Сглаживание динамических рядов. Методы сглаживания и выравнивания динамических рядов

Углубленный анализ временных рядов требует использования более сложных методик математической статистики. При наличии в динамических рядах значительной случайной ошибки (шума) применяют один из двух простых приемов - сглаживание или выравнивание путем укрупнения интервалови вычисления групповых средних. Этот метод позволяет повысить наглядность ряда, если большинство «шумовых» составляющих находятся внутри интервалов. Однако, если «шум» не согласуется с периодичностью, распределение уровней показателей становится грубым, что ограничивает возможности детального анализа изменения явления во времени.

Более точные характеристики получаются, если используют скользящие средние - широко применяемый способ для сглаживания показателей среднего ряда. Он основан на переходе от начальных значений ряда к средним в определенном интервале времени. В этом случае интервал времени при вычислении каждого последующего показателя как бы скользит по временному ряду.

Применение скользящего среднего полезно при неопределенных тенденциях динамического ряда или при сильном воздействии на показатели циклически повторяющихся выбросов (резко выделяющиеся варианты или интервенция).

Чем больше интервал сглаживания, тем более плавный вид имеет диаграмма скользящих средних. При выборе величины интервала сглаживания необходимо исходить из величины динамического ряда и содержательного смысла отражаемой динамики. Большая величина динамического ряда с большим числом исходных точек позволяет использовать более крупные временные интервалы сглаживания (5, 7, 10 и т.д.). Если процедура скользящего среднего используется для сглаживания не сезонного ряда, то чаще всего величину интервала сглаживания принимают равной 3 или 5. https://tvoipolet.ru/iz-moskvi-v-nyu-jork/ - отличная возможность выбрать авиакомпанию на перелет из Москвы в Нью-Йорк

Приведем пример вычисления скользящего среднего числа хозяйств с высокой урожайностью (более 30 ц/га) (табл. 10.3).

Таблица 10.3 Сглаживание динамического ряда укрупнением интервалов искользящим средним

Примеры вычисления скользящего среднего:

1982 г.(84 + 94 + 92) / 3 = 90,0;

1983 г. (94 + 92 + 83) / 3 = 89,7;

1984 г.(92 + 83 + 91) / 3 = 88,7;

1985 г.(83 + 91 + 88) / 3 = 87,3.

Составляется график. На оси абсцисс указываются годы, на оси ординат - число хозяйств с высокой урожайностью. Указываются координаты числа хозяйств на графике и соединяют полученные точки ломаной линией. Затем указываются координаты скользящей средней по годам на графике и соединяются точки плавной полужирной линией.

Более сложным и результативным методом является сглаживание (выравнивание) рядов динамики с помощью различных функций аппроксимации. Они позволяют формировать плавный уровень общей тенденции и основную ось динамики.

Наиболее эффективным методом сглаживания с помощью математических функций является простое экспоненциальное сглаживание. Этим методом учитываются все предшествующие наблюдения ряда по формуле:

S t = α∙X t + (1 - α ) ∙S t - 1 ,

где S t - каждое новое сглаживание в момент времени t ; S t - 1 - сглаженное значение в предыдущий момент времени t -1; X t - фактическое значение ряда в момент времени t ; α - параметр сглаживания.

Если α = 1, то предыдущие наблюдения полностью игнорируются; при величине α = 0 игнорируются текущие наблюдения; значения α между 0 и 1 дают промежуточные результаты. Изменяя значения этого параметраможно подобрать наиболее приемлемый вариант выравнивания. Выбор оптимального значения α осуществляется путем анализа полученных графических изображений исходной и выравненной кривых, либо на основе учета суммы квадратов ошибок (погрешностей) вычисленных точек. Практическое использование этого метода следует проводить с использованием ЭВМ в программе MS Excel . Математическое выражение закономерности динамики данных можно получить с помощью функции экспоненциального сглаживания.

I . ВВЕДЕНИЕ

Работа экономиста любой специальности неизбежно связана со сбором, разработкой и анализом статистических материалов. Нередко экономисту самому приходится проводить статистические разработки. Поэтому изучение науки статистики при подготовке специалистов имеет большое значение в системе высшего экономического образования.

