Laiko eilui modeliai

Laiko eiluts iskaidymas, glodinimas ir

filtravimas
2014-09-11

Turinys
1.
2.
3.
4.
5.

Laiko eiluts samprata

Laiko eiluts klasikinis iskaidymas
Laiko eiluts eksponentinis glodinimas
Laiko eiluts filtrai
Prognozi tikslumo matai

1.Laiko eiluts samprata

Laiko eilut (laiko seka) periodik reikinio
stebjim visuma, kuri duomenys tai tam tikrais
laiko momentais fiksuoti stebjim dydiai, arba
per period stebim dydi suma.
Laiko eiluts gali bti suformuotos i vairaus
danumo, taiau vienodo periodikumo duomen:
valandini, kasdieni, savaitini, mnesini,
metini ir pan.

Laiko eiluts samprata

Laiko eilui tipai:
Momentins
Intervalins

Laiko eilui duomen tipai:

Absoliuts (Yt)

Absoliuts pokyiai/prieaugiai (Y t= Yt- Yt-1)

Augimo tempas (T= Yt./ Yt-1)

Pokyi tempas (Tpokyi= Yt/Yt-1 ~ ln(Yt)

3.Laiko eiluts iskaidymas

slenkani vidurkiu metodu
Laiko eiluts (Yt ) komponentai:
trendas (T)
cikliniai svyravimai (C)
sezoniniai svyravimai (S),
atsitiktiniai svyravimai (A).
Yt= f(Tt; Ct; St; At)

Laiko eiluts iskaidymas

Du laiko eiluts iskaidymo bdai:
Sumos :
Sandaugos

Yt= Tt + Ct + St+ At
Yt= Tt Ct St At

Laiko eiluts iskaidymas

Iskaidymo bdo pasirinkimas

Yt= Tt + Ct + St+ At

25000
20000
15000

Yt= Tt Ct St At

10000
5000
0

Laiko eiluts iskaidymas

Slenkani vidurki metodu
Slenkani vidurki rys
Paprastas
Svertinis
Centruotas

Slenkani vidurki rys

Paprastas
MAt= 1/n yt-n+i =1/n (yt+yt-1 ++yt-n+1)

Suteikia vienod svor visiems slenkant

vidurk sudarantiems n stebjimams

Slenkani vidurki rys

Svertinis
WMAt= (i*yt-n+i)/i = [nyt+(n-1)yt-1++1yt-n+1]/ [n+(n-1)++1]

Stebjim svoriai yra skirtingi. Svori priskyrimo schemos gali bti vairios. Pavyzdyje pateikiamas
variantas, kai vlesniam stebjimui priskiriamas vis maesnis svoris

Slenkani vidurki rys

Centruotas
CMAt= 1/n yi = 1/n [yt+(n-1)/2 + yt+(n-1)/2-1++ yt-(n-1)/2 ]
Ilyginimas realizuojamas pakeiiant pirmins laiko eiluts
reikmes vidurkiu, suformuotu i vienodo skaiiaus prie
stebjim ir po stebjimo esani stebjim.
io slenkanio vidurkio trkumas - vliausiems periodams
slenkantys vidurkiai nra apskaiiuojami.
Slenkanio vidurkio dmen skaiius (n) turi bti nelyginis.

Laiko eiluts iskaidymas

Sezonikumo indeks nustatymas slenkani
vidurki metodu
1. Slenkani vidurki metodu ilyginami
pirminiai stebjimai (Yt). Ilygintoje
eilutje:

(Tt Ct) arba (Tt+Ct) lieka

(St At) arba (St + At) eliminuojama
Slenkant vidurk reikia papildomai centruoti, kai
slenkanio vidurkio dmen skaiius yra lyginis
t.y. i slenkanio vidurkio reikmi apskaiiuoti
dviej dmen (n=2) slenkanius vidurkius,

DU_priv pradiniai duomenys ir ilyginta eilut

slenk. vidurkiais
1,800
1,600

1,400
1,200

1,000
800
600
00

01

02

03

04

05

06

07

08

09

DU_PRIV
SL_CENT_VID_PRIV_DU
SL_VID_DU_PRIV

10

11

12

13

Laiko eiluts iskaidymas

Sezonikumo indeks nustatymas
2. Sezonikumo komponents iskyrimas
I faktini Yt reikmi eliminuojant trendo
ir ciklini svyravim bendr komponent,
nustatomas bendras sezonikumo ir
atsitiktinumo komponent dydis:
St+At = Yt - ( Tt + Ct.)
StAt = Yt / Tt Ct

Laiko eiluts iskaidymas

Sezonikumo indeks nustatymas
3.

