Mლექცია 9

დროითი მწკრივების ანალიზი –

სტაციონალურობა, ავტოკორელაცია და MA და
AR მოდელები

ე კ ო ნ ო მ ე ტ რ ი კ ა
2012
ნიკოლოზ ოსტაპენკო
 დროითი მწკრივი – Time series

დროითი მწკრივი - შინაარსი.

დროითი მწკრივის კომპონენტები და მათი

იდენტიფიკაცია.

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:

დაკვირვებების მონაცემთა ტიპი

თვისებები სივრცითი დროითი
მონაცემები მწკრიცები
მიმდევრობა არა მნიშვნელოვანი მნიშვნელოვანი
სტატისტიკური დამოუკიდებელი არ არის
დამოუკიდებლობა დამოუკიდებელი
განაწილების ფუნქცია ერთნაირი არ არის ერთნაირი
დაკვირვებების როგორც წესი როგორც წესი
რაოდენობა მეტია მცირეა
ავტოკორელაციის გვხვდება გვხვდება
არსებობა იშვიათად ხშირად
დროითი მწკრივი – Time series
დროითი მწკრივის ელემენტების მნიშვნელობა
ყალიბდება რიგი ფაქტორების ზეგავლებით, რომელთა
შორისაც გამოყოფენ:
 გრძელვადიანი – რომელიც აყალიბებს
გრძელვადიან პერიოდში დროითი მწკრივის
ტენდენციას. ეს ტენდენცია აღიწერება ე.წ. ტრენდის
ფუნქციით (T).
 სეზონური – დროითი მწკრივის წელიწადის გარკვეულ
დროში წარმოქმნილი რყევები, რომელიც აღიწერება
სეზონურობის ფუნქციით (S).
 ციკლური – ეკონომიკური და სხვა ციკლებით
წარმოქმნილი რყევების მახასითებელი ფუნქცია (C ).
 შემთხვევითი – რომელიც არ ექვემდებარება
აღრიცხვას წარმოადგენს შემთხვევითი გარე
ფაქტორების მოქმედების შედეგს (U)

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.

ცენტრირებული მცურავი საშუალო (centered moving average)

cmat 0.5  cmat  0.5
cmat  
2
1  xt  2  xt 1  xt  xt 1 xt 1  xt  xt 1  xt  2 
   
2 4 4 
k 4
მარტივიმცურავისაშუალო (SMA –simple moving average)

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

პარამეტრი არეგულირებს მწკრივის სიგლუვეს, თუ  

st
მაშინ უახლოვდება წრფივ ტრენდს.
•   100 წლიური
•   1600 კვარტალური
•   14400 თვის მონაცემებისათვის
ხიდრიკ–პრესკოტის ფილტრი

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

Final seasonallyadjusted series

Final trend-cycle
სეზონური და შემთხვეითი
კომპონენტი
112

108

104

100

96

92

88
2002 2003 2004 2005 2006 2007 2008

Final irregular component/factor

Final seasonal component/factor
მწკრივის სტაციონალურობა
მწკრივს ეწოდება სტაციონალური თუ მისი საშუალო
მნიშვნელობა, დისპერსია და კოვარიაცია არ არსი
დამოკიდებული t –ზე. მისი მნიშვნელობები დამოკიდებულია
მწკრივის ელემენტებს შორის დაშორებაზე 
–ზე.
სტაციონალურობის პირობები:

E (X t)  

D (X t)  
2

 Cov ( X , X )   ( )
 t t 
ავტოკორელაციური ფუნქცია
Cov (Yt , Yt  )  ( )
ACF ( )     ( ),
D(Yt )  (0)
 (0)  1

დროითი მწკრივის შერჩევით ავტოკორელაციურ ფუნქციას

ეწოდება კორელოგრამა და შემდეგ ნაირად განისაზღვრება:
T

 (Y  Y )(Y
t t  Y )
 ( )  t  1
T

 (Y  Y )
t 1
t
2

განასხვავებენ კერძო ავტოკორელაციურ ფუნქციას

(PACF). იგი წარმოადგენს “წმინდა კორეალციას” Yt და Yt+L
შორის შუალედური მნიშვნელობების Yt+1,…,Yt+L1
გაუთვალის–წინებლად.
კორელოგრამა 12 ლაგისათვის
თეთრი ხმაურის პროცესი
«თეთრი ხმაური» – «წმინდა შემთხვევითი» სტაციონალური
დროითი მწკრივი რომლისთვისაც:

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

X 0 თუ შემთხევითი წევრი არ რაის კორელაცისში  1 ,  2 , t მაშინ

 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

ავტორეგრესიული პროცესის უკეთ დასახასიტებლად

შემოვიღოთ L (lag operator) “ლაგ ოპერატორი”
იულა–ოკერის განტოლრბათა სისტემა

 (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

X t  4.375  0.25 X t 1  0.125 X t  2   t

 5
 (k )  0.25  (k  1)  0.125  (k  2),
AR(1)

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:

X t  6   t  0.8 t 1 ,   6,   1,  (1)  0.8 /(1  0.82 )  0.488

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