Статистика – это сложная и многогранная наука. С точки зрения преподавания ее в высшей школе она включает в себя целый ряд учебных дисциплин. Это – общая теория статистики, экономическая статистика и целая серия отраслевых статистик: промышленная, сельскохозяйственная, торговая, транспортная и т.д. Каждый экономист должен уметь читать статистические цифры и пользоваться ими в своей работе, обосновывать цифрами свои предложения, уметь статистические цифры анализировать. Экономист-аналитик должен в совершенстве владеть методами экономико-математического анализа.

Итак, статистика – это цифры живые, красноречивые. Однако это определение исходит из итогов статистической работы, результатом которой являются статистические цифры.

Статистикой часто называют сам процесс статистической работы – сбор массовых первичных данных, их обработку и анализ, а людей, которые этим занимаются, называют статистиками. В настоящее время статистика является важной отраслью практической деятельности, в которой участвуют много специалистов. Чтобы охарактеризовать, например, как растет продукция промышленности, необходимо каждой фабрике повседневно учитывать произведенные изделия. Данные учета нужно сводить в итоги по группам предприятий, отраслям производства, всей промышленности в целом. Эта работа проводится систематически, с подведением месячных, квартальных, годовых итогов.

В данной курсовой работе мной рассматриваются основные методы сглаживания и выравнивания динамических рядов.

На развитие явления во времени оказывают влияние факторы, различные по характеру и силе воздействия. Одни из них оказывают практически постоянное воздействие и формируют в рядах динамики определенную тенденцию развития. Воздействие же других факторов может быть кратковременным или носить случайный характер.

Поэтому при анализе динамики речь идет не просто о тенденции развития, а об основной тенденции, достаточно стабильной (устойчивой) на протяжении изученного этапа развития.

Задача состоит в том, чтобы выявить общую тенденцию в изменении уровней ряда, освобожденную от действия различных случайных факторов. С этой целью ряды динамики подвергаются обработке методами укрупнения интервалов, скользящей средней и аналитического выравнивания.

В процессе выполнения практической и аналитической частей курсовой работы я использовала для удобства, быстроты и проверки ручных вычислений табличный редакторе Excel.

Microsoft Excel является прикладной программой, предназначенной для работы с таблицами данных, преимущественно числовых.

Табличный процессор позволяет обрабатывать входящие в таблицы данные, а не только представлять их в электронной форме. Вычисления в таблицах Excel осуществляются при помощи формул. Формула может содержать числовые константы, ссылки на ячейки и функции Excel, соединённые знаками математических операций. Формулы применяются для описания связи между значениями, хранящимися в различных ячейках. Расчет по заданным формулам выполняется автоматически. Изменение содержимого какой – либо одной ячейки приводит к пересчету значений всех ячеек, которые с ней связаны формульными отношениями, а при обновлении каких-либо частных данных обновление всей таблицы происходит автоматически. Формула гарантирует, что при последующем редактировании таблицы не нарушит её целостность и правильность производимых в ней вычислений.

II . ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

изучение изменений анализируемых показателей во времени, т.е. их динамика . Эта задача решается при помощи анализа рядов динамики (или временных рядов).

Ряд динамики (или динамический ряд) представляет собой ряд расположенных в хронологической последовательности числовых значений статистического показателя, характеризующих изменение общественных явлений во времени.

В каждом ряду динамики имеются два основных элемента: время t и конкретное значение показателя (уровень ряда) y .

Уровни ряда – это показатели, числовые значения которых составляют динамический ряд. Время – это моменты или периоды, к которым относятся уровни.

Построение и анализ рядов динамики позволяют выявить и измерить закономерности развития общественных явлений во времени. Эти закономерности не проявляются четко на каждом конкретном уровне, а лишь в тенденции, в достаточно длительной динамике. На основную закономерность динамики накладываются другие, прежде всего случайные, иногда сезонные влияния. Выявление основной тенденции в изменении уровней, именуемой трендом, является одной из главных задач анализа рядов динамики.

