MODELE TENDENCJI ROZWOJOWEJ - KULTrend wykładniczy sprowadzamy do postaci liniowej stosując...
Transcript of MODELE TENDENCJI ROZWOJOWEJ - KULTrend wykładniczy sprowadzamy do postaci liniowej stosując...
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Model trendu (tendencji rozwojowej) należy do szczególnej klasy modeli
ekonometrycznych, w których zmienność zmiennej objaśnianej opisywana jest przez
specyficzną zmienną objaśniającą, jaką jest czas. Na ogół modele te nie wyjaśniają
mechanizmu kształtowania się rozpatrywanej zmiennej objaśnianej, lecz obrazują
kształtowanie się tej zmiennej w czasie.
Można powiedzieć, że model trendu w sposób pośredni opisuje ten mechanizm, szczególnie
wtedy, gdy zmienne objaśniające są silnie skorelowane ze sobą i jednocześnie z czasem.
Modele te z powodzeniem wykorzystuje się zarówno do predykcji średniookresowej i
długookresowej, jak i predykcji krótkookresowej, gdy rozważa się model tendencji
rozwojowej z wahaniami periodycznymi.
Wykorzystanie klasycznych modeli tendencji rozwojowej do prognozowania średnio i
długookresowego daje dobre wyniki, gdy rozwój zjawiska w czasie wykazuje bardzo trwałe i
systematyczne zmiany jednokierunkowe, przy jednocześnie ograniczonym oddziaływaniu
losowości. Przykładem takich zjawisk jest kształtowanie się podstawowych wielkości
makroekonomicznych, takich jak: PKB, wydajność pracy, poziom zatrudnienia, liczba ludności i
inne.
Stosowanie modeli tendencji rozwojowej do prognozowania ma szereg zalet:
1. Do budowy odpowiedniego modelu niezbędne są jedynie informacje empiryczne
odnoszące się do zmiennej prognozowanej.
2. Przy budowie prognozy nie występuje kłopotliwy problem znajomości zmiennych
objaśniających w okresie prognozowanym, gdyż zagadnienie sprowadza się do prostej
ekstrapolacji funkcji trendu poprzez nadanie odpowiedniej wartości zmiennej czasowej
w okresie prognozowanym.
3. Klasyczne modele tendencji rozwojowej wykorzystywane do prognozowania są w
przeważającej części liniowe względem parametrów, lub dają się do takich sprowadzić,
stąd nie ma trudności z ich estymacją.
4. Łatwo można także ocenić dokładność budowanych prognoz, wykorzystując mierniki
dokładności prognoz ex ante.
Trzeba także zwrócić uwagę na pewne trudności, jakie mają miejsce w trakcie budowy
prognoz na podstawie modeli tendencji rozwojowej.
Do najważniejszych z nich zalicza się:
1) trafny wybór analitycznej postaci modelu trendu będącego podstawą
prognozowania,
2) występująca często autokorelacja składnika resztowego.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Przydatność poszczególnych modeli tendencji wzrostowej do celów prognostycznych
oceniana jest różnie. Z. Pawłowski uważa, że trendy liniowy i modele wielomianowe mają
ograniczoną przydatność w procesie predykcji. Ograniczoność ta wynika z faktu, że są to
funkcje, które nie posiadają asymptot poziomych. O ile w zaobserwowanym przedziale
zmienności zmiennej czasowej funkcje liniowe i wielomiany dają dobrą zgodność
wartości teoretycznych zmiennej prognozowanej z jej wartościami empirycznymi, to
po wyjściu poza tę zmienność zgodność jest zwykle gorsza. Nie ma bowiem racjonalnego
uzasadnienia, że poza obserwowanym odcinkiem czasu rozwój zmiennej prognozowanej
będzie odpowiadał przebiegowi określonego wielomianu.
Na tej podstawie większą użyteczność w prognozowaniu mają te modele tendencji
rozwojowej, które posiadają asymptoty poziome, gdyż zjawiska gospodarcze mają swoje
„naturalne granice”. Z tą tezą można się zgodzić, przynajmniej jeżeli analizujemy krótkie lub
średnie okresy. W dłuższych okresach postęp techniczny dość często „łamał asymptoty
poziome”.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Aby użyć określony model tendencji rozwojowej do prognozowania należy założyć:
• stabilność relacji strukturalnych w czasie, tj. postaci analitycznej modelu, jak i
wartości ocen jego parametrów w okresie prognozowanym,
• stabilność rozkładu składnika losowego, co daje możliwość oceny błędu
prognozy ex ante.
