Metody analizy i prezentacji danych statystycznych Materiały do
Transkrypt
Metody analizy i prezentacji danych statystycznych Materiały do
Metody analizy i prezentacji danych statystycznych Materiały do wykładu Dr Adam Kucharski Spis treści 1 Podstawowe pojęcia statystyczne 1.1 Populacja i zbiorowość . . . . . . 1.2 Badanie statystyczne . . . . . . . 1.3 Standaryzacja danych . . . . . . 1.4 Szeregi statystyczne . . . . . . . 1.5 Graficzna prezentacja danych . . . . . . . 2 2 3 5 5 7 2 Analiza szeregu przekrojowego 2.1 Miary opisujące szereg i jego strukturę . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Badanie koncentracji . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 8 11 3 Analiza szeregu czasowego 3.1 Analiza dynamiki . . . . . . . . . . 3.2 Dekompozycja szeregu czasowego . 3.3 Średnia ruchoma . . . . . . . . . . 3.4 Modele trendu . . . . . . . . . . . 3.5 Zmienne zero-jedynkowe . . . . . . 3.6 Wyodrębnianie wahań sezonowych 3.7 Rodzaje prognoz i ich własności . . 3.8 Ocena jakości prognoz ex post . . . 12 12 13 14 18 21 24 27 27 4 Szeregi przekrojowo-czasowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Metody analizy (...) 1 Opracował: dr Adam Kucharski Podstawowe pojęcia statystyczne 1.1 Populacja i zbiorowość W ramach naszego wykładu będziemy wykorzystywać wiedzę uzyskaną podczas zajęć ze Statystyki. Dlatego na początek przypomnimy sobie pojęcia poznane na tym przedmiocie. Zaczniemy od najbardziej podstawowych. Zbiorowość statystyczna – zbiór osób, przedmiotów lub zjawisk podobnych do siebie, ale nie identycznych, poddanych badaniu statystycznemu. Pojedynczy element zbiorowości podlegający bezpośredniemu badaniu to jednostka statystyczna. Populacja generalna – tworzą ją wszystkie elementy, będące przedmiotem badania, co do których formułujemy wnioski ogólne. Aby określić ją zgodnie z celem badania wszystkie jednostki muszą być określone pod względem: • rzeczowym (co lub kogo badamy); • przestrzennym (obszar objęty badaniem); • czasowym (okres lub moment objęty badaniem). Populacja próbna – podzbiór populacji generalnej, obejmujący elementy wybrane w określony sposób. Wyniki z jej badania uogólnia się na populację generalną. Badanie statystyczne pełne – bezpośredniej obserwacji podlegają wszystkie elementy populacji generalnej. Badanie statystyczne częściowe – obserwacji podlega tylko część populacji generalnej (tzw. próba). Wyróżnimy następujące rodzaje badań częściowych: • reprezentacyjne; • monograficzne (badany jest indywidualny przypadek np pojedynczy region bądź firma); • ankietowe. Częściej wykonujemy drugi z wymienionych rodzajów badań. Dzieje się tak ponieważ zwykle nie możemy zbadać całości populacji generalnej ze względu na jej liczebność oraz/lub związane z tym koszty. Koszt przeprowadzenia badania częściowego jest niższy a samo badanie trwa krócej. Powtarzając je co jakiś czas zyskujemy szansę uaktualnienia wyników. Badania częściowe wykonujemy również wtedy, gdy jednostki statystyczne ulegają zniszczeniu w trakcie samego badania. Oba rodzaje badań obarczone są błędami, przy czym w badaniu częściowym dodatkowo pojawia się niebezpieczeństwo złego doboru struktury próby1 . Próba musi odnosić się do populacji generalnej z określoną dokładnością. Należy w tym celu spełnić dwa warunki: 1. próba musi być losowa – prawdopodobieństwo znalezienia się w próbie powinno być jednakowe dla każdej jednostki; 2. próba powinna być dostatecznie liczna. W badaniach ekonomicznych występuje problem z doborem losowym, dlatego ograniczamy się do pojęcia niezależności jednostek z punktu widzenia wybranych zmiennych. Jednostki statystyczne różnią się między sobą ze względu na tzw. cechy statystyczne. Wyróżnimy następujące ich rodzaje: 1 Tą wadą często obarczone są badania oparte na sondażach telefonicznych. 2 z 32 Metody analizy (...) Opracował: dr Adam Kucharski • cechy mierzalne – warianty cechy wyrażone są za pomocą liczb. Dzielą się one dalej na: – skokowe – przyjmują skończoną lub przeliczalną liczbę wartości; – ciągłe – przyjmują dowolną (zależną od dokładności pomiaru) wartość z ustalonego przedziału; • cechy niemierzalne – warianty wyrażone są w sposób opisowy; • cechy quasi-ilościowe (porządkowe) – warianty są przedstawione w sposób opisowy, lecz można je uporządkować wg natężenia badanej cechy. 1.2 Badanie statystyczne Postępowanie zmierzające do udzielenia odpowiedzi na postawiony przez nas problem na podstawie materiału statystycznego oraz wykorzystujące stosowne narzędzia tworzy procedurę zwaną badaniem statystycznym. Przeprowadzając badanie tego rodzaju przechodzimy następujące etapy: 1. Przygotowanie badania: • określenie celu badania; • określenie zbiorowości i jednostki statystycznej; • określenie charakteru badania (pełne lub częściowe); • określenie sposobu pozyskiwania danych i ich źródeł; • przygotowanie materiałów (formularzy, tablic roboczych itd.); • przygotowanie planu finansowego; 2. Gromadzenie materiału statystycznego (obserwacja statystyczna), który może pochodzić ze źródeł: • pierwotnych (dane zebrane bezpośrednio); • wtórnych (dane pochodzą z wcześniejszych opracowań); 3. Grupowanie i prezentacja zebranego materiału przy pomocy tabel i wykresów; 4. Analiza wyników i wyciąganie wniosków. Jeśli chodzi o wtórne źródła danych, to bardzo popularne obecnie jest wykorzystywanie internetu. Dlatego przyjrzymy się kilku wybranym serwisom zawierającym dane statystyczne. Główny Urząd Statystyczny (www.stat.gov.pl) Strona GUS stanowi obfite źródło danych ekonomicznych, demograficznych i innych. Część z nich dostępna jest odpłatnie. Dane udostępniane są w postaci elektronicznych wersji publikacji GUS oraz pogrupowane według kategorii. Pobieżnie omówimy niektóre z nich: Ceny. Handel Znajdują się tu m.in. dane dotyczące inflacji, cen wybranych produktów czy niektóre z tablic Rocznika Statystycznego Handlu Zagranicznego. Ludność Obok elektronicznej wersji Rocznika Demograficznego znajdziemy w tym dziale tablice trwania życia czy strukturę ludności Polski z punktu widzenia różnych kryteriów. Praca. Wynagrodzenia Do pobrania udostępniono dane o pracujących, bezrobociu czy aktywności ekonomicznej ludności. Oprócz tego znajdują się tu informacje na temat wynagrodzeń klasyfikowanych według wybranych kryteriów. 