Смотреть больше слов в «Энциклопедии банковского дела и финансах»
TIME SERIES ANALYSIS Классификация и анализ данных в соответствии с временными интервалами. В А.в.р. исследуются следующие компоненты конкретной реализации временного ряда: тренд, циклические, сезонные и нерегулярные изменения (колебания). Тренд отражает долгосрочные однонаправленные изменения временных рядов. На тренд влияют изменения численности населения, инфляция/дефляция, конкуренция, технологии и др. факторы. Повторяющиеся изменения временного ряда с периодом, превышающим год, относят к циклическим изменениям. Некоторые отрасли промышленности являются циклическими по своей природе. Сезонные изменения характеризуются их повторяемостью `в определенное время года. Изменения, не подпадающие в перечисленные категории, относят к нерегулярным изменениям. Среди распространенных причин нерегулярных изменений можно указать забастовки, войны, правительственные акцииНа основе временных рядов могут быть получены некоторые производные показатели, к-рые более информативны, чем сами эти ряды. Далее приведены некоторые способы представления и типы производных показателей.Корректировка на сезонные изменения (колебания) (Seasonally adjusted) - исключение сезонных эффектов.Изменение (Change) - выраженная в долларах разница за определенный период, напр. изменение ссуд деловым предприятиям.Процентное изменение (Rate of change) - выраженные в процентах увеличение или уменьшение от одного периода к др.Скользящие средние (Moving averages) - ряд средних, в к-ром каждое среднее получают путем усреднения по фиксированному временному интервалу с центром в срединной точке каждого интервала; старым и новым наблюдениям оказывается равное доверие.Экспоненциальное сглаживание (Exponential smoothing) - присвоение при расчетах больших весовых коэффициентов для последних по времени наблюдений.Индексы (Index numbers) - выражают взаимосвязь между двумя числами, одно из к-рых выбирается в качестве базового. Среди известных индексов можно указать индекс цен на потребительские товары.Индекс распространения (Diffusion index) - сложный индекс, компоненты к-рого представляют собой соответствующий временной ряд; показывает степень распространения или диффузии изменения.Сложный индекс (Composite index) - индекс, построенный на основе показателей, имеющих высокую надежность при прогнозировании или подтверждении точек подъема и падения.См. АНАЛИЗ СТАТИСТИЧЕСКИЙ; БАРОМЕТРЫ ДЕЛОВОЙ АКТИВНОСТИ; СТАТИСТИЧЕСКИЙ ГЛОССАРИЙ; ФИНАНСОВЫЕ ПОКАЗАТЕЛИ; ЦИКЛ ДЕЛОВОЙ АКТИВНОСТИ.... смотреть
Анализ временных рядов - анализ, основанный на предложении, согласно которому случившееся в прошлом служит достаточно надежным указанием на то, что произойдет в будущем. Называется также проектированием тенденций.<br>... смотреть
анализ, основанный на предложении, согласно которому случившееся в прошлом служит достаточно надежным указанием на то, что произойдет в будущем. Называется также проектированием тенденций.... смотреть
анализ показателей, изменяющихся во времени, и проектирование этих показателей на основании имеющихся данных в разные временнUе периоды.
изучение программ, проводившихся в прошлом для выявления и использования моделей в данный момент.
time series analysis
time-series analysis
А. в. р. наз. статистический анализ данных, собранных в ходе наблюдений за единичным объектом (напр., отдельным человеком, семьей или городом), производимых последовательно во времени, либо через определенные интервалы, либо непрерывно. Как и традиционные параметрические методы анализа данных, методы А. в. р. используются для описания связей между переменными, предсказания будущего поведения и проверки эффектов проведенного лечения. Есть два математически эквивалентных подхода к разработке концептуальных моделей и вычислительных процедур А. в. р. Один подход, наз. анализом во временной области или анализом временных характеристик (time-domain analysis), связан с использованием понятий, сходных с теми, что применяются в традиционном корреляционном и регрессионном анализе. Др. подход получил название анализа частотных характеристик (frequency-domain analysis); он предполагает изучение частотных составляющих и основан на понятиях спектрального анализа. Далее рассматривается ряд осн. идей, связанных с анализом временных характеристик.Основные понятия анализа временных рядовМодель временного ряда представляет собой уравнение, к-рое связывает наблюдение, полученное в нек-рый конкретный момент времени, с наблюдениями, полученными ранее по той же и/или др. характеристикам изучаемой переменной. Напр., если дискретные данные о весе тела собираются через равные промежутки времени на одном объекте, интерес могут представлять два вопроса: а) в какой степени связаны смежные (или несмежные) наблюдения в данном временном ряду, и б) насколько успешно можно предсказать будущие показатели веса тела. Ответы на оба этих вопроса требуют вычисления выборочной автокорреляционной функции, идентификации модели временного ряда и оценивания соотв. параметров.Коэффициент автокорреляции отражает, в сущности, обычную корреляцию, вычисляемую между образующими временной ряд текущими и запаздывающими значениями зависимой переменной (весом тела в нашем примере). Этот коэффициент (вычисляемый по формуле, весьма похожей на формулу коэффициента корреляции Пирсона) является мерой линейной зависимости между наблюдениями, разделенными определенными временными интервалами, — т.е. мерой линейной связи между смежными наблюдениями.