Ogólnie model trendu można zapisać:
Y = f(t) + (t = 1, ..., n) , lub
Y = f(t) * ,
gdzie:
f(t) - funkcja trendu,
- zmienna losowa, charakteryzująca efekty oddziaływania wahań przypadkowych na trend,
której wartość oczekiwana jest równa zeru dla modelu pierwszego(addytywnego), lub
jedności dla modelu drugiego (multiplikatywnego), a wariancja zmiennej jest skończona.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Analityczną postać funkcji f(t) można wybierać w różny sposób.
Może się to odbywać przy wykorzystaniu analizy graficznej (wykres).
Niekiedy jej postać wynika z pewnej teorii ekonomicznej lub przyrodniczej, a wtedy naszym
zadaniem jest, poprzez budowę i estymację modeli, jej weryfikacja. Najczęściej jednak postać
analityczną odczytujemy z rozrzutu punktów czyli z wykresów zwłaszcza, że modele
trendu to funkcje z jedną zmienną, które stosunkowo łatwo jest wykreślić.
W zależności od mechanizmu rozwoju zmiennej prognozowanej można zaproponować cały szereg funkcji trendu.
Zadanie wyznaczania funkcji f(t) jest nazywane WYGŁADZANIEM (wyrównywaniem)
szeregu czasowego. Można tego dokonać, określając postać funkcji charakteryzującej
tendencję rozwojową szeregu i wyznaczając jej parametry, tj. stosując tzw. modele analityczne,
lub wykorzystując modele adaptacyjne, w których nie zakłada się a priori postaci analitycznej
modelu, lecz wynika ona z zastosowania pewnych algorytmów wygładzających szereg czasowy
zmiennej prognozowanej.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Jeżeli rozwój zjawiska w czasie charakteryzuje się - ogólnie biorąc - taką prawidłowością, że
przyrosty absolutne zmiennej prognozowanej są stałe, to dobrym modelem opisującym trend
tego zjawiska jest funkcja liniowa
o postaci: Y = + t + ε
Określenie funkcji trendu metodą analityczną polega na znalezieniu funkcji f(t), optymalnie,
w świetle przyjętych kryteriów oceny, pasującej do wyrazów szeregu czasowego zmiennej
prognozowanej.
LINIOWY MODEL TRENDU
jest najprostszym i i najczęściej wykorzystywanym modelem tendencji rozwojowej.
Bez względu na analityczną postać funkcji trendu, przyszłą wartość zmiennej
prognozowanej otrzymuje się wstawiając do funkcji trendu, w miejsce zmiennej czasowej
kolejny numer okresu prognozowania T. Dla funkcji liniowej operację tę zapisuje się w sposób
następujący: yt*= a0 + a1t , gdzie:
yt*- wartość zmiennej prognozowanej w okresie t wynikająca z funkcji trendu,
aj - wartości ocen parametrów j funkcji trendu dla j = 0, 1
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
LINIOWY MODEL TRENDU
Parametry tego modelu możemy oszacować Klasyczną Metoda Najmniejszych Kwadratów
(KMNK), gdy spełnione są jej założenia:
1. E(ε) = 0
2. D2 (εTε) = σ2 I
3. rzX = k + 1 ≤ n
4. X – macierz obserwacji zmiennych objaśniających (tu zmiennej czasowej).
wtedy za pomocą estymatora: a = (XTX)-1 XTy (postać macierzowa)
można oszacować parametry strukturalne modelu trendu.
