Здесь можно найти образцы любых учебных материалов, т.е. получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Курсовик Методы анализа временных рядов .Линейные модели временных рядов

Информация:

Тип работы: Курсовик. Предмет: Статистика. Добавлен: 16.3.2014. Сдан: 2014. Страниц: 36. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Содержание
Введение 3
Глава 1. Линейные модели временных рядов 5
1. 1 Стационарные временные ряды 5
1. 2 Модели авторегрессии 8
1. 3 Модели скользящего среднего 14
1. 4 Переход от стационарных моделей к нестационарным 18
Глава 2. Практические задачи 21
Задача 1 21
Задача 2 28
Задача 3 31
Заключение 34
Список использованных источников и литературы 36


Введение

В статистике, обработке сигналов и многих других областях под временным рядом понимаются последовательно измеренные через некоторые (зачастую равные) промежутки времени данные. Анализ временных рядов объединяет методы изучения временных рядов, как пытающиеся понять природу точек данных (откуда они взялись? что их породило?), так и пытающиеся построить прогноз. Прогнозирование временных рядов заключается в построении модели для предсказания будущих событий основываясь на известных событий прошлого, предсказания будущих данных до того как они будут измерены. Типичный пример - предсказание цены открытия биржи основываясь на предыдущей её деятельности.
Понятие анализ временных рядов используется для того, чтобы отделить эту задачу от в первую очередь от более простых задач анализа данных (когда нет естественного порядка поступления наблюдений) и, во-вторых, от анализа пространственных данных, в котором наблюдения зачастую связаны с географическим положением. Модель временного ряда в общем смысле отражает идею, что близкие во времени наблюдения будут теснее связаны, чем удалённые. Кроме того, модели временных рядов зачастую используют однонаправленный порядок по времени в том смысле, что значения в ряду выражаются в некотором виде через прошлые значения, а не через последующие.
Методы анализа временных рядов зачастую делят на два класса: анализ в частотной области и анализ во временной области. Первый основывается на спектральном анализе и с недавних пор вейвлетном анализе, и может рассматриваться в качестве не использующих модели методов анализа, хорошо подходящих для исследований на этапе разведки. Методы анализа во временной области также имеют безмодельное подмножество, состоящее из кросс-корреляционного анализа и автокорреляционного анализа, но именно здесь появляются частично и полностью определённые модели временных рядов.
Существует несколько методов анализа данных, применимых для временных рядов.
Общее исследовании:
- Визуальное изучение графических представлений временных рядов.
- Автокорреляционный анализ для изучения зависимостей.
- Спектральный анализ для изучения циклического поведения, не связанного с сезонностью.
Описание:
- Разделение компонент: тренд, сезонность, медленно и быстро меняющиеся компоненты, циклическая нерегулярность.
- Простейшие свойства частных распределений.
Прогнозирование и предсказание:
- Полноценные статистические модели при стохастическом моделировании для создания альтернативных версий временных рядов, показывающих, что могло бы случиться на произвольных отрезках времени в будущем (предсказание).
- Упрощённые или полноценные статистические модели для описания вероятные значения временного ряда в ближайшем будущем при известных последних значениях (прогноз).
Существенное развитие получил статистический анализ временных рядов. Г. Бокс и Г. Дженкинс создали ARIMA-модсль и 1970 г., а К. Симе и другие ученые - VAR-модели, ставшие популярными в начале 80-х гг. Вершиной этой стадии развития явился метод коинтеграции, развитый С. Йохансеном и др. (1990 г.).
В настоящее время эконометрика располагает огромным разнообразием типов моделей - от больших макроэкономических моделей, включающих несколько сот, а иногда и тысяч уравнений, до малых коинтеграционных моделей, предназначенных для решения специфических проблем.


