Volba vhodné trendové funkce -
posouzení věcně logické charakteristiky (posouzení extrémních hodnot)
-
vizualizace dat (korelační pole => ? nějaký trend)
-
hodnocení na základě vývoje elementárních charakteristik časových řad
-
posuzování na základě indexů korelace (čím vyšší, tím lepší funkce)
Analýza periodických časových řad
Řady mohou obsahovat trend, vždy obsahují periodické kolísání a zpravidla náhodné kolísání. Periodická složka je důsledkem působení periodicky se opakujících faktorů na sledovaný jev. Časové řady mohou být stacionární nebo s trendem.
Členění dle délky periody:
-
cyklické kolísání – délka periody je delší než 1 rok, např. inovační procesy, demografické a výrobní cykly
-
sezónní kolísání – způsobeno buď objektivně (střídání ročních období v zemědělství, stavebnictví, cestovním ruchu) nebo subjektivně (svátky, prázdniny, zvyklosti, tradice). Má často negativní dopad na mnohé odvětví, a proto je třeba je indikovat a podle možností odstranit. Pro měření intenzity sezónních výkyvů se využívají sezónní indexy, což jsou poměrná čísla
SEZÓNNÍ INDEXY
Jako vyrovnanou hodnotu můžeme použít:
-
aritmetický průměr skutečných hodnot za období celé periody sezónního cyklu, používá se u stacionárních časových řad bez trendu =>
-
hodnota stanovená buď pomocí trendové funkce nebo pomocí klouzavého průměru, používá se u časových řad s významnějším trendem =>
Vypočtené sezónní indexy se používají k opravě predikce ukazatele určené pomocí trendové funkce.
Náhodná složka v časových řadách
Je výsledkem působení náhodných vlivů na budoucí ukazatele, nelze ji předvídat.
Popisuje se (kvantifikuje) pomocí absolutní nebo relativní průměrné odchylky.
-
absolutní průměrné odchylky (vychází jednotka, např. kg, l)
-
pro stacionární časové řady:
-
pro časové řady s trendem:
-
relativní průměrné odchylky (vychází bezrozměrné číslo)
-
pro stacionární časové řady:
-
pro časové řady s trendem:
Interpolace a extrapolace časových řad
Interpolace = přibližné určení chybějící hodnoty sledovaného ukazatele časové řady za předpokladu, že známe sousední hodnoty. Provádí se 2 způsoby:
-
prostřednictvím 2 sousedních hodnot (pomocí jejich aritmetického průměru a průměrného koeficientu růstu celé časové řady)
-
prostřednictvím všech hodnot časové řady (z trendové funkce)
Extrapolace = určení hodnot časové řady za interval známých hodnot a to zpravidla do budoucího vývoje, jedná se o tzv. statistické prognózování, kdy s pomocí trendových funkcí a sezónních indexů je možno odhadnout budoucí vývoj. Uvedený postup naráží předpoklad neměnnosti podmínek. Nevýhodou uvedeného postupu je skutečnost, že všem hodnotám v časové řadě se přikládá stejná váha. Tuto nevýhodu odstraňuje tzv. adaptivní prognózování, které novým údajům v časové řadě přikládá větší váhu a starším údajům váhu menší. Respektuje tedy stárnutí informace.
Metody adaptivního prognózování = metody exponenciálního vyrovnávání -
Holtovo exponenciální vyrovnávání
-
Brownovo exponenciální vyrovnávání
-
Wintersonovo exponenciální vyrovnávání
Hodnocení přesnosti vypočtených prognóz
Zpravidla se provádí ex-post (následně). Můžeme to dělat celou řadou charakteristik, z nichž nejjednodušší je relativní chyba predikce: . Pokud je ur 5 %, tak se prognóza považuje za dostatečně přesnou a použitý model je vhodný pro delší předpovědi.
Statistické prognózování
Předpověď budoucího vývoje veličiny lze provést bodově nebo intervalově:
-
bodová: (n = počet členů časové řady, k = počet kroků dopředu)
-
intervalová:
Doporučuje se, aby k 1/3 n (z desetileté řady na 3 roky dopředu)
Korelace časových řad
V ekonomice časových řad velmi často posuzujeme míru závislosti mezi 2 či více ekonomickými ukazateli, přičemž, každý z nich se odvíjí v časové řadě. Ze statistického hlediska se jedná o korelaci časových řad. Při korelaci časových řad je třeba časovou řadu rozložit na trend, periodické kolísání a náhodné kolísání. Korelovat lze pouze náhodné složky, které jsou pro každou časovou řadu jedinečné a náhodně rozdělené. Jinak by mohlo dojít k tzv. zdánlivé neboli falešné korelaci. Korelace se lze zbavit vyloučením trendu.
Postup při korelaci časových řad -
Očištění časové řady od trendu a periodického kolísání. Náhodnou složku pak vyjádříme jako odchylku (yi – ui) v časové řadě s trendem, jako odchylku (yi – ) v časové řadě bez trendu. Teprve tyto odchylky lze korelovat.
-
Trendová funkce bývá často vybírána subjektivně (špatně). Proto odchylky nevystihují správně náhodnou složku. Odchylky nebudou v čase náhodně uspořádány a bude mezi nimi existovat tzv. autokorelace (závislost mezi po sobě následujícími členy v časové řadě). Korelační koeficient lze určit u časových řad, které nejsou autokorelovány. K ověření autokorelace se používá testů autokorelace. Mírou závislosti po sobě jdoucích hodnot v časové řadě je koeficient autokorelace. Nízké a nevýznamné hodnoty koeficientu autokorelace umožňují přistoupit k výpočtu koeficientu korelace.
-
Výpočet koeficientu korelace náhodných složek
x1, x2, …, xn = časová řada jednoho ukazatele
x´1, x´2, …, x´n = vyrovnané hodnoty
y1, y2, …, yn = časová řada druhého ukazatele
y´1, y´2, …, y´n = vyrovnané hodnoty
t = 1, 2, 3, …, n = čas
Harmonická analýza
V některých časových řadách se přísně pravidelně odchylují skutečné hodnoty od celkové tendence. Graf připomíná spojité periodické funkce goniometrického typu, z nichž nejčastější je sinusoida. Souhrn postupů používaných ke studiu vlnitých pohybů v přírodních jevech se nazývá harmonická analýza = nejvhodnější způsob analýzy periodicity u periodické časové řady – nejčastější je modifikace Fourierovy analýzy.
Indexní analýza
Na pomezí matematické statistiky a ekonomických teorií. Pomocí indexní analýzy srovnáváme ukazatele (např. počet pracovníků, spotřeba potravin, průměrná mzda), což provádíme pomocí podílů či rozdílů hodnot uvažovaného ukazatele.
Dostları ilə paylaş: |