STATYSTYKA
Transkrypt
STATYSTYKA
STATYSTYKA Rafał Kucharski Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2 Analiza dynamiki I Szereg czasowy: y1 , y2 , . . . , yn−1 , yn . I yt – poziom (wartość) badanego zjawiska w okresie lub chwili t. I Szeregi czasowe momentów dotyczą zasobów. I Szeregi czasowe okresów dotyczą strumieni. I Strumienie możemy agregować: na przykład dane miesięczne do kwartalnych lub rocznych. I Zasobów nie możemy agregować w ten sposób. I Szereg czasowy powinien zawierać wielkości jednorodne i porównywalne. Składniki szeregu czasowego Dekompozycja – wyodrębnianie składowych szeregu czasowego: I tendencja rozwojowa (trend) T , I wahania okresowe (sezonowe, koniunkturalne) S, I wahania przypadkowe P. Składowe mogą się łączyć poprzez: I dodawanie – szereg addytywny: Y = T + S + P, I mnożenie – szereg multiplikatywny, Y = T · S · P. Średnia ruchoma arytmetyczna (SMA) I krocząca, o długości 2q + 1: q ȳt = I X 1 yt+r , 2q + 1 r =−q t = q + 1, q + 2, . . . , n − q, scentrowana (chronologiczna), o długości 2q: ȳt = q−1 X 1 1 1 yt−q + yt+r + yt+q , t = q + 1, q + 2, . . . , n − q, 2q 2 2 r =−q+1 Prognozy naiwne Jeżeli: I nie występują zmiany w mechanizmie kształtowania zjawiska, I występują niewielkie wahania przypadkowe, I prognoza jest krótkookresowa, I dysponujemy krótkim szeregiem danych historycznych możemy stosować metody „naiwne” sporządzania prognoz: I ∗ yn+1 = yn , I ∗ yn+1 = yn + (yn − yn−1 ), yn ∗ , yn+1 = yn · yn−1 yn − y1 1 Pn ∗ yn+1 = yn + (yt+1 − yt ) = yn + , n − 1 t=1 n−1 ∗ yn+1 = yn+1−d – dla wahań sezonowych o okresie d wokół stałego poziomu, I I I Średnia ruchoma wykładnicza (EMA) I α ∈ (0, 1) – parametr wygładzania; zwykle α ∈ [0.1, 0.3], I S1 = y1 , I St = αyt + (1 − α)St−1 dla t = 2, . . . , n, St = t−2 X j=0 α(1 − α)j yt−j + (1 − α)t−1 y1 . Rekurencyjne modele prognoz oparte o wyrównanie wykładnicze I model Browna: ∗ yt+1 = yt + (1 − α)(yt∗ − yt ) = = αyt + (1 − α)yt∗ = = αyt + α(1 − α)yt−1 + α(1 − α)yt−2 + . . . , y1∗ I = y1 , model Holta: F1 = y1 , S1 = 0, Ft = αyt + (1 − α)(Ft−1 + St−1 ), St = β(Ft − Ft−1 ) + (1 − β)St−1 , yt∗ = Ft−1 + St−1 , Prognoza: yT∗ = Fn + (T − n)Sn , dla t ¬ n. dla T > n. Wskaźniki wahań okresowych (i) I yt , t = 1, . . . , n, i = 1, . . . , d, I t – bieżący numer obserwacji, i – numer podokresu cyklu, I Ni = {t : t ∈ {1, . . . , n}, t = i + kd, k = 0, 1, . . . }, ni = #Ni , Dla szeregu bez trendu: 1 P (i) I ȳ (i) = y – średnia w i-tym podokresie, ni t∈Ni t ȳ (i) I Oi = , i = 1, . . . , d – wskaźniki wahań okresowych, ȳ Pd I zachodzi warunek: i=1 Oi = d, Wskaźniki wahań okresowych Dla wahań addytywnych: I ȳt – wartości trendu (wyznaczonego dowolną metodą), I yt − ȳt – indywidualne odchylenia, 1 P (yt − ȳt ), i = 1, . . . , d – wskaźniki wahań Oi = ni t∈Ni okresowych, I I eliminujemy wahania okresowe odejmując od obserwacji yt odpowiednie wskaźniki wahań okresowych. Dla wahań multiplikatywnych: I I I I yt /ȳt – indywidualne wskaźniki sezonowości, 1 P yt Oi0 = , i = 1, . . . , d – wskaźniki surowe, t∈Ni ni ȳt d · Oi0 Oi = P 0 – (oczyszczone) wskaźniki wahań okresowych, i=1 Oi eliminujemy wahania okresowe dzieląc obserwacje yt przez odpowiednie wskaźniki wahań okresowych. Addytywny model tendencji rozwojowej I Jeśli zjawisko Yt zmienia się liniowo w czasie, oraz brak jest wahań okresowych, to model ma postać Yt = at + b + εt , t = 1, . . . , n. I składniki losowe spełniają te same założenia co w modelu Gaussa-Markowa, I jest to klasyczny model regresji, parametry modelu szacujemy KMNK, Model dla wahań kwartalnych Yt = at + b + c1 Xt1 + c2 Xt2 + c3 Xt3 + εt , t = 1, . . . , n. gdzie Xti , i = 1, 2, 3, reprezentują podokresy cyklu ( Xti = 1 0 dla obserwacji dotyczacych i-tego kwartału, dla obserwacji dotyczacych pozostałych kwartałów. I kwartał 4 będzie dla nas kwartałem „bazowym”, I parametry ci , i = 1, 2, 3, charakteryzują odchylenia występujące w kolejnych kwartałach, względem kwartału 4, I składniki losowe spełniają te same założenia co w modelu Gaussa-Markowa, Model dla wahań kwartalnych c.d. Zapisujemy model w postaci macierzowej: y = Xa + ε, gdzie (X = (t, 1, Xt1 , Xt2 , Xt3 )): y1 y2 y3 y4 y5 y6 · y= yn−3 y n−2 yn−1 yn 1 2 3 4 5 X= 6 · n − 3 n − 2 n − 1 n 1 1 1 1 1 1 · 1 1 1 1 1 0 0 0 1 0 · 1 0 0 0 0 1 0 0 0 1 · 0 1 0 0 0 0 1 0 0 0 · 0 0 1 0 a b a = c1 c2 c3 ε1 ε2 ε3 ε4 ε5 ε6 · ε= εn−3 ε n−2 εn−1 εn Model dla wahań kwartalnych c.d. I Oszacowania parametrów wyznaczamy z wzoru: â = (XT X)−1 XT y. I Wartości teoretyczne możemy również obliczyć za pomocą macierzy: ŷ = Xâ. I Wektor reszt: e = y − ŷ, I Wariancja resztowa (5 parametrów): Se2 = I eT e n−5 Wariancje oszacowań parametrów odczytujemy z przekątnej macierzy: Se2 (XT X)−1 . Przyrosty względne i absolutne I przyrosty absolutne (bezwzględne) o podstawie stałej: y1 − yt0 , y2 − yt0 , y3 − yt0 , . . . , yn−1 − yt0 , yn − yt0 , I gdzie podstawą jest okres t0 , przyrosty absolutne (bezwzględne) łańcuchowe: y2 − y1 , y3 − y2 , y4 − y3 , . . . , yn−1 − yn−2 , yn − yn−1 , I przyrosty względne o podstawie stałej w okresie t0 : y1 − yt0 y2 − yt0 y3 − yt0 yn−1 − yt0 yn − yt0 , , , ..., , , yt0 yt0 yt0 yt0 yt0 I przyrosty względne łańcuchowe: y2 − y1 y3 − y2 y4 − y3 yn−1 − yn−2 yn − yn−1 , , , ..., , , y1 y2 y3 yn−2 yn−1 Wskaźniki dynamiki (indeksy) I stosunek wielkości badanego zjawiska w danym okresie (momencie) – badanym, sprawozdawczym – do wielkości tego samego zjawiska w innym okresie (momencie) – bazowym, podstawowym – przyjętym za podstawę porównań, I indeksy jednopodstawowe o podstawie stałej w okresie t0 : y1 y2 yn−1 yn , , ..., , , yt0 yt0 yt0 yt0 I indeksy łańcuchowe: y2 y3 yn−1 yn , , ..., , , y1 y2 yn−2 yn−1 I na indeksach wygodniej wykonuje się operacje algebraiczne, Zamiany indeksów I przyrosty względne na indeksy: łańcuchowe: jednopodstawowe: I yi − yi−1 yi = + 1, yi−1 yi−1 yi yi − yt0 = + 1, yt0 yt0 indeksy na przyrosty względne: łańcuchowe: jednopodstawowe: yi − yi−1 yi = − 1, yi−1 yi−1 yi − yt0 yi = − 1, yt0 yt0 Zamiana podstawy indeksu jednopodstawowego I należy wszystkie indeksy podzielić przez wskaźnik wyrażający zmianę zjawiska między okresem starej (s) a nowej podstawy (n): yi yi ys yi yn = · = : . yn ys yn ys ys I zmiana indeksu jednopodstawowego na łańcuchowy: yi yi−1 yi , : = yt0 yt0 yi−1 Zamiana indeksów łańcuchowych na jednopodstawowe I I I I yt0 = 1, yt0 w okresie następującym bezpośrednio po okresie bazowym indeks yt +1 jednopodstawowy jest równy łańcuchowemu: 0 , yt0 kolejne indeksy po okresie bazowym otrzymujemy mnożąc poprzedni indeks jednopodstawowy przez bieżący indeks łańcuchowy: yi−1 yi yi = · , yt0 yt0 yi−1 w okresie bazowym indeks jednopodstawowy wynosi: indeksy przed okresem bazowym obliczamy