При использовании простой скользящей средней выравнивание. Расчет скользящей средней в Excel и прогнозирование

Среднее скользящее значение относится к категории аналитических инструментов, которые, как принято говорить, "следуют за тенденцией". Его назначение состоит в том, чтобы позволить определить время начала новой тенденции, а также предупредить о ее завершении или повороте. Методы скользящего среднего предназначены для отслеживания тенденций непосредственно в процессе их развития, их можно рассматривать как искривленные линии тренда. Однако методы скользящего среднего не предназначены для прогнозирования движений на рынке в том смысле, в котором это позволяет делать графический анализ, поскольку они всегда следуют за динамикой рынка, а не опережают ее. Иначе говоря, эти показатели, например, не прогнозируют динамику цен, а только реагируют на нее. Они всегда следуют за движениями цен на рынке и сигнализируют о начале новой тенденции, но только после того, как она появилась.

Построение скользящего среднего представляет собой специальный метод сглаживания показателей. Действительно, при усреднении ценовых показателей их кривая заметно сглаживается и наблюдать тенденцию развития рынка становится намного проще. Однако уже по самой своей природе скользящее среднее как бы отстает от динамики рынка. Краткосрочное скользящее среднее точнее передает движение цен, чем более продолжительное, т.е. вычисленное для более длинного интервала. Применение краткосрочного скользящего среднего позволяет сократить отставание во времени, однако полностью устранить его при использовании любого метода скользящих средних невозможно.

Простое скользящее среднее, определяемое как среднее арифметическое значение, вычисляется по следующей формуле, при условии что m - нечетное число:

где у, - фактическое значение /-го уровня; m - число уровней, входящих в интервал сглаживания - текущий уровень ряда динамики; i - порядковый номер уровня в интервале сглаживания; р - при нечетном m имеет значение р = (m - 1)/2.

Интервал сглаживания, т.е. число входящих в него уровней m , определяют по следующим правилам. Когда необходимо сгладить незначительные, беспорядочные колебания, интервал сглаживания берут большим, если же требуется сохранить более незначительные колебания и освободиться лишь от периодически повторяющихся выбросов - интервал сглаживания обычно уменьшают.

Метод простого скользящего среднего используется обычно в тех случаях, когда график временного ряда представляет собой прямую линию, поскольку при этом динамика исследуемого явления не искажается.

В том случае, когда тренд ряда имеет явно нелинейный характер и желательно сохранить незначительные колебания в динамике значений, этот метод не используется, так как его применение может привести к значительным искажениям исследуемого процесса. В таких случаях используется взвешенное скользящее среднее или методы экспоненциального сглаживания.

Практика показывает, что метод простого скользящего среднего позволяет выработать объективную стратегию и четко определенные правила, например, в сфере торговли. Именно поэтому данный метод положен в основу многих компьютерных систем для торговых организаций. Как же можно использовать метод скользящего среднего? Наиболее распространенные способы применения скользящего среднего таковы.

1 . Сопоставление значения текущей цены со скользящим средним, используемым в этом случае как индикатор тенденции. Так, если цены находятся выше 65-дневного скользящего среднего, то на рынке имеется промежуточная (краткосрочная) восходящая тенденция. В случае более долгосрочной тенденции цены должны быть выше 40-недельного скользящего среднего.

2 . Использование скользящего среднего как уровня поддержки или сопротивления. Закрытие цен выше данного скользящего среднего служит "бычьим" сигналом, закрытие ниже его - "медвежьим".

3 . Отслеживание полосы скользящего среднего (другое часто используемое название - конверт). Эта полоса ограничивается двумя параллельными линиями, которые располагаются на определенную процентную величину выше и ниже кривой скользящего среднего. Эти границы могут служить индикаторами уровня поддержки или сопротивления соответственно.

4 . Наблюдение за направлением наклона кривой скользящего среднего. Так, если после длительного подъема она выравнивается или поворачивает вниз, это может быть "медвежьим" сигналом.

5 . Еще один простой метод наблюдения заключается в построении линий тренда по кривой скользящего среднего. Также иногда может быть целесообразно использование комбинации из двух скользящих средних.

