W7

Analiza dynamiki zjawisk masowych
Wprowadzenie
Analizę dynamiki zjawisk masowych przeprowadza się na podstawie

szeregów czasowych. Są to ciągi (Yt ) wartości badanego zjawiska
obserwowanego w kolejnych jednostkach czasu. Zmienną
niezależną jest czas, a zmienną zależną – wartości liczbowe
badanego zjawiska.
Tomasz Górecki Analiza danych (W8)

Szeregi czasowe w R
Do konstrukcji szeregu czasowego wykorzystywana jest funkcja ts.

Jeśli mamy już szereg czasowy, to możemy uzyskać z niego wiele
informacji. Wykorzystywane są do tego następujące funkcje: start
(początkowy okres), end (końcowy okres), frequency (liczba
podokresów), deltat (odstęp czasowy pomiędzy obserwacjami, np.
dla miesięcy mamy 1/12), time (wektor czasów, w których mamy
obserwacje z szeregu). Do wizualizacji danych zebranych w postaci
szeregu czasowego służy funkcja ts.plot, której argumentem może
być kilka szeregów czasowych (zostaną zwizualizowane na jednym
wykresie).

Daty w R
Podstawowe funkcje to: Sys.time (data wraz z godziną), Sys.Date

(data bez godziny). Do wprowadzania danych jako dat służy
funkcja as.Date, której argumentem jest data. Domyślny format
daty, to cztery cyfry na rok, dwie na miesiąc i dwie na dzień,
oddzielone kreską lub ukośnikiem. Jeśli chcemy użyć
niestandardowego formatu, należy go wyspecyfikować jako wartość
parametru format według oznaczeń zawartych w poniższej tabeli.
Oznaczenie Działanie
%d dzień miesiąca (liczba)
%m miesiąc (liczba)
%b miesiąc (skrót nazwy)
%B miesiąc (pełna nazwa)
%y rok (2 cyfry)
%Y rok (4 cyfry)

Daty w R
Data przechowywana jest jako liczba dni, jaka upłynęła od 1

stycznia 1970 roku. Można również podać datę jako liczbę dni,
która upłynęła od pewnej daty początkowej. Jeśli chcemy się
dowiedzieć, jakim dniem, miesiącem lub kwartałem jest dana data
możemy użyć funkcji weekdays, months oraz quarters. Często
możemy być zainteresowani jaka była różnica pomiędzy dwoma
datami. W R różnicę tę możemy wyrazić w sekundach, minutach,
godzinach, dniach i miesiącach używając funkcji difftime i
określając parametr units na secs, mins, hours, days, weeks
odpowiednio. Przy konstrukcji szeregów czasowych potrzebne nam
są sekwencje dat. Można je z łatwością utworzyć korzystająca z
poznanej wcześniej funkcji seq z wykorzystaniem jej parametru by,
który może przyjmować wartości będące jednostkami czasowymi.

Model wahań w czasie
Modelem wahań w czasie nazywamy konstrukcję teoretyczną

opisującą kształtowanie się określonego zjawiska jako funkcję
czasu, wahań okresowych (periodycznych) i przypadkowych
(nieregularnych). Tradycyjnie analizy prawidłowości w rozwoju
zmiennej dokonuje się poprzez wyodrębnianie w szeregu czasowym
jego elementów składowych, co nosi nazwę dekompozycji tego
szeregu. W najogólniejszym przypadku zakłada się, że w szeregu
czasowym mogą wystąpić cztery składniki:
1 trend – Tt ,
2 wahania cykliczne – Ct ,
3 wahania sezonowe – St ,
4 wahania nieregularne, przypadkowe – It .

