Учебное пособие: Анализ временных рядов

4)  можно вывести формулы для построения трендов на четном числе точек, однако при этом были бы получены значения трендов в серединах временных тактов. Значение тренда в точках наблюдений можно определить в этом случая как полусумма двух соседних значений тренда.

Следует отметить, что при четном числе 2m тактов в интервале усреднения (двадцать четыре часа в сутки, четыре недели в месяце, двенадцать месяцев в году), широко практикуется простое усреднение с весами . Пусть имеются, например, наблюдения на последний день каждого месяца с января по декабрь. Простое усреднение 12 точек с весами  дает значение тренда в середине июля. Чтобы получить значение тренда на конец июля надо взять среднее значение тренда в середине июля и середине августа. Оказывается, это эквивалентно усреднению 13-месячных данных, но значения на краях интервала берут с весами . Итак, если интервал сглаживания содержит четное число 2m точек, в усреднении задействуют не 2m, а 2m+1 значений ряда :

.

Скользящие средние, сглаживая исходный ряд, оставляют в нем трендовую и циклическую составляющие. Выбор величины интервала сглаживания должен делаться из содержательных соображений. Если ряд содержит сезонный компонент, то величина интервала сглаживания выбирается равной или кратной периоду сезонности. В отсутствии сезонности интервал сглаживания берется обычно в диапазоне три-семь

Эффект Слуцкого-Юла

Рассмотрим, как влияет процесс сглаживания на случайную составляющую ряда, относительно которой будем полагать, что она центрирована и соседние члены ряда некоррелированы.

Скользящее среднее случайного ряда x есть:

.

В силу центрированности x и отсутствия корреляций между членами исходного ряда имеем:

 и .

Далее, .

Из полученных соотношений видно, что усреднение приводит к уменьшению дисперсии колебаний. Кроме того члены ряда, полученные в результате усреднения, не являются теперь независимыми. Производный, сглаженный, ряд имеет ненулевые автокорреляции (корреляции между членами ряда, разделенных k-1 наблюдениями) вплоть до порядка 2m. Таким образом производный ряд будет более гладким, чем исходный случайный ряд, и в нем могут проявляться систематические колебания. Этот эффект называется эффектом Слуцкого-Юла .

4.2 Определение порядка полинома методом последовательных разностей

Если имеется ряд, содержащий полином (или локально представляемый полиномом) с наложенным на него случайным элементом , то было бы естественно исследовать, нельзя ли исключить полиномиальную часть вычислением последовательных разностей ряда. Действительно, разности полинома порядка k представляют собой полином порядка k-1. Далее , если ряд содержит полином порядка p , то переход к разностям , повторенный (p+1) раз, исключает его и оставляет элементы, связанные со случайной компонентой исходного ряда.

Рассмотрим, к примеру, переход к разностям в ряде, содержащим полином третьего порядка.

 0 1 8 27 64 125

 1 7 19 37 61

 6 12 18 24

 6 6 6

 0 0

Взятие разностей преобразует случайную составляющую ряда.

В общем случае получаем :

;

;

;

;

.

Из последнего соотношения получаем

 .

Следовательно, метод последовательных разностей переменной состоит в вычислении первых, вторых, третьих и т.д. разностей , определении сумм квадратов, делении на  и т.д. и обнаружения момента , когда это отношение становится постоянным. Таким образом мы получаем оценки порядка полинома , содержащегося в исходном ряде, и дисперсии случайного компонента.

4.3.Методы экспоненциального сглаживания

Методы построения функций для описания наблюдений до сих пор основывался на критерии наименьших квадратов, в соответствии с которым все наблюдения имеют равный вес. Однако, можно предположить, что недавним точкам следует придавать в некотором смысле больший вес, а наблюдения, относящиеся к далекому прошлому, должны иметь по сравнению с ними меньшую ценность. До некоторой степени мы учитывали это в скользящих средних с конечной длиной отрезка усреднения, где значения весов, приписываемых группе из 2m+1 значений, не зависят от предшествующих значений. Теперь обратимся к другому методу выделения более «свежих» наблюдений.

Рассмотрим ряд весов, пропорциональных множителю b, а именно  и т.д. Так как сумма весов должна равняться единице, т.е. , весами фактически будут  и т.д. ( предполагается , что 0<b<1.)

4.3.1 Простое экспоненциальное сглаживание

Рассмотрим простейший ряд , равный сумме постоянной  (уровень) и случайной компоненты :

.

Будем считать, что ряд имеет бесконечную предысторию, т. е. время принимает значения t,t-1,t-2,..., - ¥ . Найдем оценку  уровня ряда , воспользовавшись минимизацией взвешенной суммы квадратов:

.

В приведенном выражении расхождения между наблюденными значениями ряда и оценкой уровня берутся с экспоненциально убывающими весами в зависимости от возраста данных.

