Простейший подход к моделированию сезонных колебаний – это расчет значений сезонной компоненты методом скользящей средней и построение аддитивной или .
Общий вид мультипликативной модели выглядит так:
Где T - трендовая компонента, S - сезонная компонента и E - случайная компонента.
Назначение
. С помощью данного сервиса производится построение мультипликативной модели временного ряда.
Алгоритм построения мультипликативной модели
Построение мультипликативной моделей сводится к расчету значений T , S и E для каждого уровня ряда.Процесс построения модели включает в себя следующие шаги.
- Выравнивание исходного ряда методом скользящей средней.
- Расчет значений сезонной компоненты S .
- Устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных (T x E).
- Аналитическое выравнивание уровней (T x E) с использованием полученного уравнения тренда.
- Расчет полученных по модели значений (T x E).
- 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 E для анализа взаимосвязи исходного ряда и других временных рядов.
Пример
. Построить аддитивную и мультипликативную модель временного ряда, характеризующую зависимость уровней ряда от времени.
Решение
. Построение мультипликативной модели временного ряда
.
Общий вид мультипликативной модели следующий:
Y = T x S x E
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (E) компонент.
Рассчитаем компоненты мультипликативной модели временного ряда.
Шаг 1
. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:
1.1. Найдем скользящие средние (гр. 3 таблицы). Полученные таким образом выровненные значения уже не содержат сезонной компоненты.
1.2. Приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних – центрированные скользящие средние (гр. 4 табл.).
| t | y t | Скользящая средняя | Центрированная скользящая средняя | Оценка сезонной компоненты |
| 1 | 898 | - | - | - |
| 2 | 794 | 1183.25 | - | - |
| 3 | 1441 | 1200.5 | 1191.88 | 1.21 |
| 4 | 1600 | 1313.5 | 1257 | 1.27 |
| 5 | 967 | 1317.75 | 1315.63 | 0.74 |
| 6 | 1246 | 1270.75 | 1294.25 | 0.96 |
| 7 | 1458 | 1251.75 | 1261.25 | 1.16 |
| 8 | 1412 | 1205.5 | 1228.63 | 1.15 |
| 9 | 891 | 1162.75 | 1184.13 | 0.75 |
| 10 | 1061 | 1218.5 | 1190.63 | 0.89 |
| 11 | 1287 | - | - | - |
| 12 | 1635 | - | - | - |
| Показатели | 1 | 2 | 3 | 4 |
| 1 | - | - | 1.21 | 1.27 |
| 2 | 0.74 | 0.96 | 1.16 | 1.15 |
| 3 | 0.75 | 0.89 | - | - |
| Всего за период | 1.49 | 1.85 | 2.37 | 2.42 |
| Средняя оценка сезонной компоненты | 0.74 | 0.93 | 1.18 | 1.21 |
| Скорректированная сезонная компонента, S i | 0.73 | 0.91 | 1.16 | 1.19 |
0.744 + 0.927 + 1.183 + 1.211 = 4.064
Корректирующий коэффициент: k=4/4.064 = 0.984
Рассчитываем скорректированные значения сезонной компоненты S i и заносим полученные данные в таблицу.
Шаг 3 . Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. В результате получим величины T x E = Y/S (гр. 4 табл.), которые содержат только тенденцию и случайную компоненту.
Находим параметры уравнения методом наименьших квадратов .