По времени, отраженному в динамических рядах, они разделяются на моментные и интервальные.

Моментным называется ряд динамики, уровни которого характеризуют состояние явления на определенные даты (моменты времени).

Примером моментного ряда могут служить следующие данные о численности населения.

Численность постоянного населения (на конец года), млн.чел.

Таблица 1

Этот ряд характеризует динамику численности населения России в 1970-1995 гг.

Поскольку в каждом последующем уровне содержится полностью или частично значение предыдущего уровня, суммировать уровни моментного ряда не следует, так как это приводит к повторному счету.

Интервальным (периодическим) рядом динамики называется такой ряд, уровни которого характеризуют размер явления за конкретный период времени (год, квартал, месяц). Примером такого ряда могут служить данные о динамике добычи нефти в РФ.

Добыча нефти в Российской Федерации, млн.т.

Таблица 2

Этот ряд характеризует снижение уровня добычи нефти в России.

Значения уровня интервального ряда в отличие от уровней моментного ряда не содержатся в предыдущих или последующих показателях, их можно просуммировать, что позволяет получить ряды динамики более укрупненных периодов. Например, суммирование уровней добычи нефти за каждый год по данным, приведенным выше, позволяет определить ее добычу за все шесть лет в целом и в среднем за год.

Интервальный ряд, где последовательные уровни могут суммироваться, можно представить как ряд с нарастающими итогами. При построении таких рядов производится последовательное суммирование смежных уровней. Этим достигается суммарное обобщение результата развития изучаемого периода (месяца, квартала, года).

Одной из важнейших задач статистики является определение в рядах динамики общей тенденции развития явления.

В некоторых случаях закономерность изменения явления, общая тенденция его развития явно и отчетливо отражается уровнями динамического ряда (уровни на изучаемом периоде непрерывно растут или непрерывно снижаются).

К основным правилам формирования динамических (в том числе и временных) рядов относятся:

· периодизация динамики – это процесс выделения однородных этапов развития

· однокачественность отдельных уровней ряда

· сравнимость уровней ряда (должны быть одинаковые единицы измерения, единая методика расчета, одинаковый круг объектов и др.)

· последовательность и непрерывность во времени уровней ряда.

Временные ряды могут быть представлены в виде трех основных способов:

1. Табличный способ представления

Таблица 3

где t i – моменты t

y i – уровень ряда, характеризует значение изученного показателя на момент времени t i .

2. Графический способ , когда с помощью прямоугольной системы координат откладываются точки (ti ; yi ).

Рис. 1 Фактический уровень урожайности 1986-1995 гг.

Геометрический способ представления имеет преимущество перед табличным своей наглядностью и с помощью эмпирической ломаной мы можем увидеть тенденцию развития изучаемого признака, а также визуально установить (хоть и приблизительно) ту линию, которая максимально приближена к опытным данным, т.е. сглаживает опытные точки или иначе может установить закономерность развития изучаемого признака, устранив субъективные ошибки, зависящие от производителя (аналитика) и составить аналитическую модель.

3. Аналитический способ, т.е. в виде зависимости, которая характеризует зависимость между изучаемым признаком и временным параметром y = f ( t ).

Тема: Сглаживание рядов динамики

В результате случайных факторных влияний и колеблемости уровней ряда динамики во времени бывает затруднительно выявить общую тенденцию развития явления, т. е. обнаружить трент.

Для уменьшения влияния временных колебаний производится сглаживание ряда динамики для выявления основной тенденции.

Методы анализа основной тенденции в рядах динамики делятся на 2 группы:

сглаживание или механическое выравнивание отдельных членов ряда динамики с использованием фактических значений соседних уровней

выравнивание с применением кривой проведенной м/у конкретными уровнями, т.о. чтобы она выражала тенденцию ряда и освободила ею от не значительных колебаний

Выявление тенденции необходимо для прогнозирования развития явлений во времени

Прогнозирование – это оценка будущего на основе глубокого анализа тенденций развития социально-экономических явлений и их взаимодействия.

