Лабораторная работа по дисциплине "Анализ временных рядов"

Автор работы: Пользователь скрыл имя, 16 Августа 2015 в 17:10, лабораторная работа

Краткое описание

В данной работе был проведен анализ квартального показателя кредиторской задолженности на интервале 2008-2014 гг. Для оценки и удаления тренда был использован параметрический метод, согласно которому тренд задан линейной функцией:
x=0,785t3-27,006t2+869,906t+7232,045.
При оценке и удалении сезонности использовался метод тригонометрических гармоник, сезонная компонента была задан и удалена с помощью гармоники синуса:
xt=271.967*sin(2Pi*t/4).
После удаления тренда и сезонности было выявлено, что в получившемся ряде присутствуют случайные величины, которые можно оценить с помощью модели АРСС (1,0).
Конечные остатки находятся в границах белого шума, что говорит что все три компоненты оценены правильно. Хотя периодограмма остатков (рис. 23) отличается от теоретического графика, изменения в значениях периодограммы малы. Поэтому можно признать модель разложения временного ряды на отдельные компоненты адекватной.

Прикрепленные файлы: 1 файл

Документ Microsoft Word (3).docx

— 552.28 Кб (Скачать документ)

МИНИСТЕРСТВО образованиЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ государственноЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ учреждениЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«башкирский государственный университет»

 

Институт экономики, финансов и бизнеса

Кафедра макроэкономического развития и государственного управления

 

 

Лабораторная работа

по дисциплине: Анализ временных рядов

 

 

 

 

Выполнила: студентка 3 курса

группа 3.1. А-Э

 

 

Проверила: асс.,

Хайруллина Н.А.

 

 

 

 

 

 

Уфа — 2015

 

Рассмотрим квартальные данные за семь лет (2008-2014) по кредиторской задолженности (в среднем за период, в млрд руб.) и нарисуем их график (рис. 1).

Рис. 1 Квартальные данные кредиторской задолженности

Из графика мы видим, что присутствует тренд, возрастающий со временем. Изучив АКФ и ЧАКФ исходного ряда (рис. 2), можно сделать вывод о наличии тренда и сезонной компоненты.  Периодограмма  (рис. 3) так же свидетельствует о наличии тренда.

Рис. 2 АКФ и ЧАКФ исходного ряда

 

 

 

 

Рис. 3 Периодограмма исходного ряда

ТРЕНД

При оценке непараметрическим методом скользящих средних мы видим, что появляется краевой эффект, а значит данный метод не подходит для дальнейшей работе.

Рис. 4 Исходный ряд и ряд, оцененный методом скользящих средних

Рис. 5 Ряд, после удаления тренда, оцененного методом скользящих средних

Переходим к параметрическим методам оценки тренда.

При оценке тренда с помощью разностей различного порядка можно сделать вывод о том, что тренд не является линейным.

Рис. 6 Разности первого и второго порядка

При оценке тренда с помощью аналитических функций используем формулу x=at3+bt2+ct+d. Как можно увидеть из рисунка 7, все коэффициенты являются значимыми, следовательно, тренд рассчитывается по формуле: x=0,785t3-27,006t2+869,906t+7232,045. Рассчитав по данной формуле тренд, находим ряд без тренда и строим график исходного ряда, тренда и ряда без тренда (рис. 8). Как мы видим, кривая сместилась вниз, не потеряв при этом свою форму, следовательно тренд оценен правильно.

 

 

Рис. 7 Полином третей степени, результат оценки нелинейного тренда

Рис. 8 Исходный ряд, тренд и ряд без тренда

СЕЗОННАЯ КОМОНЕНТА

Как мы видим из графика (рис. 9), а так же АКФ и ЧАКФ (рис.10), в данном ряде присутствует сезонная компонента с периодом 4.

Рис. 9 График ряда без тренда

Рис. 10 АКФ и ЧАКФ ряда без тренда

Для оценки сезонной компоненты используем метод тригонометрических гармоник. Как можно видеть из рисунка 11, при оценке сезонности с помощью формулы xt=62.985*cos(2Pi*t/4)-271.967*sin(2Pi*t/4)-0.003, константа является незначимой, поэтому удаляем ее (рис. 12). Однако, в получившейся формуле (xt=62.985*cos(2Pi*t/4)-271.967*sin(2Pi*t/4)) гармоника косинуса остается незначимой, поэтому удаляем и ее (рис. 13). Таким образом, сезонная компонента оценивается с помощью формулы xt=271.967*sin(2Pi*t/4). Рассчитываем значения сезонной компоненты и ряда без нее, строим график (рис. 14).

