Professional Documents
Culture Documents
Files 48 1
Files 48 1
ე კ ო ნ ო მ ე ტ რ ი კ ა
2012
ნიკოლოზ ოსტაპენკო
დროითი მწკრივი – Time series
ავტოკორელაციის აღმოჩენა.
ავტოკორელაციის კორექცია.
დროითი მწკრივი – Time series
დროითი მწკრივი – ეს არის მიმდევრული შემთხვევითი სიდიდის
მნიშვნელობათა დაკვირვება, რომელიც წარმოებულია დროის
თანაბარი ინტერვალებით.
დროითი მწკრივების ანალიზის ძირითადი თავისებურება არის ის,
რომ დროითი მწკრივის ელემენტები არიან სტატისტიკურად
დამოკიდებული შემთხვევითი წევრები, რომელთაც გააჩნიათ
საერთო განაწილების ფუნქცია.
დროითი მწკრივი:
ერთ განზომილებიანი და მრავალგანზომილებიანი
დისკრეტული და უწყვეტი
დეტერმინირებული და შემთხევითი.
სტაციონალური და არასტაციონალური
დროითი მწკრივი – Time series
დროითი მწკრივი თვისობრივად განსხვავდება სივრცობრივი
მონაცემებისაგან:
yt f (t , s, c) ut
მარტივიმცურავისაშუალო (SMA –simple moving average)
xt k xt k 1 xt k
smat
k
სადაც k გამასაშუალოებელი პერიოდია (k- point moving
average). თვის და კვარტლის მიხედვით მონაცმეთა
ანალიზის დორს k=12 და k=4.
smat cmat
ტრენდის ფუნქციის იდენტიფიკაცია T(t)
y1 ( t ) a 0 a1 t ,
y 2 ( t ) a 0 a 1 t a 2 t ... a k t ,
2 k
a 1 t
y 3 (t ) a 0 e a 0 exp( a 1 t ),
y 4 (t ) a 0 t , a1
a1
y 5 (t ) a 0
t
y 6 ( t ) a 0 a 1 ln t ,
a0
y 7 (t ) .
1 a 1 exp( a 2 t )
ხიდრიკ–პრესკოტის ფილტრი
ეს ინსტრუმენტი გამოიყენება გრძელვადიანი ტრენდის
მისაღებად. შესაბამისი ალგორითმი არჩევს st მწკრივს,
რომლისთვისაც მინიმიზირდება ჯამი:
T T
(x
t 1
t st ) (( st 1 st ) ( st st 1 )) min
2
t 1
2
HPTREND 1600
ხიდრიკ–პრესკოტის ფილტრი
ფილტრი საშუალებას იძლევა გამოვყოთ როგორც
ტრენდი, ისე ციკლური კომპონენტი და შემთხვევითი
კომპონენტი : Hodrick-Prescott Filter (lambda=1600)
1200
1100
200 1000
100 900
0 800
-100
-200
2000 2001 2002 2003 2004
CR Trend Cycle
პროგრამა EViews
პროგრამა სხვადასხვა ფილტრის საშუალებას
იძლევა როგორც ტრენდის, ისე სეზონური,
ციკლური და შემთხვევითი კომპონენტის
გამოსაყოფად (ჰენდერსონის, ჰოლდ–
ვინტერსის, მცურავი საშუალოს, ჰიდრიკ–
პრესკოტის და სხვა ფილტრების გამოყენებით):
ტრენდს და ციკლი
Hodrick-Prescott Filter (lambda=1600)
5000
4000
3000
500
2000
-500
2002 2003 2004 2005 2006 2007 2008
Y Trend Cycle
ტრენდს-ციკლი და სეზონური
კომპონენტით კორექტირებული
4000
3500
3000
2500
2000
2002 2003 2004 2005 2006 2007 2008
108
104
100
96
92
88
2002 2003 2004 2005 2006 2007 2008
E (X t)
D (X t)
2
Cov ( X , X ) ( )
t t
ავტოკორელაციური ფუნქცია
Cov (Yt , Yt ) ( )
ACF ( ) ( ),
D(Yt ) (0)
(0) 1
(Y Y )(Y
t t Y )
( ) t 1
T
(Y Y )
t 1
t
2
Yt t
t ~ iid (0, 2
)
E (X t) 0
D (X t) 2
0
( ) 1 , 0 ;
0 , 0
თეთრი ხმაურის პროცესი
ავტორეგრესიის პროცესი (AR)
ρ რიგის ავტორეგრესიული მწკრივი (AR(ρ))
t ~ iid (0, 2 )
X t X t 1 t
X t (X t 2 t 1 ) t 2 X t 2 t 1 t t X 0 t 1 1 t 2 2 t
X t 1 X t 2 t 1 t 1 X 0 t 2 1 t 3 2 t 1
X t 2 X t 3 t 2 t 2 X 0 t 3 1 t 4 2 t 2
X 1 X 0 1
2 L
D( X t ) COV ( X t , X t ) 2
Corr( X t , X t ) L
1 1 2
თუ 1 მწკრივი სტაციონალურია.
