Predmet: Statistika

Tema: ANALIZA VREMENSKIH SERIJA

SADRAJ

Analiza vremenskih serija.............................................................................3 Trend komponenta........................................................................................5 Metod pokretnih prosjeka..............................................................................6 Metod trenda...............................................................................................10 Literatura......................................................................................................12

Analiza vremenskih serija

Vremenska serija predstavlja niz vrijednosti nekog obiljeja u uzastopnim vremenskim periodima (momentima). Pod analizom vremenskih serija podrazumjeva se njihovo izuavanje statistikim metodama, sa ciljem utvrivanja zakonitosti razvoja u posmatranim i predvianja u buduim periodima. Vrijednosti obiljeja koje inu vremensku seriju obino se nazivaju nivoi serije. U zavisnosti od strukture svojih nivoa, vremenska serija moe biti momentna ili intervalna. Momentna je ona vremenska serija ije nivoe predstavljaju vrijednosti posmatranog obiljeja u ekvidistantnim momentima vremena. Takvi momenti mogu biti odreeni dani u nedjelji ili datumi u mjesecu ili godini. Nivoi intervalne vremenske serije predstavljaju komulativne vrijednosti obiljeja za neki interval vremena, duine mjeseca, kvartala, godine i sl. esto se, umjesto zbirnih vrijednosti, za nivoe vremenske serije uzimaju srednje vrijednosti obiljeja u posmatranim intervalima vremena. U zavisnosti od vremenske distance izmeu perioda u kojima se iskazuju nivoi, vremenske serije mogu biti nedjeljne, mjesene, kvartalne, godinje i viegodinje. Vremenske serije se predstavljaju tabelarno i grafii. Tabela sadri dvije kolone, pri emu se u prvoj navode periodi za koje su nivoi registrovani, a u dugoj sami nivoi. Grafiki, vremenske serije se obino prikazuju linijskim grafikonom u pravouglom koordinatnom sistemu u ravni. Na apscisu se nanose podjele koje odgovaraju vremenskim periodima, a na koordinatnu osu nivoi. Grafiki prikaz je posebno znaajan, jer prua predstavu o razvoju posmatrane pojave, a esto sugerie i metod analize. Danas postoji veliki broj metoda za analizu vremenskih serija. Veina njih se bazira na jednom od dva mogua pristupa: vremenskom i frekventnom. Vremenski pristup polazi od stanovita da se promjene u vremenskoj seriji mogu izraziti u funkciji vremena. Frekventni pristup se zasniva na injenici da su varijacije u vremenskoj seriji rezultat superpozicije harmonika razliitih perioda, odnosno frekvencija. Dalje e biti rijei samo o nekim, iz mnotva procedura analize vremenskih serija u vremenskom domenu.

U optem sluaju, nivoi vremenske serije se mogu posmatrati kao rezultat djelovanja sljedeih komponenti: trend, cikline, sezonske i sluajne. Trend komponentu predstavlja dugorona tendencija razvoja posmatrane pojave. Ciklinu komponentu ine viegodinje, obino periodine oscilacije u odnosu na dugoronu tendenciju. esto se ciklina komponenta posmatra zajedno sa trendom, kao trend-ciklina komponenta. Dalje, ciklinu komponentu neemo razmatrati kao posebnu komponentu. Sezonsku komponentu predstavljaju kolebanja u pravilnim vremenskim razmacima kraim od godine, npr. mjesecima ili kvartalima. Sluajna ili iregularna komponenta predstavlja sluajne promjene nivoa vremenske serije. Od naina na koji su ove komponente ukomponovane u vremenskoj seriji, razlikuju se modeli vremenskih serija. Onaimo sa Y nivo vremenske serije, sa T trend -ciklinu komponentu, sa S sezonsku komponentu i sa I sluajnu komponentu. Aditivni model vremenske serije ima oblik:

Y=T+S I

a multiplikativni: Y=TSI

Ako se komponente kombinuju na druge naine nastaju razliiti oblici mjeovitih modela. Jedan od moguih je npr.

Y=TS+I

Analiziranje pojedinih komponenti vremenske serije omoguuje da se sagledaju inioci koji uzrokuju promjene nivoa u vremenu. Stoga je jedan od osnovnih postupaka u analizi vremenske serije dekompozicija, tj. izdvajanje njenih komponenti.