Model wahań w czasie
Trend charakteryzuje długookresową tendencję zmian w szeregu

czasowym. Może on oznaczać w miarę regularnie powtarzający się
wzrost lub spadek wartości zmiennej Y lub też brak wyraźnej
tendencji zmian. Pozostałe trzy składniki szeregu czasowego to
różnego typu odchylenia od tendencji długookresowej. Wahania
cykliczne oznaczają powtarzające się (niekoniecznie regularnie)
wahania o czasie trwania dłuższym niż rok. Wahania sezonowe
oznaczają takie odchylenia od trendu, które powtarzają się w
czasie w sposób regularny i których pełen cykl zawiera się w ciągu
jednego roku. Wahania sezonowe powtarzają się według pewnego
„wzorca” każdego roku. Wahania sezonowe kształtowane są przez
czynniki naturalne (pory roku, pogodę) oraz przez zwyczaje (np.
różne święta). Wahania nieregularne (losowe) to te, które
obejmują wszelkie odchylenia od trendu, będące efektem działania
na badaną zmienną niepowtarzalnych, nie dających się przewidzieć
ani prognozować zdarzeń.
Modelowanie szeregów czasowych
Szereg czasowy możemy modelować na dwa sposoby:

Multiplikatywnie
Yt = Tt St Ct It
Zakładamy, że zmiany odchylenia od trendu wyrażone są w
procentach, przy czym 100% oznacza brak zmian. Ten model
jest wykorzystywany częściej.
Addytywnie
Yt = Tt + St + Ct + It
Zakładamy, że zmiany odchylenia od trendu wyrażone są w
wartościach absolutnych.

Trend
Tendencją rozwojową (trendem) nazywamy powolne, regularne i

systematyczne zmiany określonego zjawiska, obserwowane w
dostatecznie długim przedziale czasu i będące wynikiem działania
przyczyn głównych. Przyjmuje się, że aby wyodrębnić trend,
niezbędne są co najmniej 10-letnie badania. Wyróżniamy dwie
metody wyodrębniania tendencji rozwojowej szeregów czasowych:
Metoda mechaniczna – opiera się na średnich ruchomych.
Polega ona na zastąpieniu danych empirycznych średnimi
poziomami z okresu badanego i kilku okresów sąsiednich.
Średnie ruchome mogą być obliczane z parzystej bądź
nieparzystej liczby wyrazów sąsiednich.
Metoda analityczna – polega na dopasowaniu określonej
funkcji matematycznej do całego szeregu czasowego za
pomocą MNK. Istotny jest wybór klasy funkcji trendu oraz
prawidłowe oszacowanie jej parametrów.

Średnia ruchoma
Dla przykładu średnie ruchome trzyokresowe (k = 3) obliczamy

następująco:
Y1 + Y2 + Y3
Ȳ2 = ,
3
Y2 + Y3 + Y4
Ȳ3 = ,
3
...,
Yn−2 + Yn−1 + Yn
Ȳn−1 = .
3

Średnia ruchoma
Natomiast w przypadku średniej ruchomej dla parzystej liczby

okresów (k = 4) obliczenia wykonujemy według wzorów:
1
2 Y1+ Y2 + Y3 + Y4 + 12 Y5
Ȳ3 = ,
4
1
Y2 + Y3 + Y4 + Y5 + 12 Y6
Ȳ4 = 2 ,
4
...,
1
2 Yn−4 + Yn−3 + Yn−2 + Yn−1 + 12 Yn
Ȳn−2 = .
4
Zaletą tej metody jest prostota obliczeń, wadą natomiast jest
skracanie wyrównanego tą metodą szeregu czasowego. W naszym
przypadku dla k = 3 tracimy element pierwszy i ostatni, a dla
k = 4 tracimy dwa pierwsze i dwa ostatnie.

Filtry wygładzające
Oprócz najprostszej metody średniej ruchomej można zastosować,

dużo bardziej wyrafinowane metody zwane filtrami. Do
najpopularniejszych należą filtr liniowy oraz wykładniczy. Filtr
liniowy ma postać:
a
1 X
Ŷt = Yt+i .
2a + 1
i =−a
Jest to w zasadzie nieco zmodyfikowana średnia ruchoma.