Система уравнений МНК:
a 0 n + a 1 ∑t = ∑y
a 0 ∑t + a 1 ∑t 2 = ∑y t
Для наших данных система уравнений имеет вид:
12a 0 + 78a 1 = 14659.84
78a 0 + 650a 1 = 96308.75
Из первого уравнения выражаем а 0 и подставим во второе уравнение
Получаем a 1 = 7.13, a 0 = 1175.3
Среднее значения
| t | y | t 2 | y 2 | t y | y(t) | (y-y cp) 2 | (y-y(t)) 2 |
| 1 | 1226.81 | 1 | 1505062.02 | 1226.81 | 1182.43 | 26.59 | 1969.62 |
| 2 | 870.35 | 4 | 757510.32 | 1740.7 | 1189.56 | 123413.31 | 101895.13 |
| 3 | 1238.16 | 9 | 1533048.66 | 3714.49 | 1196.69 | 272.59 | 1719.84 |
| 4 | 1342.37 | 16 | 1801951.56 | 5369.47 | 1203.82 | 14572.09 | 19194.4 |
| 5 | 1321.07 | 25 | 1745238.05 | 6605.37 | 1210.96 | 9884.65 | 12126.19 |
| 6 | 1365.81 | 36 | 1865450.09 | 8194.89 | 1218.09 | 20782.63 | 21823.45 |
| 7 | 1252.77 | 49 | 1569433.89 | 8769.39 | 1225.22 | 968.3 | 759.1 |
| 8 | 1184.64 | 64 | 1403371.14 | 9477.12 | 1232.35 | 1369.99 | 2276.31 |
| 9 | 1217.25 | 81 | 1481689.26 | 10955.22 | 1239.48 | 19.42 | 494.41 |
| 10 | 1163.03 | 100 | 1352627.82 | 11630.25 | 1246.61 | 3437.21 | 6987 |
| 11 | 1105.84 | 121 | 1222883.47 | 12164.25 | 1253.75 | 13412.51 | 21875.75 |
| 12 | 1371.73 | 144 | 1881649.21 | 16460.79 | 1260.88 | 22523.77 | 12288.93 |
| 78 | 14659.84 | 650 | 18119915.49 | 96308.75 | 14659.84 | 210683.05 | 203410.13 |
T = 1175.298 + 7.132t
Подставляя в это уравнение значения t = 1,...,12, найдем уровни T для каждого момента времени (гр. 5 табл.).
| t | y t | S i | y t /S i | T | TxS i | E = y t / (T x S i) | (y t - T*S) 2 |
| 1 | 898 | 0.73 | 1226.81 | 1182.43 | 865.51 | 1.04 | 1055.31 |
| 2 | 794 | 0.91 | 870.35 | 1189.56 | 1085.21 | 0.73 | 84801.95 |
| 3 | 1441 | 1.16 | 1238.16 | 1196.69 | 1392.74 | 1.03 | 2329.49 |
| 4 | 1600 | 1.19 | 1342.37 | 1203.82 | 1434.87 | 1.12 | 27269.14 |
| 5 | 967 | 0.73 | 1321.07 | 1210.96 | 886.4 | 1.09 | 6497.14 |
| 6 | 1246 | 0.91 | 1365.81 | 1218.09 | 1111.23 | 1.12 | 18162.51 |
| 7 | 1458 | 1.16 | 1252.77 | 1225.22 | 1425.93 | 1.02 | 1028.18 |
| 8 | 1412 | 1.19 | 1184.64 | 1232.35 | 1468.87 | 0.96 | 3233.92 |
| 9 | 891 | 0.73 | 1217.25 | 1239.48 | 907.28 | 0.98 | 264.9 |
| 10 | 1061 | 0.91 | 1163.03 | 1246.61 | 1137.26 | 0.93 | 5814.91 |
| 11 | 1287 | 1.16 | 1105.84 | 1253.75 | 1459.13 | 0.88 | 29630.23 |
| 12 | 1635 | 1.19 | 1371.73 | 1260.88 | 1502.87 | 1.09 | 17458.67 |
Расчет ошибки в мультипликативной модели производится по формуле:
E = Y/(T * S) = 12
Для сравнения мультипликативной модели и других моделей временного ряда можно использовать сумму квадратов абсолютных ошибок:
Среднее значения
| t | y | (y-y cp) 2 |
| 1 | 898 | 106384.69 |
| 2 | 794 | 185043.36 |
| 3 | 1441 | 47016.69 |
| 4 | 1600 | 141250.69 |
| 5 | 967 | 66134.69 |
| 6 | 1246 | 476.69 |
| 7 | 1458 | 54678.03 |
| 8 | 1412 | 35281.36 |
| 9 | 891 | 111000.03 |
| 10 | 1061 | 26623.36 |
| 11 | 1287 | 3948.03 |
| 12 | 1635 | 168784.03 |
| 78 | 14690 | 946621.67 |
Следовательно, можно сказать, что мультипликативная модель объясняет 79% общей вариации уровней временного ряда.
Проверка адекватности модели данным наблюдения.
где m - количество факторов в уравнении тренда (m=1).