Рис. 11 Оценка сезонной компоненты с помощью пары тригонометрических гармоник и константы

Рис. 12 Оценка сезонной компоненты с помощью пары тригонометрических гармоник

Рис. 12 Оценка сезонной компоненты с помощью гармоники синуса

Рис. 13 Значения сезонной компоненты и ряда без нее, а так же графики ряда без тренда, без тренда и сезонности и сезонной компоненты, при оценке методом тригонометрических гармоник

Так же для оценки сезонной компоненты используем метод оценки на основе сезонных индексов (рис 14). Для данного метода следует рассчитать 4 сезонных индекса (поскольку у нас квартальные данные) и затем вычитать индекс каждого квартала из данных ряда без тренда того же квартал всех лет. Как можно увидеть на графике, при оценке данным методом мы правильно удаляем сезонную компоненту, однако поскольку расчеты у нас велись с помощью двух методов, и в обоих случаях сезонная компоненты оценена была верна, то нам нужно выбрать один метод для дальнейшей оценке, и мы выбираем метод оценки тренда с помощью тригонометрических гармоник.

 

 

 

Рис. 14 Данные и график при оценке сезонной компоненты с помощью сезонных индексов

СТАХОСТИЧЕСКИЙ СЛУЧАЙНЫЙ ПРОЦЕСС

Как мы видим на рисунке 15, после оценки и удаления тренда и сезонной компоненты все еще присутствуют случайные величины. Для их оценки используем АКФ и ЧАКФ, чтобы выбрать модель АРСС.

Рис. 15 Ряд без тренда и без сезонности

На рисунке 16 видно, что данные АКФ и ЧАКФ похожи на модель АРСС(1,0) (рис. 17), однако все же сделаем проверку по модели АРСС (2,0).

Рис. 16 АКФ и ЧАКФ ряда без тренда и без сезонности

Рис. 17 Теоретическая модель АРСС (1,0)

Как мы видим на рисунке 18, модель АРСС (2,0) не подходит, поскольку параметр р(2) является незначимым, поэтому удаляем его и проверяем модель АРСС (1,0). Мы видим (рис. 19), что константа остается незначимой, поэтому избавляемся и от нее (рис. 20) и получаем модель АРСС (1,0) без константы, заданную формулой xs=0.675911xst-1+e.

Рис. 18. Модель АРСС (2,0), с константой

Рис. 19. Модель АРСС (1,0), с константой

Рис. 20. Модель АРСС (1,0), без константы

Найдя значения от стохастического случайного процесса, удаляем их и получаем остатки (рис 21), которые не поддаются анализу и прогнозу и не выходят за границы белого шума (рис. 22).

Рис. 21 Данные и графики ряда без тренда и без сезонности, стохастического процесса, оцененного моделью АРСС (1,0) и остатков

Рис. 22 АКФ и ЧАКФ остатков

Рис. 23 Периодограмма остатков

ВЫВОДЫ

В данной работе был проведен анализ квартального показателя кредиторской задолженности на интервале 2008-2014 гг. Для оценки и удаления тренда был использован параметрический метод, согласно которому тренд задан линейной функцией:

x=0,785t3-27,006t2+869,906t+7232,045.

При оценке и удалении сезонности использовался метод тригонометрических гармоник, сезонная компонента была задан и удалена с помощью гармоники синуса:

xt=271.967*sin(2Pi*t/4).

После удаления тренда и сезонности было выявлено, что в получившемся ряде присутствуют случайные величины, которые можно оценить с помощью модели АРСС (1,0).

Конечные остатки находятся в границах белого шума, что говорит что все три компоненты оценены правильно. Хотя периодограмма остатков (рис. 23) отличается от теоретического графика, изменения в значениях периодограммы малы. Поэтому можно признать модель разложения временного ряды на отдельные компоненты адекватной.

 

 

ПРОГНОЗ

Для прогноза будущих значений кредиторской задолженности на следующие 2,5 года (10 кварталов), следует провести прогноз каждой компоненты отдельно, а затем сложить их.

Для прогноза тренда (рис. 24) мы используем формулу: x=0,785t3-27,006t2+869,906t+7232,045.

Поскольку при анализе сезонной компоненты использовался метод тригонометрических гармоник, то при прогнозе сезонности (рис. 25) следует использовать формулу: xt=271.967*sin(2Pi*t/4).