Sezonikumo komponent iskiriame apskaiiuodami

atitinkam period (vis laiko eiluts atitinkam

ketviri, pvz., I ketvirio) (St+At) arba (St At)
reikmi virdurk.

Apskaiiuotas vidurkis yra atitinkamo periodo

sezonikumo indeksas - St

Darbo umokesio sezonikumo indeksai

DU_PRIV by Season

Date: 09/10/13 Time: 10:09

Sample: 2000Q1 2013Q2
Included observations: 54
Difference from Moving Average
Original Series: DU_PRIV
Adjusted Series: DU_PRIVSA

1,800
1,600
1,400

Scaling Factors:

1,200

1
2
3
4

-15.74700
-5.236579
10.21294
10.77063

1,000
Date: 09/10/13 Time: 10:11
Sample: 2000Q1 2013Q2
Included observations: 54
Ratio to Moving Average
Original Series: DU_PRIV
Adjusted Series: DU_PRIVSA

800

600

Q1

Q2

Q3

Q4
Scaling Factors:

Means by Season

1
2
3
4

0.985407
0.996610
1.009240
1.008939

Uimtumo sezonikumo indeksai

Date: 09/10/13 Time: 11:46
Sample: 2000Q1 2013Q2
Included observations: 54
Difference from Moving Average
Original Series: UZ_PRIV
Adjusted Series: UZ_PRIVSA

UZ_PRIV by Season
700,000
650,000

Scaling Factors:

600,000

1
2
3
4

550,000
500,000
450,000
400,000

Q1

Q2

Q3
Means by Season

Q4

-3904.499
4613.033
7037.733
-7746.267

Date: 09/10/13 Time: 11:45

Sample: 2000Q1 2013Q2
Included observations: 54
Ratio to Moving Average
Original Series: UZ_PRIV
Adjusted Series: UZ_PRIVSA
Scaling Factors:
1
2
3
4

0.992218
1.008364
1.013349
0.986318

Laiko eiluts iskaidymas

Duomen desezonizavimas
3. Nustaius sezonikumo komponent, i
laiko eilui pirmini duomen
eliminuojama jo taka:
Tt+Ct+At = Yt St
Tt Ct At = Yt / St

Laiko eiluts iskaidymas

Trendo nustatymas
4. Eliminavus sezonikum, galima nustatyti
esmin laiko eiluts kitimo tendencijtrend
Trendas daniausiai nustatomas MKM

Laiko eiluts iskaidymas

Trendo nustatymas
Daniausiai naudojamos trendo funkcijos

Pirmin iraika
Pavadinimas

tiesin form
transformuota iraika

Tiesin

Yt=a+bt

Eksponentin

Yt=a*ebt

lnYt=lna+b*t

Hiperbolin

Yt=a+b/t

Yt=a+bT, kur T=1/t

Logaritmin

Yt=a+b*lnt

Yt=a+bT, kur T=lnt

Rodiklin

Yt=a*tb

lnYt=lna+b*lnt

Cikliniai svyravimai
5. Cikliniai svyravimai nustatomi eliminavus
trendo komponent i ilygintos eiluts
Ct = (Tt+Ct )- Tt
Ct = Tt Ct / Tt

Iskaidyta du_priv laiko eilut

2,000
1,600
1,200
800
400
0
-400
00

01

02

03

04

05

CIKLAS_DU_PRIV
SL_VID_DU_PRIV
DU_PRIVSA

06

07

08

09

10

11

SL_VID_CENT_DU_PRIV
TREND_DU_PRIV

12

13

Laiko eiluts iskaidymo privalumai

ir ribotumai:
Privalumai:
Suprasti laiko eiluts sandar ir kitimo aspektus
Naudinga preliminari priemon prognozavimo
metodams parinkti

Ribotumai:
Retai kada naudojama prognozavimui dl ciklo ir
atsitiktinis komponeni neprognozuojamumo

4. Laiko eiluts eksponentinis

glodinimas (EG)
Tai dar vienas bdas analizuoti ir
prognozuoti laiko eilutes
EG bdai:
Paprastas
Dvigubas
Trigubas