3 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Przemysł. Budownictwo. Środki trwałe Dział zawiera m.in. produkcję wybranych wyrobów czy dane na temat budownictwa mieszkaniowego. Rachunki narodowe Jako że rachunki narodowe są podstawą obliczania wartości PKB, właśnie tu znajdziemy dane i informacje merytoryczne związane z tą ważną kategorią ekonomiczną. Środowisko. Energia Dane dotyczące zużycia paliw i energii oraz ochrony środowiska. Warunki życia Dane na temat budżetów gospodarstw domowych, dochodów ludności itp. Opracowania zbiorcze Tutaj znajdują się odnośniki do stron związanych z publikacjami GUS. Warto zajrzeć na przykład do Biuletynu Statystycznego – ukazującego się co miesiąc a zawierającego szeregi statystyczne o bardzo różnorodnej tematyce. Urząd publikuje także roczniki statystyczne z wybranych dziedzin, ale w ich przypadku musimy liczyć się z ograniczeniami ilości udostępnianych informacji. Statystyka regionalna Dział ten zawiera m.in. dane i opracowania wykonane przez Wojewódzkie Urzędy Statystyczne. Rodzaj tych danych zależy od konkretnego urzędu. Narodowy Bank Polski (www.nbp.pl) Oficjalna strona NBP zawiera szereg informacji na temat samego banku, jego polityki i wydawanych przepisów prawnych. Znajdują się tam również dane statystyczne m.in. bilans NBP, instrumenty banku centralnego, kursy walut i inne. W dziale „Publikacje” znajduje się „Biuletyn Informacyjny NBP”, zawierający wiele cennych danych na temat rynku bankowego i pieniężnego w Polsce. Oprócz tego na stronie znaleźć można analizy przygotowane przez pracowników banku. Dom Maklerski BOŚ S.A. (bossa.pl) oraz Gazeta giełdowa „Parkiet” (www.parkiet.com) W internecie łatwo znaleźć dane giełdowe. Wymienione powyżej strony zawierają obszerne zbiory danych tak bieżących jak i historycznych. Pobrać należy plik tekstowy przygotowany dla programu Metastock i wczytać go do arkusza kalkulacyjnego przy pomocy odpowiedniego kreatora. Izba Zarządzających Funduszami i Aktywami (www.izfa.pl) Na tej stronie znajdują się dane statystyczne, analizy ekonomiczne i inne informacje związane z funduszami inwestycyjnymi obecnymi na polskim rynku. Zgromadzone dane statystyczne (czy to ze źródeł pierwotnych, czy wtórnych) poddaje się grupowaniu, którego wyróżnimy dwa rodzaje: 1. typologiczne – polegające na wyodrębnianiu grup odmiennych jakościowo np pod względem cech terytorialnych bądź rzeczowych; 2. wariancyjnie – polegające na porządkowaniu jednostek i łączeniu ich w klasy o odpowiednich wartościach cechy. Jeżeli grupowanie w postaci szeregów nam nie wystarczy, dane można przedstawić przy pomocy tablic wielodzielnych, których szczególnym przypadkiem są tablice dwudzielne (korelacyjne). Oczywiście publikacje o charakterze statystycznym zostały przez autorów pogrupowane, ale niekiedy dane z naszego punktu widzenia okazują się zbyt szczegółowe. W takiej sytuacji możemy dokonać agregacji danych2 przestrzegając jednak, aby grupować podobne warianty cechy. 2 Z działaniem tego typu mamy do czynienia na przykład tworząc szereg rozdzielczy punktowy z szeregu szczegółowego. 4 z 32 Metody analizy (...) 1.3 Opracował: dr Adam Kucharski Standaryzacja danych Cechy mierzalne podlegające obserwacji statystycznej zazwyczaj mają miano, które niekiedy utrudnia porównywanie cech ze sobą. Wyjściem w takiej sytuacji może się stać standaryzacja zmiennych. Jednym ze sposobów standaryzacji danych jest podzielenie wszystkich elementów szeregu przez jego wartość maksymalną. Ma to tę zaletę, że dane po przekształceniu zyskują stały punkt odniesienia (wartość jeden). Przykład 1 Rozpatrzmy dostępny na stronie NBP średniomiesięczny kurs euro za pierwsze osiem miesięcy 2008 roku. Tabela 1 zawiera dane przed i po standaryzacji. Tabela 1: Przykład standaryzacji wykorzystującej wartość maks. Miesiąc Kurs EUR Kurs wystand. Styczeń 3,6080 1 Luty 3,5825 0,9929 Marzec 3,5374 0,9804 Kwiecień 3,4444 0,9547 Maj 3,4069 0,9443 Czerwiec 3,3760 0,9357 Lipiec 3,2600 0,9035 Sierpień 3,2884 0,9114 Średnia 3,4380 0,9529 Odch. stand. 0,1217 0,0337 źródło: obliczenia własne na podst. danych z www.nbp.pl Postępowanie przedstawione w tabeli 1 przydaje się m.in. podczas przetwarzania danych powstających przy zliczaniu wyników pochodzących z ankiet. 1.4 Szeregi statystyczne Dane liczbowe jakie gromadzimy podczas badania statystycznego najczęściej mają postać szeregów statystycznych. Szereg statystyczny – ciąg wielkości statystycznych, uporządkowanych według określonych kryteriów. Podstawowe rodzaje szeregów statystycznych ze względu na sposób prezentacji danych: • szczegółowy; • rozdzielczy: – punktowy; – z przedziałami klasowymi. Szeregi rozdzielcze dzielą zbiorowość statystyczną na części (klasy) wg określonej cechy i podają liczebność lub częstość każdej z klas. Zazwyczaj szeregi punktowe buduje się dla cech 5 z 32 Metody analizy (...) Opracował: dr Adam Kucharski skokowych zaś te z przedziałami klasowymi dla cech ciągłych choć jeśli liczba obserwacji w przypadku cechy skokowej jest duża również w jej wypadku sięga się po przedziały. Podstawowe rodzaje szeregów ze względu na charakter danych: • czasowe; • przekrojowe; • przekrojowo-czasowe. Szeregi szczegółowe najlepiej nadają się do prezentowania niedużych ilości danych. Kiedy ich liczba wzrasta przechodzimy na szeregi rozdzielcze. O ile budowa szeregu punktowego nie budzi wątpliwości, to pojawiają się one już dla szeregu z przedziałami klasowymi. Tworzenie przedziałów może odbywać się w sposób intuicyjny (sama struktura szeregu sugeruje ilość i rozpiętość przedziałów) lub w oparciu o określone procedury. Poniżej znajdują się etapy postępowania, które pozwala zamienić szereg szczegółowy na rozdzielczy z przedziałami klasowymi. 1. Ustalenie liczby klas (k ): jeżeli przez n oznaczymy ogólną liczebność szeregu, wówczas liczbę klas można wyznaczyć na podstawie jednego ze wzorów: √ k ≈ n (1) k ≈ 1 + 3,322 log n (2) 2. Ustalenie rozpiętości przedziałów: Zazwyczaj przyjmuje się jednakowe rozpiętości przedziałów. Dzięki temu liczebności w poszczególnych klasach są porównywalne. Różne rozpiętości stosujemy, kiedy populacja jest niejednorodna i występuje silna koncentracja obserwacji w jednej z klas. Niech h oznacza rozpiętość przedziału: h≈ xmax − xmin R ≈ k k (3) Wartość h często trzeba przybliżyć. Wykorzystujemy wtedy tzw. przybliżenie z nadmiarem: hk > R 3. Ustalanie granic klas: Zwykle jako dolną granicę przyjmuje się xmin lub bliską mu wartość. Należy też pamiętać, że dla cech ciągłych dolne granice klas następnych powinny być równe górnym granicom klas poprzednich. Przykład 2 Spróbujmy skonstruować przykładowy szereg rozdzielczy. Z Małego Rocznika Statystycznego 2008 wybraliśmy dane dotyczące głębokości maksymalnej polskich jezior3 , które znalazły się w tabeli 2. Dane obejmują n = 23 jeziora. Na podstawie wzoru (2) ustalamy liczbę klas: k ≈ 1 + 3,322 log(23) ≈ 5,52 Zaokrąglamy wartość k do 6. Następnie ustalamy rozpiętość przedziałów: h≈ 68 − 2,6 ≈ 10,9 6 Pamiętając o regule przybliżania z nadmiarem, ustalamy rozpiętość przedziału na 11 m. W ostatnim kroku określamy granice przedziałów, pamiętając o tym, że w naszym przykładzie mamy do czynienia z cechą ciągłą. Jako dolną granicę przyjmiemy 2,5. Efekt końcowy znalazł się w tabeli 3. 3 Jeziora te uporządkowano malejąco wg powierzchni zwierciadła wody 6 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Tabela 2: Maksymalna głębokość większych jezior w Polsce Nazwa jeziora Maks. głębokość [m] Miedwie Jeziorak Duży Nazwa jeziora Maks. głębokość [m] 43,8 Dominickie 17,1 12 Sasek Mały 3,7 Niegocin 39,7 Chełmżyńskie 27,1 Jamno 3,9 Tajno 6,6 Wdzydze Połud. 