Fkp = 4.96
Поскольку F> Fkp, то уравнение статистически значимо
Шаг 6 . Прогнозирование по мультипликативной модели. Прогнозное значение F t уровня временного ряда в мультипликативной модели есть сумма трендовой и сезонной компонент. Для определения трендовой компоненты воспользуемся уравнением тренда:T = 1175.298 + 7.132t
Получим
T 13 = 1175.298 + 7.132*13 = 1268.008
Значение сезонного компонента за соответствующий период равно: S 1 = 0.732
Таким образом, F 13 = T 13 + S 1 = 1268.008 + 0.732 = 1268.74
T 14 = 1175.298 + 7.132*14 = 1275.14
Значение сезонного компонента за соответствующий период равно: S 2 = 0.912
Таким образом, F 14 = T 14 + S 2 = 1275.14 + 0.912 = 1276.052
T 15 = 1175.298 + 7.132*15 = 1282.271
Значение сезонного компонента за соответствующий период равно: S 3 = 1.164
Таким образом, F 15 = T 15 + S 3 = 1282.271 + 1.164 = 1283.435
T 16 = 1175.298 + 7.132*16 = 1289.403
Значение сезонного компонента за соответствующий период равно: S 4 = 1.192
Таким образом, F 16 = T 16 + S 4 = 1289.403 + 1.192 = 1290.595 Задание . На основе данных, скорректированных на инфляцию, о прибыли компании за 12 кварталов (табл.) построить мультипликативной модель тренда и сезонности для прогнозирования прибыли компании на следующие два квартала. Дать общую характеристику точности модели и сделать выводы.
Решение
проводим с помощью калькулятора Построение мультипликативной модели временного ряда
.
Общий вид мультипликативной модели следующий:
Y = T x S x E
Эта модель предполагает, что каждый уровень временного ряда может быть представлен как сумма трендовой (T), сезонной (S) и случайной (E) компонент.
Рассчитаем компоненты мультипликативной модели временного ряда.
Шаг 1
. Проведем выравнивание исходных уровней ряда методом скользящей средней. Для этого:
1.1. Найдем скользящие средние (гр. 3 таблицы). Полученные таким образом выровненные значения уже не содержат сезонной компоненты.
1.2. Приведем эти значения в соответствие с фактическими моментами времени, для чего найдем средние значения из двух последовательных скользящих средних – центрированные скользящие средние (гр. 4 табл.).
| t | y t | Скользящая средняя | Центрированная скользящая средняя | Оценка сезонной компоненты |
| 1 | 375 | - | - | - |
| 2 | 371 | 657.5 | - | - |
| 3 | 869 | 653 | 655.25 | 1.33 |
| 4 | 1015 | 678 | 665.5 | 1.53 |
| 5 | 357 | 708.75 | 693.38 | 0.51 |
| 6 | 471 | 710 | 709.38 | 0.66 |
| 7 | 992 | 718.25 | 714.13 | 1.39 |
| 8 | 1020 | 689.25 | 703.75 | 1.45 |
| 9 | 390 | 689.25 | 689.25 | 0.57 |
| 10 | 355 | 660.5 | 674.88 | 0.53 |
| 11 | 992 | 678.25 | 669.38 | 1.48 |
| 12 | 905 | 703 | 690.63 | 1.31 |
| 13 | 461 | 685 | 694 | 0.66 |
| 14 | 454 | 690.5 | 687.75 | 0.66 |
| 15 | 920 | - | - | - |
| 16 | 927 | - | - | - |
Шаг 2 . Найдем оценки сезонной компоненты как частное от деления фактических уровней ряда на центрированные скользящие средние (гр. 5 табл.). Эти оценки используются для расчета сезонной компоненты S. Для этого найдем средние за каждый период оценки сезонной компоненты S j . Сезонные воздействия за период взаимопогашаются. В мультипликативной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле. В нашем случае число периодов одного цикла равно 4.
| Показатели | 1 | 2 | 3 | 4 |
| 1 | - | - | 1.33 | 1.53 |
| 2 | 0.51 | 0.66 | 1.39 | 1.45 |
| 3 | 0.57 | 0.53 | 1.48 | 1.31 |
| 4 | 0.66 | 0.66 | - | - |
| Всего за период | 1.74 | 1.85 | 4.2 | 4.28 |
| Средняя оценка сезонной компоненты | 0.58 | 0.62 | 1.4 | 1.43 |
| Скорректированная сезонная компонента, S i | 0.58 | 0.61 | 1.39 | 1.42 |
Для данной модели имеем:
0.582 + 0.617 + 1.399 + 1.428 = 4.026
Корректирующий коэффициент: k=4/4.026 = 0.994
Рассчитываем скорректированные значения сезонной компоненты S i и заносим полученные данные в таблицу.