W postaci algebraicznej:
)1(
)(12
lub
)(
))((
2
1
1
2
1
nn
ytt
a
tt
ttyy
a
n
t
t
n
t
n
t
t
tayb
nnttgdyż
12
)1()( :
2n
1t
2
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
LINIOWY MODEL TRENDU Ocenę wariancji odchyleń losowych trendu liniowego otrzymujemy ze wzoru (tzw. wariancja
resztowa):
2n
yXayy
2n
eeSlub
2n
e
STTTT
2
e
n
1t
2
t2
e
Standardowe błędy szacunku (oceny) parametrów oraz wynoszą:
1n
t12
n
S
)1n(n
t12
S
)tt(n
t
S)b(S
12
)1n(n
s
)tt(
s)a(S
2
n
1t
2
e
22
n
1t
2
en
1t
2
n
1t
2
e2
e
n
1t
2
e
i
)1n(n
)1n2(2
,6
)1n)(1n2(nt:
n
1t
2
eSS(b)
:yotrzymujem że wiedząc,
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
LINIOWY MODEL TRENDU Oceny dopasowania modelu do danych empirycznych dokonujemy obliczając współczynnik determinacji:
n
1t
2
t
n
1t
2
t2
)yy(
e
1R
Następnie należy zbadać istotność parametrów modelu trendu:
)b(S
bt
)a(S
at ba i
korzystając z tablic rozkładu t − Studenta (przy n stopniach swobody oraz na poziomie
istotności γ)
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Należy również zbadać czy wstępuje autokorelacja składników losowych obliczając
współczynnik autokorelacji reszt rzędu pierwszego:
a następnie stosując np. test Durbina – Watsona, przy r1 > 0 obliczając statystykę d:
gdy r1 < 0, obliczmy d ’ = 4 - d
W przypadku występowania autokorelacji składników losowych, bądź heteroskedastyczności składników losowych do szacowania parametrów stosujemy Uogólnioną Metodę Najmniejszych Kwadratów (UMNK) i wektor parametrów strukturalnych szacujemy według formuły :
2r1
2nrI
LUB jeżeli test Durbina - Watsona nie da odpowiedzi możemy skorzystać z testu istotności współczynnika korelacji:
Korzystając z testu t-Studenta dla poziomu istotności γ oraz dla m=n-3 stopni swobody
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
yVX)XVX(a1T1T UMNK
W przypadku trendu liniowego wartości zmiennej prognozowanej można również
przygotować w postaci przyrostów. W ten sposób skracamy o jeden długość szeregu, ale
unikamy zjawiska autokorelacji.
Można również zastosować, do oszacowania parametrów strukturalnych modelu, na przykład
metodę Cochrena – Orcutta, wg której parametry strukturalne modelu obliczamy na
podstawie formuły :
*
T
**
T
* yX)XX(a
n..., 3, 2, torazn ..., 2, 1, 0,j dla
n ..., 2, 1, 0, j dla
n..., 3, 2, tdla
j,1t1j,t
*
j,t
2
1j1
*
j1
1t1t
*
t
2
11
*
1
xrxx
r1xx
yryy
r1yygdzie:
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Modele nieliniowe sprowadzalne do postaci liniowej
W przypadku, gdy rozwój zjawiska odbywa się w tempie przyspieszonym
(np. gdy nowy wyrób zdobywa rynek i jego sprzedaż rośnie coraz szybciej), do opisu tendencji
rozwojowej można wykorzystać:
a) funkcję wykładniczą o postaci:
Y = e + t + ε , gdzie > 0,
lub Y = t eε, gdzie > 1,
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Trend wykładniczy sprowadzamy do postaci liniowej stosując transformację logarytmiczną:
lnY = lnβ + t lnα + ε lne i dokonując podstawień:
ln Y = V , lnβ = α0 , lnα = α1 otrzymamy - V = α0 + α1 t + ε. 10 αα
eα e Oszacowana wartość parametru α przemnożona przez 100% informuje
o średniorocznym (średniokwartalnym, itp.) tempie wzrostu zmiennej prognozowanej (w
procentach).
Modele nieliniowe sprowadzalne do postaci liniowej
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
b) funkcję potęgową o postaci:
Y = teε, gdzie > 1, kształt trendu zależy od wartości parametru β.
Trend potęgowy sprowadzamy do postaci liniowej stosując
transformację logarytmiczną:
lnY = ln t eε lnY = ln + lnt + ε lne,
dokonując podstawień – lnY = V, ln = 0 , lnt = Z
otrzymamy model liniowy: V = 0 + Z + ε
czy też c) funkcję paraboliczną o postaci:
Y = 0 + 1t + 2t2 + ε , 2 > 0
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Funkcję tą sprowadzamy do postaci liniowej przez postawienie:
t = Z1 , t2 = Z2 i otrzymujemy funkcję postaci: Y = 0 + 1Z1 + 2Z2 + ε .