Глава 1. Линейные модели временных рядов

1. 1 Стационарные временные ряды

Широкий круг социально-экономических, технических и естественнонаучных процессов часто представляется набором последовательных значений показателя у1, у2,..., уt,..., уТ, зафиксированных в равноотстоящие друг от друга моменты времени t=1,2,... Т, так что интервал (t, t+1) является постоянным. Этот набор значений уt, t=1,2,... обычно называется временным рядом (временной серией). Такой ряд представляет собой дискретный временной процесс.
Изменения значений уt во времени в реальной жизни обычно происходят под воздействием каких-либо причин, факторов. Однако в силу их многочисленности, сложности измерения, неразработанности теоретических предположений относительно взаимосвязей с переменной у и т. п. обосновать и построить “подходящую” для описания процесса уt, t=1,2,... многофакторную эконометрическую модель классического типа не всегда представляется возможным. В результате в отношении ряда уt часто выдвигается предположение, что совокупное влияние этих факторов формирует как бы внутренние закономерности в развитии процесса уt, что дает возможность применить для его описания эконометрическую модель из специфического класса моделей временных рядов.
Модели временных рядов активно применяются в исследованиях динамики значительного числа реальных процессов различной природы. Они часто используются в исследованиях динамики пассажиропотоков, складских запасов, спроса на различные виды продукции, миграционных процессов в человеческом и биологических сообществах, в радиотехнике, анализе химических процессов, моделировании природных событий: динамики числа солнечных пятен, природных катастроф и многих других процессов.
Самое широкое применение модели временных рядов нашли в исследованиях финансовых рынков, в анализе динамики финансовых показателей, прогнозировании цен на различные товары, курсов акций, соотношений курсов валют и т. п.
Пожалуй, общим для всех моделей временных рядов является предположение о том, что текущее значение процесса yt в значительной степени предопределено его предысторией, т. е. величина показателя yt генерируется значениями yt-1, yt-2,... согласно характерным для этого временного ряда закономерностям. Математически это допущение может быть выражено следующим общим уравнением:
(1),
где, et представляет собой ошибку модели в момент t.
Функция f как раз и выражает характер взаимосвязей, сложившихся в рассматриваемом временном ряду уt, t=1,2,... При удачном подборе этой функции правая «детерминированная» часть выражения (1) будет в некотором смысле «близка» к реальным значениям этого ряда. Как и ранее «степень близости» обычно устанавливается по характеристикам и свойствам ряда ошибки et, t=1,2,... Здесь имеется в виду прежде всего минимальная дисперсия, соответствие белому шуму и т. п.
Для широкого круга процессов функция f имеет линейный вид. Например, Вопросы построения линейных моделей временных рядов и анализа их основных свойств и будут рассмотрены в данной главе.
Линейные модели временных рядов применяются, как правило, для описания стационарных процессов. При этом обычно имеются в виду стационарные процессы второго порядка. Напомним, что стационарный процесс п-го порядка характеризуется постоянными значениями всех своих моментов порядка п и ниже на всех временных отрезках, входящих в интервал t=1,2,..., Т. У строго стационарных процессов постоянными являются моменты всех порядков. Таким образом, для любых двух интервалов времени (Т1, Т2) и (Т3, Т4) для стационарного процесса второго порядка уt должны выполняться условия, характеризующие равенство на рассматриваемых интервалах математических ожиданий, дисперсий и однопорядковых коэффициентов автокорреляций исследуемого процесса. На практике это означает, что для соответствующих оценок перечисленных показателей должны иметь место следующие соотношения:
(2)

(3)

, i=1,2, …, (4)

где и - оценки математических ожиданий; и - оценки дисперсий; и - оценки коэффициентов автокорреляции i-го порядка процесса уt на 1-ом и на 2-ом интервалах соответственно; - среднее значение процесса (оценка математического ожидания) на интервале (1,Т); D(y) - оценка дисперсии процесса на интервале (1,Т).
Заметим, что на практике равенства (2)-(4) рассматриваются в статистическом смысле. Иными словами, например, равенство = может в точности не выполняться. Однако гипотеза о постоянстве математического ожидания процесса уt может быть принята, если значения и удовлетворяют соответствующему статистическому критерию.
Для проверки соответствия реального временного ряда уt, t=1,2,... стационарному процессу, т. е. для проверки выполнимости условий (2)-(4), обычно используются соответствующие тесты. При этом в некоторых случаях для одного и того же условия возникает необходимость применять несколько тестов, если по результатам одного теста нельзя вывести суждение о безусловной истинности или ложности выдвинутой гипотезы. Все множество таких тестов разделяется на три основные группы: непараметрические, полупараметрические и параметрические тесты.
Непараметрические тесты не выдвигают заранее каких-либо сведений о законе распределения тестируемого временного ряда, его параметрах. Они исследуют взаимосвязи между порядками следования образующих его значений, выявляют наличие или отсутствие закономерностей в продолжительности и (или) чередовании их серий, образованных, например, последовательностями единиц совокупности с один........

Список использованных источников и литературы

1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. - М.: Юнити, 1998.
2. Андерсон Т. Статистический анализ временных рядов. - М.: Мир, 1976.
3. Бокс Дж., Дженкинс Г. Анализ временных рядов: Прогноз и управление. - М.: Мир, 1974.
4. Гренджер К., Хатанака М., Спектральный анализ временных рядов в экономике. - - М.: Статистика, 1972.
5. Доугерти К. Введение в эконометрику. - М.: МГУ, 1999.
6. Елисеева И.И., Юзбашев М.М. Общая теория статистики. - М.: Финансы и статистика., 1998.
7. Журбенко И.Г. Спектральный анализ временных рядов. - М.: Изд-во Моск. ун-та, 1982.
8. Кендалл М.Дж., Стъюарт А. Многомерный статистический анализ и временные ряды. - М.: Наука, 1976.
9. Кендэл М. Временные ряды. - М.: Финансы и статистика, 1981.
10. Крамер Г., Лидбеттер М. Стационарные случайные процессы. - М.: Мир, 1969.
11. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. - М.: Дело, 1997.
12. Маленво Э. Статистические методы в эконометрии. Вып.1,2. - М.: Статистика, 1975, 1976.
13. Николаев А.В. Структура исторического цикла. // Математическое и компьютерное моделирование в науках о человеке и обществе. Тезисы докладов Всероссийской конференции. - М.: Госуд. ун-т управления, 1999. - С.54-54.
14. Общая теория статистики. Статистическая методология в изучении коммерческой деятельности. / Под ред.А.А. Спирина, О.Э.Башиной. - М,: Финансы и статистика, 1994.
15. Статистический анализ экономических временных рядов и прогнозирование. (Серия "Ученые записки по статистике", тт.22-23.) - М.: Наука, 1973.
16. Тейл Г. Эконометрические прогнозы и принятие решений. - М.: Статистика, 1971.
17. Френкель А.А. Математические методы анализа динамики и прогнозирования производительности труда. - М.: Экономика, 1972.
18. Хеннан Э. Многомерные временные ряды. - М.: Мир, 1974.
19. Цветков Э.И. Основы теории статистических измерений. - Л.: Энергоатомиздат, 1986.


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.