Шаг 3 . Разделим каждый уровень исходного ряда на соответствующие значения сезонной компоненты. В результате получим величины T x E = Y/S (гр. 4 табл.), которые содержат только тенденцию и случайную компоненту.
Находим параметры уравнения методом наименьших квадратов .
Система уравнений МНК:
a 0 n + a 1 ∑t = ∑y
a 0 ∑t + a 1 ∑t 2 = ∑y t
Для наших данных система уравнений имеет вид:
16a 0 + 136a 1 = 10872.41
136a 0 + 1496a 1 = 93531.1
Из первого уравнения выражаем а 0 и подставим во второе уравнение
Получаем a 0 = 3.28, a 1 = 651.63
Среднее значения
overline{y} = {sum{}{}{}y_{i}}/{n} = {10872.41}/{16} = 679.53
| t | y | t 2 | y 2 | t y | y(t) | (y-y cp) 2 | (y-y(t)) 2 |
| 1 | 648.87 | 1 | 421026.09 | 648.87 | 654.92 | 940.05 | 36.61 |
| 2 | 605.46 | 4 | 366584.89 | 1210.93 | 658.2 | 5485.32 | 2780.93 |
| 3 | 625.12 | 9 | 390770.21 | 1875.35 | 661.48 | 2960.37 | 1322.21 |
| 4 | 715.21 | 16 | 511519.56 | 2860.82 | 664.76 | 1273.1 | 2544.83 |
| 5 | 617.72 | 25 | 381577.63 | 3088.6 | 668.04 | 3819.95 | 2532.22 |
| 6 | 768.66 | 36 | 590838.18 | 4611.96 | 671.32 | 7944.97 | 9474.64 |
| 7 | 713.6 | 49 | 509219.75 | 4995.17 | 674.6 | 1160.83 | 1520.44 |
| 8 | 718.73 | 64 | 516571.58 | 5749.83 | 677.88 | 1536.93 | 1668.26 |
| 9 | 674.82 | 81 | 455381.82 | 6073.38 | 681.17 | 22.14 | 40.28 |
| 10 | 579.35 | 100 | 335647.52 | 5793.51 | 684.45 | 10034.93 | 11045.26 |
| 11 | 713.6 | 121 | 509219.75 | 7849.56 | 687.73 | 1160.83 | 669.14 |
| 12 | 637.7 | 144 | 406656.13 | 7652.35 | 691.01 | 1749.71 | 2842.39 |
| 13 | 797.67 | 169 | 636280.07 | 10369.73 | 694.29 | 13958.53 | 10687.5 |
| 14 | 740.92 | 196 | 548957.15 | 10372.83 | 697.57 | 3768.85 | 1878.69 |
| 15 | 661.8 | 225 | 437983.3 | 9927.05 | 700.85 | 314.08 | 1524.97 |
| 16 | 653.2 | 256 | 426667.57 | 10451.17 | 704.14 | 693.14 | 2594.6 |
| 136 | 10872.41 | 1496 | 7444901.2 | 93531.1 | 10872.41 | 56823.71 | 53162.96 |
Шаг 4
. Определим компоненту T данной модели. Для этого проведем аналитическое выравнивание ряда (T + E) с помощью линейного тренда. Результаты аналитического выравнивания следующие:
T = 651.634 + 3.281t
Подставляя в это уравнение значения t = 1,...,16, найдем уровни T для каждого момента времени (гр. 5 табл.).
