STATISTIKA

ZAVRNI
( Z E L E N A K NJ I G A )

wr0ng

/SKRIPTA/

Utvrivanje zakonitosti I pravilnosti koje vladaju izmeu masovnih pojava, te trasiranje puta
za kreiranje odgovarajueg modela, zadatak je regresione analize.
Regresija je zapravo skraeni naziv od regresija prema aritmetikoj sredini, koja dolazi od
pte statistike zakonitosti da je rezultat jedne varij.blii aritmetikoj sredini nego to je
rezultatu varijable koja je sluila za predvianje.
U uem smislu, regresiona analiza podrazumijeva skup statistikih metoda koji omoguuju
utrvivanje zavisnoti izmeu pojava I procjenjivanje jedne varijable na osnovu vrijednosti
neke druge ili vie drugih varijabli.
U irem smislu, ova analiza obuhvata, pored navedenih metoda I statistike metode koji
moguavaju praenje kovarijacije izmeu pojava I utvrivanje meuzavisnosti izmeu dvije
ili vie pojava.
KOVARIJANSAOPvjLMes E(sOD seteset tOt)vs)OMEsgs(sO svt(sBt(sO vt(jLGMetOGftE(jZ(sO
posmatranih pojava.
Regresioni model omoguava da se s odreenim stepenom pouzdanosti procjenjuju I
predviaju vrijednosti zavisne varijable na osnovu vrijednosti nezavisne varijable.
Meuzavisnost pojava se utvruje primjenom korelacione analize. Korelacionim modelom
se utvruje da li su dvije pojave povezane , tj da li se mjenjaju zajedno, da li im je pravac
mjenjanja isti, koji je stepen povezanosti i sl.
Regresiona analiza moe se odnosti na posmatranje osnovnog skupa ili na njegov uzorak.
ei je sluaj da se analiza izvodi na osnovu uzorka.
Iz osnovnog skupa uzima se reprezentativan uzorak i na osnovu njega donosi se zakljuak o
parametrima skupa.
Za ovu analizu mogu se koristiti 2 vrste podataka:
a)podaci koji izraavaju stanje odreenog momenta
b)podaci koji se dobivaju na osnovu posmatranja neke pojave u vremenskim intervalima i
takvi podaci se obrazuju u vremenski niz.
Nuno je upozoriti na opasnost formalne interpretacije rezulatat, koji proizilaze iz primjene
regres.analize.
Validnost i pouzdanost rezultata reg.analize zavise od stvarnog poznavanja materije koju
na treba interpretirati.
-KOVARIJACIJAZa utvrivanje kvantitativnog izraza slaganja varijacija vrijednosti obiljeja posmatrane
pojave korsitimo kovarijaciju.Postoje slijedei pokazatelji kovarijacije:
a) KZVRN(VKERLRZJKG)/ZR(PU)LKG)JKGR:
rauna se na osnovu predznaka varijacija kao razlika meu modalitetima obiljeja u
utvrenom nizu njihovih podataka. Nedostatak mu je u tome to uzima u obzir samo
predznak varijacija od jednog do drugog modaliteta, a zanemaruje intenzitet zabiljeenih
varijacija.
b)(tPZVRLKN)ZK(KZVRN(VKERLRZJKG)/ZR(PU)LKG)JKGR
je obuhvatniji od prethodnog indeksa jer uzima u obzir i predznake i intenzitet zabiljeenih
varijacija. Rauna se kao odnos razlike i zbira pozitivnih i negativnih proizvoda varijacija.
c) PREKJKGRZv(VKERLRZJKG)/ZR(PU)LKG)JKGR
Rauna se kao odnos izmeu razlike pozitivnih i negativnih proizvoda varijacija prema
geometriskoj sredini kvadrata uzastopnih varijacija.

d)PREKJKGRZv(vRZVRZJKGR
je kompleksan izraz uzajamnosti varijacija obiljeja posmatranih pojava. On obuhvata i
dstupanja oko aritmetike sredine. Uzima vrijednost iz intervala [-1,+1], pri emu
neg.vrijednosti oznaavaju suprotnosmjerno slaganje varijacija, a pozitivne, istosmjerno
slaganje. to je njegova apsolutna vrije.blia 1, izmeu varijacija obiljeja pojava postoji vii
stepen istosmjernog ili suprotnosmjernog kvantit.slaganja.
-KOVARIJANSApredstavlja prosjean stepen varijacija obiljeja posmatrane pojave i pomou nje nije
mogue direktno mjerenje stepena kovarijacije, tj stepena jaine veze izmeu posmatranih
pojava. Kovarijansom procjenjujemo postoji li kovarijacija izmeu pojava, ali ne i stepen.
Ona je neka vrsta prosjeka, odnosno ukupnosti odstupanja svih podataka od aritmetikih
sredina posmatranih serija. Izraunava se kao prosjeno istovremeno odstupanje
vrijednosti obiljeja od svojih aritmetikih sredina. Jednaka je nuli ako je stand.devijacija
barem jedne varij.jednaka nuli. Ako postoji tendencija da iznadprosjena vrijednost jedne
varijable dolazi sa iznadprosjenom vrijednou druge varijable, onda je kovarijansa
pozitivna i obrnuto. Kovarijansa je negativna ako iznadprosjene vrijenosti jedne varijable
prate ispodprosjene vrijednosti druge varijable.
Zadatak regresione analize je da utvrdi zakonitosti u varijacijama zavisne varijable Y, koje su
dreene varijacijama nezavisne varijable X, s ciljem da se predvide nepoznate vrijednosti
varijable Y kada je poznata X.
Nezavisna varijabla je ona varijabla od koje na neki nain zavisi ono to istraujemo. To je
na varijabla koju istraiva namjerno mjenja da bi ustanovio kako e te promjene djelovati
na zavisnu varijablu koju on istrauje.
Zavisna varijabla je ona varijabla koju istraujemo i elimo rastumaiti zbog ega ona
poprima razliite vrijednosti i koju moemo predvidjeti iz vrijednosti neke druge varijable. U
sluajevima kada istraiva ne moe svojevoljno manipulisati X on prati promjene na Y u
vezi sa spontanim promjenama na X.
Regresija kvantificira vezu izmeu pojava, neophodno je kvalitativnom analizom ispravno
identifikovati varijablu/e koja stvarno uzrokuje promjene u zavisnoj varijabli.
Veze kod kojih poveanju(smanjenju) vrijednosti nezavisne varijable X istovremeno
dgovara poveanje(smanjenje) zavisne varijable Y nazivamo pozitivnim(istosmjernim)
vezama. Ako poveanju jedne varijable odgvara smanjenje druge varijable radi se o
negativnom (suprotnosmjernim) vezama.
Prema jaini veze izmeu pojava mogu biti FUNKCIONALNE I STATISTIKE.
Funkcionalne vezKOMjO(s E(s(TOTOMETbs(TODsLsO(jLGdO vt(jLGMetOj)s tMjOPvGd(j(t jOxO
dgovara samo jedna, tano odreena vrijednost zavisne promjenjive Y. Karakteristino je
da im se pri zajednikom mjenjanju veliina promjene uvijek podudaraju i da u svakoj
vrijednosti jedne pojave odgovara uvijek ista vrijednost druge pojave. Oznaava se sa
izrazom Y=f(x), pri emu svakoj vrijednosti X odgovara tano odreena vrijednost Y.

Statistike( sluajne) vezeOMjOs(bj:mjOMTMvjmTOTOLvT:e jtdOtOPvt vjLtdOPG(s sdsOKO

bzirom na to da zavisna varijabla Y svaku od razliitih vrijednosti moe uzeti s odreenom
vjerovatnoom i kako njene ishode u pojedinanim situacijama ne moemo sa sigurnou
predvidjeti, ona je sluajna varijabla. Iako po obliku podsjeaju na funkcionalne veze,
labavije su od njih, nisu tako odreene i podlone su variranju.
Kada svakom jedininom porastu vrijednosti jedne varijable odgovara priblino jednaka
linearna promjena druge varijable, kaemo da je oblik veze izmeu pojava LINEARAN. U
kviru regresione analize modeli se djele na linearne i nelinearne.
U regres.analizi se koriste podaci koji izraavaju stanje odreenog momenta
(uzorak,osn.skup) i podaci koji se dobiju na osnovu posmatranja neke pojave u vremenskim
intervalima, koji obrazuju vremenski niz. U ekonomskim istraivanjima izmeu razliitih
varijabli razlikujemo vezu na osnovu jedne jednaine, na osnovu vie jednaina i vezu na
simultanoj osnovi. Na osnovu jedne jednaine sagledava se zavisnost izmeu zavisne
varijable i jedne ili vie nezavisnih varijabli. Kod veza na bazi vie jednaina radi se o
ispitivanju uticaja vie varijabli na zavisnu varijablu, ali posebno za svaku nezavisnu
varijablu. Treu grupu ine dvije ili vie zavisnih varijabli kada su u simultanoj vezi sa
dreenim brojem bezavisnih varijabli.
Regresiona analiza obuhvata slijedee etape:
- drediti zavisnu i nezavisnu varijablu
-izabrati sluajan uzorak
-grafiki predstaviti na dijagramu rasipanja
-na osnovu dijagrama rasipanja procjeniti oblik veze
-konsturisati odgovarajui model
- cjeniti primjenom odgovarajucih metoda prarametre modela
-izraunati rezidualna odstupanja i analizirati ih
-testiranjem validnosti modela procjeniti kvalitet modela
-primjena modela za procjenu i predvianje zavisne varijable.
DIJAGRAM RASIPANJAO(jOgvsptbtOPvtDs)OD(tdOMjOTGbs sOPvtvGLsOGLGMsOL t(TOPG(s sO
predstavljena vrijednostima numerikog obiljeja. Prije bilo kakve kvantitativne analize
bavezno treba prikazati podatke na ovom dijagramu, koji se crta u pravouglom
k rdinatnom sistemu.
Numerika podloga za njegovu konstrukciju su vrijenosti varijabli x i y, pri emu se na
apcisu nanose jedinine vrijednosti pojave koju smo oznaili kao nezavisna varijabla x, a na
rdinatu jedinice zavisne varijable y. Ucrtavanjem svih empiriskih parova podataka moe se
na prvi pogled dobiti vana slika o eventualnom postojanju, obliku, smjeru, jaini veze
izmeu posmatranih pojava.

slika LINEARNA VEZA /DIJAGRAM RASIPANJA/

Slika a) prikazuje funkcionalnu vezu izmeu nezavisne i zavisne varijable. Zamiljena linija
koja povezuje sve take na slici je pravac, od koje nema odstupanja. Zbog toga se kae da je
va veza funkcionalna i pozitivna jer je pravac rastui.
U praksi gotovo nikad ne postoji ovakav primjer, nego je ei sluaj na slici b). Zamiljena
linija izmeu taaka na slici je take pravac, ali su prisutna odreena odstupanja. Pozitiva i
negativna odstupanja od pravca se tumae uticajima drugih varijabli iz prakse. Zbog toga
kaemo da je veza statistika. I ova veza je pozitivna jer je zamiljeni pravac rastui.
Slika c) pokazuje funkcionalnu vezu izmeu zavisne i nezavisne varijable a zamiljena linija
koja povezuje sve take na slici je opet prava. Pored toga to je veza funkcionalna porast
jedne varijable prati pad druge varijable, pa kaemo da je veza negativna.
U praksi je gotovo nemogue sresti ovakav primjer, ali est je primjer slika d). Zamiljena
linija izmeu taaka je pravac, a pozitivna i negativna odstupanja od pravca tumae se
uticajima drugih varijabli. Veza je statistika, a kako je zamiljeni pravac opadajui, veza je
negativna.

slika DIJAGRAM RASIPANJA / nelinearna veza i odsutnost veze/

Slika a) pokazuje funkcionalu krivolinijsku vezu izmeu zavisne i nezavisne varijable.

Zamiljena linija koja povezuje sve take na slici je eksponencijalna kriva. Porast vrijednosti
jedne varijable prati porast vrijednosti druge varijable, pa je posmatrana veza pozitivna. U
praksi se ei je sluaj slike b) gdje je zamiljena linija kriva i prisutna su pozitivna i
negativna odstupanja zbog uticaja ostalih varijabli. Ovo je statistika veza, porast jedne
prati porast druge, pa je smijer pozitivan. Slika c) upuuje na zakljuak da nema
povezanosti izmeu posmatranih pojava. Zamiljena linija izmeu taaka ne postoji, jer se
za jednu vrijednost nezavisne varijable moe dogoditi vie razliitih vrijednosti zavisne
varijable. Odsustvo kvantitativnih slaganja je prikazano na slici d) jer za razliku vrijednosti
nezavisne varijable dobijamo istu vrijednost zavisne varijable.

