения параболы второго порядка Следовательно, уравнение параболы второго порядка наиболее точно описывает тенденцию изменения объема платных услуг населению одного из регионов РФ.
Дисперсионный метод анализаосновывается на сравнении дисперсий.
Суть метода в следующем: общая вариация временного ряда делится на две части:
· вариация вследствие тенденции Vf(t);
· случайная вариация Ve :
Vобщ = Vf(t) + Vε
Общая вариация определяется как сумма квадратов отклонений эмпирических значений уровней ряда (yt) от среднего уровня исходного временного ряда ( ), то есть из выражения вида:
. (2.30)
Случайная вариация – это сумма квадратов отклонений эмпирических значений уровней (yt) от теоретических полученных по уравнению тренда ( ), и определяется по выражению следующего вида:
, (2.31)
Вариация вследствие тенденции определяется как разность общей и случайной вариаций из выражения вида:
Vf(t) = Vобщ – Ve. (2.32)
На основе рассмотренных показателей вариации определяются следующие виды дисперсии:
- общая дисперсия:
; (2.33)
- дисперсия случайного компонента:
, (2.34)
где:
k – число параметров уравнения тренда.
- дисперсия тенденции:
. (2.35)
Выдвигается и проверяется гипотеза о том, что подходит или не подходит рассматриваемое уравнение тренда для описания тенденции исходного временного ряда.
Гипотеза проверяется на основе F-критерия Фишера-Снедекора, расчетное значение которого определяется по следующей формуле:
, если (2.36)
Критическое значение критерия определяется по таблице табулированных значений (приложение) следующим образом:
Если Fp > Fкр при заданном уровне значимости a и числе степеней свободы (n1 =k – 1, n2 = n – k), то уравнение тренда подходит для отражения тенденции исходного временного ряда.
Анализ необходимо начинать с более простого уравнения к сложным, пока не подойдет.
Пример. Проверим с помощью дисперсионного метода анализа, какое из двух рассмотренных выше (таблица 2.12) уравнений тренда наиболее подходит для описания тенденции исходного временного ряда объема платных услуг населению одного из регионов. Расчеты приведены в таблице 2.13.
Средний уровень исходного временного ряда составит:
.
Таблица 2.13
Расчетная таблица реализации дисперсионного метода анализа
в оценке трендовых моделей объема платных услуг населению одного из регионов за период январь-декабрь 2013 г.
Месяц | прямая | парабола | |||
январь | 21,4 | 5,15 | 26,52 | 0,18 | 0,014 |
февраль | 22,1 | 4,45 | 19,80 | 0,34 | 0,104 |
март | 23,9 | 2,65 | 7,02 | 0,13 | 0,154 |
апрель | 24,3 | 2,25 | 5,06 | 0,01 | 0,055 |
май | 24,9 | 1,65 | 2,72 | 0,13 | 0,368 |
июнь | 26,9 | 0,35 | 0,12 | 0,61 | 0,228 |
июль | 28,0 | 1,45 | 2,10 | 1,04 | 0,514 |
август | 28,5 | 1,95 | 3,80 | 0,44 | 0,171 |
сентябрь | 28,8 | 2,25 | 5,06 | 0,01 | 0,01 |
октябрь | 28,6 | 2,05 | 4,20 | 0,92 | 0,859 |
ноябрь | 29,3 | 2,75 | 7,56 | 1,25 | 0,745 |
декабрь | 31,9 | 5,35 | 28,62 | 0,38 | 1,327 |
Итого | 318,6 | - | 112,58 | 5,44 | 4,540 |
1. Проверим методом дисперсионного анализа, подходит ли уравнение линейного тренда для описания тенденции в изменении объема платных услуг населению:
;n1=k-1=1; n2=n-k=12-2=10); .
Следовательно, на уровне значимости 0,05 можно утверждать, что уравнение линейного тренда подходит для описания тенденции исходного ряда объема платных услуг населению.
2. Проверим методом дисперсионного анализа, подходит ли уравнение параболы второго порядка для описания тенденции в изменении объема платных услуг населению:
;
; n1=k-1=2; n2=n-k=12-3=9); .
гипотеза отвергается.
Следовательно, на уровне значимости 0,05 можно утверждать, что уравнение параболы второго порядка подходит для описания тенденции исходного ряда динамики объема платных услуг населению одного из регионов.
Отдельно взятый критерий или метод при выборе формы тренда не обеспечивает правильность ее выбора. Необходим обязательно учет специфики объекта исследования, методов прогнозирования и оценки точности и надежности получаемых прогнозов.
После того, как определена форма трендовой модели (уравнения), необходимо проанализировать наличие, характер и закон распределения отклонений эмпирических значений от теоретических, полученных по уравнению тренда.