Сведения о методе скользящей средней, коэффициенте линейной парной корреляции, регрессионном анализе. Построение графиков изменения значений показателей по данным варианта. Обработка динамических рядов методом скользящей средней и построение графиков.
Краткое сожержание материала:

Размещено на

Исследование динамических рядов значений экономических показателей

1. Теоретическая часть

1.1 Общие сведения о методе скользящей средней

Скользящее среднее - один из распространенных методов сглаживания временных рядов. Данный метод широко используется для отображения изменений биржевых котировок, цен, годовых колебаний температур и т.д. Метод так же может быть весьма полезен в цифровой обработке сигналов для устранения высокочастотных составляющих и шумов, то есть он может быть использован в качестве фильтра низких частот.

Пусть имеется оцифрованный сигнал S(n), где n - номер отчета в выборке сигнала. Применив метод скользящего среднего получаем сигнал F(n).

Общая формула для вычисления скользящего среднего:

, (1)

где W - ширина области усреднения, pi - весовые коэффициенты.

Суть метода заключается в замене точки выборки средним значением соседствующих точек в заданной окрестности. В общем случае для усреднения используются весовые коэффициенты, которые могут быть различными по значению.

Частным случаем формулы 1 является простое скользящее среднее, являющееся результатом усреднения значений в окрестности точки S(k). Весовые коэффициенты для простого скользящего среднего pi=1/W. Таким образом, формула 1 принимает вид:

, (2)

Простое скользящее среднее прекрасно подходит для устранения высокочастотных шумовых составляющих из сигнала при его обработке, когда к фильтру не предъявляется высоких требований по фазофо-частотной характеристике, крутизне среза и т.д. Например, при устранении шумов перед декодированием из оцифрованного сигнала информации.

Главным достоинством алгоритма простого скользящего среднего являются простота его реализации и нетребовательность к вычислительным ресурсом по сравнению с цифровыми фильтрами, реализующимися дискретной линейной сверткой.

Если рассмотреть формулу 1, можно заметить, что она является описанием КИХ-фильтра, где весовые коэффициенты pi являются импульсной характеристикой. Трудоемкость вычисления результата КИХ-фильтрации определяется количеством коэффициентов импульсной характеристики (Nh) и количеством семплов(отсчетов) в выборке сигнала (Ns). Тогда для вычисления одного результирующего отсчета потребуется произвести Nh операций умножения и Nh операций сложения. Для вычисления результирующей (отфильтрованной) выборки необходимо произвести Nh·Ns операций умножения и Nh·Ns операций сложения. При реализации систем реального времени такая трудоемкость зачастую бывает неприемлемой. Если рассмотреть формулу 2 то несложно подсчитать, что для вычисления одного результирующего семпла потребуется Nh операций сложения и всего одна операция умножения. Для вычисления результирующей (отфильтрованной) выборки необходимо произвести Nh·Ns операций сложения и Ns операций умножения. Таким образом, реализация алгоритма по формуле 2 дает прирост в производительности на время Nh·ts, где ts - время, затрачиваемое на выполнение одной операции умножения.

Алгоритм вычисления скользящего среднего можно далее оптимизировать по трудоемкости, а следовательно по времени выполнения за счет сокращения операций сложения, если учесть тот факт, что для применения фильтра суммирование по W отчетам можно провести только один раз для нахождения элемента

F(k)= SUM(k)/W, (3)

где

(4)

Тогда последующий элемент может быть вычислен по формуле

F (k+1) = (SUM(k) + S (k+ W/2 + 1) - S (k - W/2)) / W (5)

Пояснение к формуле (5) представленно на рисунке 1.

Рисунок 1 - Оптимизация нахождения сумм

Таким образом, на первой итерации алгоритма необходимо провести Nh операций сложения, а на последующих Ns итерациях - всего по две операции сложения.

1.2 Общие сведения о корреляционном анализе и коэффициенте линейной парной корреляции

Корреляционный анализ - совокупность методов исследования параметров многомерного признака, позволяющая по выборке из генеральной совокупности сделать статистические выводы о мерах статистической зависимости между компонентами исследуемого признака.