| t | y t | S i | y t /S i | T | TxS i | E = y t / (T x S i) | (y t - T*S) 2 |
| 1 | 375 | 0.58 | 648.87 | 654.92 | 378.5 | 0.99 | 12.23 |
| 2 | 371 | 0.61 | 605.46 | 658.2 | 403.31 | 0.92 | 1044.15 |
| 3 | 869 | 1.39 | 625.12 | 661.48 | 919.55 | 0.95 | 2555.16 |
| 4 | 1015 | 1.42 | 715.21 | 664.76 | 943.41 | 1.08 | 5125.42 |
| 5 | 357 | 0.58 | 617.72 | 668.04 | 386.08 | 0.92 | 845.78 |
| 6 | 471 | 0.61 | 768.66 | 671.32 | 411.36 | 1.14 | 3557.43 |
| 7 | 992 | 1.39 | 713.6 | 674.6 | 937.79 | 1.06 | 2938.24 |
| 8 | 1020 | 1.42 | 718.73 | 677.88 | 962.03 | 1.06 | 3359.96 |
| 9 | 390 | 0.58 | 674.82 | 681.17 | 393.67 | 0.99 | 13.45 |
| 10 | 355 | 0.61 | 579.35 | 684.45 | 419.4 | 0.85 | 4147.15 |
| 11 | 992 | 1.39 | 713.6 | 687.73 | 956.04 | 1.04 | 1293.1 |
| 12 | 905 | 1.42 | 637.7 | 691.01 | 980.66 | 0.92 | 5724.7 |
| 13 | 461 | 0.58 | 797.67 | 694.29 | 401.25 | 1.15 | 3569.68 |
| 14 | 454 | 0.61 | 740.92 | 697.57 | 427.44 | 1.06 | 705.39 |
| 15 | 920 | 1.39 | 661.8 | 700.85 | 974.29 | 0.94 | 2946.99 |
| 16 | 927 | 1.42 | 653.2 | 704.14 | 999.29 | 0.93 | 5225.65 |
Шаг 5 . Найдем уровни ряда, умножив значения T на соответствующие значения сезонной компоненты (гр. 6 табл.).
Расчет ошибки в мультипликативной модели производится по формуле:
E = Y/(T * S) = 16
Для сравнения мультипликативной модели и других моделей временного ряда можно использовать сумму квадратов абсолютных ошибок:
Среднее значения
overline{y} = {sum{}{}{}y_{i}}/{n} = {10874}/{16} = 679.63
R^{2} = 1 - {43064.467}/{1252743.75} = 0.97
Следовательно, можно сказать, что мультипликативная модель объясняет 97% общей вариации уровней временного ряда.
Проверка адекватности модели данным наблюдения.
F = {R^{2}}/{1 - R^{2}}{(n - m -1)}/{m} = {0.97^{2}}/{1 - 0.97^{2}}{(16-1-1)}/{1} = 393.26
где m - количество факторов в уравнении тренда (m=1).
Fkp = 4.6
Поскольку F > Fkp, то уравнение статистически значимо
Шаг 6
. Прогнозирование по мультипликативной модели. Прогнозное значение F t уровня временного ряда в мультипликативной модели есть сумма трендовой и сезонной компонент. Для определения трендовой компоненты воспользуемся уравнением тренда:T = 651.634 + 3.281t
Получим
T 17 = 651.634 + 3.281*17 = 707.416
Значение сезонного компонента за соответствующий период равно: S 1 = 0.578
Таким образом, F 17 = T 17 + S 1 = 707.416 + 0.578 = 707.994
T 18 = 651.634 + 3.281*18 = 710.698
Значение сезонного компонента за соответствующий период равно: S 2 = 0.613
Таким образом, F 18 = T 18 + S 2 = 710.698 + 0.613 = 711.311
T 19 = 651.634 + 3.281*19 = 713.979
Значение сезонного компонента за соответствующий период равно: S 3 = 1.39
Таким образом, F 19 = T 19 + S 3 = 713.979 + 1.39 = 715.369
T 20 = 651.634 + 3.281*20 = 717.26
Значение сезонного компонента за соответствующий период равно: S 4 = 1.419
Таким образом, F 20 = T 20 + S 4 = 717.26 + 1.419 = 718.68
Пример
. На основе поквартальных данных построена мультипликативная модель временного ряда
. Скорректированные значения сезонной компоненты за первые три квартала равны: 0,8 - I квартал, 1,2 - II квартал и 1,3 - III квартал. Определите значение сезонной компоненты за IV квартал.
Решение. Поскольку сезонные воздействия за период (4 квартала) взаимопогашаются, то имеем равенство: s 1 + s 2 + s 3 + s 4 = 4. Для наших данных: s 4 = 4 - 0.8 - 1.2 - 1.3 = 0.7.
Ответ: Сезонная компонента за IV квартал равна 0.7.