 ;  ;  .

Полученную оценку  на момент t обозначим (t). Сглаженное значение в момент t можно выразить через сглаженное значение в прошлый момент t-1 и новое наблюдение :

Полученное соотношение

(t) =

Перепишем несколько иначе, введя так называемую постоянную сглаживания  (0 £ a £1).

(t) ,

Из полученного соотношения видно, что новое сглаженное значение получается из предыдущего коррекцией последнего на долю ошибки, рассогласования, между новым и прогнозным значениями ряда. Происходит своего рода адаптация уровня ряда к новым данным.

4.3.2 Экспоненциальное сглаживание высоких порядков

Обобщим метод экспоненциального сглаживания на случай , когда модель процесса определяется линейной функцией . Как и прежде, при заданном b минимизируем:

.

(Здесь для удобства представления знаки ~ и Ù опущены).

,

С учетом того что

 ,  ,

получаем

Запишем : .

Эту операцию можно рассматривать как сглаживание 1-го порядка. По аналогии построим сглаживание 2-го порядка:

.

ß

 ; .

 ;

 ;

 ;

 ;

 ;

.

Рассмотренную выше процедуру можно обобщить на случай полиномиальных трендов более высокого порядка n , при этом алгебраические выражения будут сложнее. Например, если модель описывается параболой, то используется метод тройного экспоненциального сглаживания.

Сезонные компоненты могут представлять самостоятельный интерес либо выступать в роли мешающего фактора. В первом случае необходимо уметь выделять их из ряда и оценивать параметры соответствующей модели. Что же касается удаления сезонной компоненты из ряда, то здесь возможны несколько способов.

Рассмотрим сначала процедуру оценивания сезонных эффектов. Пусть исходный ряд является полностью аддитивным, то есть

.

Необходимо оценить  по наблюденным . Иными словами, необходимо получить оценки  коэффициентов  индикаторной модели.

Как уже отмечалось, сезонный эффект проявляется на фоне тренда, поэтому вначале необходимо оценить трендовую составляющую одним из рассмотренных методов. Затем для каждого сезона  вычисляют все относящиеся к нему разности

где, как обычно, - наблюденное значение ряда, - оцененное значение тренда.

Каждая из этих разностей дает совместную оценку сезонного эффекта и случайного компонента, отличного, правда, от исходного  в силу взятия разностей.

Производя усреднение полученных разностей, получают оценки эффектов. Полагая, что исходный ряд содержит целое число k периодов сезонности и ограничиваясь простым средним, имеем

С учетом условия репараметризации, требующим, чтобы сумма сезонных эффектов равнялась нулю, получаем скорректированные оценки

.

В случае мультипликативного сезонного эффекта, когда модель ряда имеет вид

,

вычисляют уже не разности, а отношения

.

В качестве оценки сезонного индекса  выступает среднее

.

На практике считается, что для оценки сезонных эффектов временной ряд должен содержать не менее пяти-шести периодов сезонности.

Перейдем теперь к способам удаления сезонного эффекта из ряда. Таких способов два. Первый из них назовем «послетрендовый». Он является логическим следствием рассмотренной выше процедуры оценивания. Для аддитивной модели удаление сезонной компоненты сводится к вычитанию оцененной сезонной компоненты из исходного ряда. Для мультипликативной модели значения ряда делят на соответствующие сезонные индексы.

Второй способ не требует предварительной оценки ни трендовой, ни сезонной компонент, а основывается на использовании разностных операторов.

Разностные операторы.

При исследовании временных рядов часто имеется возможность представить детерминированные функции времени простыми рекуррентными уравнениями. К примеру, линейный тренд

 (1)

можно записать как

 (2)

Последнее соотношение получается из (1) сравнением двух значений ряда для соседних моментов t-1 и t . Учитывая, что соотношение (2) справедливо и для моментов t-2 и t-1, так что , модель (1) можно записать и в виде

 (3)

Модель (3) не содержит явно параметров, описывающих тренд. Более компактно описанные преобразования можно описать, используя операторы взятия разности назад

.

.

Модели (2) и (3) можно записать как

, .

Выходит, разность второго порядка полностью исключает из исходного ряда линейный тренд. Легко видеть, что разность порядка d исключает из ряда полиномиальный тренд порядка d-1. Пусть теперь ряд содержит сезонный эффект с периодом t, так что

 (4).

Процедура перехода от ряда  (t = 1,2,...,T) к ряду  называется взятием первой сезонной разности, а оператор  сезонным разностным оператором с периодом t. Из (4) следует, что

.

Выходит, взятие сезонной разности  исключает из временного ряда  любую детерминированную сезонную компоненту.

Иногда оказываются полезными сезонные операторы более высоких порядков. Так, сезонный оператор второго порядка с периодом t есть

.