Prilikom dekompozicije vremenske serije polazi se od modela za koji se pretpostavlja da dobro opisuje vremensku seriju. Od stepena adekvatnosti modela u velikoj mjeri zavisi kvalitet dekompozicije. U praktinim situacijama obino se sreemo sa vremenskim serijama ije se komponente meusobno mijeaju na razliite naine, koji esto odudaraju od jednostavnih modela kojima se opisuju. Zbog toga, u veini sluajeva, izdvojene komponente nisu iste, ve sadre u sebi i primjese drugih komponenti.

Trend komponenta

Trend komponenta nastaje pod uticajem sistematskih faktora, koji, na dui rok, odreuju osnovni pravac razvoja posmatrane pojave. Prisustvo trend komponente esto se moe uoiti na grafikonu vremenske serije, mada, grafiki prikaz ne prua uvijek sigurnu garanciju o postojanju trenda. Naime, druge komponente vremenske serije predstavljaju regularne i iregularne oscilacije oko osnovne tendencije, to zamagljuje vizuelni utisak o njenom postojanju. Zbog toga je pouzdanije primjeniti neki od statistikih testova za is pitivanje prisustva trend komponente. Jedan od takvih testova je test znaajnosti razlike sredine. Ako vremensku seriju podijelimo na dva dijela i svaki od njih smatramo uzorkom iz skupa sa normalnim vrijednostima i jednakim varijansama, na osnovu statistike moemo testirati hipotezu o jednakosti sredina. Ako se hipoteza odbaci, znai da su sredine razliite i da postoji znaajna tendencija o seriji. Ovaj test polazi od pretpostavke da varijansa ostaje nepromijenjena u vremenu, to esto nije sluaj. ak i tada, kada ne postoji tendencija promjene varijanse, ovaj test je pogodan samo kod serija sa monotonim trendom. Ako to nije sluaj, moe se dogoditi da sredine dva izdvojena dijela serije budu bliske, i da test ne moe da ustanovi postojanje trenda. Prisustvo trend komponente moe se ispitati i pomou kriterijuma znakova koji je objanjen ranije u knjizi. Za primjenu ovog kriterijuma vremensku seriju treba podijeliti na dva jednaka dijela i primjeniti proceduru iz pomenutog poglavlja. Ako serija ima neparan broj lanova, jedan od njih, npr. prvi ili posljednji, treba iskljuiti iz testa. Ako se donese odluka o odbacivanju nulte hipoteze, smatra se da je ustanovljeno postojanje trenda.

Iako je test znakova pogodan zbog jednostavnosti i zbog toga to ne postav lja uslove koji se odnose na vrijednost osnovnog skupa, i on ima nedostataka. Slino kao i kod prethodnog testa, u sluaju promjene smjera monotonije moe se desiti da brojevi pozitivnih i negativnih razlika budu priblino isti i da test ne ustanovi prisus tvo trenda. Izdvajanje trend komponente iz vremenske serije esto se svodi na otklanjanje ili priguivanje oscilacija oko trenda. Metode pomou kojih se to postie nazivaju se metode izravnanja. Ovaj naziv potie od vizuelnog utiska da se primjenom ovih me toda serija glaa, tj. izravnava.postoji veliki broj metoda za izdvajvanje trend komponente, od sasvim jednostavnih, koje su heuristikog karaktera, do vrlo sloenih, koje se baziraju na vrstim statistikim principima. Jedan od najjednostavnijih metoda je metod pokretnih prosjeka.

Metod pokretnih prosjeka

Ovaj metod se zasniva na ideji da se uprosjeavanjem uzastopnih lanova vremenske serije odstranjuju sezonska i sluajna kolebanja oko osnovne tendencije vremenske serije. Posmatrajmo vremensku seriju sa nivoima y1, y2, ... yn. Ako je m neparan broj (m < n), pokretni prosjek i duine m koji odgovara lanu yi definie se kao:

; i = k+1, ..., n-k

gdje je k = (m-1)/2. Tako npr. pokretni prosjek duine 5, za neki lan vremenske serije yi, predstavlja aritmetiku sredinu tog lana, dva prethodna i dva naredna lana. Jasno je da prva dva i posljednja dva lana vremenske serije nemaju pokretne prosjeke duine 5.

