Upload
majed
View
76
Download
1
Embed Size (px)
DESCRIPTION
Szereg czasowy – czy trend jest wykładniczy?. Problem. Powiedzmy, że interesuje nas odpowiedź na następujące pytanie:. W latach 1985-94 obserwujemy wartość pewnej cechy, np. wielkość produkcji telewizorów w tys. sztuk. Dane empiryczne zobaczymy na kolejnym slajdzie. Problem – dane empiryczne. - PowerPoint PPT Presentation
Citation preview
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
1
Szereg czasowy – czy trend jest wykładniczy?
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
2
Problem
Powiedzmy, że interesuje nas odpowiedź na następujące pytanie:
W latach 1985-94 obserwujemy wartość pewnej cechy, np. wielkość produkcji telewizorów w tys. sztuk.
Dane empiryczne zobaczymy na kolejnym slajdzie.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
3
Problem – dane empiryczne
Dane te tworzą szereg czasowy (inaczej chronologiczny).Szereg czasowy, to zbiór wyników postaci (t, yt) uporządkowany rosnąco wg czasu. Czas w szeregu czasowym odgrywa rolę zmiennej niezależnej
lata produkcja
1985 4,2
1986 4,5
1987 5,6
1988 5,7
1989 6,2
1990 8,9
1991 7,9
1992 16,1
1993 21,9
1994 22,9
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
4
Problem – inna postać danych
Bez szkody dla istoty problemu, a dla całkowitej zgodności z definicją szeregu czasowego przekształcamy czas tak, aby przypisać mu kolejne wartości naturalne 1, 2, 3 itd..
Interesuje nas teraz pytanie, czy możemy uznać, że trend tego zjawiska można przedstawić jako wykładniczą funkcję czasu?
czas produkcja
1 4,2
2 4,5
3 5,6
4 5,7
5 6,2
6 8,9
7 7,9
8 16,1
9 21,9
10 22,9
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
5
Problem – próba odpowiedzi
Można oczywiście oszacować (korzystając z Excela) wykładniczy model trendu na podstawie danych z poprzedniego slajdu.
y = 2,8545e0,1998x
R2 = 0,9076
0
5
10
15
20
25
0 2 4 6 8 10 12
produkcja
Wykł. (produkcja)
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
6
Próba odpowiedzi
Jak widzimy trend wykładniczy dość dobrze opisuje badaną zależność, ale z tego jednoznacznie nie wynika, że powinniśmy zastosować właśnie model wykładniczy.
W przypadku szeregu czasowego (szerzej: wtedy, gdy x zmieniają się o stałą wartość) i konieczności sprawdzenia, czy związek między y a czasem (x) jest wykładniczy możemy skorzystać z bardzo prostej własności funkcji wykładniczej.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
7
Własność funkcji wykładniczej
)exp(btaeay btt
Załóżmy, że między y a zmienną t jest związek wykładniczy postaci:
Przyrost absolutny wartości funkcji wykładniczej dla argumentu t i t-1 jest równy:
))exp(1)(exp())1(exp()exp( bbtatbabtayt
Jak widzimy przyrost absolutny nie jest stały, lecz jest funkcją czasu.
dla t=2, 3, …, n
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
8
Własność funkcji wykładniczej (2)
Mając przyrosty absolutne możemy wyznaczyć przyrosty względne wartości funkcji w punkcie t:
)exp(1)exp(
))exp(1)(exp()( b
bta
bbta
y
yyd
t
tt
Z powyższego wynika, że w przypadku zależności wykładniczej przyrosty względne zmiennej y-ek są STAŁE (nie są funkcją zmiennej t)
dla t=2, 3, …, n
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
9
Rozwiązanie
ntyyy ttt ...,,3,21 dla
Wykorzystując podaną na poprzednim slajdzie zależność wyznaczamy dla naszych danych przyrosty absolutne zmiennej y dla kolejnych wartości czasu:
A następnie przyrosty względne:
ntdlay
y
t
tt ...,,3,2
1
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
10
Rozwiązanie – dane wyjściowe,przyrosty bezwzględne i względne
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
11
Obliczenie przyrostów-formuły
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
12
Rozwiązanie – estymacja pomocniczego modelu
Wykorzystując dane z kolumny A i D arkusza przedstawio-nego na slajdzie 10 (bez pozycji i=1) będziemy estymować model
z zamiarem wykazania, że parametr b jest równy ZEROZrobimy to poprzez weryfikację hipotezy H0:b=0.W sytuacji, gdy nie będziemy mieli podstaw do odrzucenia H0:B=0 będziemy mogli uznać, że przyrosty względne y-ka są STAŁE, a tym samym y-ek zależy wykładniczo od czasu!