Microsoft Excel располагает функцией Скользящее среднее (Moving Average), которая обычно используется для сглаживания уровней эмпирического временного ряда на основе метода простого скользящего среднего. Для вызова этой функции необходимо выбрать команду меню Tools^Data Analysis (Сервис1*Анализ данных). На экране раскроется окно Data Analysis, в котором следует выбрать значение Moving Average. В результате на экран будет выведено диалоговое окно Moving Average, представленное на рис. 11.1.

В диалоговом окне Скользящее среднее задаются следующие параметры.

1. Input Range (Входные данные) - в это поле вводится диапазон ячеек, содержащих значения исследуемого параметра.

2. Labels in First Row (Метки в первой строке) - данный флажок опции устанавливается в том случае, если первая строка/столбец входного диапазона содержит заголовок. Если заголовок отсутствует, флажок следует сбросить. В этом случае для данных выходного диапазона будут автоматически созданы стандартные названия.

3. Interval (Интервал) - в это поле вводится число уровней m, входящих в интервал сглаживания. По умолчанию v = 3.

4. Output options (Параметры вывода) - в этой группе, помимо указания диапазона ячеек для выходных данных в поле Output Range (Выходной диапазон), можно также потребовать автоматически построить график, для чего нужно установить флажок опции Chart Output (Вывод графика), и рассчитать стандартные погрешности, для чего необходимо установить флажок опции Standart Errors (Стандартные погрешности).

Рассмотрим конкретный пример. Допустим, за указанный период (1999-2002 гг.) необходимо выявить основную тенденцию изменения фактического объема выпуска продукции и характер сезонных колебаний этого показателя. Данные для примера представлены на рис. 11.2. На рис. 11.3 отображены вычисленные с помощью функции Moving Average (Скользящее среднее) значения сглаженных уровней и значения m=3.

Это один из самых старых и широко известных способов сглаживания временного ряда. Сглаживание представляет собой некоторый способ локального усреднения данных, при котором несистематические компоненты взаимно погашают друг друга. Так, метод скользящей средней основан на переходе от начальных значений ряда к их средним значениям на интервале времени, длина которого выбрана заранее (данный интервал времени часто называют "окном"). При этом сам выбранный интервал скользит вдоль ряда.

Получаемый таким образом ряд скользящих средних ведет себя более гладко чем исходный ряд, за счет усреднения отклонений исходного ряда. Таким образом, эта процедура дает представление об общей тенденции поведения ряда. Ее применение особенно полезно для рядов с сезонными колебаниями и неясным характером тренда.

Формальное определение метода скользящей средней для окна сглаживания, длина которого выражается нечетным числом p=2m+1. Пусть имеются измерения во времени: y 1 , y 2 …y n .

Тогда метод скользящей средней состоит в том, что исходный временной ряд преобразуется в ряд сглаженных значений (оценок) по формуле:

Где р – размер окна, j – порядковый номер уровня в окне сглаживания, m – величена, определяемая по формуле: m = (p-1) / 2.

При применении метода скользящей средней выбор размера окна сглаживания p должен осуществляться исходя из соображений и привязанности к периоду сезонности для сезонных волн. Если процедура скользящего среднего используется для сглаживания не сезонных рядов, то окно выбирают равным трем, пяти или семи. Чем больше размер окна, тем более гладкий вид имеет график скользящих средних.

Задача 2. На основе данных о производстве стиральных машин фирмой за 15 месяцев 2002-2003 гг. нужно произвести сглаживание ряда методом трехчленной скользящей средней.

Стиральные машины, тыс. шт.	Трехчленные скользящие суммы	Трехчленные скользящие средние

Взяв данные за первые три месяца, исчисляем трехчленные суммы, а затем среднюю:

и т.д.

Для реализации процедуры скользящей средней можно воспользоваться функцией Microsoft Excel. В закладке "Анализ данных" выбираем "скользящее среднее". Этот режим работы служит для сглаживания уровней временного ряда на основе метода простой скользящей средней. Указывается интервал – т.е. размер окна сглаживания. По умолчанию р=3. Получаем на выходе следующий результат:

Стиральные машины, тыс. шт.	Трехчленные скользящие средние, полученные с помощью инструмента "Скользящее среднее"	Трехчленные скользящие средние, полученные выше вручную

На графике отображен исходный ряд и сглаженный. Теперь для сглаженного ряда проще и точнее можно определить основную тенденцию (например, подобрать линию тренда).

Распространенным приемом при выявлении тенденции развития является сглаживание временного ряда. Суть различных приемов сглаживания сводится к замене фактических уровней временного ряда расчетными уровнями, которые подвержены колебаниям в меньшей степени. Это способствует более четкому проявлению тенденци и развития. Иногда сглаживание применяют как предварительный этап перед использованием других методов выделения тенденции

Скользящие средние позволяют сгладить как случайные, так и периодические колебания, выявить имеющуюся тенденцию в развитии процесса, и поэтому, являются важным инструментом при фильтрации компонент временного ряда.

Если рассматриваемое явление носит линейный характер, то применяется простая скользящая средняя. Алгоритм сглаживания по простой скользящей средней может быть представлен в виде следующей последовательности шагов:

1. Определяют длину интервала сглаживания g, включающего в себя g последовательных уровней ряда (g

2. Разбивают весь период наблюдений на участки, при этом интервал сглаживания как бы скользит по ряду с шагом, равным 1.

3. Рассчитывают арифметические средние из уровней ряда, образующих каждый участок.

4. Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующие средние значения.

При этом удобно брать длину интервала сглаживания g в виде нечетного числа: g=2p+1, т.к. в этом случае полученные значения скользящей средней приходятся на средний член интервала.

Наблюдения, которые берутся для расчета среднего значения, называются активным участком сглаживания.

При нечетном значении g все уровни активного участка могут быть представлены в виде: yt-p, yt-p+1, ... , yt-1, yt, yt+1, ... , yt+p-1, yt+p,

а скользящая средняя определена по формуле:

Процедура сглаживания приводит к полному устранению периодических колебаний во временном ряду, если длина интервала сглаживания берется равной или кратной циклу, периоду колебаний.

Для устранения сезонных колебаний желательно было бы использовать четырех- и двенадцатичленную скользящие средние, но при этом не будет выполняться условие нечетности длины интервала сглаживания. Поэтому при четном числе уровней принято первое и последнее наблюдение на активном участке брать с половинными весами:

Тогда для сглаживания сезонных колебаний при работе с временными рядами квартальной или месячной динамики можно использовать следующие скользящие средние:

При использовании скользящей средней с длиной активного участка g=2p+1 первые и последние p уровней ряда сгладить нельзя, их значения теряются. Очевидно, что потеря значений последних точек является существенным недостатком, т.к. для исследователя последние "свежие" данные обладают наибольшей информационной ценностью. Рассмотрим один из приемов, позволяющих восстановить потерянные значения временного ряда . Для этого необходимо:

1.Вычислить средний прирост на последнем активном участке yt-p, yt-p+1, ... , yt, ... , yt+p-1, yt+p

2.Получить P сглаженных значений в конце временного ряда путем последовательного прибавления среднего абсолютного прироста к последнему сглаженному значению.

Аналогичную процедуру можно реализовать для оценивания первых уровней временного ряда.

Метод простой скользящей средней применим, если графическое изображение динамического ряда напоминает прямую. Когда тренд выравниваемого ряда имеет изгибы, и для исследователя желательно сохранить мелкие волны, применение простой скользящей средней нецелесообразно.

Если для процесса характерно нелинейное развитие, то простая скользящая средняя может привести к существенным искажениям. В этих случаях более надежным является использование взвешенной скользящей средней.

При построении взвешенной скользящей средней на каждом участке сглаживания значение центрального уровня заменяется на расчетное, определяемое по формуле средней арифметической взвешенной, т.е. уровни ряда взвешивают.

Взвешенная скользящая средняя приписывает каждому уровню вес, зависящий от удаления данного уровня до уровня, стоящего в середине участка сглаживания.