Если ряд содержит и тренд, и сезонную составляющую, их можно исключить, последовательно применяя операторы  и .

Легко показать, что порядок применения этих операторов не существенен:

.

Отметим также, что детерминированный тренд, состоящий из тренда и сезонной компоненты, после применения операторов  и  полностью вырождается, то есть . Однако записав последнее уравнение в рекуррентной форме, получаем

.

Из последнее соотношения видно, каким образом ряд можно неограниченно продолжать, имея вначале по крайней мере t+1 последовательных значения.

линейный ряд временной система

Для удобства изложения условимся обозначать здесь случайные величины так, как это принято в математической статистике – строчными буквами.

Случайным процессом X(t) на множестве Т называют функцию, значения которой случайны при каждом t Î T. Если элементы Т счетные (дискретное время), то случайный процесс часто называют случайной последовательностью.

Полное математическое описание случайного процесса предполагает задание системы функций распределения:

– для каждого t Î T , (1)

– для каждой пары элементов

 (2)

и вообще для любого конечного числа элементов

 (3).

Функции (1),(2),(3) называют конечномерными распределениями случайного процесса.

Построить такую систему функции для произвольного случайного процесса практически невозможно. Обычно случайные процессы задают с помощью априорных предположений о его свойствах, таких как независимость приращений, марковский характер траекторий и т. п.

Процесс, у которого все конечномерные распределения нормальны, называется нормальным (гауссовским). Оказывается, что для полного описания такого процесса достаточно знания одно- и двумерного распределений (1), (2), что важно с практической точки зрения, поскольку позволяет ограничиться исследованием математического ожидания и корреляционной функцией процесса.

В теории временных рядов используются ряд моделей случайной составляющей, начиная от простейшей – «белого шума», до весьма сложных типа авторегрессии – скользящего среднего и других, которые строятся на базе белого шума.

Прежде чем определять процесс белого шума рассмотрим последовательность независимых случайных величин, для которой функция распределения есть

.

Из последнего соотношения следует, что все конечномерные распределения последовательности определяются с помощью одномерных распределений.

Если к тому же в такой последовательности составляющие ее случайные величины X(t) имеют нулевое математическое ожидание и распределены одинаково при всех t Î T, то это – «белый шум». В случая нормальности распределения X(t) говорят о гауссовском белом шуме. Итак, гауссовский белый шум – последовательность независимых нормально распределенных случайных величин с нулевым математическим ожиданием и одинаковой (общей) дисперсией.

Более сложными моделями, широко используемыми в теории и практике анализа временных рядов, являются линейные модели: процессы скользящего среднего, авторегрессии и смешанные.

Процесс скользящего среднего порядка q  представляет собой взвешенную сумму случайных возмущений:

 (4),

где  – независимые одинаково распределенные случайные величины (белый шум);

 – числовые коэффициенты.

Легко видеть из определения, что у процесса скользящего среднего порядка q (сокращенно CC(q)) статистически зависимыми являются (q+1) подряд идущих величин X(t), X(t-1),..., X(t-q). Члены ряда, отстоящие друг от друга больше чем на (q+1) такт, статистически независимы, поскольку в их формировании участвуют разные слагаемые .

Процессом авторегрессии порядка p (сокращенно АР(р)) называют взвешенную возмущенную сумму p прошлых значений временного ряда

 (5),

где  – случайное возмущение, действующее в текущий момент t;

 – числовые коэффициенты.

Выражая последовательно в соответствии с соотношением (5) X(t-1) через X(t-2), . . . , X(t-p-1), затем X(t-2) через X(t-3), . . . , X(t-p-2) и т.д. получим, что X(t) есть бесконечная сумма прошлых возмущений  Из этого следует, члены процесса авторегрессии X(t) и X(t-k) статистически зависимы при любом k.

Процесс АР(1) часто называют процессом Маркова, АР(2) – процессом Юла. В общем случае марковским называют такой процесс, будущее которого определяется только его состоянием в настоящем и воздействиями на процесс, которые будут оказываться в будущем, тогда как его состояние до настоящего момента при этом несущественно. Процесс АР(1)

является марковским, поскольку его состояние в любой момент  определяется через значения процесса , если известна величина  в момент . Формально процесс авторегресси произвольного порядка  также можно считать марковским, если его состоянием в момент t считать набор

(X(t),X(t-1), . . . , X(t-p-1)) .

Более полно модели СС, АР, а также их композиция: модели авторегрессии – скользящего среднего рассматриваются далее (п.10.1.5 ). Заметим только, что все они представляются частными случаями общей линейной модели

 (6)

где  – весовые коэффициенты, число которых, вообще-то говоря, бесконечно.

Страницы: 1, 2, 3, 4