tbayd t )(
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
13
Rozwiązanie numeryczne (1)
Do obliczeń wykorzystamy procedurę Liniowa z menu Regresja arkusza StatystykaJG.xls. Przed wywołaniem tej procedury musimy przygotować spójny obszar danych dla zmiennej niezależnej (czasu) jak i zmiennej zależnej (przyrostów względnych d(y)).Zaczniemy od wyselekcjonowania komórki A1, a następnie przy wciśniętym klawiszu Ctrl selekcjonujemy obszar A3:A11, komórkę D1 oraz obszar D3:D11. Zaznaczone obszary pokazane są na kolejnym slajdzie.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
14
Rozwiązanie numeryczne (2) – zaznaczone obszary arkusza
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
15
Rozwiązanie numeryczne (3) – skopiowanie danych w inne miejsce
Korzystając z dowolnej metody umieszczamy zaznaczony fragment arkusza w schowku WindowsZawartość schowka wkleimy w innym miejscu arkusza, może to być przykładowo obszar zaczynający się komórką G1
Po ustawieniu kursora w tej komórce wywołujemy polecenie Wklej specjalnie i wybieramy opcję Wartości – jest to konieczne z uwagi na formuły w zaznaczeniu.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
16
Rozwiązanie numeryczne (4) – dane skopiowane
Dane z obszaru G1:H10 zostaną wykorzystane w procedurze Liniowa
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
17
Obliczenia – wskazanie danych wyjściowych
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
18
Uruchomienie obliczeń
Pytanie o kontynuację obliczeń – odpowiadamy Tak
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
19
Wyniki weryfikacji H0:b=0
W obszarze M3:N3 mamy dolny i górny kraniec przedziału ufności dla wsp. regresji b – krańce są różnych znaków, co oznacza, że zero należy do tego przedziału, tym samym nie ma podstaw do odrzucenia H0
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
20
Podsumowanie badania, czy przyrosty względne są stałe (1)
Na slajdzie 19 wskazałem, że z uwagi na fakt, że zero należy do przedziału ufności dla współczynnika regresji b NIE MAMY podstaw do odrzucenia H0:b=0 wobec H1:b<>0
Analogiczny wniosek możemy sformułować wykorzystująć statystykę F –Fishera dla weryfikacji tej samej hipotezy. W komórce N7 mamy p-value, jego wartość jest większa niż domyślne alfa=0,05
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
21
Podsumowanie badania, czy przyrosty względne są stałe (2)
Fakt, że nie mamy podstaw do odrzucenia H0:b=0 wobec H1:b<>0 przy rozpatrywaniu modelu
tbayd t )(Oznacza, że przyrosty względne zmiennej y-ek są stałe, co automatycznie wskazuje na związek wykładniczy między zmienną y-ek a czasem t
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
22
Co dalej?
)exp(btaeay btt
btaebtayt )ln()ln()ln()ln(
Pozostaje nam estymacja modelu wykładniczego
Jest to jednak model krzywoliniowy, przed jego estymacją musimy go linearyzować. Logarytmując obustronnie mamy:
Co pozwala już na użycie standardowej procedury estymacji modelu liniowego
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
23
Przygotowanie danych do estymacji modelu wykładniczego
W kolumnie C są logarytmy danych z kolumny B, do estymacji wykorzystamy dane z obszaru A1:A11 oraz C1:C11
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
24
Estymacja – wskazanie danych
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
25
Estymacja – wykresy i badanie założeń
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
26
Pytanie o kontynuację obliczeń…
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
27
Wyniki estymacji w nowym arkuszu
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
28
Ocena wyników estymacji (1)
Test serii został wykorzystany do zweryfikowania hipotezy, że zależność między ln(y) a czasem jest liniowa. Wniosek jest oczywisty – wynika bowiem z naszych wcześniejszych rozważań dotyczących ustalenia, czy y-ek zależy wykładniczo od czasu
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
29
Ocena wyników estymacji (2)
Pokazane są wyniki badania założeń o normalności reszt losowych i braku autokorelacji – w obu przypadkach założenia są spełnione.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
30
Ocena wyników estymacji (3)
Mamy oceny parametrów modelu wraz z ich błędami oraz 95% przedziałami ufności oraz wyniki weryfikacji hipotezy o istotności regresji (H0:b=0 vs H1:B<>0).