MODEL JEDNOSTAVNE LINEARNE REGRSIJu

Polazni model jedn,lin.regresije je
Yi=+xi+i
gdje Y predstvalja zavisnu varijablu, X vrijednost nezavisne varijable,
dsjeak na y osi,
koeficijent nagiba i statistiki lan ( sluajna greka).
Zadatak regresione analize jeste pronai najbolju liniju regresije uzorka i koristiti je umjesto
nepoznate linije regresije osnovnog skup, kako bismo na osnovu nje izvrili predvianje.
Model jednostavne lin.regresije za n posmatnanih pojava varijabli x i y moe se napisati kao
yi=a+bxi+ei
y- empirijska vrijednost te opservacije, a i b odjseak na y osi i koeficijet nagiba, eirezidualna odstupanja. (odnosi se na uzorak)
Liniju regresije u uzorku moemo predstaviti na slijedei nain:
y* = a+bx
gdje a+bx predstavlja funkcionalni dio modela gdje su ai b parametri koje treba procjeniti a
y* predstavlja procjenjenu vrijednost Y na osnovu posmatranih vrijednsoti od xi do X.
Procjene a i b se razlikuju od stvarnih vrijednosti
i .
U statistici je predloeno vie obj.metoda koje se korsite da si izmeu empirijskih taaka
povukli onu pravu liniju koja ih najbolje reprezentuje. Najee se koristi metoda najmanjih
kvadrata, koja obezbjeuje minimum odstupanja prilagoenog modela od taaka dijagrama
rasipanja.
Rezidualna odstupanja predstavljaju ocjenu sluajne greke u polaznom modelu
jednostavne lin.regrecije. Rezidual e biti pozitivan ako se empirijska vrijednost nalazi iznad
prave, negativna ispod prave. Regresiona prava e dobroi reprezentovati empirijski
raspored ako su vrijednosti reziduala male, i obrnuto. Cilj reg.analize jeste primjeniti metod
koji e minimizirati rezidualna odstupanja. ei= yi-y*
Relativna rezidualna odstupanja raunaju se dijeljenjem tih odstupanja pripadajuom
stvarnom vrijednosti zavisne varijable puta 100.
Standardizovana rezidualna odstupanja se raunaju dijeljenjem rezidualnih odstupanja
standardnom devijacijom regresije.
Model jednostavne lin.regresije ima slijedee osobine:
-zbir odstupanja stvarnih vrijednosti zavisne varijable od regresijskih vrijednosti =0
-zbir kvadrata tih odstupanja je minimalan
-zbir proizvoda vrijednosti zavisne varijable i rezidualnih odstupanja =0
-zbir proizvoda nezavisne vrijable i rezidualnih odstupanja=0
-aritmetika sredina stvarnih vrijednosti zavisne varijable = aritm.sredini
regre.vrijednosti zavisne varijable

Mjere za procjenu reprezentativnosti regr.temelji se na ralanjivanju odstupanja

empirijskih vrijednosti zavisne varijable od njenog prosjeka:
(formula)

gdje lijeva strana predstavlja zbir kvadrata odstupanja empirijskih vrijednosti zavisne
varijable od njene aritm.sredine( ukupni varijabilitet). Prvi lan sa desne strane je zbir
kvadrata odstupanja regresionih vrijednosti od njene aritm.sredine ( protumaeni
varijabilitet). Odstupanja empirijskih vrijednosti zavisne varijable od regresijskih vrijednosti
predstavlja drugi lan s desna( neprotupaeni varijabilitet)

( pitanje: ral. rezidualnih odstupanja)

Koeficijent determinacijeOG(jOPGDs)sejE(OvjPvj)jeset GMetrOD(tOPvjLMes E(sOGd(jvO

protumaenog varijabiliteta i ukupnog varijabiliteta.
(formula)
To je relativna mjera i pokazuje kolko su varijacije zavisne varijable Y protumaene
nezavisnom varijablom X. Velika vrijednost koeficijenta ukazuje na malu disperziju oko
pravca, to poveava reprezentativnost modela.
Kao analitiki pokazatelj koristi se i korigovani koeficijent determinacije, koji zavisi od
stepena slobode i moe biti negativan. Ovaj koeficijent je manji ili jednak koeficijentu
determinacije.
(formula)
Ako se varijabla x0 nalazi izmeu drugih nezavisnih promjenjivih i ako se na osnovu nje
predvia prosjena vrijednost zavisne promjenjive, onda se radi o KVulIp dANKZK. Kod
interpolacije nezavisna promjenjiva x0 se nalazi izmeu najmanje i najvee vrijednosti
nezavisne varijable uzorka. Ako se vrijednost nezavinse varijable nalazi izvan intervala koji
je dat empirijskim podacima uzorka, onda je rije o olSRuIAp dANKZK.
KORELACIONA ANALIZA
-se bavi istraivanjem uzajamnih odnosa meu pojavama, ali ne i uzrono-posljedinim
vezama meu njima.
Ako postoji jaka veza izmeu dvije posm.pojave nije uvijek mogue odrediti nezavisnu i
zavisnu varijablu, te ispitujemo meuzavisnost izmeu posm.varijabli.
Za korelaciju je najbitniji pravac promjena dvije korelaciono povezane pojave isti, govori se
pozitivnoj korelaciji, a kada je pravac razliit, rije je o negativnoj korelaciji.
Zadatak korelacione analize je da utvrdi stepen slaganja varijacija posmatranih pojava i
bjasni oblik, smjer i jainu veze izmeu varijabli.
KOEFICIJENT JEDNOSTAVNE LINEARNE KORELACIJE
-je brojani pokazatelj kojim se izraava pojava u statistikoj analizi. Izraava meusobni
dnos dvije pojave kada se on ispoljava u nekoj pravolinjskoj tendenciji.
Postoji vie vrsta koeficijenata korelacije, ali se u praksi najee koristi STAIKZKVR
koeficijent korelacije, koji u obzir uzima kovarijansu i standardne devijacije obje
posmatrane pojave. Pearsnov koeficijent korelacije je broj koji pokazuje u kojoj su mjeri
dvije uporedive pojave povezane, odnosno u kojem se obimu mjenjaju kada jedna promjena
izaziva promjenu druge pojave.
Koeficijent linearne korelacije mjeri jainu i smjer povezanosti posmatranih pojava, a varira
u zatvorenom intervalu od -1 do +1. Znak + ukazuje na direktnu vezu, a - na inverznu
linearnu vezu. Via apsolutna vrijednost ukazuje na viu povezanost.
Interpretacija visine pojedinog koeficijenta korelacije zavisi u prvom redu o pojavam ija se
povezanost ispituje, o ustanovljenim korelacijama u slinim situacijama, o praktinim
zahtjevima o pojedinim konkretnim sluajevima, tako da vrijednost ovog koeficijenta ne
treba shvatati grubo.
Koeficijent korelacije r mogue je izraunati pomou koeficijenta determinacije ili pomou
proizvoda regresijskog koeficijenta b i omjera standardnih devijacija varijabli x i y.
Koeficijent korelacije jednak je geometrijskoj sredini koeficijenata smjera obje regresione
linije, a predznak se odreuje prema predznaku regres.koeficijenata.

Visina korelacije nije samo odraz stepena povezanosti izmeu dvije varijable, nego moe
biti posljedica razliitih uticaja, od kojih su najvaniji:
-nelinearna veza
-simetrina i unimodalna dustribucija posmatranih varijabli
-grupisanje rezultata
-kauzalna interpretacija korelacije
-uticaj raspona
-eliminisanje vrijednosti oko aritmetike sredine
-podskupovi s razliitim aritmetikim sredinama
U praksi se ponekad javlja potreba za raunanjem korelacije izmeu dvije kontinuirane
varijable, po pretpostavci normalno distribuirane u osnovnom skupu, s tim da je jedna od
varijabli namjerno dihotomizirana.
Dihotomija varijabli ( podjela na 2 modaliteta) predstavlja najgrublje mogue mjerenje, jer
posmatranu pojavu razlikujemo samo u dvije kategorije. Svoenje na 2 modaliteta je obino
posljedica jedinog naina na koji se mogu dobiti podaci. Za raunanje korelacije izmeu
kontinuirane i dihotomizirane varijable koriste se slijedei koeficijenti: biserijski koeficijent i
point biserijski koeficijent.
BISERIJSKI KOEFICIJENT KORELACIJE
Za primjenu ovog koeficijenta neophodno je da se ispune 2 uslova. Prvi se odnosi ba
pretpostavku da se prva varijabla normalno rasporeuje u osnovnom skupu i da njene
mjere potiu s intervalne mjerne skale.
Drugi uslov podrazumjeva namjernu podjelu druge varijable na 2 modaliteta.
Mjera povezanosti dvije kontinuirane varijable, od kojih ni jedna po svojoj prirodi nije
dihotomna, ali se podaci jedne varijable djele u 2 kategorije, iskazuje se koeficijentom
biserijske korelacije. Primjena koef je opravdana kada je varijabla Y kontinuirano mjerena,
ali postoje nepravilnosti koje onemoguavaju primjenu koeficijenta r.
Postupak za izraunavanje biserijskog koeficijenta:
a)prvo se rauna aritm.sredina -)onih rezultata varijable x kod kojih se u varijabli y nalazi
prva dihotomna oznaka i --)onih rezultata varijable x kod kojih se u varijabli y nalazi druga
dihotomna oznaka.
b) proporcija p i q se dobija na osnovu mjera frekvencija svakog od dihotomnih modaliteta
varijable Y.
c) nakon toga se rauna standardna devijacija varijable x
d)u tabeli se nae vrijednost proporcije p ili q u koloni s tim nazivom,a zatim se u istom
redu potrai odgovarajua vrijednost izraza pq/y
e) vrijednost biserijskog koeficijenta se dobija uvrtavanjem prethodnih izraunatih
vrijednosti u izraz 2.11

POINT BISERIJSKI KOEFICIJENT KORELACIJE

U praksi se esto javlja potreba za raunanjem korelacije izmeu 2 vari., pri emu je jedna
d varijabli kontinuirana, a druga po svojoj prirodi atributivna ili dihotomna. Mjera
povezanosti dvije varijable od kojih je jedna kvantitativna i kontinuirana, a druga po svojoj
prirodi dihotomna utvruje se point biserijskim koeficijentom. Za primjenu ovog koef.
neophodno je ispuniti slijedee uslove: prva varijabla se normalno rasporeuje u populaciji i
potie sa intervalne skale, a druga varijabla je po svojoj prirodi dihotomna i nikako ne moe
biti normalno rasporeena. Izmeu ove dvije diskretne kategorije postoji prekid,
diskontinuitet, u jednoj taki, od koje potie naziv metode. Ima iri primjenu nego biser.kof.
Preporuuje se raunanje biserijskog koef kada je dihotomna varijabla van svake sumnje
nornalno distrubuirana. Ako postoji mala sumnja da dihotomna vari. nije normalno
distribuirana, primjenjuje se point biserijski koeficijent korelacije.
KOEFICIJENTI KORELACIJE RANGA
Korelacija ranga je metoda kojom se mjeri povezanost rangova dvije ili vie varijabli ranga.
Ako su varijable numerike, treba ih transformisati u varijable ranga. Rairena metoda
neparametarske statistike.Nije potrebno da posmatrane pojave budu u linearnom odnosu.
Koeficijent rang korelacije ima prednost nad r koeficijentom kada kod mjernih rez postoje
extremne vrijednosti.
Ispitivanje stepena povezanosti izmeu pojava datih u obliku modaliteta rang varijable nie
mogue na isti nain kao i za modalitete numerikih nizova. Neophodan je drugaiji pristup,
jer varijable nemaju potrebna metrika svojstva. Izdvajamo Spearmanov koeficijent(2
varijable ranga) i Kendelov koeficijent(za grupu varijabli ) rang korelacije.
-Spearmanov koeficijent korelacije ranga-koristimo za utvrivanje stepena povezanosti izmeu pojava kod kojih su podaci dati u
bliku modaliteta rang varijable. To je u stvari koeficijent r primjenjen na rangirane
podatke. Varira u zatvorenom intervalu od -1(perfektna inverzna veza) do +1(perfektna
direktna veza).0 ukazuje na odsustvo veze izmeu posmatranih pojava.
Koeficijent je jednak -1 kada je redosljed modaliteta prve rang varijable suprotan od
redosljeda druge rang varijable u paru i tada govorimo o perfektnoj inverznoj vezi.
O perfektnoj direktvoj vezi govorimo kada je koeficijent jednak 1, odnosno kada su u
svakom paru rangovi jednaki. Tada je svako d=0. Koeficijent je jednak nuli za najvee
neslaganje rangova, odnosno kada je zbir kvadrata razlika rangova jednak.
Kendelov koeficijet W
u praksi ponekad imamo sluajeva kada nas zanima slaganje izmeu tri i vie nizova ranga.
U tu svrhu koristi se Kendelov W koeficijent. U brojniku se nalazi aritmetika sredina
rangova za i-ti red i aritmetika sredina svih rangova.
Kendelov koeficijent ne moe biti negativnog predznaka. pr.Ako se lanovi komislije nikako
ne slau, koeficijent W je jednak 0, a ako se slau u potpunosti, jednak je 1. Ovaj koeficijent
testira odnos izmeu stvarnog slaganja i maksimalnog mogueg slaganja. Testiranje
znaajnosti W vri se poreenjem testovne veliine s tablinom veliinom za odgovarajui
nivo znaajnosti alfa, veliinu uzorka n i K varijabli ranga.Moe se utvrditi i pomou hikvadrat testa. U koliko se utvrdi da je hi-kvadrat znaajan, onda je i W koef znaajan.

