Методы статистического анализа доходов бюджета региона

     Многие  монотонные временные ряды можно  хорошо приблизить линейной функцией. Если же имеется явная монотонная нелинейная компонента, то данные вначале  следует преобразовать, чтобы устранить  нелинейность. Обычно для этого используют логарифмическое, экспоненциальное или (менее часто) полиномиальное преобразование данных.

     Периодическая составляющая для данного лага k может быть удалена взятием разности соответствующего порядка. Это означает, что из каждого i-го элемента ряда вычитается (i-k)-й элемент. Таким образом можно  определить скрытые периодические  составляющие ряда. Напомним, что автокорреляции на последовательных лагах зависимы. Поэтому удаление некоторых автокорреляций изменит другие автокорреляции, которые, возможно, подавляли их, и сделает  некоторые другие сезонные составляющие более заметными.

     Формализованные методы прогнозирования базируются на математической теории, которая  обеспечивает повышение достоверности  и точности прогнозов, значительно  сокращает сроки их выполнения, позволяет  обеспечить деятельность по обработке  информации и оценке результатов.

     Метод прогнозной экстраполяции² заключается в приложении определенной для базисного периода тенденции развития экономического процесса к прогнозируемому периоду, он основывается на сохранении в будущем сложившихся условий развития процесса. При использовании этого метода необходимо иметь информацию об устойчивости тенденций развития объекта за срок, в 2-3 раза превышающий срок прогнозирования. Длительная тенденция изменения экономических показателей называется трендом. Последовательность действий при экстраполировании:

• четкое определение задачи, выдвижение гипотез о возможном развитии прогнозируемого объекта, рассмотрение факторов, стимулирующих или препятствующих развитию данного объекта, определение необходимой экстраполяции и ее допустимой дальности;
• выбор системы параметров, унификация различных единиц измерения, относящихся к каждому параметру в отдельности;
• сбор и систематизация данных, проверка их однородности и сопоставимости;
• выявление тенденций или симптомов изменения изучаемых величин в ходе статистического анализа и непосредственной экстраполяции данных.

     Операцию  экстраполяции в общей форме  можно представить в виде определения  значения функции: 

     (2.2.1) Уi + L = F (Уi × L), 

     где Уi + L – экстраполируемое значение уровня;

     L – период упреждения;

     Уi – уровень, принятый за базу экстраполяции.

     Простейшая  экстраполяция может быть проведена  на основе средних характеристик  ряда: среднего уровня, среднего абсолютного  прироста и среднего темпа роста.

     Наиболее  простым и известным является метод скользящих средних, осуществляющий механическое выравнивание временного ряда. Суть метода заключается в  замене фактических уровней ряда расчетными средними, в которых погашаются колебания.

     Экстраполяция тренда возможна, если найдена зависимость  уровней ряда от фактора времени  t, в этом случае зависимость имеет вид: 

     (2.2.3) . 

     Модель  стационарного процесса, выражающее значение показателя в виде линейной комбинации конечного числа предшествующих значений этого показателя и аддитивной случайной составляющей, называется моделью авторегрессии.

     (2.2.3) , где  

     α – константа,

     β – параметр уравнения,

      - случайная компонента.

     Для целей краткосрочного прогнозирования  также может использоваться метод  экспоненциального сглаживания.

     Экспоненциальное  сглаживание - это очень популярный метод прогнозирования многих временных  рядов. Исторически метод был  независимо открыт Броуном и Холтом. Броун служил на флоте США во время  второй мировой войны, где занимался  обнаружением подводных лодок и  системами наведения. Позже он применил открытый им метод для прогнозирования  спроса на запасные части. Свои идеи он описал в книге, вышедшей в свет в 1959 году. Исследования Холта были поддержаны Департаментом военно-морского флота  США. Независимо друг от друга, Броун  и Холт открыли экспоненциальное сглаживание для процессов с  постоянным трендом, с линейным трендом  и для рядов с сезонной составляющей.

     Простое экспоненциальное сглаживание

     Простая и прагматически ясная модель временного ряда имеет следующий  вид: 

     (2.2.4). X_t = b + _t, 

     где b - константа и  (эпсилон) - случайная ошибка.

     Константа b относительно стабильна на каждом временном интервале, но может также  медленно изменяться со временем. Один из интуитивно ясных способов выделения b состоит в том, чтобы использовать сглаживание скользящим средним, в  котором последним наблюдениям  приписываются большие веса, чем  предпоследним, предпоследним большие  веса, чем пред-предпоследним и  т.д. Простое экспоненциальное именно так и устроено. Здесь более  старым наблюдениям приписываются  экспоненциально убывающие веса, при этом, в отличие от скользящего  среднего, учитываются все предшествующие наблюдения ряда, а не те, что попали в определенное окно. Точная формула  простого экспоненциального сглаживания  имеет следующий вид: 

     (2.2.5)S_t = * + (1- )*S_t-1, где 

     S_t – экспоненциальная средняя (сглаженное значение уровня ряда) на момент t (параметр сглаживания);

     α – вес текущего наблюдения при  расчете экспоненциальной средней;

       – фактический уровень динамического  ряда в момент времени t;

     S_t-1–экспоненциальная средняя предыдущего периода.

     Когда эта формула применяется рекурсивно, то каждое новое сглаженное значение (которое является также прогнозом) вычисляется как взвешенное среднее  текущего наблюдения и сглаженного  ряда. Очевидно, результат сглаживания  зависит от параметра  (альфа). Если равно 1, то предыдущие наблюдения полностью игнорируются. Если равно 0, то игнорируются текущие наблюдения. Значения между 0, 1 дают промежуточные результаты.

     Эмпирические  исследования показали, что весьма часто простое экспоненциальное сглаживание дает достаточно точный прогноз.

     Параметр сглаживания  часто ищется с поиском на сетке. Возможные значения параметра разбиваются  сеткой с определенным шагом. Например, рассматривается сетка значений от = 0.1 до = 0.9, с шагом 0.1. Затем выбирается , для которого сумма квадратов (или средних квадратов) остатков (наблюдаемые значения минус прогнозы на шаг вперед) является минимальной.

     Однако  возможен и другой подход к определению  параметра сглаживания, например, Броун  предложил следующий метод определения  значения

     (2.2.6) =2/(n+1), где

     n – длина исходного ряда динамики.