Стохастический процесс (рис. 27) оценивается и прогнозируется с помощью модели АРСС (1,0), его будущие значения даны на рисунке 26.

Остатки не прогнозируется.

Суммируем тренд, сезонную и стохастическую компоненты, рассчитанные на будущие периоды и получаем спрогнозированное значение кредиторской задолженности (рис 28). Однако реальные значения могут немного отличаться, поскольку в прогнозе мы не учитываем остатки, находящиеся в границах белого шума.

В таблице 1 указаны все значения, полученные во время анализа.

 

Рис. 24 Прогноз тренда

Рис. 25 Прогноз сезонной компоненты

Рис. 26 Будущие значения по модели АРСС (1,0)

Рис. 27 Прогноз будущих значений стохастической величины

Рис. 28 Прогноз будущих значений кредиторской задолженности

Таблица 1. Значения, полученные при анализе и прогнозе кредиторской задолженности

Период (t)

Кредиторская задолженность (х)

Тренд (t)

Ряд без тренда (xt=x-t)

Сезонная компонента (s)

Ряд без тренда и без сезонности (xs=x-t-s)

Стохастический случайный процесс (v)

Остатки

(u=x-t-s-u)

1

7871

8075,73

-204,730

-271,967

67,236

67,236

0,000

2

8786,3

8870,11

-83,814

0,000

-83,814

-129,260

45,446

3

9667,3

9619,91

47,393

271,967

-224,574

-167,923

-56,651

4

10429,1

10329,82

99,280

0,000

99,280

251,072

-151,792

5

10730

11004,56

-274,562

-271,967

-2,596

-69,700

67,105

6

11792,8

11648,85

143,955

0,000

143,955

145,709

-1,755

7

12833,1

12267,38

565,722

271,967

293,755

196,454

97,301

8

13520

12864,87

655,127

0,000

655,127

456,575

198,552

9

13397,7

13446,04

-48,339

-271,967

223,628

-219,180

442,807

10

13990,5

14015,59

-25,086

0,000

-25,086

-176,239

151,153

11

14645

14578,23

66,774

271,967

-205,192

-188,236

-16,956

12

14865,1

15138,67

-273,567

0,000

-273,567

-134,876

-138,691

13

14931,1

15701,62

-770,522

-271

,967

-498,556

-313,649

-184,907

14

15642,2

16271,80

-629,600

0,000

-629,600

-292,621

-336,979

15

16684,9

16853,91

-169,012

271,967

-440,978

-15,425

-425,554

16

17412,4

17452,67

-40,267

0,000

-40,267

257,795

-298,062

17

17909,5

18072,78

-163,277

-271,967

108,690

135,907

-27,217

18

19068,6

18718,95

349,649

0,000

349,649

276,184

73,465

19

19726,9

19395,90

331,000

271,967

59,033

-177,298

236,332

20

20602,3

20108,33

493,965

0,000

493,965

454,064

39,901

21

20950,6

20860,97

89,635

-271,967

361,601

27,725

333,876

22

22085,9

21658,50

427,398

0,000

427,398

182,988

244,410

23

22889,6

22505,65

383,945

271,967

111,979

-176,904

288,883

24

23157,2

23407,13

-249,934

0,000

-249,934

-325,622

75,688

25

23531,1

24367,65

-836,551

-271,967

-564,585

-395,651

-168,933

26

25073,1

25391,92

-318,815

0,000

-318,815

62,793

-381,609

27

26858

26484,64

373,362

271,967

101,396

316,887

-215,491

28

27711,4

27650,53

60,872

0,000

60,872

-7,663

68,535

29

28661,77038

28892,59

-

-271,967

-

41,14389

-

30

30246,58960

30218,78

-

0,000

-

27,80960

-

31

31923,01832

31632,26

-

271,967

-

18,79681

-

32

33150,43296

33137,73

-

0,000

-

12,70496

-

33

34476,52991

34739,91

-

-271,967

-

8,58742

-

34

36449,31233

36443,51

-

0,000

-

5,80433

-

35

38529,12472

38253,24

-

271,967

-

3,92321

-

36

40176,45174

40173,8

-

0,000

-

2,65174

-

37

41939,73883

42209,91

-

-271,967

-

1,79234

-

38

44367,49546

44366,28

-

0,000

-

1,21146

-


 


Информация о работе Лабораторная работа по дисциплине "Анализ временных рядов"