68 Raduń 25,1 Raduńskie Dolne 35,4 Chłop 23 Gaładuś 54,8 Przytoczno Pogubie Wielkie 2,6 Harsz 47 Wdzydze Półn. 18,8 Wielkie 3,7 Gremzdy 14,3 Ewingi 3 Serwy 41,5 Zdworskie Boczne 12,5 17 5 źródło: Mały Rocznik Statystyczny 2008, tabela 14 s. 44 Tabela 3: Struktura większych jezior Polski wg ich głębokości maksymalnej Maks. głębokość [m] Liczba jezior 2,5-13,5 9 13,5-24,5 5 24,5-35,5 3 35,5-46,5 3 46,5-57,5 2 57,5-68,5 1 Razem 23 źródło: obliczenia własne 1.5 Graficzna prezentacja danych Prezentacja danych na wykresie ma wiele zalet. Pozwala na przykład ogarnąć zachowanie się dużej liczby obserwacji. Analiza wykresu pomaga ocenić własności szeregu (np. asymetrię) i dobrać stosowne narzędzia dalszej analizy. Z uwagi na to, że źródła i rodzaje danych oraz cele badań są bardzo różnorodne, istnieje ogromna mnogość rodzajów wykresów. Wymieńmy tylko niektóre: • statystyczne: – rozkład empiryczny; – histogram; – wykres ramkowy; • prezentujące strukturę lub częstość: – wykres kołowy (pierścieniowy); 7 z 32 Metody analizy (...) Opracował: dr Adam Kucharski – wykres kolumnowy (grupowany lub skumulowany); – wykres warstwowy skumulowany; • opisujące dekompozycję bądź zależność: – punktowy; – liniowy o skali równomiernej; – liniowy o skali logarytmicznej. Tworząc wykresy warto pamiętać o następujących uwagach: 1. Wykorzystując układ współrzędnych na osi odciętych odkładamy wartości cechy, a na osi rzędnych liczbę wystąpień danego wariantu. 2. Dla szeregów czasowych oś odciętych zawiera interwały czasowe zaś oś rzędnych wielkości zjawisk w kolejnych momentach (okresach) czasu. 3. Skale na obu osiach są od siebie niezależne. 2 Analiza szeregu przekrojowego 2.1 Miary opisujące szereg i jego strukturę Dokonując analizy szeregu statystycznego wskazane jest obliczyć komplet miar opisujących jego strukturę. Oparcie się tylko na jednej lub dwóch nie daje pełnej informacji. Należy przy tym pamiętać o własnościach użytych miar (przykładowo o tym, że miary klasyczne obliczane są ze wszystkich elementów szeregu). Do najważniejszych charakterystyk zaliczymy: • średnią arytmetyczną; • wariancję (odchylenie standardowe); • współczynnik skośności (lub inną miarę asymetrii); • dominantę; • kwartyle; • rozstęp; • współczynnik zmienności. Przykład 3 Rozpatrzmy dane na temat liczby ludności zamieszkującej miasta wszystkich 16 województw naszego kraju. Dane pochodzą z tablicy 2 zawartej w publikacji pt. Miasta w liczbach 2005-2006 przygotowanej przez Centrum Statystyki Miast Urzędu Statystycznego w Poznaniu, a dostępnej na internetowej stronie GUS. Dla danych z tabeli 4 obliczmy podstawowe miary statystyczne. Z wyników zawartych w tabeli 5 dowiadujemy się, że w polskich miastach na koniec 2006 roku mieszkało średnio 1460,56 tys. osób. Najmniejsza liczba ludności zamieszkiwała miasta województwa opolskiego a największa – śląskiego. W połowie województw mieszkało w miastach nie więcej niż 1217,8 tys. osób zaś połowa obserwacji mieści się między 815,33 a 1723,35 tys. osób. Odchylenie standardowe wyniosło 899,05 tys. osób. Wskazuje to na dużą zmienność szeregu, co potwierdza współczynnik zmienności rzędu niemal 62%. 8 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Tabela 4: Ludność zamieszkująca w miastach poszczególnych województw. Stan na 31 XII 2006. Województwo Ludność miejska [tys.] Dolnośląskie 2042,7 Kujawsko-pomorskie 1267,3 Lubelskie 1013,0 Lubuskie 645,6 Łódzkie 1657,3 Małopolskie 1618,1 Mazowieckie 3346,7 Opolskie 547,8 Podkarpackie 849,9 Podlaskie 711,6 Pomorskie 1477,3 Śląskie 3666,1 Świętokrzyskie 579,8 Warmińsko-mazurskie 855,9 Wielkopolskie 1921,5 Zachodniopomorskie 1168,3 źródło: Miasta w liczbach 2005-2006, www.stat.gov.pl Tabela 5: Zestawienie wyników obliczeń dla danych z tabeli 4 Miara Wartość Miara Średnia aryt. 1460,56 Q1 815,33 Mediana 1217,8 Q3 1723,35 Wariancja 8, 08 × 105 Wartość Wsp. zmienności 0,616 Odchyl. stand. 899,05 Rozstęp 3118,3 xmin 547,8 Q3 − Q1 908,03 xmax 3666,1 AQ 0,114 źródło: obliczenia własne Naszą uwagę powinna zwrócić również duża różnica pomiędzy średnią a medianą wskazując na silną asymetrię prawostronną. Z uwagi na występowanie najliczniejszego wariantu cechy w skrajnym położeniu nie obliczamy dominanty, a w konsekwencji nie możemy ocenić siły asymetrii przy pomocy miar klasycznych. Dlatego obliczony został pozycyjny współczynnik skośności (AQ ). Wskazuje on na niedużą asymetrię prawostronną. Może to dziwić, gdy spojrzymy na wykres na rysunku 1 gdzie wyraźnie widać silną asymetrię prawostronną. Różnica ta bierze się z faktu, iż AQ mierzy asymetrię 50% środkowych elementów szeregu, a wśród nich nie występują aż tak duże różnice. Analiza wykresu na rysunku 1 (dane o liczbie ludności uporządkowano rosnąco) pozwala znaleźć przyczynę takiego stanu rzeczy. Dwa województwa: mazowieckie i śląskie bardzo wyraźnie odstają pod względem badanej cechy od pozostałych regionów. Poza tym w sześciu wojewódz- 9 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Rysunek 1: Ludność zamieszkująca miasta poszczególnych województw źródło: Miasta w liczbach 2005-2006, www.stat.gov.pl twach liczba ludności miejskiej znajduje się wyraźnie poniżej miliona osób. Z tego powodu całą analizę należy wykonać oddzielnie dla możliwie jednorodnych grup. Przyjmiemy następujący podział: 1. grupa 1 – województwa: opolskie, świętokrzyskie, lubuskie, podlaskie, podkarpackie, warmińskomazurskie; 2. grupa 2 – województwa: lubelskie, zachodniopomorskie, kujawsko-pomorskie, pomorskie, małopolskie, łódzkie, wielkopolskie, dolnośląskie; 3. grupa 3 – województwa: mazowieckie, śląskie. Tabela 6: Zestawienie wyników dla grupy 1 Miara Wartość Miara Wartość Średnia aryt. 698,43 Q1 596,25 Mediana 678,6 Q3 815,33 Wsp. zmienności 0,173 Wariancja 14577,82 Odchyl. stand. 120,74 Rozstęp 308,1 xmin 547,8 Q3 − Q1 219,08 xmax 855,9 AQ 0,248 źródło: obliczenia własne 10 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Przyjrzyjmy się wynikom otrzymanym dla grupy 1, które znalazły się w tabeli 6. Najbardziej rzuca się w oczy bardzo wyraźny spadek zmienności, podnoszący nasze zaufanie do średniej arytmetycznej. Zmieniła się również siła asymetrii szeregu. Pozostałe dwa przypadki można przeanalizować w podobny sposób. 2.2 Badanie koncentracji Jedną z własności, którą można badać w szeregach jest tzw. koncentracja mierzona m.in. przy pomocy kurtozy. Jednakże zmienne ekonomiczne (takie jak dochód) odznaczają się nierównomiernym rozłożeniem pomiędzy podmioty gospodarcze. Z tego powodu przydatne staje się przeanalizowanie stopnia podziału cechy pomiędzy poszczególne jednostki. Służy do tego współczynnik koncentracji Lorenza. Przyjmuje on wartości z przedziału h0, 1i. Wartość 0 oznacza równomierny podział (brak koncentracji) zaś 1 całkowitą koncentrację. Jego wartość przybliżoną można wyznaczyć na podstawie wzoru: KL ≈ 1 − k X zski + zsk−1 2 i=1 ωi (4) Prześledźmy sposób wyznaczania współczynnika Lorenza przy pomocy przykładu. Przykład 4 Jako źródło danych wykorzystamy Rocznik statystyczny województw 2007 opublikowany na stronie GUS. Zbadamy czy można powiedzieć, że występuje koncentracja PKB w województwach uporządkowanych ze względu na liczbę ludności, oraz jak jest ona silna. Wykorzystamy zagregowane dane znajdujące się w tablicach II A oraz II E. Dane pochodzą z 2005 roku. Tabela 7: PKB a liczba ludności wytwarzane w województwach Województwa wg Liczba PKB liczby ludności [tys.] województw [mln zł] <2000 6 162249 2000-3000 6 315831 3000-4000 2 164561 4000-5000 1 130442 >5000 1 210219 Razem 16 983302 źródło: Rocznik statystyczny województw 2007, www.stat.gov.pl Stopień koncentracji ilustruje tzw. krzywa koncentracji (krzywa Lorenza). Na osi odciętych zaznaczamy skumulowane odsetki dla województw, a na osi rzędnych skumulowane odsetki dla PKB. Łącząc punkty o współrzędnych (ωski , zski ) otrzymujemy wspomnianą krzywą przedstawioną na rysunku 2. Krzywa ta wpisuje się w kwadrat, którego przekątną nazywamy linią równomiernego podziału. W miarę wzrostu koncentracji, krzywa Lorenza oddala się od przekątnej. Rośnie tym samym pole powierzchni powstałej figury (obszar zaznaczony szarym kolorem na rysunku 2). Stosunek owego pola do połowy pola kwadratu określa współczynnik Lorenza. Dla naszego przykładu wartość współczynnika ta wynosi: KL = 1 − 0,325 = 0,675 11 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Tabela 8: Obliczenie współczynnika Lorenza Województwa wg Odsetek woj. Odsetek PKB Skumul. odsetki Pole liczby ludności [tys.] ωi zi ωski zski figury <2000 0,375 0,165 0,3750 0,165 0,0309 2000-3000 0,375 0,3212 0,7500 0,4862 0,1221 3000-4000 0,125 0,1674 0,8750 0,6536 0,0450 4000-5000 0,0625 0,1327 0,9375 0,7863 0,3250 >5000 0,0625 0,2138 1 1 0,0558 Razem 1 1 0,325 źródło: obliczenia własne zski 1 0.8 0.6 0.4 0.2 ωski 0.2 0.4 0.6 0.8 1 Rysunek 2: Krzywa Lorenza dla przykładu z tabeli 8 źródło: obliczenia własne Stwierdzamy więc, że istnieje dość duży stopień koncentracji wytworzonego PKB w województwach. Rzeczywiście, analiza wskaźników struktury z tabeli 8 pozwala zauważyć, że największe udziały wartości PKB występują w dwóch przedziałach: drugim i ostatnim. 3 3.1 Analiza szeregu czasowego Analiza dynamiki Szeregi przekrojowe ujmują zjawisko w sposób statyczny. Czas, kiedy dokonano obserwacji jest w nich ustalony i niezmienny. Statystyka stosuje również podejście dynamiczne, które opiera się na szeregach czasowych. Podobnie jak szeregi przekrojowe, mogą one być charakteryzowane przez miary przeciętne (najczęściej średnią arytmetyczną) oraz zróżnicowanie (zwykle wariancję, odchylenie standardowe, współczynnik zmienności). Należy przy tym pamiętać, że w przypadku szeregu momentów oblicza się średnią chronologiczną zgodnie ze wzorem: ȳch = 0,5y1 + y2 + . . . + yn−1 + 0,5yn n−1 12 z 32 (5) Metody analizy (...) Opracował: dr Adam Kucharski Dla szeregu okresów obliczamy klasyczną wersję tej miary. Szeregi czasowe stanowią również punkt wyjścia dla (omawianych podczas zajęć ze Statystyki opisowej) miar dynamiki. Przypomnijmy, że na bazie indeksów łańcuchowych wyznaczany średnie tempo zmian zjawiska w czasie przy pomocy średniej geometrycznej: q q īG = n−1 in|n−1 · in−1|n−2 · . . . · i2|1 = n−1 in|1 (6) Znając średnią geometryczną szeregu czasowego możemy wyznaczyć średniookresowe tempo zmian. T̄n = ȳch − 1 (7) Zwróćmy uwagę na to, że średnia geometryczna indeksów łańcuchowych w rzeczywistości pomija wartości zawarte między skrajnymi wyrazami. Ma to duże znaczenie przy interpretacji danych, ponieważ aby podtrzymać jej wiarygodność obserwacje z kolejnych okresów nie powinny się zbytnio różnić. Przykład 5 Sięgnijmy do Biuletynu Statystycznego GUS (www.stat.gov.pl) z lipca 2008. W tablicy 11 znajdują się dane kwartalne dotyczące przeciętnego zatrudnienia bez jednostek budżetowych prowadzących działalność w zakresie obrony narodowej i bezpieczeństwa publicznego. Dokonajmy analizy tego szeregu. Tabela 9: Obliczenia dla szeregu danych kwartalnych – Przeciętne zatrudnienie [tys.](Xt ) Okres Xt it|t−1 2007 I-III 7699 – 2007 IV-VI 7777 1,0101 2007 VII-IX 7815 1,0049 2007 X-XII 7912 1,0124 2008 I-III 8034 1,0154 2008 IV-VI 8066 1,0040 Średnia arytm. 7883,8330 Odch. stand. 133,4434 Wsp. zmien. [%] 1,69 Średnia geom. 1,0094 źródło: obliczenia własne na podst. BS GUS nr 07/2008 Niska wartość współczynnika zmienności pozwala stwierdzić, że średnia arytmetyczna dobrze opisuje średni poziom przeciętnego zatrudnienia w analizowanym okresie. Kształtowało się ono na poziomie 7883,8 tys. osób. Znajdujące się w ostatniej kolumnie tabeli 9 indeksy łańcuchowe wskazują na niewielkie zmiany w kolejnych okresach. Uznajemy więc, że średnia geometryczna dobrze opisze średnie tempo zmian, które wyniosło 0,94%. Możemy więc stwierdzić, że między pierwszym kwartałem 2007 a drugim 2008 nie dochodziło do dynamicznych zmian przeciętnego zatrudnienia. 3.2 Dekompozycja szeregu czasowego Inny kierunek analiz zmierza do dzielenia zachowania szeregu czasowego na poszczególne elementy. Szereg taki składa się z pewnych powtarzających się elementów, które można zdekomponować 13 z 32 Metody analizy (...) Opracował: dr Adam Kucharski na: • Tendencję rozwojową (trend) – długookresową skłonność do jednokierunkowych zmian wartości zmiennej. Efekt działania stałego zestawu czynników. • Stały (przeciętny) poziom zmiennej – występujący w szeregu, w którym brak tendencji rozwojowej. Wartości oscylują wokół pewnego stałego poziomu. • Wahania cykliczne – długookresowe, rytmiczne wahania wartości zmiennej wokół trendu lub stałego poziomu. • Wahania sezonowe – wahania mające skłonność do powtarzania się w określonym czasie nie przekraczającym roku. • Wahania przypadkowe – losowe zmiany zmiennej o zróżnicowanej sile. Wymienione wyżej elementy spotykamy praktycznie w dowolnych konfiguracjach (np. małe wahania losowe, stały poziom zmiennej i wahania sezonowe dla jednego szeregu) czego ilustracją jest rysunek 3. yt yt (a) (b) t t Rysunek 3: Przykłady dekompozycji szeregu czasowego: (a) – Wahania przypadkowe i trend liniowy, (b) – Wahania sezonowe i stały poziom zmiennej. Wahania przypadkowe można próbować eliminować, zaś trend wyodrębniać z szeregu, używając do tego celu tzw. metod wygładzania, które podzielimy na następujące grupy: 1. metody mechaniczne (np. średnia ruchoma); 2. metody analityczne (funkcje trendu). 3.3 Średnia ruchoma Zaliczana do grupy metod mechanicznych średnia ruchoma, nie wymaga przyjmowania zbyt wielu założeń. Ograniczamy się jedynie do określenia liczby obserwacji, na podstawie których obliczamy średnią ruchomą. Sposoby jej wyznaczania różnią się między sobą. Jeżeli naszym celem jest jedynie wygładzenie szeregu i wyodrębnienie trendu, wówczas obliczamy tzw. średnią scentrowaną. Z kolei dla celów prognostycznych wykorzystuje się wariant wyznaczający średnią wartość dla przyszłych okresów. W obu przypadkach liczbę elementów branych pod uwagę przy obliczaniu średniej nazywamy stałą wygładzania (k ). 14 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Średnią scentrowaną inaczej wyznacza się dla parzystej a inaczej dla nieparzystej liczby okresów. Załóżmy, że chcemy wygładzić szereg średnią o stałej wygładzania k = 3. Przykładowe wartości otrzymamy stosując wzory: ȳ2 = y 1 + y2 + y3 3 ȳn−1 = yn−2 + yn−1 + yn 3 Z kolei dla stałej k = 4 należy zastosować: ȳ3 = 0,5y1 + y2 + y3 + y4 + 0,5y5 4 ȳn−2 = 0,5yn−4 + yn−3 + yn−2 + yn−1 + 0,5y5 4 Przykład 6 Z tego samego, 7/2008 numeru Biuletynu Statystycznego co w przykładzie poprzednim użyjemy danych zawartych w tablicy 47, a obejmujących produkcję sprzedaną przemysłu ogółem w okresie od maja 2007 do lipca 2008. Wygładzony przy pomocy średniej ruchomej scentrowanej o k = 3 szereg znalazł się w tabeli 10. Tabela 10: Produkcja sprzedana przemysłu – wygładzanie szeregu Okres Prod. sprzed. Średnia ruchoma Reszty [mld zł] k=3 et 2007 V 68,2446 2007 VI 68,4607 68,2008 0,2599 2007 VII 67,8971 68,2543 -0,3572 2007 VIII 68,4051 69,3520 -0,9469 2007 IX 71,7537 72,8648 -1,1111 2007 X 78,4355 74,9691 3,4664 2007 XI 74,7182 73,7987 0,9195 2007 XII 68,2423 71,6797 -3,4374 2008 