KOEFICIJENTI ASOCIJACIJE
-se korsite za mjerenje povezanosti dvije ili vie nominalnih varijabli. Mjerenje stepena
povezanosti izmeu modaliteta nominalne varijable nije mogue na isti nain kao i za
modalitete numerikih i ordinalnih nizova. Neophodan je drugaiji pristup, jer nominalne
varijable nemaju potrebna metrika svojstva modaliteta numerike ili rang varijable.
Nominalna skla je najnepreciznija skala i slui samo za klasifikaciju.
Ovi koeficijenti daju samo priblinu indikaciju asocijacije izmeu posmatranih pojava, pa je
potrebno posebnu panju posvetiti kvantitativnom mjerenju stepena i smjera, te
tumaenje njihove veze.
Podaci se unose u kontigencijsku tabelu. Upotrebom izraza kontigencija, umjesto
korelacija, eli se naglasiti oblik povezanosti koji se javlja izmeu diskontinuiranih
nominalnih varijabli.
Manje se radi o odnosu modaliteta posmatranih pojava, a vie o meusobnom stanju
modaliteta posmatranih varijabli. U literaturi se navode slijedei koeficijenti asocijacije:
Pearsonov koeficijent kontigencije C, Cramerov koeficijent K i koeficijent fi.
Pearsonov koeficijent kontigencije
Kontigencijom C se utvruje zavisnost dva obiljeja u dvodimenzionalnoj tabeli
kontigencije. Koeficijent C ne zahtjeva simetrinu raspodjelu posmatranih varijabli.
Asocijcija izmeu nominalnih varijabli je slabija kada su razlike izmeu empirijskih i
ekivanih frekvencija manje. Koeficijent kontigencije C se zasniva na hi-kvadart testu.
C=
Hi kvadrat test se koristi kada trebamo utvrditi da li neke opaene frekencije zajedno
dstupaju od oekivanih vrijednosti. Kree se u zatvorenom intervalu od 0 do 1. Min vrijed
je 0, a max zavisi od broja posmatranih modaliteta, ali nikad nie vea od 1. Vrijednost koef.
ukazuje na postojanje povezanosti, ali ne i na smijer, odnosno da li je veza pozitivna ili
negativna. Istraiva odreuje smijer na osnovu kretanja podataka u tabeli kontigencije.
Ovaj koef se koristi za diskontinuirane podatke, njegovo poreenje sa koefi r obino nie
pravdano. Koef C nie pouzdana mjera onda kada se u tabeli kontigencije jave suvie male
ekivane vrijednosti. Moe se poboljpati smanjenjem tabele.
Cramerov koeficijent asocijacije K
Zbog tekoa u interpretaciji koeficijenta kontigencije C u praksi se sve vie koristi
koeficijent K. Polaznu osnovu za raunanje C koeficijenta ine razlike izmeu empirijskih i
ekivanih frekvencija, odnosno testova vrijednost hi kvadrata.
K=
Kree se u zatvorenom intervalu od 0 do 1. Koef poprima vrijednost 0 u sluaju nezavisnih
nominalnih varijabli. Koeficijent uzima max vrijednost 1, u sluaju potpunog slaganja
posmatranih varijabli. Ovom koeficijentu se ne pridruuje predznak.

Koeficijent fi
-mjeri se povezanost dvije varijable koje su obje po svojoj prirodi dihotomne ili je jedna
takva, a druga dihotomna samo po obliku( a po prirodi numerika i kontinuirana). Za
raunanje ovog koef neophodno je da da bar jedna varijabla bude prirodno podjeljena na
dva modaliteta. Koeficijent fi se esto upotrebljava i u sluajevima kada je jedna od varijabli
po prirodi kontunuirana, a samo se prikazuje dihotomno zbog razgranienja na odeenom
mjestu kontiniuma. Radi se o parametarskoj metodi, jer se ne moe pretpostaviti normalna
distribucija kod dihotomnih varijabli. Rauna se dir iz tabele kontigencije a i moe se izvesti
iz hi-kvadrata.
Fi koeficijent varira od -1 do 1. Vrijednost 1 postie samo ako je(a+b)=(a+c), odnosno -1
postie ako je (a+b)=(b+d). [ a,b,c,d pojedine frekencije iz 4 elije tabele. a i d na jednoj
dijagonali a, b i c na drugoj dijagonali. ]
KORELACIJA IZMEU NOMINALNE I RANG VARIJABLE
U praksi se ponekad javlja potreba za mjerenjem stepena povezanosti izmeu pojava datih
u obliku nominalne varijable i rang varijable. Potreban je drugaiji pristup, jer nominalna i
rang varijabla nemaju poterbna metrika svojstva modaliteta numerike varijable.
Tu korelaciju raunamo najee Kendelovim tau koeficijentom i Freemanovim teta
koeficijentom.
Kendelov tau koeficijent
-koristimo kada elimo da utvrdimo povezanost varijabli od kojih je jedna rang varijabla a
druga dihotomna nominalna varijabla. U koliko nie svejedno da li jedinica pripada jednoj ili
drugoj grupi, onda to znai da postoji povezanost izmeu posmatranih pojava.
(formula)
Freemanov teta koeficijent
-koristimo kada elimo da mjerimo povezanost pojava koje su predstavljene rang
varijablom i dihotomnom nominalnom varijablom. Koef tau i teta se znaajno razlikuju, a
prednost ide Freemanovom teta koeficijentu, jer kod potpune povezanosti koeficijent teta
daje oekivani maximalnu rezultat 1, bez obzira na vel uzorka, dok se koef tau smanjuje to
je uzorak vei.
(formula)
Ris predstavlja zbir rangova ispod prilikom poreenja ranga svake jedinice prvog podskupa
sa rangovima svih jedinica drugog podskupa, a Riz , zbir rangova iznad.
Moemo ga koristiti i kada nema vezanih rangova.
PARCIJALNA KORELACIJA
Zakon jedne varijable poretpostavlja eliminisanje djelovanja svih drugih varijabli da bi se
utvrdila povezanost varijabli koje su predmet posmatranja. U tom sluaju e se primjeniti
postupak kojim se uvtruje povezanost dvije varijable uz eliminisanje tree varijable. Ovim
postupkom se od ukupne korelacije oduzima onaj dio koji je nastao djelovanjem tree
varijable. Tako dobiveni dio ukupne korelacije naziva se os apsmAs(hn umsaps.
(formula 2.40)
Koeficijent parcijalne korelacije uzima vrijednosti od -1 do 1.
Parcijalna korelacija moe biti linearna i nelinearna. U praksi se u glavnom koristi metom
linerane parcijalne korelacije.

MULTIPLA LINEARNA KORELACIJA

Kod multiple linearne korelacije istraujemo povezaost dviju ili vie nezavisnih varijabli sa
zavisnom varijablom.
Koeficijenti multiple korelacije su znaajniji jedino u sluaju kada raspolaemo dovoljnim
brojem podataka i kada su svi pojedinani koeficijenti korelacije r linearni. Jedno od
znaajnih podruija istraivanja koje se zasniva na utvrivanju viestruke povezanosti je
prognoza budueg uspjeha na osnovu rez prethodnih testova i sl.
Koeficijent multiple linearna korelacije moemo raunati pomou elemenata korelacione
matrice, kao drugi korjen iz koeficijenta multiple determinacije, pomou regresionih
koeficijenata i omjera stand.devijacija varijabli i na druge naine. Varira u intervalu od 0 do
1. Ne pridruuje mu se predznak.
Postoje 2 gledita tumaenja koefi multiple lin korelacije: teorijsko i praktino.
Sa teorijskog gledita, svaki koef korelacije koji je stat znaajan moe da ukazuje na neku
povezanost izmeu pojava. Meutim, na pojave koje su predmet naeg posmatranja utiu i
razl faktori i oklnosti, koji izmiu naoj kontroli.
Sa praktinog gledita, koef korelacije koji je indikativan za povezanost izmeu
posmatranih pojava, moe biti bez praktine vanosti. Koef korelacije slue, pored ostalog,
i za stat predvianja. Ako je korelacija izmeu pojava visoka, onda je stat predvianje
sigurnije i obrnuto.
Parametarske metode se primjenjuju pod strogo odreenim uslovima o normalnosti
rasporeda posmatranih varijabli. Neparametarske metode su nezavisne od oblika
distribucije varijabli, pa su i ti koeficijenti manje pouzdane mjere korelacije.
DINAMIKA ANALIZA VREMENSKIH NOZOVA
U desktiptivnoj statistici za nedovosmisleno odreivanje pripadnosti elem posmatranom
snovnom skupu, neophodno je je pojmovno, prostorno i vremensko definisanje.
Pojmovno definisanje osn skupa podrazumjeva da se tano i precizno odredi osobina koju
mora da ima svaka stat jedicnica da bi bila ukljuena u skup.
Prostorno odrediti skup znai tano odrediti prostor na kojem pripadaju stat jedinice.
Vremensko definisanje skupa podrazumijeva da se precizno odredi vrijeme kada ce se
posmatranje realizirati.
Dinamika analiza obuhvata istraivanje zakonitosti kretanje masovnih pojava u vremenu,
dnosno omoguava praenej promjena pojave u vremenu i predvianje tendencije razvoja
pojava. Ova analiza podrazumjeva praenje kvantitativnih promjena pojava, kako u obimu
tako i u strukturi tokom vremena. Zakonitosti kretanja masovnih pojava kroz vrijeme esto
su predmet ekonom. i drustvenih istraivanja, a u otkrivanju tih zakonitosti pomau nam
metode stat analize vrem nizova( serija). Pomou vrem serija koje predstavljuju nizove
podataka o niovu posmatranih pojava u sukcesivnim vremenskim intervalima, prelazi se sa
stat aspekta na dinamiki aspekt posmatranja.

