Формула автокорреляции. Автокорреляция, коэффициент автокорреляции

Краткая теория

При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.

Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Некоторые авторы считают целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный лаг должен быть не больше .

Отметим два важных свойства коэффициента автокорреляции. Во-первых, он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.

Во-вторых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержит положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.

Последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков называют автокорреляционной функцией временного рада. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой.

Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т. е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.

Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка , ряд содержит циклические колебания с периодичностью в моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических колебаний, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты () и циклической (сезонной) компоненты ().

Существует несколько подходов к анализу структуры временных рядов, содержащих сезонные или циклические колебания. Простейший подход - расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или мультипликативной модели временного ряда. Общий вид аддитивной модели следующий:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой , сезонной и случайной компонент. Общий вид мультипликативный модели выглядит так:

Эта модель предполагает, что каждый уровень временного ряда может быть представлен как произведение трендовой , сезонной и случайной компонент. Выбор одной из двух моделей осуществляется на основе анализа структуры сезонных колебаний. Если амплитуда колебаний приблизительно постоянна, строят аддитивную модель временного ряда, в которой значения сезонной компоненты предполагаются постоянными для различных циклов. Если амплитуда сезонных колебаний возрастает или уменьшается, строят мультипликативную модель временного ряда, которая ставит уровни ряда в зависимость от значений сезонной компоненты.

Построение аддитивной и мультипликативной моделей сводится к расчету значений и для каждого уровня ряда.

Процесс построения модели включает в себя следующие шаги.

1. Выравнивание исходного ряда методом скользящей средней.

2. Расчет значений сезонной компоненты .

3. Устранение сезонной компоненты из исходных уровней ряда и получение выравненных данных в аддитивной или в мультипликативной модели.

4. Аналитическое выравнивание уровней или и расчет значений с использованием полученного уравнения тренда.

5. Расчет полученных по модели значений или .

6. Расчет абсолютных и/или относительных ошибок.

Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок для анализа взаимосвязи исходного ряда и других временных рядов.

Пример решения задачи

Условие задачи

Имеются условные данные об объемах потребления электроэнергии жителями региона за 16 кварталов.

Требуется:

1. Построить автокорреляционную функцию и сделать вывод о наличии сезонных колебаний.

2. Построить аддитивную модель временного ряда (для нечетных вариантов) или мультипликативную модель временного ряда (для четных вариантов).

3. Сделать прогноз на 2 квартала вперед.

Чтобы решение задачи по эконометрике было максимально точным и верным, многие недорого заказывают контрольную работу на этом сайте. Подробно (как оставить заявку, цены, сроки, способы оплаты) можно почитать на странице Купить контрольную работу по эконометрике...

5.5

8.2

4.8

5.5

5.1

6.5

9.0

11.0

7.1

8.9

4.9

6.5

6.1

7.3

10.0

11.2

Решение задачи

1) Построим поле корреляции:

Уже исходя из графика видно, что значения образуют пилообразную фигуру. Рассчитаем несколько последовательных коэффициентов автокорреляции. Для этого составляем первую вспомогательную таблицу:

5.5

---

4.8

5.5

-2.673

-1.593

4.260

7.147

2.539

5.1

4.8

-2.373

-2.293

5.443

5.633

5.259

5.1

1.527

-1.993

-3.043

2.331

3.973

7.1

-0.373

1.907

-0.712

0.139

3.635

4.9

7.1

-2.573

0.007

-0.017

6.622

0.000

6.1

4.9

-1.373

-2.193

3.012

1.886

4.811

6.1

2.527

-0.993

-2.510

6.384

0.987

8.2

0.727

2.907

2.112

0.528

8.449

5.5

8.2

-1.973

1.107

-2.184

3.894

1.225

6.5

5.5

-0.973

-1.593

1.551

0.947

2.539

6.5

3.527

-0.593

-2.092

12.437

0.352

8.9

1.427

3.907

5.574

2.035

15.262

6.5

8.9

-0.973

1.807

-1.758

0.947

3.264

7.3

6.5

-0.173

-0.593

0.103

0.030

0.352

11.2

7.3

3.727

0.207

0.770

13.888

0.043

Сумма

112.1

106.4

10.507

64.849

52.689

Среднее значение

7.473

7.093

Следует заметить. что среднее значение получается путем деления не на 16, а на 15, так как у нас теперь на одно наблюдение меньше.