I 72,0785 71,2823 0,7962 2008 II 73,5260 73,2498 0,2762 2008 III 74,1448 74,8364 -0,6916 2008 IV 76,8385 73,9981 2,8404 2008 V 71,0111 74,2796 -3,2685 2008 VI 74,9892 72,9277 2,0615 2008 VII 72,7829 źródło: obliczenia własne na podst. BS GUS nr 07/2008 Wartości powstałe po użyciu średniej ruchomej pozbawione są części wahań losowych. Jest to tzw. efekt wygładzania, który rośnie ze wzrostem stałej wygładzania. Płacimy za to utratą części obserwacji, tym większą, im silniej wygładzamy szereg. Wpływ k na wygładzenie szeregu na bazie danych z ostatniego przykładu ilustrują wykresy na rysunkach 4 i 5. Uśredniona wartość z oczywistych powodów odbiega od danych rzeczywistych. Między daną rzeczywistą a uśrednioną dla odpowiadających sobie okresów obliczamy różnicę (zwaną resztą i oznaczaną symbolem et ), co ilustruje ostatnia kolumna tabeli 10. Reszty wyznaczamy więc według wzoru: (k) et = yt − ȳt (8) 15 z 32 Metody analizy (...) Opracował: dr Adam Kucharski gdzie: yt – obserwacja rzeczywista w okresie t; (k) ȳt – wartość k -okresowej średniej ruchomej w okresie t. Rysunek 4: Produkcja sprzedana przemysłu wygładzona średnią ruchomą o k =3. źródło: BS GUS nr 07/2008 oraz obliczenia własne Rysunek 5: Produkcja sprzedana przemysłu wygładzona średnią ruchomą o k =5. źródło: BS GUS nr 07/2008 oraz obliczenia własne Analiza reszt pozwala poznać własności wygładzonego szeregu. Na przykład znaczna przewa16 z 32 Metody analizy (...) Opracował: dr Adam Kucharski ga wartości ujemnych (dodatnich) świadczy o częstym przeszacowywaniu (niedoszacowywaniu) wyników przez średnią ruchomą. Średnia ruchoma w wersji prognostycznej zachowuje wszystkie własności średniej scentrowanej. Inna jest jednak filozofia wyznaczania jej wartości. Na użytek prognozowania przyjmuje się, że wartość zmiennej prognozowanej w okresie prognozy będzie równa średniej arytmetycznej z k poprzednich wartości tej zmiennej. Dla danych z tabeli 10 obliczmy średnią ruchomą trójokresową w wariancie prognostycznym. Przykład 7 Tabela 11: Produkcja sprzedana przemysłu – prognozy Okres Prod. sprzed. Średnia ruchoma Reszty [mld zł] k=3 et 2007 V 68,2446 2007 VI 68,4607 2007 VII 67,8971 2007 VIII 68,4051 68,2008 0,2043 2007 IX 71,7537 68,2546 3,4994 2007 X 78,4355 69,3520 9,0835 2007 XI 74,7182 72,8648 1,8534 2007 XII 68,2423 74,9691 -6,7268 2008 I 72,0785 73,7987 -1,7202 2008 II 73,5260 71,6797 1,8463 2008 III 74,1448 71,2823 2,8625 2008 IV 76,8385 73,2498 3,5887 2008 V 71,0111 74,8364 -3,8253 2008 VI 74,9892 73,9981 0,9911 2008 VII 72,7829 74,2796 -1,4967 2008 VIII 72,9277 źródło: obliczenia własne na podst. BS GUS nr 07/2008 Średnia z tabeli 11 obliczana jest dla tej samej co w poprzednim przykładzie stałej wygładzania i w konsekwencji daje te same wartości. Zmienia się jednak ich sens merytoryczny. Uśredniona na podstawie kilku ostatnich obserwacji wartość staje się prognozą w okresie kolejnym. Przestaje tym samym obowiązywać zasada iż średnia musi znaleźć się w przedziale pomiędzy najmniejszym a największym wyrazem szeregu. W konsekwencji obserwujemy wyższe (co do wartości bezwzględnej) reszty. Plusem jednak takiego postępowania jest to, że możemy wyprognozować poziom zmiennej w okresie, dla którego brak danych. Jak ilustruje to wykres na rysunku 6 sam efekt wygładzenia również ma inny przebieg. Nie uległa jednak zmianie reguła, w myśl której im wyższa stała wygładzania tym silniej usuwane są wahania przypadkowe. Powiemy wtedy, że słabnie wpływ wahań losowych na wartość prognozy. Z uwagi na jakość otrzymywanych prognoz, duże znaczenie ma dekompozycja szeregu czasowego. Użycie średniej ruchomej do szeregu z wyraźnym trendem liniowym doprowadza zawsze do systematycznego przeszacowywania lub niedoszacowywania prognoz. Najlepiej sprawdza się ona w szeregach o stałym poziomie zmiennej, bez wahań sezonowych. 17 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Rysunek 6: Produkcja sprzedana przemysłu prognozowana średnią ruchomą o k =3. źródło: BS GUS nr 07/2008 oraz obliczenia własne 3.4 Modele trendu Drugą grupę metod wyodrębniających elementy dekompozycji szeregu czasowego stanowią funkcje trendu. Niektóre szeregi mają skłonność do systematycznych zmian w czasie np. stale rosną lub maleją. Mówimy wówczas, że zawierają trend, który w modelach reprezentuje się przy pomocy sztucznej zmiennej. Zazwyczaj oznacza się ją symbolem t a jako wartości przyjmuje numery kolejnych okresów (t=1, 2, 3,...,n). Zmienna t wprowadzana jest jako argument funkcji matematycznej, służącej objaśnianiu zachowania się zmiennej yt zawierającej kolejne obserwacje szeregu. Najprostszą z możliwych postaci jest funkcja liniowa: yt = α + βt (9) Jej parametry znajdujemy wykorzystując metodę najmniejszych kwadratów lub stosując wzory: n X (t − t̄)yt β= t=1 n X , α = ȳ − β t̄ 2 (t − t̄) t=1 gdzie: n 1X n+1 t̄ = t= n 2 t=1 18 z 32 (10) Metody analizy (...) Opracował: dr Adam Kucharski Przykład 8 Ponownie sięgnijmy do Biuletynu Statystycznego nr 7/2008. Wykorzystamy zawarte w tablicy 21 (Aktywa krajowe i zagraniczne) dane na temat zadłużenia netto instytucji rządowych szczebla centralnego. Wyznaczymy dla nich parametry liniowej funkcji trendu. Tabela 12: Wyznaczanie parametrów trendu liniowego Okres Zadłużenie Numer okresu [mld zł] t t − t̄ (t − t̄)yt (t − t̄)2 2007 IX 58,933 1 -4,5 -265,199 20,25 2007 X 60,230 2 -3,5 -210,805 12,25 2007 XI 55,503 3 -2,5 -138,758 6,25 2007 XII 61,939 4 -1,5 -92,909 2,25 2008 I 58,961 5 -0,5 -29,481 0,25 2008 II 66,757 6 0,5 33,379 0,25 2008 III 68,132 7 1,5 102,198 2,25 2008 IV 67,844 8 2,5 169,610 6,25 2008 V 69,913 9 3,5 244,696 12,25 2008 VI 75,538 10 4,5 339,921 20,25 152,652 82,5 Suma źródło: obliczenia własne na podst. BS GUS nr 07/2008 Parametry równania linii trendu: β= 152,652 = 1,85 82,5 α = 64,38 − 1,85 · 5,5 = 54,2 Gotowe równanie: ŷt = 54,2 + 1,85t (11) „Daszek” nad symbolem zmiennej objaśnianej informuje, że mamy do czynienia nie z wartością rzeczywistą a teoretyczną, wyznaczoną na podstawie równania 11. Interpretacja parametrów jest następująca: • z okresu na okres zadłużenie netto instytucji centralnych wzrastało średnio o 1,85 mld zł; • niezależny od upływu czasu, stały poziom tego zadłużenia wynosił w badanym okresie 54,2 mld zł. Graficzna prezentacja linii trendu znalazła się na wykresie zamieszczonym na rysunku 7. Analizując zachowanie się szeregu stwierdzamy, że liniowa postać funkcji trendu dobrze sprawdza się w tym przypadku. Dopasowanie modelu do danych rzeczywistych sprawdza się przy pomocy współczynnika determinacji (R2 ): n X R2 = t=1 n X n X (ŷt − ȳ)2 =1− 2 (yt − ȳ) t=1 t=1 n X t=1 19 z 32 e2t yt2 (12) − nȳ 2 Metody analizy (...) Opracował: dr Adam Kucharski Rysunek 7: Zadłużenie netto instytucji centralnych a linia trendu źródło: obliczenia własne Współczynnik determinacji przyjmuje wartości z przedziału h0, 1i. Im bliżej jedności, tym lepsze dopasowanie modelu do danych rzeczywistych. Wyznaczmy współczynnik R2 dla naszego przykładu. Obliczenia pomocnicze znajdują się w tabeli 13. Tabela 13: Wyznaczanie współczynnika determinacji Numer okresu Reszty t yt2 ŷt et e2t 1 3473,10 56,048 2,885 8,32 2 3627,65 57,899 2,331 5,43 3 3080,58 59,749 -4,246 18,03 4 3836,44 61,599 0,340 0,12 5 3476,40 63,450 -4,489 20,15 6 4456,50 