VREMENSKI NIZ KAO IZRAZ DINAMIKE

-je skup hronoloki ureenih vrijednosti posmatrane pojave. Vrijednosti ijim redanjem
nastaje vremenski niz zove se frekvencija.
Prema nainu nastanka, razlikujemo )Lit,rPU)v)vi,tLEiL)h
Ako je neku pojavu mogue posmatrati samo u nekom intervalu dobiemo frekvencije
pojedinih vremenskih jedinica, ijim ureivanjem nastaje intervalni vremenski niz. Sve one
pojave koje imaju jedan smjer kretanja, koji je odreen poetkom i krajem perioda, moemo
posmatrati samo u odreenom periodu vremena.
Kod i,tLEiL/g vremenskog niza radi se o pojavama ija priroda namee posmatranje samo
u jednom trenutku ili presjeku. Rez ovakvih posmatranja su frekvencije koje pokazuju nivo
pojave u odreenom trenutku, a njihovim ureenjem nastaje trenutni vrem.niz.
Sabiranjem vrijednosti pojave po odabranim vremenskim intervalima nastaju frekvencije
intervalnogO vjdOt)sO s(Ot)OtdsOM G(Me GODTdTEset GMetrOPsOMjO)seGOpvjD
Trenutni niz predstavlja skup hronoloki ureenih vrijednosti, koje predstavljuju stanja
OdGgTOMsftvset
pojava u odabranim vrem takama.
Prema nainu iskazivanja posmatrane pojave razlikujemo izvorni i izvedeni vrem niz.
IzvorniO vjdOt)OsMes(jO.vGGEG:DtdOTvjzj(jdO jEtbtsOD(jOMTOvj)TEeseOLtvjDeGgO
mjerenja pojava po odabranim vremenskim intervalima.
Ukoliko su frekvencije rezultat brojanih operacija nad jednim ili vie vrem nizova onda se
radi o )rtmtL/vvrem nizu.
Konzistentnost vremenskog niza
Ispravni zakljuci
dinamici posmatrane pojave mogui su ako je vremenski niz
konzistentan, odnosno ako se radi o uporedivim podacima. tneuiAk(osbApk(z uis(kegpu aza(
na: definisanje i mjerenje varijable na isti nain u cjelom posmatranom periodu, iste vremenske
jedinice posmatranja, administrativno teriotorijalne promjene, te na stabilnost cijena kod
vrijednosnog istraivanja.
Tokom vremena mjenja se definicija posmatranih pojava, mjenjaju se kriteriji razgranienja,
metodi mjerenja i naina iskazivanja. Ovaj problem je posebno izraen kod dueg
posmatranja neke pojave gdje kao neminovnost dolazi do promjene njenog sadraja, a
samim tim i njenog definisanja, mjerenja i iskazivanja. Sve to znaajno utie na uporeivanje
podataka.
Drugi faktor na koji trebamo obratiti panju kada se radi o zahtjevu uporedivosti nizova je
vremenski interval posmatranja. Podatke ima smisla uporeivati samo ako se odnose na
iste vremenske jedinice. Vremenske jedinice dobijamo tako to stat skup ralanimo prema
vremenskom obiljeju. To znai da e svaka vremenska jedinica biti definisana jednim
vremenskim periodom, a frekvencije te jedinice predstavljat e onaj dio skupa koji pripada
tom periodu. Za vrem obiljeje upotrebljavamo kalendarska razdoblja:godina, polugodite,
kvartal...
Kod rasporeda frekvencija u desktiptivnoj statistici uvijek se prije uporeivanja frekvencija
provjerava da li su razredi jednake veliine. Ako nisu, onda se koriguju, pa tek onda
uporeuju frekvencije. Radi uporedivosti podataka, slian postupak emo koristiti i kod
analize konzistentnosti niza. Frekvencije se koriguju svoenjem na najmanji vremenski
interval.
Kod trenutnog vremenskog niza varijacije duine istih kalendarskih jedinica ne utiu na
njihovu uporedivost. Poeljno je da su frekvencije vezane za jednako udaljene vremenske

take, jer to pojednostavljuje postupke.

este administrativno teriotorijalne promjene takoe oteavaju uporedivost podataka.
Kroz dui vremenski period je teko zadrati prostornu definiciju pojave, jer se u vremenu
mjenjaju i prostorne granice. U sluajevima gdje je to mogue, potrebno je pregrupisati
podatke u nizove uporedivih podataka.
Posebnu panju zasluuju nizovi koji dinamiku pojava izraavaju vrijednosno. Kod ovih
nizova promjene cijena znaajno determiniraju veliine pojave. Da bi se u ovakvim
sluajevima sagledala realna dinamika posmatrane pojave potrebno je eliminisati uticaj
promjena u tekuim cijenama na njeno ponaanje. To se radi na taj nain to se vrijednost
prodaje za itav posmatrani period obraunava po stalnim cjenama, odnosno cijenama iz
perioda koji se odabere kao bazni.
CILJEVI I PRISTUPI ANALIZE VREMENSKIH NIZOVA
Analizom vrem nizova elimo postii slijedee ciljeve:
Desktipcija
rikazivanje i deskriptivnu statistiku.
pojaveOyO
DFOEPFT)
Objanjenje
varijacije pojaveyO.M(MFOMjGdMfTgFjMFEsTFEOTgTAj.sLFAszEMFgRDUTFPTF
MsFszDmM
koristiti
varijacije jednog niza za objanjenje varijacija drugog niza.
EMAPMFjA
EAsLF.MO
Predvianje
razvoja pojaveyOAMFjAEDFGOdsLFjTOEM:sPMFs(TA)sbs:sOMgFsFGO:PTAPDPTgF
M.)TOsj)s.
mo
del
vremenskog niza i zatim ga korsitmo za predvianje buduih nivoa pojave.rPredvianje
MFEOTgFAs
se
bazira na pokazateljima dinamike ili modelima vremenskih pojava.
zMF.Osj)sg
FROMbF
Kontrola
koji
se javljaju u statistikoj kontroli kvaliteta. Potreba za regulacijom procesa javlja se kod
procesarazliitih
neusklaenosti, koje su rezultat pojave premalih ili prevelikih vrijednosti niza.
OEMPFzM(M)M.
FMAMdszTFGjTt
Statistike
metode moemo razvrstati u dvije grupe:
AFPTFsA)TOTjM
A)MAFDFMAMdsz
a) metode koje analizi vremenskih nizova pristupaju sa stanovita vremena
sFEOTgTAj.sLFAs
zEMFIstraivanje razvojnih tendencija vremenskih nizova u funkciji vremena je predmet
ve metode. tneznpu(jls(o aezkos 1) sastoji se u utvrivanju analitikih izraza kojima se
pisuje razvoj pojave i to pomou f-je vremena. 2) izvire iz tenje da se statistiki opie
dinamika struktura pojave a ne njeno kretanje u vremenu. Ovaj pristup podrazumijeva
mjerenje stepena i smjera korelacije lanova niza, razmaknutih jedan, dva ili vie perioda
kao i analitiko izraavanje te meuzavisnosti.
b) metode koje joj prilaze sa stanovita frekvencija
va metoda spada u podruije spektralne i harmonijske analize. Manje se koristi od
prethodne metode, jer je mnogo sloenija.

RAFIKO PRIKAZIVANJE VREMENSKIH NIZOVA

Da bi frekvencije, odnosno podaci i rezultati koje izraavaju vremenski nizovi postali
razumljiviji, u statistici se za njihovo predstavljanje koristi grafiko prikazivanje. Danas se
konstrukcija grafikona i dijagrama vri pomou statistikih ili slinih raunarskih programa.
Vremenski nizovi se mogu grafiki prikazati na vie naina.
Tekstualni dio grafikona treba da sadri: naslov, oznaku jedinice mjerenja, oznake perioda
na apsici, izvor podataka i po potrebi objanjenje i napomene.
Na grafikonima, radi lakeg prikazivanja, esto se oznaava mrea. Ona se u pravouglom
k rdinatnom sistemu sastoji od spleta horizontalnih i vertikalnih linija, koje uobiajno
prolaze kroz karakteristine take mjerila nardinatnim
k
osama.
U koliko intervali posmatranja nisu jednaki, neophodno je korigovati frekvencije. Vremenski
niz sa korigovanim frekvencijama prikazuje se linijskim ili povrinskim grafikonima.
Intervalni niz prikazuje se linijskim i povrinskim grafikonima.
Linijski grafikoniOMTO(jLGLtdj)tGsEtOtODvtMejOMjO)sOPvtDs)t s(jO vjdjMDt.Ot) sODLO
pojava koje imaju svoj tok, dinamiku i razvoj. Naglaavaju brzinu, a ne veliinu promjena.
Preglednost linijskih grafikona doprinosi i prekid mjerila na ordinati. Postupak izostavljanja
djela aritimetikog mjerila na ordinati omoguava jasnie uoavanje malih varijacija pojave i
tada je rije o horizontalnom prekidu grafikona.
Grafikon se konstruira tako to se na apsicu unosi aritmetiko mjerilo za vrijeme, a na
rdinatu aritimetiko mjerilo za frekvencije. Linijski grafikon nastaje spajanjem taaka ije
su k rdinate date sredinama posmatranih vremenskih perioda i frekvencijama. Apcise tih
taaka odreene su sredinama duina koje predstavljaju periode a ordinate taaka zavise
d frekvencija. Apsolutne razlike frekvencija pojedinanih posmatranih pojava
predstavljene su razlikama ordinata dviju taaka, dok je intenzitet promjena pojave
predstavljen srminama linija.
Povrinski grafikoniOtds(TOL t(jOLtdj)t(jOtODLO(t.OMTOpvjD jBt(jOt)sOPvjLMes E(jjO
povrinama razliitih geometrijskih oblika. Ova vrsta graf se koristi kada se eli istaknuti
veliina, a ne vrijeme i brzina promjene u vremenu.
Histogram stupaca se crta u pravouglom krdinatnom sistemu, pri emu se frekvencije
prikazuju stupcima jednakih osnovica. Povrina stupaca jednaka je proizvodu osnovice i
visine. Razlikujemo jednostruke, razdjeljene, dvostruke i viestruke stupce. Razdjeljeni
stupci se korsite za prikazivanje strukture pojave u apsolutnim ili relativnim vrijednostima.
Pomou dvostrukih i viestrukih stupaca se vri poreenje vie vremenskih nizova po
bimu, strukturi i znaaju. Horizontalni histogrami se koriste kada teite treba staviti na
poreenje a ne na vremensku komponentu, dva ili vie vremenskih nizova.
Poreenje vrem nizova ije su frekcencije na izrazito razliitim nivoima nie adekvatno na
grafikonu sa aritmetikim mjerilom, jer varijacije pojava nisu uoljive. Sagledavanje
relativnih promjena omoguava nam logaritamsko mjerilo, odnosno primjena
polulogaritamskog grafikona. Logaritamsko mjerilo je takvo mjerilo kod kojeg su logaritmi
brojeva prikazani odreenim duinama na tom mjerilu. Omoguava nam dobro uoavanje
manjih varijacija pri niim frekvencijama. Strmine linija na grafikonu govore o jaini
relativnih promjena. to je razumljivo jer razlika logaritma predstavlja omjer-relativan broj.

Polulogaritamski grafikonOMjODvtMetO)sOgvsptbDGOPvtDs)t s(jOL sOtEtO t:jOt) sOvs)Etbtet.O

brojanih nivoa, pri emu se na apcisi konstruie aritmetiko mjerilo a na ordinati
logaritamsko mjerilo. Ovaj grafikon se konstruira u pravouglomrdinatnom
k
sistemu, a
nastaje spajanjem taaka ije su k rdinate date vrijednostima varijable vrijeme u
aritmetikom mjerilu na apcisi a frekvencijama prema logaritamskom mjerilu na ordinati.
Trenutni vremenskiOt)OMjOgvsptbDtOPvtDs)T(jOEtt(MDtdOgvsptDGdOtOPvjLMes E(sOMes(sOTO
dabranim vremenskim trenucima. Frekvencije niza s razliitim udaljenostima nie potrebno
korigovati jer ovaj niz nema svojstvo kumulativnosti.
Za grafiko prikazivanje odreenih vremenskih nizova koristi se polarni
rdinatni
k
sistem.
Polarni dijagramOMjODvtMetO)sOPvtDs)t s(jO vjdjMDt.Ot) sODLOD(t.OMTOsgEs:jjO
sezonske varijacije. On se zasniva na dui, koja polazi od jednog proizvoljnog poetka, a
sama du predstavlja polarnu osu. Iz tako slobodno izabrane take povue se onoliko
poluosi ( radij-vektora) koliko ima intervala u posmatranom vremenskom nizu. Radij-vektori
djele ravninu na segmente jednake veliine. Na njih se nanose frekvencije vremenskog niza,
pri emu udaljenost od ishodita zavisi od veliine empirijskih frekvencija. Za mjesene
podatke mrea polarnog dijagrama se konstruie tako to se kroz ishodite poloi 12
duina, izmeu kojih je ugao od 30 stepeni. Zatim se na jedan radij-vektor oznai
aritimetiko mjerilo za frekvencije, te nacrtaju koncetrini krugovi koji prolaze markantnim
takama mjerila. Spajanjem taaka dobija se kriva. to je sezonski uticaj vei, kriva e biti
blia krunici s veim radijusom i obrnuto. Sezonska pojava esto se posmatra kavartalno.
Ako vremenski niz ine kvartalni podaci, ugao izmeu dvaju susjednih vektora iznosi 90
stepeni, a pripadajui sektor oznaava kvartal. Dalje se konstruira na isti nain kao i kada
radimo sa mjesenim podacima.
RELATIVNI POKAZATELJI DINAMIKE
-mjere promjene jedne pojave ili grupe homogenih pojava u toku vremena u odnosu na neki
bazni period. Jednu od najjednostavnijih metoda analize dinamike predstavljaju indeksni
brojevi. Indeksi su relativni brojevi koji pokazuju odnose razliitih stanja jedne pojave ili
jedne grupe pojava u razliitim intervalima ili momentima vremena. Olakavaju
sagledavanje dinamike posmatrane pojave jer nepregledne serije svode na procente.
Osobina indeksa da izraava odnose promjena pojava u toku vremena i relativna
jednostavnost njegovog izraunavanja, uticala je da se indeksi u praksi upotrebljavaju kao
najprikladnije sredstvo statistike analize dinamike masovnih pojava.
Razlikujemo indekse strukture i indekse dinamike
Indeksi strukture pokazuju odnos djelova prema cjelini posmatrane pojave u jednom
trenutku ili intervalu vremena, dok indeksi dinamike pokazuju promjene u nivou pojave
tokom vremena.
Indeksi dinamike pokazuju za koliko se jedna pojava ili grupa homogenih pojava promjenila
u svom razvojnom toku.
Najpoznatija podjela indeksa dinamike je na individualne i grupne.
Individualni indeksiOPGDs)T(TOGLGMOt)djzTOL sOMes(sOPGMdsevsjOPG(s jrOsOgrupni
indeksiOPGDs)T(TOGLGMOt)djzTOL sOMes(sOMDTPtjOPG(s sO