Процесс прогнозирования предполагает выявление возможных альтернатив развития для обоснованного их выбора и принятия оптимального решения

Методы для выявления и анализа тенденций уровня ряда динамки

Метод укрупнения интервалов представляет собой укрупнение периода времени, к которым относятся уровни ряда

Метод простой скользящей средней. Вычисляется средний уровень ряда из числа первых по порядку уровней ряда, затем средняя из того же числа уровней начиная со второго, затем с третьего уровня и т.д. Если число уровней взятых для расчета средней не четное, средняя записывается в уровень находящийся по середине. Если число уровней четное, то средняя будет относиться к промежутку м/у серединными интервалами. Для ликвидации этого сдвига применяют способ центрирования.

Центрирование заключается в нахождении средней из 2-х смежных скользящих средних. Минус этого метода в том, что ряд динамики сокращается с двух сторон

Аналитическое выравнивание предполагает представление уровня ряда в виде временной функции

Для отображения основной тенденции развития явления во времени применяют следующие функции:

Ø Полиномы степени

Ø Экспоненты

Ø Логистические кривые

Полиномы

a 0,1,2,3, n – параметры полиномов

В статистической практике параметры полиномов невысокой степени иногда имеют конкретную интерпретацию характеристик ряда динамики.

а 1 трактуется как характеристика средних условий ряда динамики. а 1,2,3 как изменение ускорения.

В статистике выработано правило выбора степени полинома модели развития, основанное на определении величин конечных разностей уровней рядов. Согласно правилу:

Полином I степени (прямая) применяется как модель такого ряда динамики, где первые разности (абсолютные приросты) постоянны.

Полином II степени применяется для отрицательного ряда динамики с постоянными 2-ми разностями (ускорениями)

Полином Ш степени применяется для ряда динамики с постоянными 3-ими разностями (темпы роста)

После выбора вида уравнения необходимо определить параметры уравнения. Самый распространенный способ определения параметров уравнения – это метод наименьших квадратов. Согласно этому методу надо составить систему нормальных уравнений

полином I степени

При ручной обработке для упрощения счета при выравнивании динамического ряда условное обозначение временных точек t можно ввести так чтоб сумма t=0 (St=0)

При выравнивании по параболе 2-ого порядка, если St=0, то система имеет следующий вид:

Выравнивание по аналитическим формулам может быть использована при прогнозировании отдельных показателей путем экстраполяции ряда – нахождение уровней за пределами данного ряда. При прогнозировании социально-экономических явлений применение полиномов высоких степеней затруднительно, т.к.:

Требуется учет многих факторных параметров

Требуется длинный ряд показателей прошлых периодов (не менее 20) характеризующихся теми же факторными признаками. Сбор такой первичной информации возможен только в условиях стабильной экономики за длинный период. При этом высока вероятность того, что теоретические расчетные значения прогнозных показателей не будут соответствовать практическим, поэтому полиномы высоких степеней могут применяться лишь для краткосрочного прогнозирования.

Полином II степени предполагает наличие перелома тенденции, т.к. графически он представляется параболой.

В ходе обработки динамического ряда важнейшей задачей является выявление основной тенденции развития явления (тренда) и сглаживание случайных колебаний. Закономерности изменения явления во времени не проявляются в каждом конкретном уровне ряда. Это связано с действием на явления общих и случайных причин. Поэтому для решения этой задачи в статистике существуют следующие методы обработки рядов:

• 1. Метод сглаживания путем укрупнения интервалов во времени.
• 2. Выравнивание рядов динамики методом скользящей средней.
• 3. Метод аналитического выравнивания.

Метод укрупнения интервалов - наиболее простой способ. Он заключается в преобразовании первоначальных рядов динамики в более крупные по продолжительности временных периодов, что позволяет более четко выявить действие основной тенденции изменения уровней. Новые уровни рассчитываются, как средние из укрупненных периодов. Переменная средняя рассчитывается по формулам простой средней арифметической. К примеру, если продолжительность периода равна 3, то переменная средняя будет рассчитана:

Недостатком этого приема является то, что идет потеря информации за счет укорачивания ряда.