65,300 1,457 2,12 7 4641,97 67,151 0,981 0,96 8 4602,81 69,001 -1,157 1,34 9 4887,83 70,851 -0,938 0,88 10 5705,99 72,702 2,836 8,04 Suma 41789,27 0 65,40 źródło: obliczenia własne 20 z 32 Metody analizy (...) Opracował: dr Adam Kucharski R2 = 1 − 65,4 = 0,812 41789,27 − 10 · (64,38)2 Otrzymana wartość informuje, że model w 81,2% opisuje zachowanie szeregu co wskazuje na jego dobre dopasowanie. Postać modelu może być różna, a jej wybór zależy od przesłanek dotyczących mechanizmu rozwojowego zmiennej, zazwyczaj określanego na podstawie analizy wykresu. Z uwagi na wykorzystanie sztucznej zmiennej, istnieje duża mnogość funkcji, które można dopasować do szeregu. Znalezienie pasującej funkcji trendu wymaga niekiedy sporej ilości obserwacji. Kiedy jest ich niewiele, do szeregu da się dopasować zwykle więcej niż jeden model. W takiej sytuacji wybieramy ten o najprostszej postaci analitycznej. Jako kryterium rozstrzygające o wyborze postaci funkcji używa się zazwyczaj współczynnika determinacji. Oto wybrane nieliniowe modele trendu: • wykładniczy yt = eα+βt , t yt = αβ , β>0 β>1 (13) (14) W równaniu pierwszym β a w drugim ln β jest stopą wzrostu. • wielomianowy, np. stopnia 2 yt = α0 + α1 t + α2 t2 Kolejne trzy funkcje stosuje się w sytuacji, kiedy stwierdzamy występowanie zmniejszających się przyrostów np. dla względnego nasycenia rynku z powodu pojawiających się produktów konkurencyjnych. • logarytmiczny yt = α + β ln t, β > 0 • potęgowy yt = αtβ , 0<β<1 • ilorazowy yt = αt , β+t α, β > 0 W przypadku malejącego przyrostu ryzyko prognozowania jest mniejsze bo zmienne zachowują się dość stabilnie. • logistyczny yt = α , 1 + β exp−δt α > 0, δ > 0, β > 1 Funkcji logistycznej używamy kiedy zjawisko jest ograniczone do pewnej przestrzeni (np. rozwój nowych gałęzi przemysłu). Najpierw następuje szybki wzrost, potem tempo maleje do asymptoty wyznaczonej przez parametr alfa. 3.5 Zmienne zero-jedynkowe Modele trendu z uwagi na swoją elastyczność stanowią doskonałe narzędzie analizy i prognozowania. Zaczynają jednak zawodzić jeżeli problem stanowi samo zachowanie się danych. Przyjrzyjmy się sytuacji przedstawionej na rysunku 8. Jedna z obserwacji przyjęła wartość nietypowo wysoką w porównaniu z pozostałymi. Zastosowanie MNK oraz liniowej postaci funkcji trendu doprowadzi do modelu o bardzo niskim 21 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Y 6 • • • • • • • -X Rysunek 8: Nietypowe zachowanie danych współczynniku determinacji. Winę za to ponosi jedna z obserwacji, a ponieważ ich ogólna liczba jest niewielka, nie jest możemy pozwolić sobie na rezygnację z części danych, aby ominąć problem. Jeżeli spojrzeć na to szerzej, nie powinniśmy sprawiać wrażenia zaskoczonych. Zjawiska ekonomiczne podlegają w niektórych okresach (takich jak wojny, gwałtowne recesje lub boom gospodarczy) raptownym wahaniom. Przyjmują wtedy wartości skrajnie odbiegające od okresów, które w tej sytuacji można nazwać „normalnymi” lub typowymi. Wyróżnimy 3 grupy nietypowych zachowań: 1. obserwacje nietypowe występujące w pojedynczych, nieregularnych okresach; 2. obserwacje nietypowe trwające przez kilka okresów z rzędu; 3. obserwacje nietypowe regularnie się powtarzające. Zazwyczaj nie jesteśmy w stanie zrezygnować z danych dotyczących nietypowych okresów. Ewentualne skrócenie próby ma daleko idące konsekwencje podczas estymacji. Z drugiej strony brak kroków zaradczych oznacza modele o słabych własnościach statystycznych i merytorycznych. Jako wyjście proponuje się zastosowanie zmiennych zero-jedynkowych, zdefiniowanych następująco: 0, dla obserwacji typowych; Ut = (15) 1, dla obserwacji nietypowych. Zmienne zero-jedynkowe powstają w sztuczny sposób, zgodnie z naszymi potrzebami4 . Wprowadza się je następnie do równania i szacuje parametry w tradycyjny sposób. Mogą one wywołać zmianę parametrów w wybranych okresach. Równanie (16) prezentuje korektę wyrazu wolnego: yt = α0 + α1 Ut + βt (16) Przykład 9 W znanym nam już numerze 7/2008 Biuletynu Statystycznego znajduje się tablica 37 zawierająca przeciętne ceny skupu ważniejszych produktów rolnych. Wykorzystamy dane na temat przeciętnej ceny 1 kg żywca bydła rzeźnego. Dane obejmowały kolejne miesiące od maja 2007 do lipca 2008. Na początek przyjrzyjmy się wykresowi wspomnianej zmiennej znajdującemu się na rysunku 9. Oszacowana funkcja trendu liniowego dla danych z rysunku 9 dała w rezultacie równanie: ŷt = 3,89 + 0,013t 4 R2 = 0,373 (17) Należy jednak zachowywać umiar przy wprowadzaniu zmiennych zero-jedynkowych. Ich użycie musi być odpowiednio umotywowane. 22 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Rysunek 9: Przeciętna cena skupu żywca bydła rzeźnego Zauważamy jednak, że w następujących okresach: IX 2007, XI 2007 i VI 2008 wystąpiły nietypowo wysokie bądź niskie (w porównaniu z resztą obserwacji) ceny skupu. Konstruujemy więc trzy zmienne zero-jedynkowe: 1, dla XI 2007 1, dla IX 2007 U 1107t = U 0907t = 0, dla pozostałych okresów 0, dla pozostałych okresów U 0608t = 1, dla VI 2008 0, dla pozostałych okresów Wstawiamy je do równania, które przed oszacowaniem ma postać: yt = α0 + α1 U 0907t + α2 U 1107 + α3 U 0608t + βt (18) Po oszacowaniu otrzymamy: ŷt = 3,899 + 0,137U 0907t − 0,154U 1107t + 0,14U 0608t + 0,011t R2 = 0,855 (19) Tym co skłania nas do wyboru równania (19) jest o wiele wyższa niż w (17) wartość współczynnika determinacji. Zmienne zero-jedynkowe „uruchamiają” się w odpowiednich okresach i korygują wartość wyrazu wolnego. W pozostałych okresach są równe zero i nie wpływają na żaden z oszacowanych parametrów. 23 z 32 Metody analizy (...) 3.6 Opracował: dr Adam Kucharski Wyodrębnianie wahań sezonowych Ze zjawiskiem sezonowości spotykamy się często korzystając z danych kwartalnych. Jest to sytuacja regularnego powtarzania się obserwacji nietypowych (jako przykład może posłużyć wzrost spożycia napojów gazowanych w okresie letnim). Możemy wyróżnić dwa rodzaje wahań sezonowych: • addytywne – wahania sezonowe mają przybliżoną wartość; • multiplikatywne – wahania sezonowe w kolejnych okresach zwiększają się lub zmniejszają. Występowanie sezonowości wymaga szczególnego podejścia do wygładzania i prognozowania ponieważ stajemy wobec istotnego czynnika wpływającego na zachowanie się szeregu. Wyodrębnienia wahań sezonowych można dokonać wstawiając do modelu trendu zmienne zero-jedynkowe, które w przypadku sezonowości kwartalnej tworzą następującą macierz: 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 U = 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 .. .. .. .. . . . . Jak widać jedynka powtarza się z częstotliwością równą okresowi wahań sezonowych. Do modelu wprowadzamy co najwyżej m − 1 zmiennych zero-jedynkowych (gdzie m oznacza okres wahań sezonowych, w powyższym przykładzie m = 4). Innym sposób to skorzystanie z metody wskaźników. Jest to metoda analizy wahań sezonowych, która przechodzi przez następujące etapy: 1. Eliminacja trendu; 2. Eliminacja wahań przypadkowych (surowe wskaźniki sezonowości); 3. Wyznaczenie czystych wskaźników sezonowości; 4. Obliczenie prognoz. Na początek szacujemy parametry funkcji trendu, która najczęściej (choć nie zawsze) ma postać liniową. Etapy wymienione powyżej różnią się nieco w zależności od tego czy