Eksponentinis glodinimas
Paprastas
S1= Y1
S2= Y2+(1- ) S1
Bendru atveju
St= Yt+(1- ) St-1,
St= [Yt+(1- )Yt-1+(1- )2Yt-2+]+ (1- )t-1Y1

Eksponentinis glodinimas
Paprastas
Faktoriaus ypatumai
0 < <1
Yt labai stipri atsitiktini svyravim taka:

Yt - labai inertikas procesas t.y.stipriai priklauso

nuo Yt-1

0
Faktoriaus
. nustatymo bdai:
analitiko nuoira parenkamas ilyginimo faktorius

MKM nustatomas toks, kuris minimizuoja paklaid kvadrat sum.

Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
Jeigu laiko eilut turi trend, taikomas
dvigubas eksponentinio ilyginimo
metodas.

Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
St= Yt+(1- )(St-1+bt-1)

Suglodinta stebjimo reikm

bt=(St-St-1)+(1- )bt-1

Suglodinta trendo reikm

Ft+m=St+btm

Prognozs reikm

ir glodinimo koeficientai
St suglodinta t stebjimo reikm
bt trendo suglodinta t reikm
Ft+m prognozs reikms m- period priek

Eksponentinis glodinimas
Dvigubas (Holto tiesinis)
b0 glodinimo koeficiento nustatymo bdai:
b0 prilyginti 0 (tinka, kai eilut yra ilga)
MKM apskaiiuoti pirm penki laiko eiluts
nari trendo lygt Yt =a+bt ir b0 =b

Eksponentinis glodinimas
Trigubas (Holto Winterio) glodinimas

Trigubas arba Holto Winterio sezoninis

glodinimas taikomas tuomet, kai laiko
eilutei bdingas trendas ir sezoniniai
svyravimai.
Sezonikumas gali bti adityvus arba
multiplikatyvus

Eksponentinis glodinimas
Trigubas (Holto Winterio) glodinimas
St

Yt
(1 )( S t 1 bt 1 )
ct L

ir ir glodinimo koeficientai

bt ( St St 1 ) (1 )bt 1
Yt
ct
(1 )ct L
St

St suglodinta t stebjimo reikm

bt trendo suglodinta t reikm

ct sezonikumo takos faktorius

Ft m ( St bt m)ct m L

Ft+m prognozs reikms m- period priek

L-period skaiius metuose (pvz. ketvirtiniuose duom. L=4,

mnesiniams L=12)

Eksponentinis glodinimas
trigubas (Holto Winterio sezoninis)
b0 ir c 1-L glodinimo koeficiento nustatymo
bdai:
0 prilyginti 0, o sezonikumo indeksus c1-L =1
MKM apskaiiuoti pirm penki laiko eiluts
nari trendo lygt Yt =a+bt ir 0 =b

Eksponentinis glodinimas DU
2,000
1,800
1,600
1,400
1,200
1,000
800
600
00

01

02

03

04

05

06

07

DU_PRISM_DVIGUB
DU_PRISM_PAPRAS

08

09

10

11

12

DU_PRIV
DU_PRISM_TRGUB

13

14

Eksponentinis glodinimas DU
Paprastas EG
Date: 09/10/13 Time: 13:37
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Single Exponential
Original Series: DU_PRIV
Forecast Series: DU_PRISM_PAPRAS

Prognoz
1698.986
1698.986
1698.986
1698.986
1698.986
1698.986

Dvigubas
EG
Date:
09/10/13 Time:
13:43
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Holt-Winters No Seasonal
Original Series: DU_PRIV
Forecast Series: DU_PRISM_DVIGUB

Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error

0.9990
121369.7
47.40873

End of Period Levels:

1698.986

Mean

Trigubas EG

Date: 09/10/13 Time: 13:49

Sample: 2000Q1 2013Q2
Included observations: 54
Method: Holt-Winters Additive Seasonal
Original Series: DU_PRIV
Forecast Series: DU_PRISM_TRGUB

Prognoz
1730.285110...
1748.262528...
1740.730331...
1769.246211...
1800.531321...
1818.508740...

Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error
End of Period Levels:

Mean
Trend
Seasonals... 2012Q3
2012Q4
2013Q1
2013Q2

1.0000
0.5200
0.0000
52964.31
31.31805
1703.227
17.56155
9.496394
9.912260
-15.18149
-4.227163

Parameters:

Prognoz
1734.500383...
1752.250574...
1770.000766...
1787.750957...
1805.501149...

Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error

1.0000
0.4100
70805.95
36.21079

End of Period Levels:

1699.000
17.75019

Mean
Trend

Eksponentinis glodinimas U
720,000
680,000
640,000
600,000
560,000
520,000
480,000
440,000
400,000
00

01

02

03

04

05

06

07

UZ_PRIV
UZ_PRISM_PAPRAS

08

09

10

11

12

UZ_PRISM_TRIGUB
UZ_PRISM_DVIGUB

13

14

Eksponentinis glodinimas U
Paprastas EG
Date: 09/10/13 Time: 14:00
Sample: 2000Q1 2013Q2
Included observations: 54
Method: Single Exponential
Original Series: UZ_PRIV
Forecast Series: UZ_PRISM_PAPRAS

Date: 09/10/13 Time: 14:03

Sample: 2000Q1 2013Q2
Included observations: 54
Method: Holt-Winters No Seasonal
Original Series: UZ_PRIV
Forecast Series: UZ_PRISM_DVIGUB

Prognoz
625244.0286...
625244.0286...
625244.0286...
625244.0286...
625244.0286...
625244.0286...

Parameters:

Prognoz
2013Q3
635399.6
2013Q4
645534.1
2014Q1
655668.7
2014Q2
665803.3
2014Q3
675937.8
2014Q4
686072.4

Parameters: Alpha
Sum of Squared Residuals
Root Mean Squared Error

0.9990
2.45E+10
21278.62

Alpha
Beta
Sum of Squared Residuals
Root Mean Squared Error

1.0000
0.4400
1.33E+10
15669.90

End of Period Levels:

625244.0

End of Period Levels:

625265.0
10134.56

Mean

Prognoz

Tribubas EG

Date: 09/10/13 Time: 14:05

2013Q3
Sample: 2000Q1 2013Q2
2013Q4
Included observations: 54
2014Q1
Method: Holt-Winters Additive Seasonal
2014Q2
Original Series: UZ_PRIV
2014Q3
Forecast Series: UZ_PRISM_TRIGUB
2014Q4

636781.6
631210.5
644292.5
662067.8
673584.4
668013.3

Parameters:

Alpha
Beta
Gamma
Sum of Squared Residuals
Root Mean Squared Error

1.0000
0.7600
0.0000
6.05E+09
10588.40

End of Period Levels:

620586.4
9200.707
6994.545
-7777.249
-3895.943
4678.647

Mean
Trend
Seasonals... 2012Q3
2012Q4
2013Q1
2013Q2

Mean
Trend

Eksponentinis ilyginimas
Apibendrinimas
Kada kok metod taikyti
Nra sezonikumo

Adityvus
sezonikumas

Multiplikatyvus
sezonikumas

Nra trendo

Paprastas EG

HW aditive

HWmultiplikative

Tiesinis trendas

Dvigubas
ilyginimas

HW aditive

HWmultiplikative

Netiesinis trendas

HW no seasons

HW aditive

HWmultiplikative

Sezonikumas
Trendas

Eksponentinis ilyginimas
Apibendrinimas
Kada kok metod taikyti
Nra sezonikumo

Sezonikumas
Trendas
Nra trendo

Tiesinis
(Adityvus)
trendas
Multiplikatyvus
trendas

Adityvus
sezonikumas

Multiplikatyvus
sezonikumas

5 Laiko eilui filtrai

Filtr tipai:
Hodrick- Prescott filtras
Dani filtras (magisratroje)

Hodrick-Prescott filtras
Pagrindin idja:
laiko eilut iskaidoma trendo ir ciklo
komponentes

Laiko seka

Trendas

Ciklas

Hodrick-Prescot filtras
Filtro nustatymo procedra
Nustatomas ilgalaikis trendas
Randama ciklo kreiv , atimant trendo
reikmes i laiko eiluts Y duomen,

Hodrick-Prescott filtras
Trendo nustatymo metodas

Minimizuojami trendo nuokrypiai =

Minimizuojami trendo

maksimizuojamas trendo atitikimas

uoliai =
duom. sekai Y
maksimizuojamas trendo
tolygumas

Hodrick-Prescott filtras
- filtro suglodinimo (ilyginimo
parametras)
kuo didesnis tuo labiau suglodinama trendo
kreiv.
kai
Hodrick-Prescot silomos reikms