Метод скользящей средней - это такая динамическая средняя, которая последовательно рассчитывается при передвижении на один интервал при заданной продолжительности периода.

Последовательность определения скользящей средней:

Формируются укрупненные интервалы, состоящие из одинаковых уровней. Если при расчете средней учитываются три уровня, скользящая средняя называется трехчленной, пять уровней - пятичленной и т.д. Если, предположим, продолжительность периода равна 3, то скользящие средние рассчитываются следующим образом:

Исчисляют первый средний уровень по арифметической простой:

y1 = y1/m, где

y1 - I-ый уровень ряда;

m - членность скользящей средней(продолжительность периода)

Заметим, первая средняя записывается напротив середины первого уровня.

• - Первый уровень отбрасывают, а в исчисление средней включают уровень, следующий за последним уровнем, участвующем в первом расчете. Процесс продолжается до тех пор, пока в расчет не будет включен последний уровень исследуемого ряда динамики y n .
• - По ряду динамики, построенному из средних уровней, выявляют общую тенденцию развития явления.

Отрицательной стороной использования метода скользящей средней является то, что, как и в случае с методом укрупнения идет потеря информации за счет укорачивания ряда. В дальнейшем затруднен прогноз развития явлений, так как нет достаточного математического обоснования для осуществления прогноза.

Более точным способом отображения тенденции динамического ряда является аналитическое выравнивание, т. е. выравнивание с помощью аналитических формул. В этом случае динамический ряд выражается в виде функции у (t), в которой в качестве основного фактора принимается время t, и изменения аргумента функции определяют расчетные значения у t .

Фактическими (или эмпирическими) уровнями ряда динамики называют исходные данные об изменении явления, т. е. данные, полученные опытным путем, посредством наблюдения. Они обозначаются уi. Расчетными (или выровненными теоретическими) уровнями ряда называют значения, полученные в результате подстановки в уравнение тренда значений t, и обозначают их?.

Целью аналитического выравнивания динамического ряда является определение аналитической или графической зависимости f(t). На практике по имеющемуся временному ряду задают вид и находят параметры функции f(t), а затем анализируют поведение отклонений от тенденции. Функцию f(t) выбирают таким образом, чтобы она давала содержательное объяснение изучаемого процесса.

Чаще всего при выравнивании используются следующие зависимости:

линейная;

параболическая;

экспоненциальная

• 1. Линейная зависимость выбирается в тех случаях, когда в исходном временном ряду наблюдаются более или менее постоянные абсолютные и цепные приросты, не проявляющие тенденции ни к увеличению, ни к снижению.
• 2. Параболическая зависимость используется, если абсолютные цепные приросты сами по себе обнаруживают некоторую тенденцию развития, но абсолютные цепные приросты абсолютных цепных приростов (разности второго порядка) никакой тенденции развития не проявляют.
• 3. Экспоненциальные зависимости применяются, если в исходном временном ряду наблюдается либо более или менее постоянный относительный рост (устойчивость цепных темпов роста, темпов прироста, коэффициентов роста), либо, при отсутствии такого постоянства, -устойчивость в изменении показателей относительного роста.

Таким образом, целью аналитического выравнивания является:

• - определение вида функционального уравнения;
• - нахождения параметров уравнения тренда методом наименьших квадратов, где сумма квадратов отклонений фактических уровней от выровненных теоретических на искомой линии должна быть минимальна
• ?(y i - ?) 2 >min;
• - расчет «теоретических», выровненных уровней, отображающих основную тенденцию ряда динамики.

Графическое отображение изменения уровней ряда играет большую роль в применении данного вида выравнивания. Оно позволяет ускорить процедуру анализа и увеличить степень наглядности полученных результатов.

Тенденцию развития социально-экономических явлений обычно изображают кривой, параболой, гиперболой и прямой линией.

Наиболее простой и часто встречающейся в практике является линейная зависимость, описываемая уравнением:

где у i - фактические уровни;

у t - теоретическое значение уровня;

t - периоды времени - фактор времени.

«а» и «в» - параметры уравнения.

Так как «t» известно, то для нахождения «у t » необходимо определить параметры «а» и «в». Их находят методом наименьших квадратов, где сумма квадратов отклонений фактических уровней от выровненных теоретических на искомой линии должна быть min ?(y i - ?) 2 >min; Этому требованию удовлетворяет следующая система нормальных уравнений:

n - количество уровней ряда динамики.

Эту систему уровней можно упростить, если взять t (период времени) таким, чтобы сумма периодов равнялась нулю: Уt = 0.

Для этого необходимо периоды ряда динамики пронумеровать так, чтобы перенести в середину ряда начало отчета времени. В ряду динамики с нечетным числом периодов времени нумерация начинается с середины ряда и с нуля «0», а с четным числом периодов с «-1» и «+1». Тогда уравнения примут следующий вид:

an = Уу, отсюда получим «а»

После нахождения параметров необходимо рассчитать выровненные уровни ряда путем подстановки значения номера периода.

Таким образом, аналитическое уравнение сводится к замене фактических уровней теоретическими.

Анализ рядов динамики предполагает и исследование сезонной неравномерности (сезонных колебаний), под которыми понимают устойчивые внутригодовые колебания, причиной которых являются многочисленные факторы, в том числе и природно-климатические. Сезонные колебания измеряются с помощью индексов сезонности, которые рассчитываются двумя способами в зависимости от характера динамического развития.

При относительно неизменном годовом уровне явления индекс сезонности можно рассчитать как процентное отношение средней величины из фактических уровней одноименных месяцев к общему среднему уровню за исследуемый период:

Перейдем к вопросу о сглаживании временных рядов экономических показателей. Очень часто уровни рядов динамики колеблются, при этом тенденция развития экономического явления во времени скрыта случайными отклонениями уровней в ту или иную сторону. С целью четко выявить тенденцию развития исследуемого процесса, в том числе для дальнейшего применения методов прогнозирования на основе трендовых моделей, производят сглаживание (выравнивание) временных рядов. Таким образом, сглаживание можно рассматривать как устранение случайной составляющей  t из модели временного ряда.

Самым простым методом механического сглаживания является метод простой скользящей средней. Сначала для временного ряда y 1 , y 2 , y 3 ,…, y n определяется интервал сглаживания т (т < п). Если необходимо сгладить мелкие беспорядочные колебания, то интервал сглаживания берут по возможности большим; интервал сглаживания уменьшают, если нужно сохранить более мелкие колебания. При прочих равных условиях интервал сглаживания рекомендуется брать нечетным. Для первых т уровней временного ряда вычисляется их средняя арифметическая; это будет сглаженное значение уровня ряда, находящегося в середине интервала сглаживания. Затем интервал сглаживания сдвигается на один уровень вправо, повторяется вычисление средней арифметической и т.д.

Для вычисления сглаженных уровней ряда применяется формула

при нечетном m ;

для четных т формула усложняется.

В результате такой процедуры получаются п - т + 1 сглаженных значений уровней ряда; при этом первые р и последние р уровней ряда теряются (не сглаживаются).

Особенность метода экспоненциального сглаживания заключается в том, что в процедуре нахождения сглаживания i -го уровня используются значения только предшествующих уровней ряда (i -1, i -2,…), взятые с определенным весом, причем вес наблюдения уменьшается по мере удаления его от момента времени, для которого определяется сглаженное значение уровня ряда.

Если для исходного временного ряда y 1 , y 2 , y 3 ,…, y n соответствующие сглаженные значения уровней обозначить через S t , t = 1,2, …, п, то экспоненциальное сглаживание осуществляется по формуле

здесь S 0 – величина, характеризующая начальные условия.

В практических задачах обработки экономических временных рядов рекомендуется выбирать величину параметра сглаживания в интервале от 0,1 до 0,3.

Пример 4.4. Вернемся к примеру 1, в котором рассматриваются квартальные объемы продаж компании «Lewplan». Мы уже выяснили, что этим данным отвечает аддитивная модель, т.е. фактически объемы продаж можно выразить следующим образом:

Y = U + V + E.

