Časové řady Doc. Mgr. Jiří Mazurek, Ph.D. Analýza časových řad •Analýza časových řad představuje v současnosti velmi důležitou součást ekonometrie, neboť umožňuje popisovat systémy, které mění v čase svůj charakter. •Cílem analýzy časových řad je především porozumět mechanismu, který vygeneroval hodnoty dané časové řady, neboť to umožňuje alespoň do jisté míry „ovládat“ fungování systému, o jehož chování vypovídají naměřené hodnoty. •Umožňuje to provádět předpovědi budoucího chování takového systému. Systém, který řadu vytvořil, je popisován matematickým modelem. Časová řada •Časová řada je posloupnost prostorově a věcně srovnatelných číselných údajů uspořádaných v čase od minulosti přes přítomnost do budoucnosti. •Zde nás budou zajímat zejména časové řady ekonomických veličin, speciálně tržeb, neboli tzv. ekonomické časové řady. •Rozdělení: •okamžikové časové řady •intervalové časové řady Předpoklady •V časové řadě se obvykle předpokládá, že: •hlavním faktorem změny je čas (označuje se t), • údaje jsou uvedeny za ekvidistantní, tj. stejně dlouhé časové intervaly. •Vývoj časové řady se popisuje matematickým modelem. Hlavním cílem konstrukce takového modelu je jeho využití k predikci budoucího vývoje řady. •Prognózování představuje odhad budoucí velikosti závislé proměnné. •Rozdělení prognóz: •bodové prognózy •intervalové prognózy. Dekompoziční metody časových řad Trendová složka •Trendová složka vyjadřuje základní směřování hodnot časové řady (růst, pokles a jejich eventuální zesílení nebo tlumení). Tato složka vyjadřuje systematický a dlouhodobější vliv faktorů, které působí jedním směrem. Trend může být buďto rostoucí nebo klesající. Nepřevažuje-li ani růst ani pokles, jedná se o časovou řadu bez trendu. • Periodická složka •Sezónní a cyklická složka, souhrnně nazývané periodická složka, zachycují pravidelné kolísání hodnot časové řady. • Sezonní složka vyjadřuje pravidelné výkyvy hodnot časové řady, k nimž dochází během roku. Tyto výkyvy se pravidelně opakují. Důležitým rysem sezonní složky, nebo se také říká sezónnosti, je skutečnost, že časová prodleva mezi výkyvy není delší než jeden rok. •Cyklická složka reprezentuje vliv faktorů, které způsobují dlouhodobější výkyvy hodnot řady. Říká se také, že jde o výkyvy kolem trendu, přičemž časová prodleva mezi těmito výkyvy je na rozdíl od sezónnosti delší než jeden rok. Protože intenzita výkyvů i jejich pravidelnost se často mění, cyklickou složku je v obtížné detekovat stejně tak jako její příčiny. Aditivní model •Zpravidla se uvažuje, že složky časové řady jsou v aditivním vztahu, takže model časové řady potom můžeme zapsat ve tvaru: • •V tomto případě se hovoří o aditivním modelu časové řady. V ekonomických časových řadách se nejčastěji setkáme se dvěma speciálními případy modelu: •1. s případem, kdy se v řadě nevyskytuje periodická složka: • • •2. s případem, kdy se v řadě nevyskytuje cyklická složka, tedy tzv. časovou řadu se sezónní složkou Multiplikativní model •Vedle aditivního modelu existuje také multiplikativní model vycházející z předpokladu, že vzájemný vztah jednotlivých složek modelu je dán pronásobením: Trend •Trend se popisuje nejčastěji lineární funkcí, polynomem druhého stupně, exponenciální funkcí, modifikovanou exponenciální funkcí nebo logistickou, případně Gompertzovou křivkou. •V případě lineární funkce a polynomu druhého stupně jde o regresní funkce lineární z hlediska parametrů, takže pro odhad neznámých parametrů můžeme v jejich případě aplikovat obyčejnou metodu nejmenších čtverců. •V případě ostatních křivek je situace složitější, protože tyto funkce nejsou lineární z hlediska parametrů, takže pro odhad jejich parametrů se musí postupovat jinak. Trendy •Kromě lineárního trendu se vyskytují také: Syntetické modely trendu časových řad •Nejsou zadány explicitně vzorcem •Jsou zadány hodnotami nové časové řady (syntetického trendu) •Klouzavé průměry – časové řady posouvaných průměrů (mediánů) několika hodnot „okolo“ t •Exponenciální vyrovnání – časové řady posouvaných vážených průměrů hodnot „před“ t (váhy exponenciálně ubývají) Prosté klouzavé průměry •Pokud chceme použít klouzavé průměry, musíme především zvolit tzv. délku klouzavé části a dále tzv. řád klouzavého průměru. Řád je dán stupněm polynomu, kterým se části řady vyrovnávají. •V případě prostého klouzavého průměru používáme k vyrovnávání lineární funkci, takže pracujeme s řádem jedna. •Délka klouzavého průměru se obvykle volí jako liché číslo obecně zapsané ve tvaru , kde je celé kladné číslo. Každá část řady, která je vyrovnávána, má svůj střed. Klouzavé průměry • • o délce m = 2p+1, kde > Prosté klouzavé průměry (lichá délka „kolem“ t ): Centrované klouzavé průměry (sudá délka): o délce m = 2p Příklad: centrovaný 4-členný klouzavý průměr VLASTNOSTI NÁHODNÉ SLOŽKY MODELU A JEJICH OVĚŘENÍ Platí-li bod 2, hovoříme o homoskedasticitě (v opačném případě o heteroskedasticitě). Platí-li bod 3, mluvíme o nezkorelovanosti náhodných složek modelu. Testování vlastností pro rezidua •Uvedené podmínky by měly být ověřeny vhodnou statistickou metodou. •Podmínka 1 se neověřuje a je brána za danou. • Jsou-li splněny všechny podmínky, potom odhady získané metodou nejmenších čtverců budou nejlepší v rámci všech nestranných odhadů. •Jsou-li splněny jen podmínky 1-3, budou odhady parametrů nejlepší „pouze“ v rámci tzv. lineárních nestranných odhadů. •Tedy, i když podmínka 4 splněna není, pořád nám popsané postupy poskytují odhady parametrů, které jsou „rozumně“ kvalitní. •Pokud jde o podmínku 2, existuje např. statistický test Goldfeld-Quandtův, který je konkrétnější, pokud jde o formulaci podoby případné testované heteroskedasticity, a také existují testy obecnější, pokud jde o tuto formulaci. Mezi obecnější testy patří např. Whiteův test. Problém heteroskedasticity je ale typický pro průřezovaná data, nikoliv pro modely časových řad, pro které je typické nedodržení podmínky 3. •My: testování podmínky pro autokorelaci reziduí. Durbin-Watsonův test •K ověřování autokorelace se využívá zejména Durbinův-Watsonův test. •Test zkoumá platnost nulové hypotézy, že model není zatížen autokorelací, proti alternativní hypotéze, že v modelu je autokorelace ve tvaru AR(1). •Nejprve se najdou odhady parametrů původního regresního modelu časové řady metodou nejmenších čtverců a ze získaných vyrovnaných hodnot se vypočtou reziduální odchylky . Na základě těchto reziduí se pak počítá testové kritérium Durbin-Watsonův test II Durbinův-Watsonův test III Prognózování pomocí časových řad •Prognózování se nazývá predikování, předpovídání, předvídání, extrapolace, apod. •Mezi prognostickými metodami hrají významnou roli statistické prognostické metody. Do této skupiny patří také metody používající při konstrukci prognóz extrapolaci časových řad využívající regresní analýzy. •Podstata extrapolačních metod spočívá ve studiu minulosti prognózovaného jevu a v přenosu zákonitostí vývoje z minulosti a přítomnosti do budoucnosti. •U procesů, které jsou v čase stabilní, lze tento princip s úspěchem použít. Naopak v případě, kdy během prognózovaného období probíhají podstatné kvalitativní změny, je použití extrapolačních modelů problematické. Bodový odhad Příklad 1 - kriminalita • Příklad 1 - kriminalita •Z dat ČSÚ o kriminalitě použijeme časovou řadu „Kriminalita celkem“. •Určíme (v Excelu) následující charakteristiky: 1)Lineární regresní model: R^2, statistická významnost. 2)Rezidua 3)Durbin-Watsonův test 4)Predikce hodnot do budoucna 5)Vyrovnání časové řady pomocí klouzavého průměru o délce 3. • •Rešení si ukážeme v Excelovském souboru „Příklad_1_Přesnáška_5.xls“. 1) 1) Děkuji za pozornost