Individualni indeksi
-pruaju sintetiki pogled na evoluciju u odnosu na bazni period i omoguavaju praenje
promjena analiziranih veliina izmeu svih posmatranih perioda. Individualni indeksi se
djele na indekse po stalnoj bazi (PL)v)LmtJa)z i indekse sa promjenjivom bazom ( UPLnPL)v
indeksii
Bazni indeksi
raunamo kao omjer izmeu veliine pojave u posmatranom i baznom periodu.rOs-bphrj-slir
kojem se vri poreenje, naziva se bazni period i oznaava se sa 100. Kako se sve
frekvencije niza dijele s nivm pojave u baznom periodu, bazni indeksi su proporcionalni
veliinama iz kojih su izraunati. Prvi korak u konstrukciji ovog indeksa je izbor baznog
perioda. U praksi se esto uzima prvi ili zadnji period u nizu kao bazni, i to ima odreeni
smisio. U sliajevima kada je izbor baznog perioda otean, ili onemoguen, preporuuje se
da se za bazu odabere neka druga veliina, npr aritmetika sredina freksvencija niza ili neka
druga vrijednost. Za bazni period treba odabrati period u kojem pojava pokazuje relativno
stabilan nivo, ili onaj period u kojem pojava nie bila izloena neubiajnim uticajima.
Bazni indeks pokazuje koliko jedinica pojave u vremenu t tolazi na svakih 100 jedinica
pojave u periodu b. Uvijek su pozitivni brojevi, mogu biti vei, manji ili jednaki 100. Razlika
izmeu 2 bazna indeksa pokazuje )LmtJaLtv/m/rt, koji pokazuju apsolutnu a ne relativnu
razliku opaenih podataka. Ako od baznog indeksa oduzmemo 100, dobit emo ai/fEv
promjene G tsOPG(s jOTOGLGMTOsOfs)tOPjvtGL
Lanani indeksi
raunamo ih tako to za bazu uzimamo svaki put podatke iz prethodnog perioda. Ovi
indeksi nazivaju se i koeficijenti dinamike, jer pokazuju dinamiku i tempo promjene
posmatrane pojave u odnosu na prethodni period.
Lanani indeksi pokazuju koliko jedinica pojave u periodu t dlazi na svakih 100 jedinica
pojave u periodu t-1. Kod lananih indeksa broj 100 ne oznaava bazu, nego stagnaciju
razvoja neke pojave. Vrijednost iznad 100 pokazuje da je u tekuem periodu pojava
zabiljeila rast, dok vrijednost ispod 100 pokazuje da je dolo do smanjenja novoa razvoja
pojave u odnosu na prethodni period.
OSOBINE INDEKSA:
Osibina identitetayOtLjDMOGMes(jOjPvGd(j(jOsDOMjOPGMdsevssO jEtbtsOjO
mjenja.
Osobina tranzitivnosti-G TOGMGftTO)sL GE(s s(TOtLjDMtObt(tO(jOPvGt) GLO(jLsDO
dnosu veliine pojave u posmatranom i baznom periodu.
Osibina recipronostiyOMjOdGZjOLjpttMsetOTOGLGMTOsO vt(jdjrOsOgG GvtOLsO(jO
reciproan indeks neutralan u odnosu na vrijeme.
Osobina cirkularnosti-ODsLsO(jO)sL GE(jsOGMGftsOevs)tet GMettOvjBtPvGbGMetrO
moe se rei i da je zadovoljena osobina cirkularnosti.

Prosjena stopa promjene

Pored individualnih indeksa za iskazivanje relativnih varijacija posmatrane pojave koristi se i
prosjena stopa promjene. Ona nije najsretnije rjeenje, jer stopa moe biti pozitivnog i
negativnog predznaka, pa samo ona sa pozitivnim predznakom upuuje na nivo rasta
pojave. Moe se izraunati na 3 naina: na osnovu geometrijske sredine lananih indeksa,
na osnovu orginalnih podataka i na osnovu baznih indeksa. Geometrijska sredina lananih
indeksa moe se izraunati i onda ako su poznati samo prvi i zadnji lan niza. Iz osobine
tranzitivnosti proistie drugi nain za raunanje prosjene stope promjene, odnosno
direknto iz podataka vremenskog niza. Osnovni nedostatak ovako izraunate prosjene
stope rasta proistie iz injenice da se ona praktino rauna samo na osnovu prve i zadnje
vrijednosti posmatrane pojave. Ona e biti dobar reprezentat samo ako su koeficijenti
dinamike u uzastopnim periodima priblino jednaki.
Prosjena stopa promjene moe da se rauna i na osnovu baznih indeksa, jer su oni
direknto proporcionalni s empirijskim frekvencijama. Nedostatak ovako dobivene stope
jeste to ona uprosjeuje rast pojave u svim periodima, bez obzira na razliite varijanse
unutar niza.
Prosjena stopa moe se koristiti za predvianje razvoja pojave, uz pretpostavku da e se
pojava i u narednim periodima mjenjati prema izraunatoj stopi.
Pored predvianja razvoja pojave, na osnovu ove stope moe se izraunati u kojem e
periodu, uz nastavak ispoljene tendencije, pojava dostii odreeni nivo.
rupni indeksi
Grupni indeksi omoguavaju sintezu varijacija vie srodnih pojava, jer se zbog nekih
zajednikih osobina mogu da posmatraju kao jedna cjelina.
Grupni indeksi nam omoguavaju praenje kretanja kompleksnih pojava, kao to su:
proizvodnja, trokovi, cijene, produktivnost rada i sl. Toliko su vani da se kod spominjanja
samog pojma indeksa, bez daljeg ralanivanja podrazumijeva grupni a ne individualni
indeksi.
Postupak analize grupe pojava pomou indeksa provodi se u nekoliko koraka:
-

definisanje grupe pojava i namjene grupnih indeksa

izbor elemenata za grupni indeks i njihova identifikacija
prikupljanje podataka o elementima
izbor baze indeksa, odreivanje pondera i izraza za izraunavanje grupnih indeksa
ocjena reprezentativnosti indeksa kao prosjenih veliina i provoenje testova o
njihovim teorijskim svojstvima.

rupni indeksiOdGgTOftetOfs)tOtEtOEsbstOJsOvsbTs(jOgvTPt.OtLjDMsODvtMetdGOdjeGLO
srednjih vrijednosti i metod agregata.
Prema metodu srednjih vrijednosti grupni indeksi se raunaju tako to se odredi
aritmetika sredina, harmonijska ili geometrijska sredina individualnih indeksa vremenskih
nizova. Prema drugom metodu grupni indeksi se raunaju tako to se zbir podataka
sastavljenih nizova u tekuem periodu stavi u odnos prema zbiru podataka tih nizova u
baznom periodu. Zajednika vrijednost na koju se svode razliite pojave predstavlja sloenu
veliinu ( agregat), pa otuda i sam naziv postupka.
Primjena metoda srednjh vrijednosti i metoda agregata u izraunavanju neponderisanih
rupnih
g
indeksa opravdana je samo u sluaju kada sastavni nizovi imaju priblino isti znaaj.
U praksi je najee sluaj da sastavni nizovi agregata za koje raunamo grupni indeks
nemaju isti znaaj. Zato ove indekse ponderiemo u cilju obezbjeivanja njihove vee
reprezentativnosti kao pokazatelja dinamike vie srodnih vremenskih nizova. U stati praksi
najee koriteni metodi ponderisanja su Laspeyresov i Paascheov metod.
rupni indeks cijena
-je relativan pokazatelj dinamije kretanja cijena grupe pojava u tekuem peridu u odnosu na
bazni period. Za raunanje koristimo metod srednjih vrijednosti i metod agregata.
Prema prvom metodu, grupni indeksi se raunaju tako to se odredi sredina individualnih
indeksa vremenskih nizova. Prema metodu agregata grupni indeksi se raunaju tako to se
zbir podataka sastavljenih nizova u tekuem periodu stavi u odnos prema zbiru podataka
sastavljenih nizova u tekuem periodu.
Metod srednjih vrijednosti ne polazi od orginalnih podataka, nego od njihovih individualnih
indeksa, izaunatih na isti bazni period.
U praksi se najee upotrebljavaju aritmetiki i geometrijski indeksi, dok je harmonijski
indeks koristi za specifina istraivanja dinamike cijena. Nedostatak ovakvog raunanja
grupnog indeksa cijena jeste taj to se daje svim nizovima jednak znaaj. U praksi je rijedak
sluaj da svaka cijena ima jedan ponder. izraunata vrijednost nee biti adevatna ako se u
grupi pojavi neke ekstrem, koji na promjeniti indeks na zjanano visok ili nizak nivo.
Ponderisanje ima cilj da istakne relativni znaaj pojedinih sastavnih nizova u skupu. Na ovaj
nain, poveava se reprezentativnost grupnih indeksa kao pokazatelja dinamike
vremenskih nizova.
Laspeyresov grupni indeks cijenaOPGDs)T(jO)sODEtDGOPvGBjsesOMTOMjOPvGd(jtEjOBt(jjO
grupe pojava zajedno u tekuem u odnosu na bazi period, raunajui uz neizmjenjene
koliine iz baznog perioda.( ponderise uzimaju iz baznog perioda)
Paascheov grupni indeks cijenaOPGDs)T(jO)sODEtDOPvGBjsesOMTOMjOPvGd(jtEjOBt(jjOgvTPjO
pojava zajedno u tekuem u odnosu na bazni period, raunajui uz neizmjenjene koliine iz
baznog perioda.( ponderi se uzimaju iz trekueg perioda)

Laspeyresov i Paascheov indeks su jednaki samo u dva sluaja: prvi, kada koliine u tekuem
periodu ostanu nepromjenjene, i drugi, kada promjena koliina ne znai i promjenu
strukture u tekuem u odnosu na bazni period. Nemaju osobinu tranzitivnosti, ali se
pretpostavlja da imaju, jer je numeriki skoro zadovoljena. Ponderi Laspeyresovog indeksa
su stalni, dok se ponderi Paascheova indeksa mjenjaju za svaki period za koji se rauna taj
indeks. Nedostatak grupnih indeksa raunatih ponderima iz tekueg perioda je esto
mjenjanje pondera, pri emu rezultirajui indeksi nisu meusobno uporedivi. Jedan od
razloga zbog koji se ovaj indeks rjee koristi od Laspeyresovog je i to to u praksi esto ne
raspolaemo adekvatnim tekiim/izvjetajnim podacima za odreivanje pondera.
Zbog navedenih problema mogua je kombinacija pondera iz baznog i tekieg perioda.
Fisherov "idealni" grupni indeksOBt(jsOvsbTsOMjODsGOgjGdjevt(MDsOMvjLtsOnsMPj,vjMG GgOtO
Paascheovog indeksa cijena. Meutim, u praksi nalazi manju primjenu zbog komplikovanos.
Za izraunavanje grupnog indeksa cijena koristi je i sP,aG1PUUlmgt]/,i1/rv)LmtJa, kod
kojeg se za ponderisanje koristi zbir ponderacionih faktora iz baznog i tekueg perioda. Ako
su svi proizvodi iskazani u istim mjernim jedinicama za ponderisanje aritimetike sredine
individualnih indeksa cijena koristimo koliine, a ako mjerne jedinice nisu iste za ponder,
koristimo vrijednost.
rupni indeks koliina
-pokazuje relativne promjene fizikog obima grupe pojava. Pri konstrukciji ovih indeksa
javljaju se isti problemi kao i kod indeksa cijena. Za svaki vremenski niz u grupi moemo
izraunati individualne indekse koliina, kojima se uporeuju relativne promjene koliina u
grupi. Nedostatak ovakvog raunanja indeksa( srednji aritmetiki gruoni indeks koliina)
koliina je razliit znaaj koliina u praktinim primjenama. Dobivena vrijednost nee biti
adekvatna, ako se pojave ekstremne vrijednosti. Raunanje agregatnog neponderisanog
grunog indeksa koliina je dato kao omjer zbira koliina u tekuem i baznom periodu,
takoe nije dobar pokazatelj dinamike grupe, s obzirom na prisustvo razliitih mjernih
jedinica lanova zbira ili razliite raspone varijacije. Rjeenje se nalazi u ponderisanju
koliina cijenama, odnosno u vrijednosnom izraavanju. Izborom stalnih cijena
nemoguava se uticaj promjena cijena na koliine u obraunu indeksa. Za pondere
moemo uzeti koliine iz baznog ili iz tekueg perioda. Za pondere se u praksi mogu
koristiti i neke druge veliine ( najee prosjene ili neke druge cijene). I Laspeyresov i
Paascheov grupni indeks koliina javljaju se u agregatnom obliku, gdje se mjere promjene
fizikog obima, jer su cijene nepromjenjene.
Laspeyresov indeks koliinaOPGDs)T(jO)sODEtDGOPvGBjsesOMTOMjOPvGd(jtEjODEtbtjOgvTPjO
pojava zajedno u tekuem u odnosu na bazni period, raunajui uz neizmjenjene cijene iz
baznog perioda.
Paascheov indeks koliinaOPGDs)T(jO)sODEtDGOPvGBjsesOMTOMjOPvGd(jtEjODEtbtjOgvTPjO
pojava zajedno u tekuem u odnosu na bazni period, raunajui uz neizmjenjene cijene iz
tekueg perioda.
Kada metod srednjih vrijednosti uzima za pondere vrijednosti iz baznog perioda, onda
dobijamo isti rezultat kao i primjenom metoda agregata sa ponderima iz baznog perioda.

rupni indeks vrijednosti

-rauna se samo u agrehatnom obliku, i to tako da se vrijednosti tekueg perioda podjele sa
vrijednostima baznog perioda i pomnoe sa 100.
Ovaj indeks moemo dobiti i mnoenjem grupnih indeksa cijena i koliina od kojih jedan
mora biti Laspeyresov a drugi Paascheov. Ovaj indeks se rauna kao proizvod indeksa cijena
sa ponderom iz baznog perioda i indeksa koliina sa ponderom iz tekueg perioda, odnosno
kao proizvod indeksa cijena sa ponderom iz tekueg perioda i indeksa koliina sa
ponderima iz baznog pedioda.
Kako cijene nisu postojane u vremenu, procjena realnog razvoja pojave u vremenu nije
mogua na osnovu vrijednosti izraenih u tekuim cijenama. Realan uvid u razvoj
posmatranih pojava postie se eliminisanjem uticaja promjena cijena. Postupak eliminisanja
uticaja cijena na vrijednosno izraene pojave naziva se mtbUPG)/L),PLetvi provodi se
dijeljenjem vrijednosti izmaenih u tekuim cijenama sa odgovarajuim grupnim indeksom
ijena
c
nemnoenim sa 100. Za ovaj grupni indeks koristi se naziv mtbUPi/,v)U)vmtbUPG)eaJ)v
indeks. lOtpEseGvtdOTME tdsrODsLsOBt(jjO)sdsgE(T(TOvjsETOMEtDTOGOvs) G(TOPG(s jrO
potreba za deflacioniranjem dolazi do posebnog izraaja. Deflacionirane vrijednosti
predstavljaju procjenu realnih veliina i za njih se kae da su izraene u stalnim cijenama.
Suprotan postupak od deflacioniranja naziva se ,trPU/,)PG)ePvi predstavlja usklaivanje
vrijednosti pojava s nastalim promjenama cijena. esto se vrijednosti za niz perioda daju u
cjenama jednog vremenskog perioda. Postupak revalorizacije se provodi mnoenjem
vrijednosti u stalnim cijenama odgovarajuim indeksima cijena nemnoenim sa 100.
ODABRANE METODE ANALIZE VREMENSKIH NIZOVA
U statistikoj literaturi navodi se podjela metoda analize vremenskih pojava na
kvantitativne i kvalitativne.
Kvalitativne metodeODvtMejOMjODsLsOMjOPGLsBtOGOjD(OPG(s tOjOdGgTOD
podaci nisu dostupni. Za ove metode je karakteristino da su procjene buduih stanja
setptBtvsetOtEtODsLsO
rezultata rada eksperata. ktUf1)vti/mPv)vti/mPvaGtLP,)eP su najee koritene
kvalitativne metode.
Delphi metodarptiaobTirasroirj-p,saereauvizbTiodirlbcvdsodirsuajs-iPi=prdok se kod
sastavljanjarscenarijarj-TprePT-zedereavpTbrerupdblirasrj-shTbzirphTbdiodsrhpmizidi.r
Menader bira onaj scenariji koji e se prema njegovom sudu ostvariti sa najveom
vjerovatnoom.
Za primjenu kvantitativnih metoda neophodno je da su podaci u prolom i sadanjem
periodu dostupni, da oslikavaju pravu prirodu posmatrane pojave i da se mogu
kvantificirati.
Ova metoda koristi statistiki pristup, i one su usmjerene na analizu osnovnih karakteristika
pojedinanog niza i na prognoziranje njenih buduih vrijednosti.
Druga grupa metoda koristi ekonometrijski pristu ( kauzalne metode). Ove metode
zasnivaju se na pretpostavci da je posmatrana pojava u uzrono-posljedinoj vezi sa
jednom ili vie drugih pojava. Koristimo ih kada varijacije jedne pojave objanjavamo
varijacijama druge pojave. Kauzalne metode spadaju u regresionu analizu vremenskih
pojava i njima ocjenjujemo regresioni model zavisne varijable u funkciji drugih nezavisnih
varijabli.

Holt Wintersov metod izglaivanja

osnovni nedostatak metoda jednostavnog eksponencijalnog izglaivanja je to neomoguava
tretman nizova sa trendom i sezonom, prevalizazi ovaj metod izglaivanja. Predstavlja
roirenje metoda jednostavnog eksponencijalnog izglaivanja dvjema jednainama od kojih
rvom vrimo reviziju ocjene trenda, a drugom previziju ocjene sezone.
Strukturni modeli
radio se o regresionim modelima kod kojih su regresori funkcije vremena sa koeficijentima
koji se mjenjaju tokom vremena. Prethodna dva modela( model jednostavnog
eksponencijalnog izglaivanja i holt wintersov model ) su pretea ovog modela. Sa raunske
strane veoma su zahtejvni te zahtvejvaju velik oiskustvo za njihovu uspjenu primjenu.
Box-Jenkinsov metod
Zasnovan je na klasi ARIMA modela. Na osnovu analize podataka vremenskog niza
identifikuje se odgovarajui model iz ove klase a zatim se vri njegovo ocjenjivanje i
provjera adekvatnosti. Postupak se ponavlja ako se pokae da je model neadekvatan. Ovaj
metod daje napreciznije prognoze. Metod je fleksibilan jer razmatra veoma iroku klasu
mdoela meu kojima se po definisanom postupku bira onaj koji najbolje reprezentuje
podatke. Osnovni nedostatak metoda dolazi do izraaja ve kod etape identifikacije, a to je
da je za koritenje ovog metoda potreban dobro uvjeban analitiar sa velikim iskustvom. U
svakoj etapi zahtjeva se intervencija od strane analitiara i donoenje odluke u kojem
pravcu nastaviti dalje. Uzimajui u obzir velike trokove koji se javljaju pri koritenju ovog
metoda, neki autori ga preporuuju samo ako se pokae da je analitiar kompetentan da
koristi metod, da je kompleksnost opravdana ciljevima koji se ele postii i da varijacije u
nizu nisu pod dominantnim uticajem trenda i sezone.
Metod stepenaste autoregresije
Model je predloen od strane Newbolda i Gangera i moe se posmatrati kao varijanta BoxJenkinsovog metoda. Njime je pokuano prevazilaenje potrebe za intrevencijom
analitiara u svakoj etapi gradnje modela definisanjem potpuno automatskog postupka
izb ra modela iz klase autoregresionih modela. Sam metod je zasnovan na postupku
ukljuivanja regresora u stepenastoj regresiji. Njihova prednost jeo u potpunoj
automatizaciji uz koritenje standardnih statistikih programskih paketa sa programima za
stepenastu regresiju. Nedostatak je to se ograniava samo na klasu autoregresionih
modela, iako modelirani vremenski niz moe biti generisan procesom pokretnih sredina ili
mjeovotim ARMA procesom.
Parzenovi ARARMA modeli
Parzen je izvrio modifikaciju u poetnoj etapi Box-Jenkinsovogg modela u tom smislu to
ne zahtjeva diferenciranje vremenskog niza u cilju postizanja njegove stacionarnosti. On
predlae koritenje autoregresionih modela prvog ili drugog reda iji koeficijenti mogu biti
vei od jedinice u cilju otklanjanja nestacionarnosti. Nakon toga se niz reziduala tih modela
tretira kao stacionarni niz i za nju se bira model iz klase ARMA modela, koritenjem jednog
d formanih kriterija. Time je subjektivnost postupka izbora modela, koja je karakteristika
Box-Jenkinsovg pristupa, u cjelini ili barem djelimino eliminisana. Ovaj iskorak predstavlja
glavni argument koji govori u prilog ovog modela.

Bayesov metod
Bayesov pristup prognoziranju moe se posmatrati kao stohatika verzija Holt-Wintersovog
metoda izglaivanja. Omoguava definisanje ne jednog, nego itavog skupa modela sa
apriornim vjerovatnoama koje analitiar pridruuje svakom modelu iz tog skupa, odnosno
koje pridruuje njegovim koeficijentima. Zatim se koeficijenati modela ponovo izraunavaju
im nova opservacija postane dostupna, odnosno odreuju se apriorne vjerovatnoe. U
praksi je ograniena prijmena ovog metoda zbog raunske sloenosti i potekoa koje
korisnici imaju u razumijevanju dobivenih rezultata.
KLASINA DEKOMPOZICIJA VREMENSKOG NIZA
oDekompozicija vremenskog niza podrazumijeva njegovo ralanjivanje na sastavne
komponente. Cilj dekompozicije vremenskog niza je identifikovanje uticaja svake
komponente pojedinano. Ova identifikacija je posebno znaajna kod pojava sa izraenim
periodinim varijacijama, koje mogu da zamagle pravu sliku o njenom osnovnom kretanju.
Na osnovu empirijskog niza i izraunatih nekih od komponenti moemo utvrditi uticaj
stalih faktora sadranih u nepoznatim komponentama. Brojni faktori koji odreuju
kretanje vremenskih pojava, prema prirodi svog djelovanja, mogu podjeliti na sistematske i
nesistematske. Kodo a)a)itPiaJ)1ovkomponenti prisutne su odreene pravilnosti u
djelovanju na posmatrane pojave. One su u stat literaturi detaljno razraene i pronaeni su
adekvatni postupci za njihovo kvantificiranje. U ove komponente ubrajamo : trend, ciklinu i
sezonsku komponentu. Za razliku od njih, rezidualna( sluajna, iregularna, stohastika)
komponenta je Lta)aitPiaJPh
Vremenski niz moe sadravati nijednu, jednu ili sve tri sistematske komponente, meutim
u analizi je uvijek prisutna rezidualna komponenta.
Opti model vremenske pojave javlja se u Pm)i)rL/v)U)vEUi)fU)JPi)rL/ obliku, a rijetko je
kombinovanog( mjeovitog) oblika. Meusobna veza datih komponenti moe biti aditivna,
multiplikavitna ili kombinovana.
Kod aditivnog modela svako zapaanje vremenskog niza jednako je zbiru 4 komponente,
dnosno:
Y=T+C+S+R
Y-vremenski niz; T-trend; C-ciklinu; S-sezonsku; R-sluajnu(rezidualnu) komponentu.
U aditivnom modelu M jODdPGjejOMTOt)vsZjjOTOtMetdOd(jvtdO(jLttBsdsODsGOtOGvgtsEtO
niz. Kod ovog modela pretpostavlja se da sezonska i rezidualna komponenta ne zavise od
trenda, da se amplituda sezonskih varjacija ne mijenja s vremenom, te da je tokom godine
prosjek sezonskih fluktuacija jednak nuli. Model se koristi kada sa smanjenjem(poveanjem)
nivoa pojave tokom vremena uticaj sezonske komponente ostaje nepromjenjen. Treba
napomenuti da se trend i ciklina komponenta esto ne razdvajaju i zajedniki oznaavaju
sa T.
Multiplikativni model predstavlja proizvod 4 komponente i dat je slijedeim izrazom:
Y= T * Ic * Is * Ir
gdje je trend komponenta data u orginalnim mjernim jedinicama, a ostale 3 komponente
izraene su kao indeksi.

Model se logaritamskom transforamcijom svodi na aditivni oblik:

logY= logT+logIc+logIs+logIr
Ovaj model se najee koristi u praksi, jer on pretpostavlja relativan uticaj komponenti na
vremenski niz. Multiplikavitni model nije pogodan ako vrijednosti nekih komponenti imaju
negativan predznak ili su bliske nuli,pa se za to koristi kombinaovani oblik. Aditivnim i
multiplikativnim modelom se predstavlja razvoj nivoa pojave, a ne njena dinamika
struktura.
Primjer J/)L/rPL/gv/mtUP dat je slijedeim izrazom:
Y=T*C+R
Uslov za primjenu kombinovanog modela je da su sezonska i rezidualna komponenta
meusobno nezavisne, ali da obje zavise od trenda. U praksi su mogue sve kombinacije.
U svakoj kombinaciji pristuna je sluajna komponenta. To je zbog toga to se kretanje
pojava u vremenu ne moe objasniti samo f-jom vremena.
TREND KOMPONENTA
Trendrj-shaPiTvdir-itTpdoerPsohso,bderjpdiTsrerjpaliP-ioplrT-slsoauplrjs-bphe.r;Tir
tendencija oznaava karakteristinu i zakonomjernu liniju kretanja posmatrane pojave u
vremenu kao niz prosjenih, teorijskih taaka kroz koje bi pojava prolazila u svojoj prirodi,
da nije bilo uticaja sistematskih i nesistematskih faktora u njenom toku.
Trendrbt-i:iTirj-padsfopraPiodsreraTiuplrphrjpaliP-iobkrjs-bphi=rjirtpmrPsrpapbosrpor
redstavlja dinamiku srednju vrijednost.
Kada te teorijske podatke unesemo izmeuG empirijskih podataka niza vrimo
interpolaciju trenda. Svako procjenjivanje nivoa posmatrane pojave izvan vremenskog
raspona u kojem je dat niz empirijskih podataka, bilo da je procjenjivanje za budue ili
prolo vrijeme, naziva se ekstrapolacija trenda.
Procjenjivanje se zasniva na pretpostavci da e se svi faktori koji su djelovali na kretanje
pojave u prolosti, djelovati i dalje u istom smjeru i priblinim intenzitetom.
Cilj dinamike analize vremenskih nizova metodom trenda je predvianje budueg razvoja
posmatrane pojave na temelju ispoljene i uoene zakonitosti njenog kretanja. Trend
komponenta se pripisuje djelovanju postojanih faktora, kao to su: razvoj nauke i tehnike,
rast populacije, ponaanje potroaa...
Ako se kod izdvajanja trend komponente svim koritenim podacima pridaje isti znaaj bez
zbira na njihovu udaljenost od sadanjeg perioda, onda je rije o gU/PUL/vi,tLmEh
Razvijeni su i metodi ocjenjivanja U/JPUL/gvi,tLmP kod kojih se novijim podacima pridaje
vei znaaj u odnosu na podatke sa poetka vremenskog niza. Trend koji pod uticajem
raznih rezidualnih faktora i kojeg ne moemo predvidjeti na osnovu prolih i sadanjih
podataka naziva se ai/1Pai)nJ)vi,tLmh
Teorijski posmatrano, za primjenu trenda potrebno je onoliko podataka koliko je dovoljno
da se sagledaju barem 2 zaokruena ciklusa karakteristinih varijacija, kako bi se moglo
g voriti o ponavljanju razliitosti njihovih nastajanja. Mada ne postoji egzaktno pravilo
kojim se odreuje dovoljna duina vremenskog niza, u statistikoj literaturi se najee
uzima period od najmanje 10 godinjih frekvencija.

Osnovna razlika izmeu metode najmanjih kvadrata u regresionoj analizi i metode

najmanjih kvadrata kod trenda je slijedea:
1. u regresionoj analizi elementi sluajnog uzorka su meusobno nezavisni, a u analizi
vremenskih nizova podaci nisu nezavisni, jer u obzir uzimamo njihov vremenski
poredak
2. za razliku od regresione analize, gdje je za svaku vrijednost nezavisne varijable
mogue putem uzorka uzeti vei br vrijednosti zavisne varijable, kod vremenskih
nizova nije mogue uzeti vie od jednog podatka u jednom periodu vremena.
3.ozbog prethodno navedenog, intervali procjene prosjene vrijednosti i intervali
predvianja individualne vrijednosti zavisne varijable koje smo korsitili kod regrsije,
kod analize trenda su krajnje nepouzdani i neemo ih koristiti.
4.okod izraunavanja standardne greke regresije zbir kvadrata odstupanja smo dijelili
sa brojem stepeni slobode. Kod trenda emo formulisati mjeru sa istim znaenjem ali
zbir kvadrata odstupanja neemo djeliti sa stepenima slobode.
IZBOR VRSTE TRENDA
Zao oizboro ovrsteo otrendao oprimjenjujuo oseodgovarajueo ostatistikeo ometode
apriornog( prethodnog) i aposteriornog ( naknadnog ) opredjeljenja. U metode apriornog
predjeljenja ubrajamo: grafiki prikaz, metod diferencije, izraunavanje pominih
prosjeka.
Prvu sliku o dinamici pojave tokom vremena moemo uoiti na osnovu grafikog prikaza
vremenskog niza. Ovaj metod je krajnje subjektivan.
Metod diferencijeOMjOfs)tvsOsOt)vsbTs s(TOvs)EtDsOT)sMeGPt.ObEs sOt)sOADGOMTO
apsolutne razlike uzastopnih frekvencija priblino jednake tokom cijelog obuhvaenog
perioda, tada e linearna f-ja najbolje odraavati dugoronu razvojnu tendenciju pojave.
Prva diferencija predstavlja razliku izmeu vrijednosti podataka vremenskog niza u 2
sukcesivna perioda. Kvadratna f-ja (parabola drugog stenepa) e najbolje odraavati
dugoronu tendenciju ako su druge diferencija priblino jednake. F-je vieg stepena
dgovarale bi za one vremenske nizove ije su tree diferencije priblino jednake. Kada su
razlike logaritamskih vrijednosti uzastopnih podataka priblino jednake, pojava ispoljava
sobine geometrijske progresije, pa e tada najbolje odgovarati eksponencijalna f-ja.
Ima sluajeva kada je kretanje pojave takvo da se opta dugorona razvojna tendencija ne
moe izraziti ni jednom do sad navedenom f-jom. Tada se primjenjuju sloene f-je krive
kojima se najbolje aproksimira takvo kretanje, i tu spada: modifikovana eksponencijalna
kriva, Gompertzova kriva i logistika kriva. Pogodne su za izraunavanje dugorone
razvojne tendencije kod pojava koje su u svom kretanju pribliavaju jednoj graniciasimptoti.
Izraunavanjem pominihOPvGM(jDsOP j)T(TOMjOPvGd(jjOds(t.OtEtO jmt.OgvTPsOPGLsesDsrO
pa se u izvjesnoj mjeri elminiraju kratkorone i srednjorone oscilacije i istie osnovni
dugoroni razvoj pojave u vidu prosjenog kretanja. Osnovna ideja metoda pominih
prosjeka je u zamjeni orginalnih podataka sa aritimetikim sredinama, ijom promjenom
eliminiramo tekua kolebanja. Ovi prosjeci mogu da se raunaju u obliku proste ili vagane
aritmetike sredine.

LINEARNI TREND
Ako se analizirana pojava mjenja na priblino isti apsolutni iznos tokom cijelog
buhvaenog perioda tada e linearni trend najbolje odraavati dugoronu razvojnu
tendenciju. Odsjeak kod linearnog trenda predstavlja prosjek vremenskog niza u
posmatranom periodu, dok nagib pokazuje prosjenu promjenu vremenskog niza u
sukcesivnim vremenskim intervalima odgovarajueg perioda. Parametri su nepoznate
veliine i jedino moemo da ih procjenimo pomou uzorka.
Model linearnog trenda predstavlja model trend-polinoma prvog stepena, jer je njegov
deterministiki dio linearna f-ja vremena.
Konstantni lan a predstavlja vrijednost trenda za vremenski period koji prethodi
prvom(x=0), dok b pokazuje prosjenu linearnu promjenu posmatrane pojave pri jedininoj
promjeni varijable vrijeme.
Ekstrapolacija trenda predstavlja produivanje linije trenda izvan intervala obuhvaenog
vremenskim nizom. Cilj ekstrapolacije je prognoziranje nivoa posmatrane pojave u
budunosti. Na kvalitet prognoziranja utie mnogo faktora: duina posmatranog
vremenskog niza, relativna drutveno-ekonomska stabilnost i sl. Model sa ocjenjenim
parametrima moe se koristiti u prognostike svrhe ako pretpostavimo da e trend biti
postojan u prognostikom horizontu.
PARABOLIKI TREND
Kada su druge diferencije (razlike prvih diferencija) priblino jednake umjesto linearnog
trenda koristi se paraboliki trend. Druge diferencije vrijednosti polinima drugog stepena
su konstantne, pa je to razlog njegovog izbora kao f-je vremena u modelu trenda.
Radi se o onim pojavama ije se kretanje u posmatranom periodu odvija na disharmonino,
dnosno na poetku bre, a zatim kasnie sporije i obratno. Ovaj model treba tretirati kao
analitiki izraz dinamike pojave i posmatrati ga kao cjelovit izraz.
Parametar a kod parabolikog trenda predstavlja vrijednost trenda u periodu oznaenom 0.
Kada je predznak parametra b2 negativan, onda je otvor parabole okrenut prema dole,
dnosno ako je parametar b2 pozitivan, otvor parabole je okrenut prema gore.
Pri ekstrapolaciji parabolikog trenda treba biti veoma oprezan, jer pojava koja je u
posmatranom periodu imala rast i opadanje moe ponovo obrnuto smjer svog kretanja. U
prognoziranje kretanja pojave za udaljenije periode ne treba se uputati.
EKSPONENCIJALNI TREND
-pripada grupi nelinearnih f-ja i koristimo ga kada vremenski niz pokazuje karakteristike
geometrijske progresije. Osnovna karakteristika ovakvih kretanja se moe uoiti ve na
grafikom prikazu gdje empirijske vrijednosti na poetku sporije rastu a kasnije sve bre i
bre. Ovaj trend se najbolje prilagoava empirijskim podacima vremenskog niza kada
pojava pokazuje priblino jednaku ralativnu promjenu (rast ili pad), odnosno kada su
apsolutne razlike logaritmovanih podataka priblino iste. Ovaj trend je najbolje prilagoen
vremenskom nizu ako se u polulogaritamskom grafikonu podaci grupiu priblino oko prave
linije. Konstantni lan a predstavlja vrijednost trenda za vremenski period u kojem je x=0,
dok na osnovu b moemo raunati prosjenu stopu promjene. Eksponencijalna prosjena
stopa promjene pokazuje za koliko procenata pojava, u prosjeku, raste ili opada u
posmatranom periodu. Rjeavanje eksponencijalne f-je se vri pomou logaritmovanja.
Logaritmiranjem eksponencijalni trend smo transformovali u model linearnog trenda. U
literaturi se za ovaj model koristi i ime log-lin model, jer je vremenski niz y logaritamovan a
na desnoj strani su orginalne vrijednosti var vrijeme x.Do procjene param.dolazimo
antilogaritmovanjem prethodno dobivenih vrijednosti.