ავტორეგრესიის პროცესი
თუ რიგს არანულოვანი მათემატიკური მოლოდინები გააჩნია მაშინ
X t ( X t 1 ) t
X t X t 1 t 1 )
(1 )
თუ არ დავაკონკრეტებთ მოდელს t=1 მომენტამდე არსებული
მონაცემების მიხედვით ( ანუ თუ X 0 შემთხევითი წევრი არის 1 , 2 , t
კორელაცისში) მაშინ
2 2 2t (1 2t ) 2
E ( X t ) x0
t
D( X t ) COV ( X t , X t )
1 1 1 2
თუ t სტაბილურობის პირობა.
ავტორეგრესიის პროცესი
ავტორეგრესიის პროცესი
ჩამორჩენის (დაგვიანების)
ოპერატორი
Lp X t X t p 1
Xt t
a ( L)
X t a1 X t 1 a2 X t 2 a p X t p t
1
X t a1 LX t a2 L X t a p L X t t
2 p a ( L) X t t X t t
a( L)
(1 ( a1 L a2 L2 a p Lp )) X t t
a( L) 1 a1 a2 a p
(k ) a1 (k 1) a2 (k 2) a p (k p ), k 0
მაგალითად:
X t 4.375 0.25 X t 1 0.125 X t 2 t
/(1 a1 a2 ) 4.375 /(1 0.25 0.125) 5
2
(k ) 0.25 (k 1) 0.125 (k 2),
( 0) 1
(1) 0.25 /(1 0.125) 0.222
(2) 0.25 (1) 0.125 (0) 0.069
(3) 0.045, (4) 0.003
იულა–ოკერის განტოლრბათა სისტემა
ახლოსაა თეთრი ხმაურის პროცესთან
AR(2)
მცოცავი საშუალოს პროცესი (MR)
q რიგის მცოცავი საშუალოს პროცესი (MR(q)) t ~ iid (0, 2 )
( ) , 0, 1,
X t t b1 t 1 b2 t 2 bq t q xx ( ) 1 2
0 , 2, 3,...
თუ X t t b1 t 1 b2 t 2 bq t q
X t t b1 t 1 b2 t 2 bq t q
Z q t t q
X t t b1 t 1 b2 t 2 bq t q
X t Z 0 t Z 1b1 t Z 2b2 t Z q bq t
(1 b1Z b2 Z 2 bq Z q ) t X t
b(Z )
კორელოგრამა - MA
( ) , 0, 1,
xx ( ) 1 2
0 , 2, 3,...
მაგალითად:
MA(1)
MA (1)
MA(2)
MA და AR პროცესებს შორის კავშირი
MA()
b1 , q bq
(1 b1Z b2 Z 2 bq Z q ) t X t
(1 Z 2 Z 2 q Z q ) t X t
1
t X t
1 Z
t X t ZX t t X t X t 1
X t b1 X t 1 t AR (1)
MA() AR (1)
b1 a1
AR() MA(1)
ARMA(p,q)
X t a1 X t 1 ... a p X t p t b1 1 ... bq t q
t ~ iid (0, 2 )
p-რიგის ავტორეგრესიული პროცესი და q –
რიგის მცოცავი საშუალოს პროცესიARMA(p,q)
p
-p რიგის ავტორეგრესიული წევრი
a Yt
1
q
b
1
t
-q რიგის მცოცავი საშუალო წევრი