Сглаживание временного ряда методом скользящего среднего П 7

↑

▷ Содержание

⇐ ПредыдущаяСтр 5 из 5

Одним из методов выделения тренда является сглаживание временного ряда с помощью скользящего среднего. Метод состоит в замене уровней ряда динамики средними арифметическими- за определенный интервал (окно сглаживания), длина которого определена заранее. При этом сам выбранный интервал времени «скользит» вдоль ряда.

Например, при к=2, 2к+1=5

Получаемый таким образом ряд скользящих средних ведет себя более гладко, чем исходный ряд, из-за усреднения отклонений ряда. В результате сглаживания получается ряд с меньшим количеством уровней, так как крайние значения теряются.

Аналитическое выравнивание временного ряда – построение аналитической функции, характеризующей зависимость элементов ряда от времени, или тренда.

Для построения тренда используются функции:

§ линейная

§ гипербола

§ экспонента

§ степенная функция

§ парабола второго и более высоких порядков

§ другие виды функций

Аналитическое выравнивание временного ряда. Метод наименьших квадратов. П 7

Параметры трендов определяются обычным МНК, в качестве независимой переменной выступает время t=1, 2,…, n, а в качестве зависимой переменной – фактические уровни временного ряда yt. Для нелинейных трендов предварительно проводят стандартную процедуру их линеаризации.

При аналитическом выравнивании динамического ряда возникает проблема, связанная с выбором функции тренда. Подбор выравнивающей кривой может осуществляться на основе заранее заданных критериев.

Способы определения типа тенденции:

§ качественный анализ изучаемого процесса;

§ построение и визуальный анализ графика зависимости уровней ряда от времени;

§ расчет некоторых основных показателей динамики;

§ вычисление коэффициентов автокорреляции разного порядка;

§ перебор основных форм тренда и выбор уравнения тренда по максимальному значению коэффициента детерминации;

§ метод конечных разностей.

Метод наименьших квадратов

В большинстве экспериментальных данных, задаваемых с помощью табличной функции, имеется достаточно большой разброс точек. При этом использование кусочной или непрерывной интерполяции не всегда оправдано, поскольку ставится задача исследовать общую тенденцию изменения физической величины.

В этом общем случае аппроксимации искомая кривая не обязательно должна проходить через заданные точки.

Рассмотрим рис. 1, отражающий большой разброс точек. В простейшем случае будем искать аппроксимирующую функцию ф(х) в виде полинома первой степени (прямой):

Рис. 1. Аппроксимация

Таким образом, данная система точек группируется вокруг искомой прямой. Эту прямую легко провести на глаз так, чтобы она наиболее близко подходила к исходным точкам. Однако можно найти уравнение прямой более строгими математическими методами.

Метод наименьших квадратов наиболе часто используют для решения контрольных по эконометрике для нахождения параметров уравнений (линий, степенной функции, гиперболы и т.д.)

Пусть общее количество точек равно n. Отклонение i-й точки от искомой прямой:

Как видно из рис. 2, отклонения могут быть как положительными, так и отрицательными. Поэтому для того, чтобы определить близость искомой функции к табличным точкам, необходимо составить сумму квадратов всех отклонений.

Познавательные статьи:



Где возникла философия и почему?

Относительная высота сжатой зоны бетона

Сущность проекции Гаусса-Крюгера и использование ее в геодезии

Тарифы на перевозку пассажиров