Hipotezę H0 odrzucamy, tym samym istnieje istotny liniowy związek między ln(y) a czasem.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
31
Ocena wyników estymacji (4)
Model ln(y)=ln(a)+bt jest istotny statystycznie, możemy więc podać interpretację współczynnika regresji b:
Jeżeli czas wzrośnie o jednostkę, to ln(y) średnio wzrośnie o 0,20 jednostki.
Uwzględniając przedział ufności dla współczynnika regresji można rozszerzyć ten wniosek do postaci:z 95% ufnością mamy prawo oczekiwać, że przy wzroście czasu o jednostkę ln(y) średnio wzrośnie o nie mniej niż 0,15 jednostek, ale nie więcej niż o 0,25 jednostek.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
32
Ocena wyników estymacji (5)
Procedura Liniowa zwróciła także wartości współ-czynników korelacji i determinacji. Temu ostatniemu można nadać następującą interpretację: zmienność ln(y) w prawie 91% jest wyjaśniona upływem czasu.Na slajdzie pokazana jest także macierz, którą wykorzystamy do prognozy.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
33
Ocena wyników estymacji (6)
Procedura Liniowa wyprowadza także pokazane wyżej wyniki, mamy tu czas, obserwowane wartości Y (u nas ln(y)), wartości teoretyczne wynikające z modelu, oraz przedziały ufności i predykcji oraz reszty.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
34
Ocena wyników estymacji (7)
0,7
1,3
1,9
2,4
3,0
3,6
0,9 2,7 4,6 6,4 8,3 10,1
Yi
Yi (teor.)
dolny p.u
górny p.u
dolny p.p
górny p.p
Na podstawie danych z poprzedniego slajdu przygotowany jest pokazany niżej wykres.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
35
Retransformacja wyników (1)Wszystkie pokazane dotychczas wyniki estymacji jak i sformułowane wnioski dotyczą cechy ln(y) a nie samego y-ka. Niżej pokazane są dane ze slajdu 33 po retransformacji, czyli po powrocie do cechy y-ek.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
36
Retransformacja wyników (2)
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
0 2 4 6 8 10 12
Yi
Yi (teor.)
dolny p.u
górny p.u
dolny p.p
górny p.p
Poniżej wykres zrobiony „ręcznie” na podstawie danych retransformowanych.
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
37
Prognoza przyszłych wartości (1)
Wykorzystamy teraz wyestymowany model do wyznaczenia prognozowanej wielkości produkcji telewizorów w kolejnym roku, czyli w 1995 roku. Precyzyjnie będziemy prognozować logarytm naturalny przewidywanej wielkości produkcji, ale po retransformacji będziemy mogli wrócić do rzeczywistej wielkości produkcji w 1995 roku.Prognozę wykonamy w tym arkuszu, w którym procedura Liniowa zwróciła wyniki estymacji modelu d(y)=ln(a)+bt
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
38
Prognoza przyszłych wartości (2)Do prognozy wykorzystamy dane z zaznaczonych obszarów …
Oraz obszar A43:A44, gdzie wpisałem etykietę oraz wartość czasu w 1995 roku
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
39
Prognoza przyszłych wartości (3)
Do wykonania prognozy wykorzystam procedurę Prognozowanie z menu Regresja
Autor: dr Janusz Górczyński, WSZiM w Sochaczewie
40
Prognoza przyszłych wartości (4)
Procedura Prognozowanie zwróciła wyniki w obszarze B43:H44, od wiersza 46 zapisałem wyniki prognozy po retransformacji.
Z 95% pewnością mamy prawo oczekiwać, że wielkość produkcji w 1995 roku będzie nie mniejsza niż 14,51 tys. sztuk, ale nie większa niż 45,52 tys. sztuk