model jest addytywny czy multiplikatywny. Tabela 14 podpowiada sposób postępowania w zależności od rodzaju sezonowości. Przykład 10 Na podstawie danych z kolejnych Biuletynów Statystycznych zgromadziliśmy dane na temat kwartalnego produktu krajowego brutto (tablica 2, mld zł). Dane obejmowały okres od 1 kwartału 2006 do 2 kwartału 2008. Jest to zmienna charakteryzująca się wyraźnie wyższymi wartościami w ostatnim kwartale każdego roku oraz trendem liniowym. Na początek oszacowaliśmy parametry liniowego modelu trendu otrzymując: ŷt = 243,3165 + 7,4096t 24 z 32 (20) Metody analizy (...) Opracował: dr Adam Kucharski Tabela 14: Etapy metody wskaźników Etap Addytywna sez. Ad1 zt = yt − ŷt Ad2 k−1 1X si = zi+j·k k Multiplikatywna sez. yt zt = ŷt Prognoza k – liczba faz wahań w cyklu j=0 ci = si − q ∗ yti wciąż pozostają wahania sezonowe i przypadkowe k−1 1X si = zi+j·k k j=0 Ad3 Komentarz ci = ∗ yti = ŷti + ci r si q q= 1X si r i=1 = ŷti ci t>n Tabela 15: Kwartalne PKB – usuwanie trendu Trend PKB [mld zł] ŷt zt = yt − ŷt 2006 I-III 1 242,7144 250,7261 -8,0117 2006 IV-VI 2 255,1247 258,1358 -3,0111 2006 VII-IX 3 261,5098 265,5454 -4,0356 2006 X-XII 4 300,8451 272,9550 27,8901 2007 I-III 5 269,6860 280,3647 -10,6787 2007 IV-VI 6 282,5914 287,7743 -5,1829 2007 VII-IX 7 290,6577 295,1839 -4,5262 2007 X-XII 8 332,3312 302,5936 29,7376 2008 I-III 9 295,3344 310,0032 -14,6688 2008 IV-VI 10 309,9002 317,4129 -7,5127 2008 VII-IX 11 324,8225 2008 X-XII 12 332,2321 Okres źródło: obliczenia własne Na podstawie równania (20) wyznaczamy wartości teoretyczne znajdujące się w czwartej kolumnie tabeli 15. W ostatniej kolumnie tabeli 15 dokonujemy eliminacji trendu. Ponieważ mamy do czynienia z sezonowością addytywną, sprowadza się to do obliczenia różnic między rzeczywistą wartością PKB w kwartale a tą wynikającą z równania 20. Ponieważ mamy w planach wykonanie prognoz ex ante, wyznaczyliśmy poziomy produktu krajowego brutto wynikające z samego trendu dla 3 i 4 kwartału 2008. Następny etap to obliczenie surowych wskaźników sezonowości. W tym celu uśredniamy wartości z ostatniej kolumny dla jednoimiennych okresów (czyli dla wszystkich pierwszych, drugich, trzecich i czwartych kwartałów). −8,0117 − 10,6787 − 14,6688 = −11,1197 3 −3,0111 − 5,1829 − 7,5127 s2 = = −5,2356 3 s1 = 25 z 32 −4,0356 − 4,5262 = −4,2809 2 29,8901 + 29,7376 s4 = = 28,8139 2 s3 = Metody analizy (...) Opracował: dr Adam Kucharski Tabela 16: Prognozy PKB metodą wskaźników Okres Prognoza ci ∗ = ŷ + c yti ti i 2006 I-III -13,1641 237,5620 2006 IV-VI -6,3253 250,8558 2006 VII-IX -7,2800 259,2201 2006 X-XII 26,7694 299,7244 2007 I-III -13,1641 267,2006 2007 IV-VI -6,3253 280,4943 2007 VII-IX -7,2800 288,8586 2007 X-XII 26,7694 329,3630 2008 I-III -13,1641 296,8391 2008 IV-VI -6,3253 310,1329 2008 VII-IX -7,2800 318,7972 2008 X-XII 26,7694 359,0015 źródło: obliczenia własne Rysunek 10: Zastosowanie metody wskaźników dla kwartalnego PKB Polski Przed obliczeniem czystych wskaźników sezonowości uśredniamy wskaźniki surowe: −11,1197 − 5,2356 − 4,2809 + 28,8139 q= = 2,0444 4 26 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Czyste wskaźniki sezonowości: c1 = −11,1197 − 2,0444 = −13,1641 c3 = −4,2809 − 2,0444 = −6,3253 c2 = −5,2356 − 2,0444 = −7,28 c4 = 28,8139 − 2,0444 = 26,7694 Wreszcie przyszedł czas na wygładzenie sezonowości i obliczenie prognoz. W przypadku modelu addytywnego powstają one jako suma wartości teoretycznej z równania (20) oraz czystego wskaźnika sezonowości dla odpowiedniego kwartału (patrz tabela 16). Dopasowanie do danych oraz prognozę przedstawiamy na wykresie znajdującym się na rysunku 10. Jak widać uzyskaliśmy wyniki bardzo dobrej jakości. Efekt wahań sezonowych został zachowany również w prognozach. 3.7 Rodzaje prognoz i ich własności W prezentowanych do tej pory przykładach kilkakrotnie już wspominaliśmy o prognozowaniu, a nawet dokonywaliśmy odpowiednich obliczeń. Nie wspominaliśmy jednak o własnościach tego procesu. Prognoza odnosi się do określonego obiektu np. kraju, w którym zachodzą zjawiska dające się opisać za pomocą zmiennych (bywa, że losowych). Jakość prognozy da się zweryfikować dopiero po jej wygaśnięciu. W klasycznej logice wszystkie sądy dzielimy na prawdziwe lub fałszywe natomiast w przypadku prognozowania powiemy, że są one trafne lub nietrafne. Nieznajomość tego faktu jest częstą przyczyną nieporozumień w sytuacji niesprawdzenia się wcześniejszych przewidywań. Prognozowanie ściśle wiąże się z upływem czasu. Ze względu na horyzont czasowy, prognozy możemy podzielić na: • krótkookresowe; • średniookresowe; • długookresowe. Co nazwiemy jednak krótkim, a co długim okresem zależy od charakteru prognozowanego zjawiska. W naszym przypadku mamy do czynienia z tzw. prognozowaniem niestrukturalnym, które opiera się na szeregach czasowych. Niezależnie jednak od użytej metody, prognozy podzielimy na: • ex post; • ex ante. Różnicę między nimi wyjaśnia rysunek 11. Upraszczając sprawę: prognozy ex post wykonywane są dla dostępnych danych z przeszłości. Ich podstawowy cel to określenie, czy użyta metoda sprawdza się przed wykonaniem głównego celu badania czyli prognozy ex ante. W jej bowiem przypadku oceny jakości dokonać możemy dopiero w momencie wygaśnięcia prognozy, co jest szczególnie niewygodne w przypadku prognoz długookresowych. 3.8 Ocena jakości prognoz ex post Kwestia oceny jakości prognoz ex post ma duże znaczenie, ponieważ na jej podstawie określamy przydatność użytej metody. Naturalnym wyborem stają się reszty, które wyznaczymy bez problemu dla każdego okresu, w którym dysponujemy prognozą ex post. W przypadku funkcji 27 z 32 Metody analizy (...) Opracował: dr Adam Kucharski przeszłość przyszłość - - ex post - - ex ante - próba dziś czas Rysunek 11: Prognozy ex post a prognozy ex ante. trendu możemy wykorzystać oparty na nich współczynnik determinacji, ale nie jest to już możliwe kiedy obliczamy średnią ruchomą. Na szczęście istnieje grupa miar przeznaczonych specjalnie do określania poprawności użytej metody prognozowania. Zanim jednak do nich przejdziemy, omówimy kilka zagadnień dotyczących własności reszt. Wiemy już, że wykonując prognozę liczymy się z możliwością popełnienia błędu. Można go zmierzyć dopiero kiedy upłynie okres czasu, na który ustalono prognozę. Podstawową miarą oceny jest tutaj reszta z prognozy, do tej pory wyznaczana jako przyrost bezwzględny, czyli: (1) = yt − yt∗ et (21) gdzie yt∗ oznacza wartość prognozy otrzymaną wybraną metodą. Ma ona miano analizowanej zmiennej i nie jest z góry określona co do znaku. Do porównania kilku prognoz lepiej nadaje się reszta obliczana jako przyrost względny: (2) et = yt − yt∗ yt (22) Można ją wyrazić w procentach, a jej znak również jest dowolny. Przyjęcie wzorów (21) oraz (22) oznacza, że dla prognoz przeszacowanych reszty przyjmują wartości ujemne, a dla niedoszacowanych dodatnie. Lepsza z dwóch to ta prognoza, dla której występują mniejsze błędy. Oceniając jakość dłuższych szeregów czasowych, za lepszą uznajemy tę z metod, dla której mniejsze błędy występują pod koniec próby. Ogólnie rzecz biorąc, błędy prognoz ex post dadzą się podzielić na dwie grupy: 1. systematyczne; 2. różnokierunkowe. Różnice między nimi ilustruje rysunek 12. Zarówno na podstawie wzoru (21) jak i (22) wyznacza się różne miary oceny jakości prognoz ex post, które łączy fakt uśredniania reszt z okresów objętych prognozami ex post. Jeżeli obliczymy średnią arytmetyczną reszt względnych otrzymamy średni błąd procentowy (ang. MPE ): MPE = S 1 X yt − yt∗ S yt (23) t=1 gdzie S oznacza liczbę okresów objętych prognozą ex post. Wartość otrzymaną ze wzoru (23) interpretujemy jako średnie przeszacowanie (lub niedoszacowanie) prognozy wyrażone w procentach. Im niższy MPE, tym lepszą otrzymaliśmy prognozę. 