к.э.н., директор по науке и развитию ЗАО "КИС"
Анализ мультипликативной модели (Часть1)
В предыдущей статье мы рассмотрели один из методов прогнозирования, используемый для временных рядов - анализ аддитивной модели. Нашей задачей было представить пример расчета трендовых значений объема продаж и дать прогноз на будущие периоды на основе изложенных формул, не углубляясь в обоснование коэффициентов. Тем более, широкие возможности программного продукта Microsoft Excel позволяют расчет тренда сделать быстро, используя встроенные статистические функции.
Очевидно, чтобы выполнить прогноз, применяя стандартные технологии, нужна информация. И вот эта проблема является достаточно серьезной. Как правило, на современных предприятиях статистические ряды не накоплены. Информационная база начинается где-то в 90-х годах, а многое в тот период было неопределенным. Государственные статистические данные стали не актуальными, и достоверность данных далеко не безоговорочна.
Но функции планирования и прогнозирования являются основными видами деятельности любой организации, а стабилизационные процессы, протекающие в нашей стране за последний период, все же позволяют надеяться, что определенный тренд развития существует, и в будущем не будет нарушен. Определенные выводы можно будет делать и без полных статистических данных на маленькой выборке. Главное, правильно сформулировать условия решения задачи и выбрать метод, который был бы адекватен статистической природе изучаемых временных рядов.
Так, например, прежде чем определять метод, которым следует строить прогноз, аналитик должен решить для себя: обладает ли ряд, который он изучает, свойством сезонности.
Сезонность является объективным свойством временных рядов. Сезонная вариация - это повторение данных через небольшой промежуток времени, т.е. если форма кривой, которая описывает продажи товара, повторяет свои характерные очертания и тенденции, то о таком ряде можно говорить, что он обладает сезонностью. В этом случае, период прогнозирования должен быть достаточно большой, чтобы можно было наблюдать сезонные всплески и колебания продаж.
В некоторых временных рядах значение сезонной вариации - это определенная доля трендового значения, т.е. сезонная вариация увеличивается с возрастанием значений тренда. В таких случаях используется мультипликативная модель.
Для мультипликативной модели фактическое значение рассчитывается по формуле:
Расчет фактического значения в мультипликативной модели
Т - трендовое значение
S - сезонная вариация
Е - ошибка прогноза
Анализ мультипликативной модели рассмотрим на примере. В таблице указан объем продаж за последние одиннадцать кварталов. На основании этих данных дадим прогноз объема продаж на следующие два квартала.
Опираясь на предложенный алгоритм, на первом этапе исключим влияние сезонной вариации. Воспользуемся методом скользящей средней, заполним следующие столбцы таблицы.
Метод скользящей средней
Простое скользящее среднее (Simple Moving Avarage) - это средний арифметический показатель (объем продаж, объем производства, цена) за определенный период времени.
Одним важным достоинством скользящих средних является их способность давать сигналы о развороте тренда, подтверждать рост, спад.
Общая формула для вычисления SMA за n-ый период такая:
Простое скользящее среднее за период N
где n - период усреднения,
Р(i) - усредняемый объем (i - 1) период тому назад (i-е измерение или отсчет),
P(1) - объем продаж за последний период,
P(n) - самый старый по оси времени объем рассматриваемого нами временного промежутка.
1 год = 4 квартала. Поэтому найдем среднее значение объема продаж за 4 последовательных квартала. Для этого нужно сложить 4 последовательных числа из второго столбца, разделить на 4 (количество слагаемых) и результат запишем в третий столбец напротив третьего слагаемого: (63 74 79 120)/4=84 ; (74 79 120 67)/4=85; и т.д.
Если скользящая средняя вычисляется для нечетного числа сезонов, то результат не центрируется, в нашем примере число сезонов - восемь, поэтому сумму двух чисел из третьего столбца, разделим на 2 и запишем в четвертый столбец напротив верхнего из них: (84 85)/2=2=84,5.
Оценка сезонной вариации для аддитивной модели рассчитывается как разность объема продаж и центрированной скользящее средней. Для мультипликативных моделей - это отношение. Числа второго столбца делим на числа четвертого и результат округляем до трех цифр и запишем в пятый столбец: 79/84,5=0,935.
Следующим этапом необходимо исключить сезонную вариацию из фактических данных - провести десезонализация данных. Но это уже в следующем выпуске.
Для выявления структуры временного ряда, т.е. определения количественных значений компонентов, составляющих уровней ряда, чаще всего используют аддитивную или мультипликативную модели временных рядов.