Совокупность коэффициентов автокорреляции, основанных на разной величине лага, есть не что иное, как расчетная автокорреляционная функция, график к-рой обычно наз. коррелограммой. Для проверки значимости этих коэффициентов применяют соотв. статистические критерии.Идентификация модели. Для прогнозирования будущих показателей на основе имеющихся временных рядов необходимо идентифицировать модель, к-рая наилучшим образом описывает процесс порождения выборочного временного ряда. Для идентификации такой модели можно воспользоваться расчетной автокорреляционной функцией. Из множества моделей для описания динамики временных рядов чаще всего используются три: модель белого шума, авторегрессионная модель первого порядка и авторегрессионная модель второго порядка. Если расчетная автокорреляционная функция представляет собой совокупность незначимых автокорреляций, это явное указание на то, что изменчивость данного времени ого ряда лучше всего охарактеризовать как «белый шум», или случайные флуктуации.Авторегрессионная модель первого порядка во мн. случаях является хорошим средством представления данных временного ряда; следовательно, форма автокорреляционной функции этой модели должна быть сравнима с формой расчетной автокорреляционной функции. Известно, что авторегрессионная модель первого порядка связана с автокорреляциями, к-рые быстро затухают при лагах более высокого порядка. Если в авторегрессионной модели первого порядка известна автокорреляция с лагом, равным 1, автокорреляция с лагом 2 равна квадрату автокорреляции с лагом 1, а автокорреляция с любым большим лагом равна автокорреляции с единичным лагом в k-й степени, где k — величина лага.Для представления нек-рых данных лучше подходит др. полезная модель — авторегрессионная модель второго порядка. Если эта модель лучше соответствует данным, чем авторегрессионная модель первого порядка, поведение во время t можно предсказать с меньшей погрешностью, используя информ. с запаздыванием на два шага в добавление к информ. о среднем и замере с запаздыванием на один шаг.Осн. идея, лежащая в основе идентификации модели временного ряда, остается одной и той же и для простых, и для сложных моделей: соответствие структуры наблюдаемых данных (характеризуемых различными видами автокорреляции) известной структуре, связываемой с определенным классом моделей. После того как модель предварительно идентифицирована, производится оценка ее параметров.Диагностическая проверка. Так как в основе идентификации модели временного ряда лежит до нек-рой степени субъективная процедура, иногда рекомендуется оценить адекватность идентифицированной модели путем проверки значимости автокорреляционной функции остатков данной модели. Это целесообразно, поскольку остатки модели временного ряда не являются автокоррелированными. Фактически, осн. цель А. в. р. — узнать, что необходимо сделать с исходными данными (т. е. какие модели нужно подобрать) для того, чтобы получить остатки, соответствующие белому шуму. Нек-рые временные ряды требуют очень сложных моделей для получения остатков, относящихся к белому шуму. Это часто имеет место в тех случаях, когда ряд не является стационарным, т. е. когда среднее, дисперсия и/или структура автокорреляции изменяются во времени.Модели вмешательстваВ психол. исслед. часто возникает необходимость оценить эффективность вмешательства. Если данные собирались через равные интервалы до и после воздействия на некий элемент выборки, напр. чел., группу или округ, нередко представляется полезным статистически описать наблюдаемый эффект и проверить его статистическую значимость. Есть две осн. стратегии анализа таких эффектов.Первый подход дает легко интерпретируемый результат и потому весьма полезен. Он предполагает идентифицирование общепринятой модели временного ряда на полученных до вмешательства данных. Производится оценка параметров модели, а затем делаются предсказания относительно поведения, ожидаемого после вмешательства. Эти предсказания осн. на предположении, что характер процесса до вмешательства не изменится и после вмешательства. Когда после вмешательства обнаруживается несоответствие между предсказываемыми и наблюдаемыми значениями, различие можно статистически оценить. Если различие статистически значимо, это служит доказательством того, что наблюдаемое изменение связано с вмешательством. Поскольку статистический критерий различия можно вычислить для каждой точки временного ряда после вмешательства, нетрудно определить тот момент, когда данное вмешательство начинает вызывать эффект.Второй — гораздо чаще используемый подход — предполагает оценивание и проверку эффекта вмешательства. Связанная с применением этого подхода трудность заключается в том, что «эффект» вмешательства часто бывает комплексным; поэтому в данном случае целесообразно рассматривать паттерн эффекта, а не его среднее различие.Двумерный анализА. в. р. можно использовать при изучении связей между двумя или большим числом временных рядов. Существует неск. видов корреляции между временными рядами (наз. иногда кросс-корреляцией), поскольку существует множество вариантов временного запаздывания изменений двух рядов. Цель исслед. таких корреляций — выяснение того, какой из двух рядов будет «ведущим».См. также Корреляционные методыБ. И. Хьютема... смотреть
анализ и расчет показателей, переменных по времени, на базе имеющейся информации за различные отрезки времени.
анализ и расчет показателей, переменных по времени, на базе имеющейся информации за различные отрезки времени.Словарь бизнес-терминов.Академик.ру.2001.... смотреть
анализ показателей, изменяющихся во времени и проектирование этих показателей на основании имеющихся данных в разные временные периоды.