Для того чтобы элиминировать влияние сезонной компоненты, воспользуемся методом скользящей средней. Просуммировав первые четыре значения, получим общий объем продаж в 1998 г. Если поделить эту сумму на четыре, можно найти средний балл продаж в каждом квартале 1998 г., т.е.

(239 + 201 +182 + 297)/4 = 229,75;
(201+182+297+324)/4 и т. д.

Полученное значение уже не содержит сезонной компоненты, поскольку представляет собой среднюю величину за год. У нас появилась оценка значения тренда для середины года, т.е. для точки, лежащей в середине между кварталами II и III. Если последовательно передвигаться вперед с интервалом в три месяца, можно рассчитать средние квартальные значения на промежутке апрель – март 1998 (251), июль – июнь 1998 (270,25) и т.д. Данная процедура позволяет генерировать скользящие средние по четырем точкам для исходного множества данных. Получаемое таким образом множество скользящих средних представляет наилучшую оценку искомого тренда.

Теперь полученные значения тренда можно использовать для нахождения оценок сезонной компоненты. Мы рассчитываем:

Y – U = V + E .

К сожалению, оценки значений тренда, полученные в результате расчета средних по четырем точкам, относятся к нескольким иным моментам времени, чем фактические данные. Первая оценка, равная 229,75, представляет собой точку, совпадающую с серединой 1998 г., т.е. лежит в центре промежутка фактических значений объемов продаж во II и III кварталах. Вторая оценка, равная 251, лежит между фактическими значениями в III и IV кварталах. Нам же требуются десезонализированные средние значения, соответствующие тем же интервалам времени, что и фактические значения за квартал. Положение десезонализированных средних во времени сдвигается путем дальнейшего расчета средних для каждой пары значений. Найдем среднюю из первой оценок, центрируя их на июль – сентябрь 1998 г., т.е.

(229,75 + 251)/2 = 240,4.

Это и есть десезонализированная средняя за июль – сентябрь 1999 г. Эту десезонализированную величину, которая называется центрированной скользящей средней , можно непосредственно сравнивать с фактическим значением за июль – сентябрь 1998 г., равным 182. Отметим, что это означает отсутствие оценок тренда за первые два или последние два квартала временного ряда. Результаты этих расчетов приведены в табл.4.5.

Для каждого квартала мы имеем оценки сезонной компоненты, которые включают в себя ошибку или остаток. Прежде чем мы сможем использовать сезонную компоненту, нужно пройти два следующих этапа. Найдем средние значения сезонных оценок для каждого сезона года. Эта процедура позволит уменьшить некоторые значения ошибок. Наконец, скорректируем средние значения, увеличивая или уменьшая их на одно и тоже число таким образом, чтобы общая их сумма была равна нулю. Это необходимо, чтобы усреднить значения сезонной компоненты в целом за год.

Таблица 4.5. Оценка сезонной компоненты

Таблица 4.6. Расчет средних значений сезонной компоненты

Корректирующий фактор рассчитывается следующим образом: сумма оценок сезонных компонент делится на 4. В последнем столбце табл. 4.5 эти оценки записаны под соответствующими квартальными значениями. Сама процедура приведена в табл. 4.6.

Значение сезонной компоненты еще раз подтверждает наши выводы, сделанные в примере 4.1 на основе анализа диаграммы. Объемы продаж за два зимних квартала превышают среднее трендовое значение приблизительно на 40 тыс. шт., а объемы продаж за два летних периода ниже средних на 21 и 62 тыс.шт. соответственно.

Аналогичная процедура применима при определении сезонной вариации за любой промежуток времени. Если, например, в качестве сезона выступают дни недели, для элиминирования влияния ежедневной сезонной компоненты также рассчитывают скользящую среднюю, но уже не по четырем, а по семи точкам. Эта скользящая средняя представляет собой значение тренда в середине недели, т.е. в четверг; таким образом, необходимость в процедуре центрирования отпадает.