Мультипликативная модель. У=Т*S*E
T-трендовая компонента
S-сезонная компонента
E-случайная компонента
Мультипликативная модель используется в случае, если амплитуда сезонных колебаний увеличивается или уменьшается.
Алгоритм построения модели. Процесс построения модели включает в себя следующие шаги:
Выравнивание уровней исходного ряда методом скользящей средней.
Расчет значений сезонной компоненты S
Устранение сезонной компоненты из исходного уровня ряда и получение выровненных данных без S
Аналитическое выравнивание уровней ряда и расчет значений фактора Т
Расчет полученных значений (Т* S) для каждого уровня ряда
Расчет абсолютных или относительных ошибок модели.
(или 4.Определение тенденции временного ряда и уравнения тренда; 5.Расчет абсолютных или относительных ошибок модели.)
26 Выделение сезонной составляющей
Оценку сезонной компоненты можно найти как частное от деления фактических уровней ряда на центрированные скользящие средние.
Для начала необходимо найти средние за период (квартал, месяц) оценки сезонной компоненты Si . В моделях сезонной компоненты обычно предполагается что сезонные взаимодействия за период взаимопоглощаются.
В мультипликативной модели взаимопоглощаемость сезонных воздействий выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле.
Выравнивание исходных уровней с помощью скользящей средней: а) Суммируются уровни ряда последовательно за каждый период времени за каждые 4 квартала со сдвигом на 1 момент времени и определяются условные годовые объемы потребления б) Разделим полученные суммы на 4, получим скользящие средние. Полученные выравненные значения не содержат сезонной компоненты. в) Приводим эти значения в соответствие с фактическими моментами времени для чего найдем среднее значение из 2-х скользящих средних – центрированные скользящие средние.
27.Коэффициент корреляции.
Для определения степени линейной связи рассчитывается коэфф-т корреляции.
Для определения нелинейной связи определяется индекс корреляции
,
0
1
Коэффициент детерминации: R 2 = 2 -для лин. связи. R 2 = 2 -для нелин. связи.
Показывает на сколько % изменения показателя у от своего среднего значения зависит от изменения фактора х от своего среднего значения. Чем ближе значение R² к 1, тем точнее модель.
Из всех полученных уравнений регрессии, лучшей является та, у которой коэф-т детерминации больший.
Если исследуется несколько факторов (больше2) то в этом случае рассчитывается множественный коэфф-т корреляции.R Y , X 1, X 2.. XN -множественный коэфф-т корреляции.
При анализе влияния нескольких факторов друг на друга определяется корреляционная матрица, которая состоит из всех возможных парных линейных коэфф-тов корреляции.
Корреляционная матрица:
Детерминированный факторный анализ – это методика исследования влияния факторов, связь которых с результативным показателем носит функциональный характер, т.е. когда результативный показатель представлен в виде произведения, частного или алгебраической суммы факторов.
При моделировании детерминированных факторных систем необходимо выполнять ряд требований:
1. Факторы, включаемые в модель, и сами модели должны иметь определенно выраженный характер, реально существовать, а не быть придуманными абстрактными величинами или явлениями.
2. Факторы, которые входят в систему, должны быть не только необходимыми элементами формулы, но и находиться в причинно-следственной связи с изучаемыми показателями.
3. Каждые показатели факторной модели должны быть количественно измеримыми, т.е. должны иметь единицу измерения и необходимую информационную обеспеченность.
4. Факторная модель должна обеспечивать возможность измерения влияния отдельных факторов, это означает, что в ней должна учитываться соразмерность измерений результативного и факторных показателей, а сумма влияния отдельных факторов должна равняться общему приросту результативного показателя.
Типы факторных моделей встречающихся в детерминированном анализе:
Аддитивные модели, используются в случаях, когда результативный показатель представляет собой алгебраическую сумму нескольких факторных показателей;
Мультипликативные модели, применяются, когда результативный показатель представляет собой произведение нескольких факторов;
Кратные модели, применяются, когда результативный показатель получают делением одного факторного показателя на величину другого;
Смешанные (комбинированные) модели – сочетание в различных комбинациях предыдущих моделей.
Основные приемы детерминированного факторного анализа и сфера их применения систематизированы в виде таблице 2.1.