В данном учебном пособии рассмотрены основные элементы анализа структуры и тесноты статистической связи между анализируемыми переменными, т.е. задачи корреляционного анализа.

Основное содержание корреляционного анализа составляют методы, которые позволяют ответить на вопросы:

· «существует ли связь между исследуемыми переменными?»;

· «какова структура связей между параметрами исследуемого многомерного признака?»;

· «как измерить тесноту связей?».

В задачах корреляционного анализа под структурой связей понимается лишь факт наличия или отсутствия связи, а не форма этой зависимости.

Рассмотрим описание общей схемы взаимосвязи параметров при статистическом исследовании зависимостей, приведенной на рисунке.

Общая схема взаимосвязи параметров при статистическом исследовании зависимостей

Здесь S - модель исследуемого реального объекта, реализующая механизм преобразования входных переменных в отклик, х_j, - входные переменные, описывающие условия функционирования объекта (некоторые из них могут быть подвергнуты регулированию). Эти факторы часто называют независимыми, предикторными или объясняющими.

- случайные, остаточные компоненты, влияние которых на y⁽ⁱ⁾ трудно учесть (измерить). К ним относятся также случайные ошибки в измерении анализируемых параметров. Такие компоненты называют еще латентными или просто «остатками».

- выходные переменные (отклик), характеризующие результат функционирования объекта. Еще их называют объясняемыми переменными.

Далее будем пользоваться введенными понятиями.

При исследовании статистической связи между компонентами многомерного признака исследователю приходится решать следующие задачи:

· выбор подходящего измерителя связи с учетом специфики и природы анализируемых переменных;

· точечное или интервальное оценивание измерителя связи по выборочным данным, полученным в результате эксперимента;

· проверка гипотезы о значимости (статистически значимом отличии значения корреляционной характеристики от нуля) анализируемого измерителя связи;

· анализ структуры связей между компонентами многомерного признака.

Все это задачи корреляционного анализа. В качестве измерителей степени тесноты парных связей между количественными переменными могут использоваться индекс корреляции, коэффициент корреляции (иногда используют термин «коэффициент корреляции Пирсона»), корреляционное отношение, частный коэффициент корреляции, применяемый для исследования частных или «очищенных» связей, освобожденных от опосредованного одновременного влияния на исследуемую парную связь других переменных.

Если статистическая информация о многомерном признаке представлена не в количественной, а в порядковой шкале, то измерение парных связей осуществляется посредством ранговых выборочных измерителей связи - коэффициентов корреляции Кендалла и Спирмэна.

Измерение степени тесноты множественной связи между количественными переменными возможно с помощью множественного коэффициента корреляции (или коэффициента детерминации), а между порядковыми переменными - с помощью коэффициента конкордации.

При таком многообразии измерителей статистической связи важной становится задача выбора адекватного ее измерителя.

Применимость того или иного измерителя определяется как формой представления исходной статистической информации (количественные или порядковые признаки), так и формой связи (линейная, нелинейная). От грамотного выбора адекватного измерителя связи зависит достоверность статистических выводов, распространяемых на исследуемую многомерную генеральную совокупность.

Предварительный анализ структуры связи между компонентами исследуемого многомерного признака, представленного выборкой из генеральной совокупности, осуществляют с помощью корреляционных полей.

Под корреляционным полем (диаграммой рассеяния) переменных (u, v) понимается графическое представление результатов измерений (u₁, v₁), …, (u_i, v_i), …, (u_n, v_n), этих переменных в плоскости (u, v). На основании анализа корреляционного поля легко решить вопрос о наличии или отсутствии связи, проследить характер связи (линейная, нелинейная, функциональная или стохастическая) и ее тенденцию (положительная, отрицательная).

1.3 Общие сведения о регрессионном анализе и методе наименьших квадратов

Метод наименьших квадратов - метод нахождения оптимальных параметров линейной регрессии, таких, что сумма квадратов ошибок (регрессионных остатков) минимальна. Метод заключается в минимизации расстояния между двумя векторами - вектором восстановленных значений зависимой переменной и вектором фактических значений зависимой переменной.

Метод наименьших квадратов является одним из наиболее распространенных и наиболее разработанных вследствие своей простоты и эффективности методов оценки параметров линейных эконометрических моделе...