При сглаживании по взвешенной скользящей средней используются полиномы второго (парабола) или третьего порядка.

Сглаживание с помощью взвешенной скользящей средней осуществляется следующим образом: для каждого участка сглаживания подбирается полином вида:

Y i = a j + a 1 t

Y i = a o + a 1 t + a 2 t 2 +… a p t p

Параметры полинома находятся по методу наименьших квадратов.

При этом начало отсчета переносится в середину участка сглаживания, например, если длина интервалов сглаживания = 5, то индексы уровней участка сглаживания будут равны: -2, -1, 0, 1, 2.

у	t	t	t
у1	-2
у2	-1
у3
у4
у5
	t=0

Тогда сглаживающим значением для уровня, стоящего в середине участка сглаживания, будет значение параметра а 0 .

Нет необходимости каждый раз заново вычислять весовые коэффициенты при уровнях ряда, входящих в участок сглаживания, поскольку они будут одинаковыми для каждого участка сглаживания, например, если в интервал сглаживания входит 5 последующих уровней ряда и выравнивание производится по параболе, то коэффициенты параболы находят по методу наименьших квадратов, учитывая, что t = 0.

Метод наименьших квадратов в этой ситуации дает следующую систему уравнений:

Для нахождения параметра а0 используют 1 и 3 уравнение

34-=5*34а0-10*10а0

34-=а0(170-100)

а0=

Если длина интервала сглаживания равна 7, весовые коэффициенты следующие:

Отметим важные свойства приведенных весов:

1) Они симметричны относительно центрального уровня.

2) Сумма весов с учетом общего множителя, вынесенного за скобки, равна единице.

3) Наличие как положительных, так и отрицательных весов, позволяет сглаженной кривой сохранять различные изгибы кривой тренда.

Существуют приемы, позволяющие с помощью дополнительных вычислений получить сглаженные значения для Р начальных и конечных уровней ряда при длине интервала сглаживания g=2p+1.

Весовые коэффициенты при сглаживании по полиномам второго и третьего порядка

Тема 5: Методы измерения и изучения устойчивости временного ряда.

o устойчивость уровней ряда;

o устойчивость тренда.

Согласно статистической теории, статистический показатель содержит в себе элементы необходимого и случайного. Необходимость проявляется в форме тенденции временных рядов, а случайность в форме колебаний уровней относительно тренда. Тенденцией характеризуется процесс эволюции.

Расчленение временных рядов на составляющие элементы – условный описательный прием. Тем не менее, решающим фактором, обусловливающим тенденцию является целенаправленная деятельность человека, а главной причиной колеблемости – изменение условий жизнедеятельности.

Отсюда следует, что устойчивость не означает обязательного повторения одинакового уровня из года в год. Слишком узким было понятие устойчивости ряда как полное отсутствие любых колебаний уровней.

Сокращение колебаний уровней ряда – одна из главных задач при повышении устойчивости.

Устойчивость временных рядов - это наличие необходимой тенденции изучаемого показателя с минимальным влиянием на него неблагоприятных условий.

Для измерения устойчивости уровней временных рядов используют следующие показатели:

1) размах колеблемости - определяется как разница средних уровней за благоприятные и неблагоприятные по отношению к изучаемому явлению периоды времени:

R=y благопр – унеблагопр

К благоприятным периодам времени относятся все периоды с уровнями выше тренда, а к неблагоприятным – ниже тренда.

3)среднее линейное отклонение:

1) среднее квадратическое отклонение:

S(t)=

Уменьшение колеблемости во времени будет равнозначно устойчивости уровней.

Для характеристики устойчивости рекомендуются также следующие показатели:

1) процентный размах (PR):

Wmax/min – max/min относительный прирост.

2) Скользящая средняя (МА) оценивает величину среднего отклонения от уровня скользящих средних (хt):

3) Среднее процентное изменение (АРС) оценивает среднее значение абсолютных величин, относительных приростов и квадратов относительных приростов:

АРС=

Для оценки устойчивости уровней временных рядов применяются относительные показатели колеблемости:

K=100 – V(t) – коэффициент устойчивости (в процентах или долях единиц).

Для измерения устойчивости тенденции динамики (тренда) используют следующие показатели:

1) коэффициент корреляции рангов (коэффициент Спирмена):

d - разность рангов уровней изучаемого ряда и рангов номеров периодов или моментов времени.

Для определения этого коэффициента величины уровней нумеруют в порядке возрастания, а при наличии одинаковых уровней им присваивается определенный ранг равный частному от деления рангов, приходящихся на число этих равных значений.

Коэффициент Спирмена может принимать значения в пределах от 0 до ±1. Если каждый уровень исследуемого периода выше, чем предыдущего, то ранги уровней ряда и номера лет совпадают – Кр=+1. Это означает полную устойчивость самого факта роста уровней ряда, то есть непрерывность роста. Чем ближе Кр к +1, тем ближе рост уровней к непрерывному, то есть выше устойчивости роста. Если Кр=0, рост совершенно неустойчив.

При отрицательных значениях чем ближе Кр к -1, тем устойчивее уменьшение изучаемого показателя.

Индекс корреляции показывает степень сопряженности колебаний исследуемых показателей с совокупностью факторов, изменяющих их во времени. Приближение индекса корреляции к 1 означает, большую устойчивость изменения уровней временных рядов.

Число уровней ряда у двух показателей должно быть одинаково.

Применяются также комплексные показатели устойчивости , сущность которых заключается в определении их не через уровни временных рядов, а через показатели их динамики.

1. Показатель Каякиной определяется как отношение среднего прироста линейного тренда, т.е. параметра а1 к среднему квадратическому отклонению уровней от тренда:

Чем больше величина этого показателя, тем менее вероятно, что уровень ряда в следующем периоде будет меньше предыдущего.

2. Показатель опережения, который получают, сопоставляя темпы роста уровней ряда с темпами значения колеблемости:

Если показатель опережения > 1, то это свидетельствует о том, что уровни ряда в среднем растут быстрее колебаний или снижаются медленнее колебаний. В таком случае коэффициент колеблемости уровней будет уменьшаться, а коэффициент устойчивости уровней увеличиваться. Если показатель опережения меньше 1, то колебания растут быстрее уровней тренда и коэффициент колеблемости растет, а коэффициент устойчивости уровней уменьшается, то есть показатель опережения определяет направление динамики коэффициента устойчивости уровней.

Вначале рассмотрим несколько простейших методов прогнозирования, не учитывающих наличия сезонности во временном ряде. Предположим, что в журнале РБК приведена сводка за последние 12 дней (включая сегодняшний) цен на апельсины, сложившихся на момент закрытия биржи. Используя эти данные, нужно предсказать завтрашнюю цену на какао (также на момент закрытия биржи). Рассмотрим несколько способов сделать это.

Если последнее (сегодняшнее) значение наиболее значимо по сравнению с остальными, то оно является наилучшим прогнозом на завтра.

Возможно, из-за быстрого изменения цен на бирже первые шесть значений уже устарели и не актуальны, в то время как последние шесть значимы и имеют равную ценность для прогноза. Тогда в качестве прогноза на завтра можно взять среднее последних шести значений.

Если все значения существенны, но сегодняшнее 12-е значение наиболее значимо, а предыдущие 11-е, 10-е, 9-е и т.д. имеют все меньшую и меньшую значимость, следует найти взвешенное среднее всех 12 значений. Причем весовые коэффициенты для последних значений должны быть больше, чем для предыдущих, и сумма всех весовых коэффициентов должна равняться 1.

Первый способ называется «наивным» прогнозом и достаточно очевиден. Рассмотрим подробнее остальные способы.

Метод скользящего среднего

Одним из предположений, лежащих в основе данного метода, является то, что более точный прогноз на будущее можно получить, если использовались недавние наблюдения, причем, чем «новее» данные, тем их вес для прогноза должен быть больше. Удивительно, но такой «наивный» подход оказывается чрезвычайно полезным для практики. Например, многие авиакомпании используют частный тип скользящего среднего для создания прогнозов спроса на авиаперелеты, которые, в свою очередь, используются в сложных механизмах управления и оптимизации доходов. Более того, практически все программные пакеты управления запасами содержат модули, выполняющие прогнозы на основе того или иного типа скользящего среднего.

Рассмотрим следующий пример. Маркетологу нужно спрогнозировать спрос на производимые его компанией станки. Данные по объемам продаж за последний год работы компании находятся в файле «ЛР6.Пример 1.Станки.xls».

Простое скользящее среднее . В этом методе среднее фиксированного числа N последних наблюдений используется для оценки следующего значения временно ряда. Например, используя данные о продажах станков за первые три месяца года, менеджер получает для апреля значение, используя формулу, приведённую ниже:

Менеджер вычислил объем продаж на основе простого скользящего среднего за 3 и 4 месяца. Однако требуется определить, какое количество узлов даёт более точный прогноз. Для оценки точности прогнозов используются среднее абсолютных отклонений (САО) исреднее относительных ошибок , в процентах (СООП), вычисляемые по формулам (3) и (4).

где x i –i -ое реальное значение переменной вi -й момент времени, аx ’ i –i -ое спрогнозированное значение переменной вi -й момент времени, N - количество прогнозов.

Согласно результатам, полученным на листе «Простое ск. среднее» рабочей книги «ЛР6.Пример 1.Станки.xls» (см. Рисунок 56), скользящее среднее за три месяца имеет значение САО равное 12,67 (ячейка D16 ), тогда как для скользящего среднего за 4 месяца значение САО равно 15,59 (ячейка F16 ). Тогда можно выдвинуть гипотезу, что использование большего количества статистических данных скорее ухудшает, чем улучшает точность прогноза методом скользящего среднего.

Рисунок 56. Пример 1 – результаты прогнозирования методом простого скользящего среднего

На графике (см. Рисунок 57), построенном по результатам наблюдений и прогнозов с интервалом 3 месяца, можно заметить ряд особенностей, общих для всех применений метода скользящего среднего.

Рисунок 57. Пример 1 – график кривой прогноза методом простого скользящего среднего и график реального объёма продаж

Значение прогноза, полученное методом простого скользящего среднего, всегда меньше фактического значения, если исходные данные монотонно возрастают, и больше фактического значения, если исходные данные монотонно убывают. Поэтому, если данные монотонно возрастают или убывают, то с помощью простого скользящего среднего нельзя получить точных прогнозов. Этот метод лучше всего подходит для данных с небольшими случайными отклонениями от некоторого постоянного или медленно меняющегося значения.

Основной недостаток метода простого скользящего среднего возникает в результате того, что при вычислении прогнозируемого значения самое последнее наблюдение имеет такой же вес (т. е. значимость), как и предыдущие. Это происходит потому, что вес всех N последних наблюдений, участвующих в вычислении скользящего среднего, равен 1/N. Присвоение равного веса противоречит интуитивному представлению о том, что во многих случаях последние данные могут больше сказать о том, что произойдет в ближайшем будущем, чем предыдущие.

Взвешенное скользящее среднее . Вклад различных моментов времени можно учесть, вводя вес для каждого значения показателя в скользящем интервале. В результате получается метод взвешенного скользящего среднего, который математически можно записать так:

где - вес, с которым используется показательпри расчете.

Вес - это всегда положительное число. В случае, когда все веса одинаковы, вырождается метод простого скользящего среднего.

Теперь маркетолог может использовать метод взвешенного скользящего среднего за 3 месяца. Но прежде требуется понять, как выбрать веса. Используя средство Поиск решения, можно определить оптимальный вес узлов. Чтобы определить вес узлов с помощью средства Поиск решения, при котором значение среднего абсолютных отклонений было бы минимально, выполните следующие действия:

Выберите команду Сервис -> Поиск решения.

В диалоговом окне Поиска решения установите ячейку G16 целевой (см. лист «Веса»), минимизируя её.

Изменяемыми ячейками укажите диапазон В1:В3.

Установите ограничения В4 = 1,0; В1:ВЗ ≥ 0; В1:В3 ≤ 1; B1 ≤ В2 и В2 ≤ В3.

Запустите поиск решения (результат отображает).

Рисунок 58. Пример 1 – результат поиска весов значений показателей при использовании метода взвешенного скользящего среднего

Полученные результаты показывают, что оптимальное распределение весов таково, что весь вес сосредоточен на самом последнем наблюдении, при этом значение среднего абсолютных отклонений равно 7,56 (см. также Рисунок 59). Этот результат подтверждает предположение о том, что более поздние наблюдения должны иметь больший вес.

Рисунок 59. Пример 1 – график кривой прогноза методом взвешенного скользящего среднего и график реального объёма продаж

§ 2.1. Основные показатели динамики экономических явлений

Для количественной оценки динамики явлений применяются статистические показатели: абсолютные приросты, темпы роста, темпы прироста, причем они могут разделяться на цепные, базисные и средние.

В основе расчета этих показателей динамики лежит сравнение уровней временного ряда. Если сравнение осуществляется с одним и тем же уровнем, принятым за базу сравнения, то эти показатели называются базисными. Если сравнение осуществляется при переменной базе, и каждый последующий уровень сравнивается с предыдущим, то вычисленные таким образом показатели называются цепными.

Абсолютный прирост равен разности двух сравниваемых уровней.

Темп роста Т характеризует отношение двух сравниваемых уровней ряда, выраженное в процентах.

Темп прироста К характеризует абсолютный прирост в относительных величинах. Определенный в % темп прироста показывает, на сколько процентов изменился сравниваемый уровень по отношению к уровню, принятому за базу сравнения. В таблице 2.1. приведены выражения для вычисления базисных и цепных приростов, темпов роста, темпов прироста. При этом использованы следующие обозначения:

Таблица 2.1.

Основные показатели динамики

	Прирост	Темп роста	Темп прироста
Цепной
Базисный
Средний

Для получения обобщающих показателей динамики развития определяются средние величины: средний абсолютный прирост, средний темп роста и прироста.

Описание динамики ряда с помощью среднего прироста соответствует его представлению в виде прямой, проведенной через две крайние точки. В этом случае, чтобы получить прогноз на один шаг вперед, достаточно к последнему наблюдению добавить значение среднего абсолютного прироста.

(2.1.),

где y n - фактическое значение в последней n - ой точке ряда;

Прогнозная оценка значения уровня в точке n+1;

Значение среднего прироста, рассчитанное для временного ряда .

Очевидно, что такой подход к получению прогнозного значения корректен, если характер развития близок к линейному. На такой равномерный характер развития могут указывать примерно одинаковые значения цепных абсолютных приростов.

Применение среднего темпа роста (и среднего темпа прироста) для описания динамики ряда соответствует его представлению в виде показательной или экспоненциальной кривой, проведенной через две крайние точки. Поэтому использование этого показателя в качестве обобщающего целесообразно для тех процессов, изменение динамики которых происходит примерно с постоянным темпом роста. В этом случае прогнозное значение на i шагов вперед может быть получено по формуле:

(2.2.),

где - прогнозная оценка значения уровня в точке n+i ;

Фактическое значение в последней n-ой точке ряда;

Средний темп роста, рассчитанный для ряда (не в % выражении).

К недостаткам среднего прироста и среднего темпа роста следует отнести то, что они учитывают лишь конечный и начальный уровни ряда, исключают влияния промежуточных уровней. Тем не менее, эти показатели имеют весьма широкую область применения, что объясняется чрезвычайной простотой их вычисления. Они могут быть использованы как приближенные, простейшие способы прогнозирования, предшествующие более глубокому количественному и качественному анализу.

§ 2.2. Сглаживание временных рядов с помощью скользящей средней

Распространенным приемом при выявлении тенденции развития является сглаживание временного ряда. Суть различных приемов сглаживания сводится к замене фактических уровней временного ряда расчетными уровнями, которые подвержены колебаниям в меньшей степени. Это способствует более четкому проявлению тенденции развития. Иногда сглаживание применяют как предварительный этап перед использованием других методов выделения тенденции (например, рассматриваемых в третьей главе).