Таблица 2.1 – Область применения основных приемов детерминированного факторного анализа
Методы элиминирования
Элиминировать– значит устранить, отклонить, исключить воздействие всех факторов на величину результативного показателя, кроме одного. Этот метод исходит из того, что все факторы изменяются независимо друг от друга: сначала изменяется один, а все другие остаются без изменения, потом изменяются два, затем три и т.д. Это позволяет определить влияние каждого фактора на величину исследуемого показателя в отдельности. К методам элиминирования относятся способ цепной подстановки, индексный метод, способ абсолютных и способ относительных разниц.
Способ цепной подстановки. Данный способ является универсальным, так как используется для расчета влияния факторов во всех типах детерминированных факторных моделей: аддитивных, мультипликативных, кратных и смешанных. Этот способ позволяет определить влияние отдельных факторов на изменение величины результативного показателя путем постепенной замены базисной величины каждого факторного показателя в объеме результативного показателя на фактическую в отчетном периоде. С этой целью определяют ряд условных величин результативного показателя, которые учитывают изменение одного, затем двух, трех и т.д. факторов, допуская, что остальные не меняются. Сравнение величины результативного показателя до и после изменения уровня того или иного фактора позволяет элиминироваться от влияния всех факторов, кроме одного, и определить взаимодействие последнего на прирост результативного показателя.
Рассмотрим алгоритм расчета способом цепной подстановки для различных моделей:
Мультипликативная модель
Двухфакторная мультипликативная модель (Y = a ´ b):
; ; .
.
Трехфакторная мультипликативная модель(Y = a ´ b ´ с):
; 
.
; 
; 
; 
.
Кратная модель
В кратных моделях (Y = a ÷ b) алгоритм расчета факторов на величину результативного показателя следующий:
; 
;
.
Смешанные модели
Мультипликативно-аддитивного типа (Y = a ´ (b – c)):
; ;
; ;
; 
;
; .
Кратно-аддитивного типа ():
; 
; 
;
; 
.
Используя способ цепной подстановки, рекомендуется придерживаться определенной последовательности расчетов: в первую очередь нужно учитывать изменение количественных, а затем качественных показателей. Если же имеется несколько количественных и несколько качественных показателей, то сначала следует изменить величину факторов первого уровня подчинения, а потом более низкого.
Индексный метод. Индексный метод основан на относительных показателях динамики, пространственных сравнений, выполнения плана, выражающих отношение фактического уровня анализируемого показателя в отчетном периоде к его уровню в базисном периоде.
С помощью агрегатных индексов можно выявить влияние различных факторов на изменение уровня результативных показателей в мультипликативных и кратных моделях.
Рассмотрим алгоритм расчета индексного метода для мультипликативной модели.
; 
; ; 
.
Способ абсолютных разниц. Как и способ цепной подстановки, данный способ применяется для расчета влияния факторов на прирост результативного показателя в детерминированном анализе, но только в мультипликативных и мультипликативно-аддитивных моделях: и . Особенно эффективно применяется данный способ в том случае, если исходные данные уже содержат абсолютные отклонения по факторным показателям.
При его использовании величина влияния факторов рассчитывается умножением абсолютного прироста исследуемого фактора на базовую (плановую) величину факторов, которые находятся справа от него, и на фактическую величину факторов, расположенных слева от него в модели.
Мультипликативная модель
Алгоритм расчета для мультипликативной факторной модели типа . Имеются плановые и фактические значения по каждому факторному показателю, а также их абсолютные отклонения:
Изменение величины результативного показателя за счет каждого фактора:
; 
.
Смешанные модели
Алгоритм расчета факторов этим способом в смешанных моделях типа :
; ; 
.
Способ относительных разниц применяется для изменения влияния факторов на прирост результативного показателя только в мультипликативных моделях и мультипликативно-аддитивных моделях: . Он значительно проще цепных подстановок, что при определенных обстоятельствах делает его очень эффективным. Это касается тех случаев, когда исходные данные содержат уже определенные ранее относительные приросты факторных показателей в процентах или коэффициентах.
Мультипликативная модель
Алгоритм расчета влияния факторов на величину результативного показателя для мультипликативных моделей типа (Y = a ´ b ´ с).
Сначала рассчитываются относительные отклонения факторных показателей:
; 
; 
.
Изменение результативного показателя за счет каждого фактора определяется следующим образом:
