Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. З гот способ называют аналитическим выравниванием временного ряда. [c.234]
Если f a] I. > табл, то гипотеза о структурной стабильности тенденции отклоняется, а влияние структурных изменений на динамику изучаемого показателя признают значимым. В этом случае моделирование тенденции временного ряда следует осуществлять с помощью кусочно-линейной модели. Если /факт < /"табл, то нет оснований отклонять ноль-гипотезу о структурной стабильности тенденции. Ее моделирование следует осуществлять с помощью единого для всей совокупности уравнения тренда. [c.259]
Моделирование тенденции временного ряда, сезонных, циклических [c.23]
Моделирование одномерных временных рядов. Основные элементы временного ряда. Автокорреляция уровней временного ряда и выявление его структуры. Методы сглаживания временного ряда (выделение тренда). Моделирование циклической компоненты. Статистическая оценка взаимосвязи двух временных рядов. Методы исключения тенденции. [c.4]
Построение аналитической функции для моделирования тенденции (тренда) временного ряда называют аналитическим выравниванием временного ряда. Для этого чаще всего применяются следующие функции [c.138]
Мы рассмотрели простейший случай применения теста Чоу для моделирования линейной тенденции. Однако этот тест (а также модель (5.24) с фиктивной переменной) может использоваться (и действительно используется во многих прикладных исследованиях) при проверке гипотез о структурной стабильности и в более сложных моделях взаимосвязи двух и более временных рядов. [c.262]
Изучение причинно-следственных зависимостей переменных, представленных в форме временных рядов, является одной из самых сложных задач эконометрического моделирования. Применение в этих целях традиционных методов корреляционно-регрессионного анализа, рассмотренных в главах 2 и 3, 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. В главе 5 было показано, что каждый уровень временного ряда содержит три основные компоненты тенденцию, циклические или сезонные колебания и случайную компоненту. Рассмотрим подробнее, каким образом наличие этих компонент сказывается на результатах корреляционно-регрессионного анализа временных рядов данных. [c.263]
Рассматривая последовательность остатков как временной ряд, можно построить фафик их зависимости от времени. В соответствии с предпосылками МНК остатки е, должны быть случайными (рис. 6.1 а). Однако при моделировании временных рядов нередко встречается ситуация, когда остатки содержат тенденцию (рис. 6.1 б) и в)) или циклические колебания (рис. 6.1 г)). Это свидетельствует о том, что каждое следующее значение остатков зависит от предшествующих. В этом случае говорят о наличии автокорреляции остатков. [c.273]
Финансовые временные ряды высокой частоты (изменения происходят ежедневно или несколько раз за день) обычно проявляют значимые авторегрессионные тенденции. Эта особенность является ожидаемой, потому что высокочастотные данные являются, прежде всего, торговыми данными, и трейдеры действительно влияют друг на друга. Почасовые данные, например, могут показать значимость при задержках до десяти часов. Однако как только частота берется в недельных или месячных интервалах, процесс в целом сводится к процессу AR(1) или AR(2). По мере увеличения временного интервала эффект корреляции от торговли уменьшается. Поэтому при таком моделировании мы концентрируемся на процессах AR(1), как определено в уравнении (5.8). [c.83]
Если это влияние значимо, то для моделирования тенденции данного временного ряда следует использовать кусочно-линейные модели регрессии, т. е. разделить исходную совокупность на две подсовокупности (до момента времени / и после момента / ) и построить отдельно по каждой подсовокупности уравнения [c.256]
Наши знания, отношения и ассоциативная память о торговых марках тех продуктов, которые мы использовали, сохраняется десятилетиями. Измерение долгосрочного эффекта маркетинга в течение долгого периода времени рассматривалось как одна из важных проблем. М. Дэкимпе и Д. Хансене (Dekimpe andHanssens, 1995) ввели понятие стабильного моделирования , в котором стабильные эффекты устанавливают новые тенденции в деятельности компании. С другой стороны, маркетинг создает только временный эффект, если после ряда периодов деятельность по какой-либо торговой марке снова возвращается на тот уровень, который предшествовал инвестициям в маркетинг. Чтобы добиться продолжительных эффектов, необходимо выявить характер продаж, являются ли они постоянными или развивающимися , как их объем изменяется со временем. Постоянные продажи совершают временные колебания относительно некоторого фиксированного значения, тогда как развивающиеся продажи не фиксированы [c.1048]