Коэффициент автокорреляции первого порядка:

Составляем вспомогательную таблицу для расчета коэффициента автокорреляции второго порядка:

5.5

---

4.8

---

5.1

5.5

-2.564

-1.579

4.048

6.576

2.492

4.8

1.336

-2.279

-3.044

1.784

5.192

7.1

5.1

-0.564

-1.979

1.116

0.318

3.915

4.9

-2.764

1.921

-5.311

7.641

3.692

6.1

7.1

-1.564

0.021

-0.034

2.447

0.000

4.9

2.336

-2.179

-5.089

5.456

4.746

8.2

6.1

0.536

-0.979

-0.524

0.287

0.958

5.5

-2.164

2.921

-6.323

4.684

8.535

6.5

8.2

-1.164

1.121

-1.306

1.356

1.258

5.5

3.336

-1.579

-5.266

11.127

2.492

8.9

6.5

1.236

-0.579

-0.715

1.527

0.335

6.5

-1.164

3.921

-4.566

1.356

15.378

7.3

8.9

-0.364

1.821

-0.664

0.133

3.318

11.2

6.5

3.536

-0.579

-2.046

12.501

0.335

Сумма

107.3

99.1

-29.721

57.192

52.644

Среднее значение

7.664

7.079

Следовательно:

Аналогично находим коэффициенты автокорреляции более высоких порядков, а все полученные значения заносим в сводную таблицу:

Лаг

Коэффициент автокорреляции уровней

0.180

-0.542

0.129

0.980

0.987

-0.686

0.019

0.958

0.117

-0.707

-0.086

0.937

Коррелограмма:

Анализ коррелограммы и графика исходных уровней временного ряда позволяет сделать выводы о наличии в изучаемом временном ряде сезонных колебаний периодичностью в четыре квартала.

2) Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:

Просуммируем уровни ряда последовательно за каждые четыре квартала со сдвигом на один момент времени и определим условные годовые объемы потребления электроэнергии.

Разделив полученные суммы на 4, найдем скользящие средние. Полученные таким образом выровненные значения уже не содержат сезонной компоненты.

Приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних – центрированные скользящие средние.

Итого за четыре квартала

Скользящая средняя за четыре квартала

Центрированая скользящая средняя

Оценка сезонной компоненты

5.5

4.8

24.4

6.1

5.1

6.5

6.300

-1.200

26.1

6.525

6.513

2.488

7.1

27.1

6.775

6.650

0.450

4.9

28.1

7.025

6.900

-2.000

6.1

29.2

7.3

7.163

-1.063

29.8

7.45

7.375

2.625

8.2

30.2

7.55

7.500

0.700

5.5

31.2

7.8

7.675

-2.175

6.5

31.9

7.975

7.888

-1.388

32.9

8.225

8.100

2.900

8.9

33.7

8.425

8.325

0.575

6.5

33.9

8.475

8.450

-1.950

7.3

---

11.2

---

Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и центрированными скользящими среднеми. Используем эти оценки для расчета значений сезонной компоненты . Для этого найдем средние за каждый квартал (по всем годам) оценки сезонной компоненты :

Показатели

Год

№ квартала,

III

---

-1.2

2.488

0.45

-2

-1.063

2.625

0.7

-2.175

-1.388

2.9

0.575

-1.95

---

Всего за i-й квартал

1.725

-6.125

-3.651

8.013

Средняя оценка сезонной компоненты для -го квартала,

0.575

-2.042

-1.217

2.671

Скорректированная сезонная компонента,

0.578

-2.039

-1.213

2.674

В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются. В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должны быть равна нулю.

Для данной модели имеем:

Корректирующий коэффициент:

Рассчитываем скорректированные значения сезонной компоненты и заносим полученные данные в таблицу.

Проверим равенство нулю суммы значений сезонной компоненты:

Исключим влияние сезонной компоненты, вычитая ее значения из кажждого уровня исходного временного ряда. Получим величины . Эти значения рассчитываются за каждый момент времени и содержат только тенденцию и случайную компоненту.

5.5

0.578

4.922

5.853

6.431

-0.931

0.867

3.423

4.8

-2.039

6.839

6.053

4.014

0.786

0.618

6.503

5.1

-1.213

6.313

6.253

5.040

0.060

0.004

5.063

2.674

6.326

6.453

9.127

-0.127

0.016

2.723

7.1

0.578

6.522

6.653

7.231

-0.131

0.017

0.063

4.9

-2.039

6.939

6.853

4.814

0.086

0.007

6.003

6.1

-1.213

7.313

7.053

5.840

0.260

0.068

1.563

2.674

7.326

7.253

9.927

0.073

0.005

7.023

8.2

0.578

7.622

7.453

8.031

0.169

0.029

0.722

5.5

-2.039

7.539

7.653

5.614

-0.114

0.013

3.423

6.5

-1.213

7.713

7.853

6.640

-0.140

0.020

0.723

2.674

8.326

8.053

10.727

0.273

0.075

13.323

8.9

0.578

8.322

8.253

8.831

0.069

0.005

2.403

6.5

-2.039

8.539

8.453

6.414

0.086

0.007

0.723

7.3

-1.213

8.513

8.653

7.440

-0.140

0.020

0.003

11.2

2.674

8.526

8.853

11.527

-0.327

0.107

14.823

Итого

1.876

68.500

Определим компоненту данной модели. Для этого проведем аналитическое выравнивание ряда с помощью линейного тренда. Результаты аналитического выравнивания следующие:

Подставляя в это уравнение значения , найдем уровни для каждого момента времени

Найлем значения уровней ряда, полученные по аддитивной модели. Для этого прибавим к уровням значения сезонной компоненты для соответствующих кварталов.

На одном графике отложим фактические значения уровней временного ряда и теоретические, полученные по аддитивной модели.

Для оценки качества построенной модели применим сумму квадратов полученных абсолютных ошибок:

Следовательно, можно сказать, что аддитивная модель объясняет 99.3% общей вариации уровней временного ряда.

3) Прогнозное значение уровня временного ряда в аддитивной модели есть сумма трендовой и сезонной компонент. Для определения трендовой компоненты воспользуемся уравнением тренда:

Значения сезонных компонент за соответствующие кварталы равны:

Таким образом:

Если возникли сложности с решением задач, то сайт сайт оказывает онлайн помощь студентам по эконометрике с контрольными или экзаменами.

Средняя стоимость решения контрольной работы 700 - 1200 рублей (но не менее 300 руб. за весь заказ). На цену сильно влияет срочность решения (от суток до нескольких часов). Стоимость онлайн-помощи на экзамене/зачете - от 1000 руб. за решение билета.

Все вопросы по стоимости можете задать прямо в чат, предварительно скинув условие задач и сообщив необходимые вам сроки решения. Время ответа - несколько минут.

Примеры близких по теме задач

Линейная модель парной регрессии
Задача на расчет линейной модели парной регрессии. В ходе решения приведено вычисление коэффициентов регрессии, произведена оценка их значимости, а также вычислена средняя ошибка аппроксимации и показан расчет доверительного интервала прогноза.

Модель множественной линейной регрессии
Страница содержит последовательное и систематизирование решение задачи на тему корреляционного анализа. Рассмотрена линейная модель множественной регрессии - вычисление коэффициентов регрессии и коэффициентов стандартизированного уравнения регрессии. Приведен расчет парных, частных и множественного коэффициента корреляции, коэффициентов эластичности.

При наличии тенденции в ряде динамики уровни ряда характеризуются автокорреляцией, т.е. каждый последующий уровень ряда зависит от предыдущего. Например, цена на товар сегодня, как правило, зависит от цены вчерашнего дня. Корреляционная связь между последовательными значениями уровней динамического ряда называется автокорреляцией уровней динамического ряда .

Для измерения автокорреляции уровней динамического ряда используется коэффициент автокорреляции уровней

где у, – фактические уровни динамического ряда; у с_ Т – уровни того же динамического ряда, но сдвинутые на τ шагов во времени; τ – величина лага (сдвига во времени), принимающая значения 1,2, 3,.... и определяющая порядок коэффициента автокорреляции.

При τ = 1 рассчитывается коэффициент автокорреляции первого порядка, т.е. измеряется корреляция текущих значений уровней динамического ряда уг с предшествующими уровнями уг_г.

При τ = 2 изучается зависимость текущих уровней ряда у, с уровнями этого же ряда, сдвинутыми на 2 временных шага у ,_2, т.е. рассчитывается коэффициент автокорреляции второго порядка, а при х = 3 – соответственно третьего порядка, при X = к – коэффициент автокорреляции к-го порядка. Чем длиннее динамический ряд, тем выше может быть порядок коэффициента автокорреляции уровней.

Коэффициент автокорреляции уровней ряда практически рассчитывается по формуле линейного коэффициента корреляции. Поэтому его величина изменяется в пределах от -1 до +1. Чем ближе его величина , тем сильнее зависимость текущих уровней динамического ряда от предыдущих.

Если ряд характеризуется четко выраженной тенденцией, то для него коэффициент автокорреляции первого порядка приближается к +1. Так, для рассмотренного ранее ряда динамики заработной платы работника коэффициент автокорреляции уровней первого порядка составил 0,9987, демонстрируя тесную связь последующих уровней ряда от предыдущих.

Поскольку в примере рассчитывается коэффициент автокорреляции первого порядка, т.е. когда τ = 1, формула его расчета приобретает вид

(5.2)

где у, – уровни ряда в момент времени f; yf_j – те же уровни ряда, но сдвинутые на год, т.е.уровни ряда в момент времени (t – 1) (предыдущий год).

Так как оба ряда (у, иум) для расчета коэффициента автокорреляции должны быть одинаковой длины, то первое значение по ряду уг в расчетах не участвует. По нашему примеру необходимые суммы для подсчета отдельных элементов формулы коэффициента автокорреляции уровней составили

Соответственно коэффициент автокорреляции уровней составит

Методика расчета коэффициентов автокорреляции более высоких порядков та же, но при этом число коррелируемых пар уменьшается. В нашем примере их восемь (ct = 2 по t = 9). Если же увеличим лаг до 2 лет, т.е. τ = 2, то останется семь коррелируемых пар (с t = 3 по ί = 9), при τ = 3 будет шесть коррелируемых пар (с t = 4 по t = 9). Ввиду уменьшения числа наблюдений при расчете коэффициента автокорреляции уровней, увеличение величины лага не беспредельно: принято считать, что максимальная величина лага должна быть не более чем п / 4 (n – длина динамического ряда). Для нашего примера при л = = 9 максимальная величина лага составит 2 года (τ = 2).

Для расчета коэффициента автокорреляции второго порядка составим таблицу.

Таблица 5.1. Расчет коэффициента автокорреляции уровней второго порядка (для ряда динамики заработной платы работника)

		y t – 2	y t y t – 2

* Подсчитано без первых двух строк

Так как теперь в расчете участвует семь коррелируемых пар и , то первые две строки табл. 5.1 не принимаются во внимание. Коэффициенты автокорреляции разных порядков принято обозначать где указывает на номер порядка коэффициента автокорреляции. Формула расчета коэффициента автокорреляции второго порядка следующая:

где

Соответственно коэффициент автокорреляции равен

В рассмотренном примере уровни динамического ряда имеют тенденцию к возрастанию, и коэффициенты автокорреляции приближаются к +1. Аналогичная картина будет наблюдаться и при тенденции к уменьшению уровней динамического ряда. Например, лесовосстановление в России за 1995–2002 гг. характеризуется тенденцией к снижению. Уровни ряда (в тыс. га) составили:

Коэффициенты автокорреляции первого и второго порядков оказались равными η = 0,812 и г2 =0,885, что подтверждает наличие тенденции в ряду динамики. При этом г, > 0 и г2 > 0, хотя ряд и имеет тенденцию к снижению. Чем тенденция по ряду динамики более четкая, тем ближе г, и г2 к +1.

Для стационарного динамического ряда с небольшими колебаниями уровней, гг достаточно близок к нулю и может принимать небольшое отрицательное значение. Так, предположим, что уровни ряда приняли следующие значения (последовательно во времени):

Коэффициент автокорреляции первого порядка составил -0,209, а коэффициент автокорреляции второго порядка составил 0,056.

Серию коэффициентов автокорреляции уровней ряда с последовательным увеличением величины лага принято называть автокорреляционной функцией (АКФ).

Для стационарного временного ряда с увеличением величины лага взаимосвязь у с и y,_t ослабевает и АКФ характеризуется монотонным убыванием, что графически должно представлять затухающую кривую (рис. 5.7).

По стационарному ряду АКФ оценивается исходя из формулы коэффициента автокорреляции

(5.3)

где n – длина временного ряда; τ –временной сдвиг; – средняя арифметическая по исходному ряду .

В нашем примере АКФ для стационарного ряда составила: г, = -0,209; г 2 = 0,056; г3 = -0,114; г4 – -0,356; г5 = 0,057; г6 = -0,074; г7 = -0,003. Однако при ограниченной длине динамического ряда поведение АКФ в виде рис. 5.7 не всегда соблюдается.

АКФ дает представление о внутренней структуре динамического ряда. С помощью АКФ можно определить наличие или отсутствие в ряду динамики периодических колебаний и соответственно величину периода колебаний: она равна той величине лага τ, при которой коэффициент автокорреляции уровней наибольший.

Предположим, что объем продаж товара за 18 мес. характеризуют следующим образом (рис. 5.8).

График показывает наличие тенденции, а также периодических колебаний. Это подтверждает и АКФ:

Рис. 5.7.

Рис. 5.8

Достаточно высокое значение коэффициента автокорреляции первого порядка (Г] = 0,863) означает наличие тенденции в ряде динамики. Вместе с тем максимальное значение коэффициента автокорреляции наблюдается при лаге 3 и кратном ему лаге 6, т.е. для ряда характерна регулярная колеблемость уровней через 3 мес.: подъем в течение 3 мес. сменяется спадом в следующий месяц. Иными словами, волнообразное изменение объема продаж повторяется через 3 мес., что и демонстрирует АКФ. Для динамического ряда с монотонной тенденцией к возрастанию (или уменьшению) уровней АКФ имеет значения, близкие к +1, которые медленно снижаются с возрастанием величины лага. Например, за 60 кварталов динамика объема продаж характеризовалась уравнением тренда

где у – объем продаж в тыс. руб.;

Коэффициент детерминации для него составил 0,973, характеризуя хорошее качество описания тенденции ряда: отклонения фактических уровней ряда от теоретических, обусловленных тенденцией, составляют всего 2,7%. АКФ для данного ряда оказалась следующей: rj = 0,991; г2 = 0,984; г3 = 0,980; г4 = = 0,979; г5 = 0,973; г6 = 0,968; г7 = 0,963; г8 = 0,965; г9 = 0,963; гю = 0,962; ги = 0,959; г12 = 0,957; г13 = 0,952; г14 = 0,955; г15 = 0,943.

Если ряд характеризуется сменой тенденций, то АКФ примет значения, стремительно уменьшающиеся с возрастанием величины лага, сопровождаемые иногда сменой знака коэффициента автокорреляции. Так, например динамический ряд описывается параболой второго порядка (рис. 5.9).

АКФ оказывается следующей:

Рис. 5.9.

Похожая ситуация имеет место, например, при анализе динамики числа раненых в ДТП (на 100 тыс. человек населения) за 1999–2008 гг. по Тюменской области. Тенденция описывается параболой видау = 80,537 + 45,756t- 3,5053г2. Коэффициенты автокорреляции уровней с увеличением величины лага составили: 0,831; 0,588; 0,179; -0,544.

Иными словами, знание АКФ может помочь при подборе модели рассматриваемого динамического ряда.

Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.

Формула для расчета коэффициента автокорреляции имеет вид:

Где

Эту величину называют коэффициентом автокорреляции уровней ряда первого порядка, так как он измеряет зависимость между соседними уровнями ряда и
.

Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и
и определяется по формуле:

(4.2)

где

(7.1.)

где
, а
.

Число периодов , по которым рассчитывается коэффициент автокорреляции, называют лагом . С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Считается целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный лаг должен быть не больше
.

Свойства коэффициента автокорреляции.

Он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.

По знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержат положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.

Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию . Если наиболее высоким оказался коэффициент автокорреляции порядка , то ряд содержит циклические колебания с периодичностью в моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических колебаний, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической (сезонной) компоненты.

Рассмотрим пример . Пусть имеются некоторые условные данные об общем количестве правонарушений на таможне одного из субъектов РФ (например, Республики Татарстан).

Таблица 4.1

			Количество возбужденных дел,

Построим поле корреляции:

Рис. 4.4.

Таблица 4.2





















Среднее значение

Следует заметить, что среднее значение получается путем деления не на 16, а на 15, т.к. у нас теперь на одно наблюдение меньше.

Теперь вычисляем коэффициент автокорреляции первого порядка по формуле (4.1):

Составляем вспомогательную таблицу для расчета коэффициента автокорреляции второго порядка.

Таблица 4.3




















Среднее значение

Следовательно

Аналогично находим коэффициенты автокорреляции более высоких порядков, а все полученные значения заносим в сводную таблицу.

Таблица 4.4

	Коэффициент автокорреляции уровней

Коррелограмма:

Рис. 4.5.

Анализ коррелограммы и графика исходных уровней временного ряда позволяет сделать вывод о наличии в изучаемом временном ряде сезонных колебаний периодичностью в четыре квартала.

Введение

1. Суть и причины автокорреляции

2. Обнаружение автокорреляции

3. Последствия автокорреляции

4. Методы устранения

4.1 Определение

на основе статистики Дарбина-Уотсона

Заключение

Список использованной литературы

Введение

Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов. Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов. Применение традиционных методов корреляционно-регрессионного анализа для изучения причинно-следственных зависимостей переменных, представленных в форме временных рядов, может привести к ряду серьезных проблем, возникающих как на этапе построения, так и на этапе анализа эконометрических моделей. В первую очередь эти проблемы связаны со спецификой временных рядов как источника данных в эконометрическом моделировании.

Предполагается, что в общем случае каждый уровень временного ряда содержит три основные компоненты: тенденцию (Т), циклические или сезонные колебания (S) и случайную компоненту (E). Если временные ряды содержат сезонные или циклические колебания, то перед проведением дальнейшего исследования взаимосвязи необходимо устранить сезонную или циклическую компоненту из уровней каждого ряда, поскольку ее наличие приведет к завышению истинных показателей силы и связи изучаемых временных рядов в случае, если оба ряда содержат циклические колебания одинаковой периодичности, либо к занижению этих показателей в случае, если сезонные или циклические колебания содержит только один из рядов или периодичность колебаний в рассматриваемых временных рядах различна. Устранение сезонной компоненты из уровней временных рядов можно проводить в соответствии с методикой построения аддитивной и мультипликативной моделей. Если рассматриваемые временные ряды имеют тенденцию, коэффициент корреляции по абсолютной величине будет высоким, что в данном случае есть результат того, что х и у зависят от времени, или содержат тенденцию. Для того чтобы получить коэффициенты корреляции, характеризующие причинно-следственную связь между изучаемыми рядами, следует избавиться от так называемой ложной корреляции, вызванной наличием тенденции в каждом ряде. Влияние фактора времени будет выражено в корреляционной зависимости между значениями остатков

за текущий и предыдущие моменты времени, которая получила название «автокорреляция в остатках».

1.Суть и причины автокорреляции

Автокорреляция - это взаимосвязь последовательных элементов временного или пространственного ряда данных. В эконометрических исследованиях часто возникают и такие ситуации, когда дисперсия остатков постоянная, но наблюдается их ковариация. Это явление называют автокорреляцией остатков.

Автокорреляция остатков чаще всего наблюдается тогда, когда эконометрическая модель строится на основе временных рядов. Если существует корреляция между последовательными значениями некоторой независимой переменной, то будет наблюдаться и корреляция последовательных значений остатков. Автокорреляция может быть также следствием ошибочной спецификации эконометрической модели. Кроме того, наличие автокорреляции остатков может означать, что необходимо ввести в модель новую независимую переменную.

Автокорреляция в остатках есть нарушение одной из основных предпосылок МНК – предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении к оценке параметров модели обобщенного МНК.

Среди основных причин, вызывающих появление автокорреляции, можно выделить ошибки спецификации, инерцию в изменении экономических показателей, эффект паутины, сглаживание данных.

Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводит к системным отклонениям точек наблюдений от линии регрессии, что может обусловить автокорреляцию.

Инерция. Многие экономические показатели (например, инфляция, безработица, ВНП и т.п.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Действительно, экономический подъем приводит к росту занятости, сокращению инфляции, увеличению ВНП и т.д. Этот рост продолжается до тех пор, пока изменение конъюктуры рынка и ряда экономических характеристик не приведет к замедлению роста, затем остановке и движению вспять рассматриваемых показателей. В любом случае эта трансформация происходит не мгновенно, а обладает определенной инертностью.

Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). Например, предложение сельскохозяйственной продукции реагирует на изменение цены с запаздыванием (равным периоду созревания урожая). Большая цена сельскохозяйственной продукции в прошедшем году вызовет (скорее всего) ее перепроизводство в текущем году, а следовательно, цена на нее снизится и т.д.

Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его подынтервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может послужить причиной автокорреляции.

2.Обнаружение автокорреляции

В силу неизвестности значений параметров уравнения регрессии неизвестными будут также и истинные значения отклонений

,t=1,2…T. Поэтому выводы об их независимости осуществляются на основе оценок ,t=1,2…T, полученные из эмпирического уравнения регрессии. Рассмотрим возможные методы определения автокорреляции.

2.1.Графический метод

Существует несколько вариантов графического определения автокорреляции. Один из них, указывающий отклонения

с моментами t их получении (их порядковыми номерами i), приведен на рис. 2.1.Это так называемые последовательно-временные графики. В этом случае по оси абсцисс обычно откладывают либо время (момент) получения статистических данных, либо порядковый номер наблюдения, а по оси ординат- отклонения (либо оценки отклонений )

Рис.2.1.

Естественно предположить, что на рис 2.1. а-г имеются определенные связи между отклонениями, т.е. автокорреляция имеет место. Отсутствие зависимости на рис. д скорее всего свидетельствует об отсутствии автокорреляции.

Например, на рис. 2.1.б отклонения вначале в основном отрицательные, затем положительные, потом снова отрицательные. Это свидетельствует о наличии между отклонениями определенной зависимости.

2.2. Метод рядов

Этот метод достаточно прост: последовательно определяются знаки отклонений

,t=1,2…T. Например,

(-----)(+++++++)(---)(++++)(-),

Т.е. 5 «-», 7 «+», 3 «-», 4 «+», 1 «-» при 20 наблюдениях.

Ряд определяется как непрерывная последовательность одинаковых знаков. Количество знаков в ряду называется длиной ряда.