Алгоритм сглаживания по простой скользящей средней может быть представлен в виде следующей последовательности шагов:

1. Определяют длину интервала сглаживания g , включающего в себя g последовательных уровней ряда (g взаимопогашаются колебания, и тенденция развития носит более плавный , сглаженный характер. Чем сильнее колебания, тем шире должен быть интервал сглаживания.

3. Рассчитывают арифметические средние из уровней ряда, образующих каждый участок.

4. Заменяют фактические значения ряда, стоящие в центре каждого участка, на соответствующие средние значения.

Наблюдения, которые берутся для расчета среднего значения, называются активным участком сглаживания.

При нечетном значении g все уровни активного участка могут быть представлены в виде:

а скользящая средняя определена по формуле:

(2.3.),

где - фактическое значение i-го уровня;

Значение скользящей средней в момент t ;

2p+1- длина интервала сглаживания.

(2.4.)

(2.5.)

(2.6.)

При использовании скользящей средней с длиной активного участка g=2p+1 первые и последние p уровней ряда сгладить нельзя, их значения теряются. Очевидно, что потеря значений последних точек является существенным недостатком, т.к. для исследователя последние "свежие" данные обладают наибольшей информационной ценностью. Рассмотрим один из приемов, позволяющих восстановить потерянные значения временного ряда. Для этого необходимо:

1) Вычислить средний прирост на последнем активном участке

где g - длина активного участка;

Значение последнего уровня на активном участке;

Значение первого уровня на активном участке;

Средний абсолютный прирост.

2) Получить P сглаженных значений в конце временного ряда путем последовательного прибавления среднего абсолютного прироста к последнему сглаженному значению.

Аналогичную процедуру можно реализовать для оценивания первых уровней временного ряда.

При сглаживании по взвешенной скользящей средней на каждом участке выравнивание осуществляется по полиномам невысоких порядков. Чаще всего используются полиномы 2-го и 3-его порядка. Так как при простой скользящей средней выравнивание на каждом активном участке производится по прямой (полиному первого порядка), то метод простой скользящей средней может рассматриваться как частный случай метода взвешенной скользящей средней. Простая скользящая средняя учитывает все уровни ряда, входящие в активный участок сглаживания, с равными весами, а взвешенная средняя приписывает каждому уровню вес, зависящий от удаления данного уровня до уровня, стоящего в середине активного участка.

Выравнивание с помощью взвешенной скользящей средней осуществляется следующим образом.

Для каждого активного участка подбирается полином вида

параметры которого оцениваются по методу наименьших квадратов. При этом начало отсчета переносится в середину активного участка. Например, для длины интервала сглаживания g=5, индексы уровней активного участка будут следующими i : -2, -1, 0, 1, 2.

Тогда сглаженным значением для уровня, стоящего в середине активного участка, будет значение параметра a 0 подобранного полинома.

Нет необходимости каждый раз заново вычислять весовые коэффициенты при уровнях ряда, входящих в активный участок сглаживания, т.к. они будут одинаковыми для каждого активного участка. Причем при сглаживании по полиному к-ой нечетной степени весовые коэффициенты будут такими же, как при сглаживании по полиному (к-1) степени. В таблице 2.2. представлены весовые коэффициенты при сглаживании по полиному 2-го или 3-го порядка (в зависимости от длины интервала сглаживания).

Так как веса симметричны относительно центрального уровня, то в таблице использована символическая запись: приведены веса для половины уровней активного участка; выделен вес, относящийся к уровню, стоящему в центре участка сглаживания. Для оставшихся уровней веса не приводятся, т. к. они могут быть симметрично отражены.

Например, проиллюстрируем использование таблицы для сглаживания по параболе 2-го порядка по 5-членной взвешенной скользящей средней. Тогда центральное значение на каждом активном участке , будет оцениваться по формуле:

Отметим важные свойства приведенных весов:

1) Они симметричны относительно центрального уровня.

2) Сумма весов с учетом общего множителя, вынесенного за скобки, равна единице.