Filtr wykładniczy, który bywa również nazywany wygładzaniem

wykładniczym Browna, opiera się na założeniu, że wartość
szeregu czasowego powinna bardziej zależeć od obserwacji bliskich
niż dalekich, co daje
Ŷt+1 = αYt−1 + (1 − α)Ŷt .
Istotny jak widać jest w tym przypadku wybór wartości startowej,

najczęściej jest za nią przyjmowana wartość początkowa szeregu Y1
lub jest to średnia z pierwszych czterech lub pięciu obserwacji
początkowych. Takie proste wygładzanie wykładnicze używane jest
w przypadku prognoz krótkoterminowych, gdy dane nie wykazują
trendu ani sezonowości.

W przypadku wystąpienia trendu używa się podwójnego

wygładzania wykładniczego Holta postaci:
St = αYt + (1 − α)(St−1 + bt−1 ), 0<α<1
bt = β(St − St−1 ) + (1 − β)bt−1 , 0<β<1
oraz
Ŷt+1 = St + bt
gdzie St jest wygładzoną wartością zmiennej prognozowanej w
chwili t, a bt wygładzoną wartością przyrostu trendu w okresie t.
Za wartości startowe przyjmuje się S1 = Y1 oraz b1 = Y2 − Y1 lub
b1 = (Yn − Y1 )/(n − 1). Jeśli dodatkowo uwzględnimy sezonowość
to dostaniemy potrójne wygładzanie wykładnicze, zwane również
metodą Wintersa (pojawia się tam dodatkowy parametr γ).
Istnieją dwa jego rodzaje w zależności czy przyjmujemy model
addytywny czy multiplikatywny sezonowości. Ogólnie wygładzenie
wykładnicze jest nazywane filtrem Holta-Wintersa.
Filtry wygładzające w R
Filtr liniowy realizuje funkcja filter, której pierwszym argumentem

jest szereg czasowy, natomiast drugim argumentem jest wektor
wag. Filtrowanie wykładnicze realizuje funkcja HoltWinters, której
pierwszym argumentem jest szereg czasowy, następne trzy
parametry alpha, beta i gamma określają wartości odpowiednich
parametrów modelu. Jeśli nie zostaną podane (ustalenie na NULL
wyklucza parametr z modelu), funkcja poszuka wartości
minimalizujących błąd średniokwadratowy predykcji. Ostatni
istotny parametr to seasonal, który może przyjmować wartość
’additive’ lub ’multiplicative’ w zależności od wybranego modelu
sezonowości.

Metoda analityczna
Najczęściej stosowana jest funkcja liniowa postaci:
Yt = α0 + α1 · t + εt ,
gdzie εt oznacza składnik losowy. Na podstawie danych z szeregu

empirycznego wyznacza się oszacowanie tej funkcji:
Ŷt = a0 + a1 · t,
gdzie estymatory parametrów wyznaczamy według wzorów:

n n
12 6
P P
Yt · t Yt
t=1 t=1
a1 = − ,
n3 −
n n2 − n
a0 = Ȳ − a1 · t̄.

Autokorelacja
Aby powyższe wzory były poprawne, odchylenia resztowe muszą być

losowe oraz nie może występować autokorelacja (ACF) składnika
losowego. Autokorelacja występuje wtedy, gdy skutki działania
zmienności losowej nie wygasają w danym okresie t, lecz są przenoszone
na okresy przyszłe t + 1 (autokorelacja rzędu pierwszego), t + 2
(autokorelacja rzędu drugiego) itd. Autokorelacja rzędu k (popularnie
zwana opóźnieniem) jest funkcją, która argumentowi naturalnemu k
przypisuje wartość współczynnika korelacji Pearsona pomiędzy
szeregiem czasowym, a tym samym szeregiem cofniętym o k jednostek
czasu. Formalnie (dla procesów stacjonarnych):
γ(k)
ρ(k) = ,
γ(0)
gdzie
γ(k) = cov (Yt , Yt+k ) = E [(Yt − µ)(Yt+k − µ)]
jest autokowariancją rzędu k oraz µ = E (Yt ).