Визуальное распределение знаков свидетельствует о неслучайном характере связей между отклонениями. Если рядов слишком мало по сравнению с количеством наблюдений n, то вполне вероятна положительная автокорреляция. Если же рядов слишком много, то вероятна отрицательная автокорреляция.

2.3 Критерий Дарбина-Уотсона

Наиболее известным критерием обнаружения автокорреляции первого порядка является критерий Дарбина- Уотсона и расчет величины

(2.3.1)

Согласно (2.3.1) величина d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии. Значение критерия Дарбина – Уотсона указывается наряду с коэффициентом детерминации, значениями t- и F- критериев.

Временной ряд является нестационарным , если он содержит такие систематические составляющие как тренд и цикличность.

Нестационарные временные ряды характеризуются тем, что значения каждого последующего уровня временного ряда корреляционно зависят от предыдущих значений.

Автокорреляцией уровней временного ряда называется корреляционная зависимость между настоящими и прошлыми значениями уровней данного ряда.

Лагом l называется величина сдвига между рядами наблюдений.

Лаг временного ряда определяет порядок коэффициента автокорреляции. Например, если уровни временного ряда x t и x t–1 корреляционно зависимы, то величина временного лага равна единице. Следовательно, данная корреляционная зависимость определяется коэффициентом автокорреляции первого порядка между рядами наблюдений x 1 …x n–1 и x 2 …x n . . Если лаг между рядами наблюдений равен двум, то данная корреляционная зависимость определяется коэффициентом автокорреляции второго порядка и т. д.

При увеличении величины лага на единицу число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается на единицу. Поэтому максимальный порядок коэффициента автокорреляции рекомендуется брать равным n/4 , где n – количество уровней временного ряда.

Автокорреляция между уровнями временного ряда оценивается с помощью выборочного коэффициента автокорреляции, который рассчитывается по формуле:

где x t *x t-l – среднее арифметическое произведения двух рядов наблюдений, взятых с лагом l :

x t x 1+l ,x 2+l ,…,x n :

x t-l – значение среднего уровня ряда x 1 ,x 2 ,…,x n–l :

G(x t), G(x t–l) – средние квадратические отклонения, рассчитанные для рядов наблюдений x 1+l ,x 2+l ,…,x n и x 1 ,x 2 ,…,x n–l соответственно.

Структуру временного ряда можно определить, рассчитав несколько последовательных коэффициентов автокорреляции. В результате данных вычислений можно выявить лаг l , для которого значение выборочного коэффициента автокорреляции r l является наибольшим.

Анализ структуры временного ряда с помощью коэффициентов автокорреляции стоится на следующих правилах:

1) исследуемый временной ряд содержит только трендовую компоненту, если наибольшим является значение коэффициента автокорреляции первого порядка r l–1 ;

2) исследуемый временной ряд содержит трендовую компоненту и колебания периодом l, если наибольшим является коэффициент автокорреляции порядка l. Эти колебания могут быть как циклическими, так и сезонными;

3) если ни один из коэффициентов автокорреляции r l (l =1,L ) не окажется значимым, то делается один из двух возможных выводов:

а) данный временной ряд не содержит трендовой и циклической компонент, а его колебания вызваны воздействием случайной компоненты, т. е. ряд представляет собой модель случайного тренда;

б) данный временной ряд содержит сильную нелинейную тенденцию, для выявления которой необходимо провести его дополнительный анализ.

Графическим способом анализа структуры временного ряда является построение графиков автокорреляционной и частной автокорреляционной функций.

Автокорреляционной функцией называется функция оценки коэффициента автокорреляции в зависимости от величины временного лага между исследуемыми рядами.

Графиком автокорреляционной функции является коррелограмма.

Частная автокорреляционная функция отличается от автокорреляционной функции тем, что при её построении устраняется корреляционная зависимость между наблюдениями внутри лагов.

Енвд

Условие задачи

Решение задачи

Вам также может понравиться