100 -

metiniai duomenys

1600

ketvirtiniai duomenys

14400

mnesiniai duomenys

Hodrick-Prescott filtras
Trendo nustatymo formul
=
I vienetin TxT matavim matrica
K tai staiakamp (T-2)xT matavim matrica,
kurios elementai [yra lygs:
1 , i=j arba i=j+2
-2 , kai i=j+1
0 kitais atvejais

Hodrick-Prescott filtras
1 -2 1 0 0 0 0 0 0
0 1 -2 1 0 0 0 0 0
K=

0 0 0 0 0
1 -2 1

Hodrick-Prescott filtras Pvz.

K=

1 -2 1 0 0
0 1 -2 1 0
0 0 1 -2 1

I+KK=

1+
-2

0
0

-2
1+5
-4

0
0
-4
0
1+6 -4

-4
1+5 -2

-2
1+

Hodrick-Prescott filtras Pvz.

1+
-2
=

0
0

-2

0
0
1+5 -4
0
-4 1+6 -4

-4 1+5 -2
0

-2 1+

Tarkime turime metinius duomenis

Y = (2,4, 4, 5,3,1 )

=100

Hodrick-Prescott filtras Pvz.

101
-200
= 100
0
0

-200
100
501 -400
-400 601
100 -400
0
100

Tarkime turime metinius duomenis

Y = (2,4, 4, 5,3 )

=100

0
0 2
100 0
-400 100
501 -200
-200 101

4
5
3

Hodrick-Prescott filtras Pvz.

0,603559

0,398019

0,196444

-0,00118

-0,19684

0,398019

0,30169

0,20138

0,100093

-0,00118

0,196444

0,20138

0,204351

0,20138

0,196444

-0,00118

0,100093

0,20138

0,30169

0,398019

-0,19684

-0,00118

0,196444

0,398019

0,603559

2
4
4
5
3

Hodrick-Prescott filtras Pvz.

-0,99

2,99

0,69
0,39

3,31
TRENDAS

3,61
3,91
4,19

CIKLAS

1,09
-1,19

Hodrick-Prescott filtras
valgos
Hodrick Prescott filtras , nepriklauso nuo laiko
eiluts reikmi, o priklauso nuo stebjim
skaiiaus T ir

Hodrick-Prescott filtras
Privalumai

Kritika

Du_priv Hodrick Prescott filtras

Hodrick-Prescott Filter (lambda=1600)
1,800
1,600
1,400
1,200

300

1,000

200

800

100

600
0
-100
-200
00

01

02

03

04

05

06

DU_PRIV

07

08
Trend

09

10

11

Cycle

12

13

14

Uz_priv Hodrick Prescott filtras

Hodrick-Prescott Filter (lambda=1600)
700,000
600,000
500,000

80,000
40,000

400,000

0
300,000
-40,000
-80,000
-120,000
00

01

02

03

04

05

06

UZ_PRIV

07

08
Trend

09

10

11

Cycle

12

13

14

5 Laiko eilui prognozs

tikslumas
Prognozi tikslumas
Teisingo metodo parinkimas
Duomen pakankamumas
Prognozs horizonto parinkimas
Prognozuojamo proceso pastovumas

5. Prognozi tikslumo matai

RSS prognozs paklaid kvadrat suma:
MSE vidutin kvadratin paklaida:

MSE

p
2
(
Y

Y
)
t t

T k

RMSE aknis i vidutins kvadratins paklaidos:

(Y Y )
p

RMSE

T k

t- stebjim, k modelio parametr skaiius.

5. Prognozi tikslumo matai

MAE vidutin absoliutin paklaida
MAE

p
Y

t Yt

T k

MAPEvidutin absoliuti procentin paklaida

:

Yt Yt
1
MAPE
100
T
Yt
p

5. Prognozi tikslumo matai

AIC Akaikes informacijos kriterijus:

BIC (SBC) Schwarz kriterijus
Determinacijos koeficientas
Maksimalaus tiktinumo kriterijus

5. Prognozi tikslumo matai

Maksimalaus tiktinumo kriterijus
(Log likelihood)

l=

5. Prognozi tikslumo matai

AIC Akaikes informacijos kriterijus:
)
(SC) Schwarz kriterijus
SC