tu 2 < 0
Modele nieliniowe sprowadzalne do postaci liniowej
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Jeżeli obserwuje się, że w długim okresie wzrost zjawiska jest coraz wolniejszy (np.
kształtowanie się popytu na wybrane dobro gdy zwiększa się nasycenie rynku), do opisu jego
kształtowania się można zaproponować :
a) funkcję logarytmiczną o postaci:
Y = + lnt + ε , gdzie > 0,
(lub potęgową o postaci: Y = t , gdzie 0 < < 1)
Funkcję tą sprowadzamy
do postaci liniowej przez
postawienie:
lnt = Z , co
pozwala otrzymać model
liniowy o postaci:
Y = α + βZ + ε
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
W praktyce życia gospodarczego występują również takie zjawiska, które charakteryzują się
coraz wolniejszym wzrostem z jednoczesnym dążeniem do pewnego poziomu. W takich
przypadkach analitycznym wyrazem tego procesu może być funkcja liniowo-odwrotnościowa o
postaci:
Y = + t-1 , gdzie < 0, przy czym parametr tej funkcji trendu jest jej asymptotą
poziomą.
Podobny przebieg charakteryzuje funkcja będąca ilorazem dwóch funkcji liniowych. Postać
jej jest następująca:
t
tY
, gdzie , > 0 Również i w tym przypadku parametr wyznacza
asymptotę poziomą tej funkcji.
Modele nieliniowe sprowadzalne do postaci liniowej
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ Modele trendu nie sprowadzalne do postaci liniowej
Bardzo wiele zjawisk ekonomicznych, społecznych czy też demograficznych nie daje się
efektywnie opisać za pomocą modeli liniowych bądź też modeli sprowadzalnych do postaci
liniowej. Stąd też pojawiła się bardzo obszerna klasa modeli nieliniowych nie sprowadzalnych
do postaci liniowej, które wymagają odmiennych niż wcześniej prezentowane modele metod
estymacji.
te1Y
Jedną z szeroko wykorzystywanych funkcji trendu jest tzw. trend logistyczny:
, gdzie , > 0 , > 1
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Niekiedy przebieg zjawiska w czasie odbywa się wielofazowo. Jako przykład
można tu przytoczyć rynkowy cykl życia produktu, popyt na określone dobra (np.
dobra trwałego użytkowania) czy wyposażenie gospodarstw domowych na dobra
trwałe. Do opisu tego rodzaju zjawisk proponuje się wykorzystać funkcję
logistyczną, której analityczna postać jest następująca:
gdzie , > 0 , > 1.
Cechą charakterystyczną tej funkcji jest to, że parametr stanowi asymptotę
poziomą funkcji i określa tzw. poziom nasycenia (np. rynku). Ponadto funkcja ta jest
funkcją nieliniową i nie sprowadzalną do liniowej. Nieliniowość nie pozwala na
bezpośrednie zastosowanie metody najmniejszych kwadratów.
te1Y
Modele trendu nie sprowadzalne do postaci liniowej
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ Modele trendu nie sprowadzalne do postaci liniowej
Często obserwujemy następującą tendencję : na początku wartości zmiennej rosną powoli,
potem coraz szybciej, jednak po uzyskaniu pewnego poziomu prędkość wzrostu słabnie i
następuje stabilizacja. Tak zachowuje się wiele
produktów wchodzących na rynek. W ten sposób zmienia się liczba mieszkańców
wyodrębnionych obszarów. G. Tintner wykazał, że rozwój ludności Szwecji przebiegał zgodnie z
krzywą logistyczną. Stąd też krzywa (trend) logistyczna ma wiele zastosowań do opisu i
prognozowania różnorodnych zjawisk. Istnieje szereg metod estymacji parametrów krzywej
logistycznej. Najstarszą jest metoda estymacji opracowana w 1927 roku przez H. Hotellinga.