28 z 32 Metody analizy (...) Opracował: dr Adam Kucharski yt (a) yt yt∗ (b) yt yt yt∗ t t Rysunek 12: Rodzaje błędów w prognozie ex post: (a) – systematyczne, (b) – różnokierunkowe. Ponieważ średni błąd procentowy obliczamy bezpośrednio na podstawie reszt danych wzorem (22), podobnie jak one nie jest z góry określony co do znaku. Staje się więc wrażliwy na wzajemne znoszenie się reszt dodatnich z ujemnymi co sprawia problem szczególnie wtedy, kiedy zarówno dodatnie jak i ujemne reszty przyjmują duże wartości. W skrajnym wypadku może to doprowadzić do radykalnego zaniżenia wartości miary i fałszywego wyobrażenia o jakości prognozy. Wady tej pozbawiony jest średni absolutny błąd procentowy (ang. MAPE ) – jedna z najpopularniejszych miar tego rodzaju. Wyznaczamy go na podstawie wzoru: S 1 X yt − yt∗ M AP E = yt S (24) t=1 Interpretuje się go jako średni co do wartości bezwzględnej błąd popełniany podczas prognozy. Przyjęło się traktować jako dobre takie prognozy, dla których MAPE nie przekracza 5%. Wykorzystanie modułów reszt chroni nas przed przypadłością charakterystyczną dla błędów różnokierunkowych, a mianowicie kompensowaniem (znoszeniem) się reszt dodatnich i ujemnych. Analizę reszt można poszerzyć o średniokwadratowy błąd procentowy (ang. MSPE ). Niekiedy wykorzystuje się jego wersję po wyciągnięciu pierwiastka (ang. RMSPE ). S 1 X yt − yt∗ 2 M SP E = S yt t=1 √ RM SP E = M SP E (25) (26) Błąd średniokwadratowy przyjmuje wysokie wartości jeżeli wśród reszt z prognoz ex post znalazły się nietypowo wysokie wartości. Miara ta reaguje nawet na pojedyncze odstępstwa od normy. Zauważenie niekorzystnego zachowania prognoz ułatwia porównanie wartości MAPE i RMSPE. W prognozach dobrej jakości oba błędy kształtują się na zbliżonym poziomie. Istotna różnica między nimi oznacza, że w okresie ex post wystąpiły reszty o nietypowej wysokości. Przykład 11 Dokonamy teraz oceny jakości prognoz ex post otrzymanych metodą wskaźników. 29 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Tabela 17: Miary błędów prognoz ex post – obliczenia cząstkowe yt − ŷt yt − ŷt yt − ŷt 2 Okres PKB [mld zł] Prognozy yt yt yt 2006 I-III 242,7144 237,5620 0,0212 0,0212 0,0004 2006 IV-VI 255,1247 250,8558 0,0167 0,0167 0,0003 2006 VII-IX 261,5098 259,2201 0,0088 0,0088 0,0001 2006 X-XII 300,8451 299,7244 0,0037 0,0037 0,0000 2007 I-III 269,6860 267,2006 0,0092 0,0092 0,0001 2007 IV-VI 282,5914 280,4943 0,0074 0,0074 0,0001 2007 VII-IX 290,6577 288,8586 0,0062 0,0062 0,0000 2007 X-XII 332,3312 329,3630 0,0089 0,0089 0,0001 2008 I-III 295,3344 296,8391 -0,0051 0,0051 0,0000 2008 IV-VI 309,9002 310,1329 -0,0008 -0,0008 0,0000 0,0762 0,0880 0,0011 Suma źródło: obliczenia własne 0,0762 = 0,00762 10 0,088 M AP E = = 0,0088 10 0,0011 M SP E = = 0,00011 p10 RM SP E = 0,00011 = 0,0105 MPE = Wszystkie błędy średnie przyjęły okazały się bardzo niskie, co świadczy o właściwym wyborze metody wskaźników jako narzędzia prognozowania. Zbliżone wartości MPE i MAPE wskazują na brak kompensacji reszt ex post. Ze spokojnym sumieniem możemy więc twierdzić, że prognozy są średnio niedoszacowane o 0,76%. Z kolei porównanie MAPE i RMSPE wskazuje, że gdzieś pojawiły się pojedyncze reszty odbiegające swoimi wartościami od pozostałych. Rzeczywiście, w pierwszych dwóch okresach metoda wskaźników nieco bardziej odbiegła od trajektorii rzeczywistej zmiennej. Nastąpiło to jednak na początku próby, a i same błędy są niewielkie, dlatego uznajemy otrzymane prognozy za wiarygodne. 4 Szeregi przekrojowo-czasowe Ujęcie obserwacji z punktu widzenia przekroju przez obiekty lub dynamiki w kolejnych okresach zwykle wystarcza do analiz. Niekiedy jednak konieczne staje się połączenie tych dwóch podejść w jedno. Mamy wówczas do czynienia z szeregami przekrojowo-czasowymi. Dane tego rodzaju można przedstawić przy pomocy tablicy dwudzielnej, takiej jak w następnym przykładzie. Przykład 12 Zgromadźmy dane na temat PKB wytworzonego w czterech kolejnych kwartałach przez kraje tzw. „Nowej Unii” będące naszymi sąsiadami czyli Czechy, Słowację i Litwę. Dane pochodzą z tablicy 65 (Podstawowe dane o krajach Unii Europejskiej) znanego nam już Biuletynu Statystycznego GUS nr 7/2008. 30 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Tabela 18: PKB kwartalne dla wybranych krajów [mln EUR] 2 kw. 2007 3 kw. 2007 4 kw. 2007 1 kw. 2008 Suma Czechy 31927,0 32147,1 34617,0 34939,9 133631,0 Słowacja 13444,7 14368,1 14865,2 14288,0 58966,0 Litwa 6859,7 7542,3 7884,7 7007,0 29293,7 Suma 52231,4 54057,5 57366,9 56234,9 219890,7 źródło: obliczenia własne na podst. BS GUS nr 07/2008 Z tabeli 18 można dowiedzieć się ile wynosiło PKB danego kraju w wybranym okresie. Podsumowania wierszy daję informację o wartości wytworzonego produktu krajowego w ciągu roku przez poszczególne państwa. Sumy pojedynczych kolumn to łączna wartość tej zmiennej ekonomicznej wytworzona przez wszystkie brane pod uwagę państwa w danym okresie. Wreszcie dowiadujemy się o całkowitej wartości PKB otrzymanej dla wszystkich państw razem przez cztery kolejne kwartały łącznie. Taka analiza niesie ze sobą szereg ciekawych informacji, lecz ma pewną wadę. Tabele o większych rozmiarach, obejmujące dłuższe okresy czasu oraz większą liczbę obiektów mogą przytłaczać ilością zgromadzonych w nich danych. Z tego powodu szeregi przekrojowo-czasowe przedstawia się również w postaci pojedynczego szeregu, w którym najczęściej obserwacje grupuje się według obiektów. Zilustruje to tabela 19. Tabela 19: Grupowanie danych z tabeli 18 Okres Kraj PKB [mln EUR] 2 kw. 2007 Czechy 31927,0 3 kw. 2007 Czechy 32147,1 4 kw. 2007 Czechy 34617,0 1 kw. 2008 Czechy 34939,9 2 kw. 2007 Słowacja 13444,7 3 kw. 2007 Słowacja 14368,1 4 kw. 2007 Słowacja 14865,2 1 kw. 2008 Słowacja 14288,0 2 kw. 2007 Litwa 6859,7 3 kw. 2007 Litwa 7542,3 4 kw. 2007 Litwa 7884,7 1 kw. 2008 Litwa 7007,0 źródło: na podst. tab. 18 Już pobieżna analiza sugeruje, że między krajami występują istotne różnice w wytworzonym PKB. Wykonajmy wykres na podstawie danych z tabeli 19. Sytuacja obserwowana na rysunku 13 to zjawisko często spotykane w przypadku szeregów przekrojowo-czasowych. Mówimy wówczas o niejednorodności danych. W naszym przypadku mamy do czynienia z trzema wyraźnie wyodrębnionymi grupami, które z uwagi na ograniczenie się do niewielkiej liczby obiektów pokrywają się z pojedynczymi krajami. 31 z 32 Metody analizy (...) Opracował: dr Adam Kucharski Rysunek 13: Kwartalne PKB dla wybranej grupy krajów „Nowej Unii” źródło: na podst. tabeli 19 Dalsza analiza (np. obliczanie średniej czy odchylenia standardowego) powinna odbywać się w ramach wyodrębnionych, jednorodnych grup. W przeciwnym wypadku otrzymamy zafałszowane wyniki. 32 z 32