CIKLINA KOMPONENTA
Da bi se kod vremenskih pojava ustanovila prisutnost ciklinih kretanja neophodan je
vremenski niz sa dovoljno obuhvaenim obnavljanjima. Meutim, u praksi se ne raspolae
vremenskim nizovima sa dovoljno lanova, pa se trend i ciklina komponenta posmatraju
zajedno.
Ciklinu komponentu j-shaPiTvdiderYiuPp-brupdbraTpdblrhdsvpTiodslroirjpaliP-iosrjpdiTsr
dovode do njihovih oscilacija iznad ili ispod utvrene prosjene razvojne tendencije u
trajanju od nekoliko godina. Kada se pojava obnavlja napriblino jednak nain s periodom
d dvije ili vie godina, kaemo da su prisutne cikline varijacije. tnuzsh(ahmkes oznaava
relativno nizak nivo pojave, koja se u sa( sezs poveava do nekog maksimuma, nakon kojeg
slijedi osj(onpslu. Poslije minimuma, slijedi rast i obnavljanje puta na priblino jednak nain.
Kod prognoziranja javljaju se velike potekoe, jer se kod posmatranih pojava mijenja i
trajanje i (duina) ciklusa i indenzitet odstupanja (amplituda).
Testiranje znaajnostir,buvbfosrupljposoPsritb-ioprdsroir-iajp-sherY-suTso,bdsrhe:bosr
pojedinih faza, tj razmaka izmeu prevojnih taaka. Ove take u stvari pokazuju momente
kada niz prestaje da raste i poinje da opada i obrnuto. Kada su cikline varijacije znaajne,
broj dugotrajnih faza bie vei.
METODE IZGLAIVANJA
U svakom vremenskom nizu prisutna su odreena kolebanja vrijednosti pojedinanih
frekvencija, koja nekada mogu oteati ouavanje osnovne razvojne tendencije posmatrane
pojave. Da bismo rijeili taj problem, potrebno je reducirati sluajne varijacije primjenom
postupaka izglaivanja vremenskog niza. Izglaivanje vremenskog niza podrazumijeva
izaunavanje aritimetikih sredina za posmatranu pojavu. Na ovaj nain se reducira uticaj
sezonske i rezidualne komponente, dok se trend i ciklina komponenta manifestuju u neto
jasnijem obliku.
Metoda pominih prosjeka i metoda jednostavnog eksponencijalnog izglaivanja
predstavljaju najee koritene metode pomou kojih se vri izglaivanje vremenskih
nizova.
Metoda pominih prosjeka
Pomini prosjeci predstavljaju transforamaciju orginalnog vremenskog niza gdje se svaka
frekvencija zamjenjuje prosjekom. Prosjek se rauna na osnovu odreenog broja narednih i
isto toliko prethodnih frekvencija. S obzirom na to da se primjenom ove metode
pomjeramo od poetka niza sve do njenog kraja, ova metoda je dobila naziv pomini
prosjek. Izglaivanje se bazira na ideji da e svaka neregularna komponenta u svakom
vremenskom trenutku prouzrokovati manji efekat ako je u toj taki uprosjeimo s njenim
susjednim veliinama. to vie lanova niza uzmemo za raunanje prosjeka, linija e biti
izglaenija, ali e nam nedostajati vie prosjeka u odnosu na broj orginalnih podataka.
U praksi koristimo 2 oblika ove metode: jednostavni i ponderisani(vagani).
Jednostavni pomini prosjeci predstavljaju prosjeke m uzastopnih frekvencija posmatranog
vremenskog niza. Ako je broj lanova pominog prosjeka M neparan, tada e ukupno M-1
rginalnih podataka ostati bez svog pominog prosjeka. Ovaj nedostatak metode je sve
vie izraen to uzimamo grupe sa veim brojem lanova. Ako je broj lanova pominog
prosjeka M paran, onda ce ukupno M orginalnih podataka ostati bez svog pominog
prosjeka.

U sluaju kada je broj lanova pominog prosjeka M paran, aritmetika sredina nee se
uklapati u neki tano odreen period, nego izmeu 2 perioda za koja raspolaemo
empirijskim podacima. Kako su ovako dobiveni prosjeci nepodesni za koritenje, provodimo
postupak centriranja. Ovaj postupak se provodi na razliite naine i omoguava da se
centrirani prosjeci raunaju kao aritmetika sredina prethodno izraunatih pominih
prosjeka od 2 lana.
Prednost metode pominih prosjeka ogleda se u jednostavnom izraunavanju. Potekoe u
primjeni ove metode javljaju se kod izbora duine pominog prosjeka M i pondera
frekvencija. U praksi se obino za vee fluktuacije oko trenda koristi prosjek vee duine i
bratno. Nedostatak je i manjak podataka o trendu u poetnim i zavrnim vremenskim
periodima.
Oscilacije nisu pravilne i nemaju stalan period obnavljanja. Pomini prosjeci, ustvari,
sugeriu da postoji ciklino kretanje i ta se pojava naziva Slutcky-Yuleov efekat.
Metoda jednostavnog eksponencijalnog izglaivanja
Cilj ove metode je ozglaivanje empirijskih podataka, kako bi se eliminisali ili reducirali
sluajni uticaji kod posmatrane pojave.
Ova metoda nudi kompromis, nudei prognoze koje se baziraju na ponderisanom prosjeku
sadanjih i ranijih vrijednosti. Metoda bazirana na ideji o kvalitetu raspoloivih podataka,
koji u najveoj mjeri zavise od njihove starosti. Stariji podaci su manje korisni, pa im je
potrebno dati manju vanost. Noviji podaci zadravaju najvjerovatnije informacije o onome
t je za realno oekivati da e se dogoditiu budunosti. U izraunavanju tog prosjeka,
najvei ponder pridaje se najnovijem podatku, neto manji podatku koji mu neposredno
prethodi, jo manji njemu prethodnom podatku.
Jednostavno eksponencijalno izglaivanje podrazumijeva transforamaciju vremenskog niza
gdje su orginalni podaci zamjenjeni ponderisanim prosjekom svih prethodnih podataka, sa
ponderima koji se eksponencijalno smanjuju sa starou podataka.
Ovaj metod je primjeren za izglaivanje vremenskih nizova bez sistematskih komponenti.
Koristi se za pojave koje karakteriu sluajne varijacije oko prosjeka, odnosno one koje
nemaju izraen trend. Sadri li trend, koristit emo model dvostrukog, trostrukog odnosno
viestrukog eksponencijalnog izglaivanja. Prisutnost sezonske komponente takoe e
upuivati na koritenej odg modela izglaivanja.
Ulogu pondera ima konstanta izglaivanja koja moe uzeti vrijednost izmeu 0 i 1.
Ponderi predstavljaju geometrijski red, a njihov zbir je jednak 1. Konstanta izglaivanja
dreuje brzinu kojom protekle vrijednosti gube svoj uticaj na izglaenu vrijednost u
vremenu t. Vea vrijednost konstante izglaivanja znai bri gubitak uticaja i obrnuto. to je
vrijednost konstante manja, vremenski niz e biti vie izglaen. Ne postoji egzaktan nain
dreivanja konstante izglaivanja. U praksi se najee uzimaju vrijednosti izmeu 0.2 i
0.3. Jedna od mogunosti odreivanja konstante jeste i lino iskustvo.
Uspjenost izglaivanja utvruje se na osnovu razlike izmeu orginalnih podataka i
izglaenih vrijednosti. Bira se ona vrijednost konstante koja minimizira vrijednost srednje
kvadratne greke. Najvanije prednosti ove metode su : uzima u obzir sve prole podatke,
zahtjeva mali broj podataka, vei znaaj daje novijim podacima, predstavlja osnovu nekim
razraenijim metodama prognoziranja. Nedostaci metode: izbor konstante izglaivanje nije
jednostavan, ne moe se koristiti u analizi pojava sa izraenim trendom i sezonalom,
najee nie dobar metod za srednjerono i dugorono prognoziranje, velike sluajne
fluktuacije mogu jako uticati na kvaltiet prognoziranja.

SEZONSKA KOMPONENTA
utie na kretanje pojave tako da ona odstupa od svoje osnovne tendencije utvrene
trendom na vie ili na nie. Prisustvo sezonskih varijacija zamagljuje uoavanje osnovne
razvojne tendencije pojave, pa se samo njihovim iskljuivanjem moe sagledati osnovni
razvojni tok. Postupak iskljuivanja sezonskih varijacija iz vremenskog niza naziva se
desezoniranje ili sezonsko izglaivanje. Kj)MDtOTetBs(O(jOt)vsZjOTOeTvt)dTrOMsGfvsms(TrO
graevini..
Sezonske varijacije pokazuju promjene odreene pojave, koje se ponavljaju tokom vie
g dina u isto doba, u istom smjeru i priblino istim intenzitetom. Kod nekih ekonomskih i
drutvenih pojava sezonske varijacije se izraavaju na isti nain tokom vremena. Kada se
sezonal ispoljava na priblino na isti nain iz godine u godinu, kaemo da je djelovanje
sezonskih faktora stabilno. Tada za sezonsku komponentu kaemo da je deterministike
prirode, jer se njena priroda ne mjenja tokom vie godina. Ako sezonske varijacije mjenjaju
intenzitet i periodinost ponavljanja u svakom narednom periodu onda govorimo o
nestabilnom sezonskom ritmu. U tom sluaju sezonska komponenta je stohastike prirode.
Smjer i intenzitet sezonskog varijabiliteta mjeri se sezonskim indeksima. Sezonski indeksi
su relativni brojevi koji mjere jainu sezonskog uticaja u odreenom mjesecu(kvartalu)
tokom vie godina. Tipini indeksi predstavljaju uopten intenzitet sezonskog varijabiliteta
za vie godina. Preko specifinih izraunavaju se tipini sezonski indeksi, koji treba da
reprezentuju sezonska odstupanja tokom cjeog posmatranog perioda. Indeksi ija je
vrijednost preko 100 pokazuju da posmatrana pojava zbog sezonskih uticaja raste. Indeksi
ija je vrijednost ispod 100 pokazuju da pojava opada pod uticajem sezone. S obzirom na to
da sezonski indeksi variraju oko 100 njihov zbir kod kvadratnog niza mora biti jednak 400,
tj. kod mjesenog niza mora iznositi 1200. Kod oba niza prosjek je jednak 100.
Prve informacije u analizi sezonskog karaktera pojave najlake je dobiti iz grafikog prikaza.
Najjednostavniji je linijski grafikon sa ucrtanim podacima svih posmatranih perioda, jer on
moguava ouavanje sezonskih kolebanja.
Osnov za numeriko izraavanje sezonskih uticaja je model. Iskustva pokazuju da u procesu
analize vremenskih nizova multiplikativni modeli daju bolje rezultate.
Za cikline pojave je karakteristino da se obnavljaju u periodu od najmanje dvije godine, ali
se u praksi javlja problem vremenskih nizova odgovarajue duine. Jedno od moguih
rjeenja za prevazilaenje ovog problema je spajanje trenda i cikline komponente u jednu
komponentu. ( Y= T * Is * Ir )
Postoje 2 pristupa mjerenju sezonskih varijacija: empirijski(tradiocionalni) i regresioni
(modelski) pristup. Mod modelskog pristupa sezonska priroda se mjeri ukljuivanjem
sezonskih nezavisnih varijabli u regresioni model vremenskog niza ili posebnom vrstom
modela tzv. ARIMA modelima.
Mjerenje sezonskih varijacija po metodu pominih prosjeka zasniva se na njihovom
izdvajanju od ostalih komponenti. Osnovna ideja je da ovi prosjeci obuhvate zajedno trend i
ciklinu komponentu, te da se djeljenjem orginalnih frekvencija s pripadajuim pominim
prosjecima iskljui njihov uticaj. Na ovaj nain ostaju jo sezonska i rezidualna komponenta.
Specifini sezonski koeficijenti, osim sezonskih, u sebi sadre i neregularne uticaje, koji se
iskljuuju tako to se izraunavaju prosjeci svih specifinih sezonskih koeficijenata za
istoimene kvartale(mjesece). Mnoenjem tih prosjeka sa 100 dobijamo sezonske indekse.
Da bismo u analizi vremenskog niza dobili ist uticaj sezone, neophodne je podjeliti
rginalne frekvencije sa trend, ciklus i rezidualnom komponentom.

Analiza sezonske pojave za kvartalne podatke po metodu odnosa prema pominom

prosjeku obuhvata sljedee korake:

izraunati centrirane etveromjesene pomine prosjeke za niz kvartalnih podataka

izraunati omjere orginalnih frekvencija i pripadajuih vrijednosti pominih prosjeka

izraunati prosjek ili medijan izraunatih omjera u preth koraku za istoimene kvartale

ako je zbir tipinih sezonskih koeficijenata jednak 4, onda te vrijednosti predstavljaju

sezonske faktore. Vrijednosti se koriguju ako zbir nije jednak 4. Sezonski faktori
istoimenih kvartala jednaki su za cjeli posmatrani period.

djeljenjem orginalnih frekcencija niza tipinim sezonskim koeficijentima dobijaju se

desezonirane vrijednosti, tj vrijednosti niza oiene od uticaja sezone.

djeljenjemo odesezoniraniho ovrijednostio

dgovarajuimo opominimo oprosjecima
izraunavaju se faktori rezidualnog uticaja.
Analiza sezonske pojave za mjesene podatke jprlsPpherphopairj-slirjplbfoblr
prosjecima vri se analogno kao i za kvartalne podatke. Prvo se izraunaju
dvanaestomjeseni pomini prosjeci, zatim se orginalne frekvencije podjele
pripadajuim pominim prosjecima, raunaju se sezonski faktori(iji zbir treba biti
jednak 12)-koji omoguavaju desezoniranje, i na kraju se izraunavaju faktori
rezidualnog uticaja.