Dobrze znana jest również metoda estymacji opracowana w 1958 roku przez
G. Tintnera. Coraz częściej do estymacji prametrów trendu logistycznego
stosuje nieliniową metodę najmniejszych kwadratów (opisaną w materiałach) według
algorytmu Gaussa - Newtona.
te1
tlnY
, gdzie , > 0 , > 1
Jeżeli zjawisko charakteryzuje się stałym, nieograniczonym wzrostem,
z malejącymi przyrostami, to do opisu i prognozowania jego przebiegu można wykorzystać
funkcję loglogistyczną:
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ Modele trendu nie sprowadzalne do postaci liniowej
Okazuje się bowiem, że niektóre procesy gospodarcze, podlegające tradycyjnie
logistycznemu prawu wzrostu można dobrze opisać funkcją loglogistyczną.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ PODSUMOWANIE – TWORZENIE MODELI
Prace zmierzające do znalezienia postaci funkcji trendu rozpoczyna się od przedstawienia
szeregu czasowego w układzie współrzędnych. Analiza wykresu w połączeniu ze znajomością
przebiegu określonych funkcji umożliwia sformułowanie hipotezy dotyczącej postaci
analitycznej funkcji trendu. Sprawdzenie tej hipotezy następuje w toku estymacji
parametrów modelu i statystycznej weryfikacji jego jakości.
!!! Częsta jest, ze względu na niezbyt długie szeregi czasowe, sytuacja, w której w świetle
analizy empirycznej więcej niż jedna funkcja dobrze opisuje kształtowanie się tendencji
rozwojowej prognozowanej zmiennej (brak jest podstaw do odrzucenia hipotezy o losowym
rozkładzie reszt modelu). Zwykle w takich przypadkach przyjmuje się najprostszą postać
modelu.
Przy wyborze postaci funkcji trendu zawsze powinny być brane pod uwagę przesłanki
empiryczne i dedukcyjne, przy czym przy bardziej złożonych postaciach analitycznych tych
funkcji powinny przeważać przesłanki dedukcyjne, a przy mniej złożonych – empiryczne.
Jeżeli podstawą predykcji nieobciążonej jest liniowy model tendencji rozwojowej,
lub model transponowany do postaci liniowej, bezwzględny, średni błąd prognozy ex
ante wyraża się wzorem o postaci:
n
1t
2
2
T
)tt(
)tT(
n
11SD
gdzie: S - ocena odchylenia standardowego składnika losowego modelu trendu. Jak wynika ze wzoru średni błąd prognozy jest tym większy, im prognoza formułowana jest na dalszy okres.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Średni błąd prognozy może być przedstawiony również w innej postaci. Dla funkcji trendu
zapisuje się go następująco:
)a,acov(T2)a(DT)a(DSD 101
22
0
22
T
gdzie: S2 - ocena wariancji składnika losowego modelu trendu, D2(aj) - wariancje ocen parametrów j modelu trendu dla j = 0, 1, cov (a0, a1) - kowariancja ocen parametrów modelu trendu, T - założona wartość zmiennej t w okresie prognozowanym. Należy pamiętać, że w zależności od transponowanej postaci funkcji trendu, w formule tej muszą następować określone modyfikacje.
Bezwzględny, średni błąd prognozy można zrelatywizować, podając względny błąd
prognozy. Względny błąd prognozy ex ante zadany jest wzorem o postaci:
%100
T
TT
y
DV
Średni błąd prognozy DT daje podstawę do punktowej i przedziałowej prognozy zmiennej Y w
okresie prognozowanym n. Przedziałową prognozę, gdy rozkład składnika resztowego jest
normalny wyznacza się z relacji:
P{yt*- u DT < YT < yt
* + u DT} =
P{yt*- t DT < YT < yt
* + t DT} =
P{yt*- u DT < YT < yt
* + u DT} = gdzie:
t - wartość odczytana z tablic rozkładu t-Studenta, gdy n 30,
u - wartość odczytana z dystrybuanty rozkładu normalnego, gdy n > 30.
- przyjęty z góry poziom wiarygodności prognozy.
Wartość t lub u zastępuje się wartością u (nierówność Czebyszewa) gdy nie znamy rozkładu
składnika resztowego. Budowa prognozy przedziałowej według ukazanej formuły jest jednym
z wielu sposobów otrzymywania prognozy przedziałowej.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
Jeśli odchylenia losowe nie mają rozkładu normalnego, to u wyznacza się z nierówności
Czebyszewa:
gdzie:
u - wartość obliczone z nierówności Czebyszewa.
- przyjęty z góry poziom wiarygodności prognozy.
PROGNOZOWANIE NA PODSTAWIE SZEREGÓW CZASOWYCH
MODELE TENDENCJI ROZWOJOWEJ
pu
1
1
TTTTT DuYYDuYP **