Shrnutí na Statistické a ekonometrické metody
Statistické a Ekonometrické Metody: Kompletní Průvodce
Úvod
Analýza časových řad a modelování se zabývá zkoumáním uspořádaných pozorování určitého ukazatele v čase (denně, měsíčně, ročně). Cíl: identifikovat základní složky vývoje, kvantifikovat je a použít je pro popis a predikci budoucího vývoje.
Definice: Časová řada jsou hodnoty ukazatele seřazené podle času, např. měsíční tržby nebo roční HDP.
Základní složky časové řady
Časovou řadu můžeme dekomponovat na několik dílčích složek:
- Trendová složka ($T_t$): dlouhodobý rostoucí, klesající nebo konstantní směr.
- Periodická složka ($P_t$): pravidelně se opakující výkyvy. Dělí se na:
- Sezónní složka (perioda (\le 1) rok, např. měsíční, čtvrtletní)
- Cyklická složka (perioda > 1 rok)
- Náhodná (reziduální) složka ($e_t$): nesystematické odchylky, které nelze vysvětlit ostatními složkami.
Definice: Aditivní model znamená, že pozorování je součtem složek: $Y_t = T_t + P_t + e_t$. Multiplikativní model znamená násobný vliv: $Y_t = T_t \cdot P_t \cdot e_t$.
Srovnání aditivního a multiplikativního modelu
| Vlastnost | Aditivní model | Multiplikativní model |
|---|---|---|
| Způsob skládání | $Y_t = T_t + P_t + e_t$ | $Y_t = T_t \cdot P_t \cdot e_t$ |
| Použití | sezónní výkyvy jsou konstantní v absolutní hodnotě | sezónní vlivy rostou/ klesají s trendem |
| Kvantifikace sezónnosti | sezónní odchylky $S_{k}$ (skutečná $-$ vyrovnaná) | sezónní indexy $I_{k}$ (skutečná / vyrovnaná) |
Vyrovnané hodnoty a jejich stanovení
Vyrovnaná hodnota je referenční hladina, vůči které hodnotíme sezónní odchylky nebo indexy. Způsoby získání:
- Průměr celé časové řady
- Průměr za jeden rok (u sezónních řad)
- Klouzavé průměry (např. centrovaný klouzavý průměr)
- Hodnota vypočtená z trendové funkce (regresní odhad)
Definice: Sezónní odchylka pro aditivní model je $s_{t} = Y_t - \tilde{Y}_t$, kde $\tilde{Y}t$ je vyrovnaná hodnota. Sezónní index pro multiplikativní model je $i{t} = \dfrac{Y_t}{\tilde{Y}_t}$.
Postup kvantifikace sezónnosti (obecně):
- Získat vyrovnané hodnoty ($\tilde{Y}_t$) pomocí zvolené metody.
- Spočítat dílčí sezónní odchylky nebo indexy pro každé období.
- Průměrovat dílčí hodnoty pro příslušné sezóny (např. průměr všech lednových odchylek).
- Normalizovat (u aditivního modelu součet sezónních odchylek = 0; u multiplikativního modelu součet indexů = počet sezón).
Kladné sezónní odchylky značí nárůst, záporné pokles. Indexy > 1 znamenají nárůst, < 1 znamenají pokles.
Sezónní očišťování
Sezónní očišťování znamená odstranit periodické kolísání z řady tak, aby byl lépe viditelný trend. Použití:
- Předběžné čištění dat před analýzou trendu nebo dalších vztahů
- Zlepšení interpretace reziduí
Definice: Náhodná složka $e_t$ jsou rezidua $e_t = Y_t - (T_t + P_t)$ v aditivním modelu; musí mít střední hodnotu 0, konstantní rozptyl a být nekorelovaná (bílý šum je ideální případ).
Trendové funkce a jejich volba
Trend lze popsat pomocí jednoduchých analytických funkcí. Z běžných typů:
- Lineární: $T_t = a + b t$
- Kvadratická: $T_t = a + b t + c t^{2}$
- Logaritmická: $T_t = a + b \log t$
- Exponenciální: $T_t = a \cdot b^{t}$
- Mocninová: $T_t = a \cdot t^{n}$
Postup při volbě trendu v softwaru (např. SPSS):
- Označit typ časové řady (měsíční, roční...).
- Grafická analýza.
- Odhad parametrů vhodné funkce.
- Hodnocení pomocí indexu determinace $R^{2}$ a chybových měr (M.E., M.S.E., M.A.E., M.A.P.E.).
Definice: M.A.P.E. je střední absolutní procentní chyba odhadu; hodnota do 5 % indikuje kvalitní model, do 10 % použitelný model.
Extrapolace vs. interpolace
- Interpolace: odhad hodnot mezi dvěma měřeními na základě popsaného systematického vývoje.
- Extrapolace: prognóza budoucího vývoje za hranicí dostupných dat (vyžaduje předpoklad stability popsaných zákonitostí).
Predikce a typy předpovědí
- Bodová předpověď: jeden
Zaregistruj se pro celé shrnutíUž máš účet? Přihlásit se
Analýza časových řad
Klíčová slova: Hospodářský cyklus, Statistika časových řad, Statistika a ekonometrie, Statistika regresní analýzy, Statistika testování hypotéz, Kontingenční tabulky, Regresní analýza a korelace, Vícenásobná regresní analýza, Regresní diagnostika a předpoklady, Analýza časových řad a modelování, Korelace a vztahy v časových řadách, Indexy, Vícerozměrná regresní analýza, Statistické inferenční metody v regresi, Regrese v časových řadách, Základy regresní analýzy, Korelace
Klíčové pojmy: Časová řada se skládá z trendu, periodické a náhodné složky, Aditivní model: $Y_t = T_t + P_t + e_t$, multiplikativní: $Y_t = T_t \cdot P_t \cdot e_t$, Vyrovnaná hodnota lze získat průměrem, klouzavým průměrem nebo trendovou funkcí, Sezónní odchylka: $s_t = Y_t - \tilde{Y}_t$, sezónní index: $i_t = \dfrac{Y_t}{\tilde{Y}_t}$, Sezónní očišťování odstraňuje periodické vlivy před analýzou trendu, Trend lze modelovat lineárně, kvadraticky, exponenciálně nebo logaritmicky, Exponenciální vyrovnávání dává větší váhu novějším datům, parametr $\alpha$ řídí adaptaci, Kvalitu modelu hodnotíme M.E., M.S.E., M.A.E., M.A.P.E. a pseudoprognózami