Ako je m paran broj, pokretni prosjeci duine m za lan yi mogli bi se definisati kao:

li

; i = k+1, ..., n-k

ali i kao

2i

; i = k+1, ..., n-k

gdje je k = m/2. Umjesto bilo kog od ova dva pokretna prosjeka, kao pokretni prosjek koji odgovara lanu yi uzima se njihova aritmetika sredina ( yli + y2i). Pokretni prosjeci tipa prethodnog tipa nazivaju se centrirani pokretni prosjeci, jer su konstruisani tako da srednji lan pokretnog prosjeka i bude ba vrijednosti yi. Kao i kod pokretnih prosjeka sa neparnom duinom, po k-lanova sa poetka i kraja serije nemaju centrirane pokretne prosjeke. to je duina pokretnog prosjeka vea, to se pomou njih, obino bolje otklanjaju oscilacije oko trenda. To znai da za serije sa izraenijim kolebanjima oko osnovne tendencije treba izabrati due pokretne prosjeke. Pri tome treba imati na umu da je duina pokretnih prosjeka ograniena duinom serije, s obzirom na gubitak izvjesnog broja poetnih i krajnjih pokretnih prosjeka. Ako su kolebanja oko prosjeka periodina, onda se ona najvie priguuju pomou pokretnih prosjeka ija je duina priblino jednaka periodu kolebanja.

Primjer 1.

Na osnovu podataka o otkupu jednog proizvoda u periodu od 1990. do 2005. godine, izraunati su pokretni prosjeci duine 3 i duine 4 (centralni pokretni prosjeci).

Rjeenje: Za m=3 je k=1, pa je na osnovu prethodnih izraza:

; i = 2, 3, ...,15

tj. y2 = = = 23,7

= 22,3

U sljedeoj tabeli dati su rezultati izraunavanja:

Otkup Godina 000t 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 22 26 23 18 25 30 28 25 27 32 31 27 28 35 33 30

Pokretni prosjeci m=3 -23,7 22,3 22,0 24,3 27,7 27,7 26,7 28,0 30,0 30,0 28,7 30,0 32,0, 32,7 -m=4 --22,6 23,5 24,6 26,1 27,2 27,8 28,4 29,0 29,4 29,9 30,5 31,1 ---

Metod trenda

10

Za modeliranje trend komponenteesto se koriste i matematike funkcije. Nivoi vremenske serije posmatraju se kao funkcije vremena, pa se metodama regresione analize ocjenjuje najbolje prilagoena linija. Ocjenjene regresione vrijednosti predstavljaju izdvojenu trend komponentu, koja se, kao glatka kriva, moe smatrati izglaanom vremenskom serijom. Osnovni problem koji se javlja kod ovakve analize vremenske serije jeste izbor adekvatne matematike funkcije. Poto metod sam po sebi nije adaptivan, kao, recimo, metod eksponencijalnog izravnjanja, subjektivan izbor u osnovi odreu je tendenciju. Da bi taj izbor bio adekvatan, mora se poznavati priroda pojave koja je predstavljena vremenskom serijom. Prilikom ocjenjivanja funkcije trenda, za uzorake vrijednosti za zavisno-promjenljivu uzimaju se nivoi vremenske serije, a za nezavisno-promjenljivu vrijeme (mjeseci, godine i sl).

Mi emo za vrijednosti nezavisno-promjenljive uzimati prirodne brojeve od 1 do n, gdje je n- duina vremenske serije. Alternativna mogunost je da se za vrijednostinezavisno promjenljive uzmu cijeli brojevi, tj. ...-2, -1, 0, 1, 2, ..., za seriju sa parnim brojevima lanova. Pri tome 0, odnosno -14 i 1, odgovaraju nivoima u sredini serije.

Kao to je reeno, za modeliranje trenda matematikim funkcijama koristi se metodologija regresione analize. Treba naglasiti da kod vremenskih serija uzorake statistike obino nemaju ista statistika svojstva kao kod regresione analize.

Naime, pretpostavke o normalnosti i nezavisnosti, u veini praktinih situacija nisu ispunjene. U skladu s tim, postoje razliite metode za provjeru valjanosti pretpostavki regresione analize kod vremenskih serija, kao i alternativne metode kada te pretpostavke nisu ispunjene.

Literatura

11

Rei Sead (2009), Statistika u logistici i menadmentu, skripta, Travnik