Autokorelacja
Najczęściej spotykaną formą autokorelacji jest autokorelacja

dodatnia. Dodatnio skorelowane zaburzenia losowe nie zachowują
się całkowicie chaotycznie. Jeśli w okresie t błąd losowy był
dodatni, to prawdopodobieństwo, że w okresie t + 1 będzie on
także dodatni, jest wyższe niż prawdopodobieństwo, że w okresie
tym będzie on ujemny. Spowodowana jest ona zwykle
rozciągnięciem na dłużej niż jeden okres skutków zdarzeń losowych
wpływających na poziom zmiennej objaśnianej. Rzadziej spotykaną
formą autokorelacji jest autokorelacja ujemna. W takim przypadku
prawdopodobieństwo wystąpienia po dodatnim błędzie losowym
ujemnego błędu jest wyższe niż prawdopodobieństwo wystąpienia
dodatniego błędu. Autokorelacja może być także spowodowana
przyjęciem błędnej postaci funkcyjnej dla estymowanego modelu.
Sprawdzenie istotności autokorelacji składnika losowego następuje
najczęściej za pomocą testu Durbina-Watsona, w którym
hipoteza zerowa zakłada brak autokorelacji.
Autokorelacja – wykresy
Do wstępnej oceny autokorelacji można wykorzystać wykresy.
a) Brak autokorelacji b) autokorelacja dodatnia c) autokorelacja

ujemna
a) Autokorelacja dodatnia b) autokorelacja ujemna

Test Durbina-Watsona w R
Odpowiednia funkcja znajduje się w pakiecie car i nosi nazwę

durbinWatsonTest.

Modelowanie szeregów czasowych z autokorelacją
Jeśli autokorelacja występuje szereg czasowy modeluje się poprzez:

Proces średniej ruchomej (MA) rzędu q postaci:
q
X
Yt = c + βj εt−j ,
j=0
gdzie εt jest czynnikiem losowym (o wartości oczekiwanej 0

oraz wariancji σ 2 ), przy czym εi oraz εi +1 są niezależne dla
każdej wartości i .

Proces autoregresji (AR) rzędu p postaci:

p
X
Yt = α0 + αi Yt−i + εt .
i =1
W procesie AR(p) uwzględniamy wpływ p poprzednich

wartości szeregu na jego wielkość w momencie t.

Proces autoregresji i średniej ruchomej (ARMA) rzędu (p, q)

postaci:
p
X q
X
Yt = α0 + αi Yt−i + βj εt−j ,
i =1 j=0
w którym dodajemy dodatkowo efekt wpływu czynnika

losowego z poprzednich momentów czasowych na wartość
szeregu w momencie t.

Scałkowany proces autoregresji i średniej ruchomej (ARIMA)

rzędu (p, d, q). Jeśli w danych występuje wyraźny trend
(proces jest niestacjonarny), należy taki trend usunąć przed
dalszą analizą. Trend usuwany jest poprzez różnicowanie d
razy. Stopień różnicowania określony jest przez stopień
wielomianu opisującego trend (pojedyncze różnicowanie usuwa
trend liniowy, podwójne kwadratowy itd.). Operacja
różnicowania polega na d krotnym zastępowaniu szeregu
szeregiem różnic wyrazów sąsiednich. Przy każdej takiej
operacji długość szeregu zmniejsza się o jeden. Gdy metodą
różnicowania dojdziemy do szeregu stacjonarnego obliczając
różnice rzędu d, taki szereg nazywamy szeregiem
zintegrowanym stopnia d.