dzieląc poprzedni indeks jednopodstawowy przez bieżący indeks łańcuchowy: yt0 yt0 −2 yt −1 yt −1 yi yi+1 yi+1 yt0 −1 =1: , = 0 : 0 ,..., = : , yt0 yt0 −1 yt0 yt0 yt0 −2 yt0 yt0 yi inaczej, jest to odwrotność iloczynu indeksów między okresem bazowym a badanym: yi yt −1 yt0 yi+1 yi+2 . = 1/ · ··· 0 · yt0 yi yi+1 yt0 −2 yt0 −1 Średnie tempo zmian I I I interesuje nas średnie tempo zmian zjawiska w okresie od chwili 1 do chwili n (za n − 1 okresów), jest to tempo r̄ , które będąc stałe w całym rozważanym okresie, przyniosłoby taką samą zmianę całkowitą, odpowiada mu taki średni indeks ḡ = 1 + r̄ , że yn = (ḡ )n−1 y1 = (1 + r̄ )n−1 y1 . I zatem średni indeks możemy obliczamy jako: I pierwiastek (n − 1)-tego stopnia z ilorazu badanej wielkości na końcu i początku badanego okresu: r yn n−1 ḡ = . y1 I pierwiastek (n − 1)-tego stopnia z ilorazu ostatniego i pierwszego indeksu jednopodstawowego: r yn y1 ḡ = n−1 : . yt0 yt0 Średnie tempo zmian c.d. I najczęściej średni indeks obliczamy jako średnią geometryczną indeksów łańcuchowych, które są indeksami ilustrującymi dynamikę zmian w kolejnych okresach s ḡ = I I n−1 y2 y3 yn−1 yn · ··· · y1 y2 yn−2 yn−1 v u n u Y yi n−1 = t . i=2 yi−1 średnie tempo zmian obliczamy wówczas jako r̄ = ḡ − 1, średnie tempo zmian możemy wykorzystać do sporządzania prognozy (naiwnej): ∗ yn+1 = yn · (1 + r̄ ). I Uwaga: porównaj z wzorem na oprocentowanie przeciętne przy kapitalizacji złożonej: r̄ = q n (1 + r1 )(1 + r2 ) · · · (1 + rn ) − 1. Indeksy indywidualne i agregatowe I I I I p – cena, q – ilość, w = p · q – wartość, 0 – okres bazowy, 1 – okres badany, indywidualny indeks cen p1 ip = p0 indywidualny indeks ilości iq = I indywidualny indeks wartości iw = I q1 q0 w1 p1 · q1 = = ip · iq w0 p0 · q0 agregatowy indeks wartości: P P w1 p1 q1 Iw = P =P w0 p0 q0 Indeksy agregatowe I agregatowy indeks ilości Laspeyresa: IqL I P q1 p1 =P q0 p1 agregatowy indeks cen Laspeyresa: IpL I q0 p0 agregatowy indeks ilości Paaschego: IqP I P q1 p0 =P P p1 q0 =P p0 q0 agregatowy indeks cen Paaschego: P IpP = P p1 q1 p0 q1 Indeksy agregatowe, c.d. Laspeyresa I ilości IqP cen P p1 q0 L Ip = P P p1 q1 P Ip = P 0 0 p0 q0 q0 p1 p0 q1 q IqL · IqP q IpL · IpP agregatowy indeks cen Fishera: IpF = I P q1 p1 =P agregatowy indeks ilości Fishera: IqF = I Paaschego P q1 p0 L Iq = P q p zachodzą związki: Iw = IpL · IqP = IpP · IqL = IpF · IqF Indeksy agregatowe, c.d. Gdy nie dysponujemy szczegółowymi danymi, możemy zauważyć, że: Iw = P P w0 · iw w1 P = P w1 w 0 iw IqL P w0 · iq = P IqP IpL P w0 · ip = P IpP w0 w0 P w1 = P w1 iq P w1 = P w1 ip Indeksy dla wielkości stosunkowych I indywidualnie: x= I a b ⇐⇒ zespołowo: a = bx P ⇐⇒ P b= a x P A a xb a =P = P =Pa B b b x indeksy agregatowy wszechstronny (o zmiennej strukturze): X = I P P P P P P a0 x1 b1 x0 b0 a1 X1 a1 a0 :P = P : P = P a1 : P a0 IX = =P b1 b0 b1 b0 X0 x1 x0 Indeksy dla wielkości stosunkowych c.d. I indeksy o stałej strukturze: P P Ix/a0 Ix/a1 I P P x1 b0 x0 b0 Ix/b0 = P : P a0 a0 = P a0 : P a0 x x P 1 P 0 a1 a1 = P a1 : P a1 x1 x0 b0 b0 P P x0 b1 x1 b1 : P Ix/b1 = P b1 b1 indeksy zmian strukturalnych: P P x0 b1 x0 b0 : P b Ix/x0 = P b1 b0 P P x1 b1 x1 b0 : P b Ix/x1 = P b1 b0 P P a1 a0 a Ix/x0 = P a1 : P a0 x x P 0 P 0 a1 a0 a Ix/x1 = P a1 : P a0 x1 x1 Ix = Ix/a1 · a Ix/x0 = Ix/a0 · a Ix/x1 = Ix/b1 · b Ix/x0 = Ix/b0 · b Ix/x1