Stacjonarność
Średnia szeregu czasowego (trend) nie powinna być funkcją czasu,

raczej powinna być stała.

Stacjonarność
Wariancja szeregu czasowego nie powinna być funkcją czasu.

Stacjonarność
Kowariancja i -tego i (i + m)-ego składnika nie powinna być

funkcją czasu.

Stacjonarność
Jeśli nie mamy pewności co do stacjonarności szeregu, możemy

spróbować zbadać to jednym z dostępnych testów stacjonarności.
Do najpopularniejszych należy test Dickeya-Fullera. Hipoteza
zerowa stanowi, że szereg jest niestacjonarny. Proces AR oraz
ARMA są stacjonarne jeżeli wszystkie pierwiastki równania
charakterystycznego są większe co do wartości bezwzględnej od 1.
Jeżeli w modelu zawarto funkcję zależną od czasu t, to proces jest
niestacjonarny. Proces MA jest zawsze stacjonarny.

Stacjonarność
Proces Yt = 12 Yt−1 + εt ma równanie charakterystyczne

postaci x − 2 = 0, które ma pierwiastek równy 2. Jest to
zatem proces stacjonarny.
Proces Yt = Yt−1 − 41 Yt−2 + εt ma równanie
charakterystyczne postaci x 2 − 4x + 4 = 0, które ma
pierwiastek podwójny równy 2. Zatem jest to również proces
stacjonarny.
Proces Yt = 12 Yt−1 + 21 Yt−2 + εt ma równanie
charakterystyczne postaci x 2 + x − 2 = 0, które ma
pierwiastki równe -2 i 1. Ponieważ nie są oba większe co do
wartości bezwzględnej od 1, zatem proces jest niestacjonarny.
Proces Yt = − 41 Yt−2 + εt ma równanie charakterystyczne
postaci x 2 + 4 = 0, które ma dwa√ pierwiastki zespolone
postaci ±2i , dla których |2i | = 22 + 02 = 2. Czyli proces
jest stacjonarny.
Określanie rzędu procesu
Poza autokorelacją wykorzystuje się również autokorelację

cząstkową (PACF). Jest ona podobna do autokorelacji, z
wyjątkiem tego, że podczas jej obliczania korelacje z wszystkimi
elementami w ramach opóźnienia zostają wyeliminowane. Jeśli
opóźnienie zostało określone na 1 (tzn. nie ma żadnych elementów
pośrednich wewnątrz opóźnienia), to autokorelacja cząstkowa jest
równoważna autokorelacji. Autokorelacje wizualizujemy za pomocą
korelogramów, na których nanosimy wartości kolejnych
autokorelacji, przy zmieniającym się opóźnieniu. Jeśli słupki są
małe (między liniami określającymi poziom ufności) możemy
wnioskowaś, że zależność autokorelacyjna nie występuje, w
przeciwnym razie możemy zaobserwować jakiego jest rzędu.

Z korelogramu autokorelacji możemy wnioskowaś o rzędzie średniej

ruchomej, natomiast z korelogramu autokorelacji cząstkowej
wnioskujemy o rzędzie procesu autoregresji.
ARIMA(1, d, 0): ACF – opada wykładniczo; PACF –
maksimum przy opóźnieniu 1, brak korelacji dla innych
opóźnień.
ARIMA(2, d, 0): ACF – kształt sinusoidalny lub kombinacja
zaników wykładniczych; PACF – duże wartości przy
opóźnieniach 1 i 2, brak korelacji dla innych opóźnień.
ARIMA(0, d, 1): ACF – maksimum przy opóźnieniu 1, brak
korelacji dla innych opóźnień; PACF – gaśnie wykładniczo.
ARIMA(0, d, 2): ACF – duże wartości przy opóźnieniach 1 i 2,
brak korelacji dla innych opóźnień; PACF – kształt sinusoidy
lub kombinacja zaników wykładniczych.
ARIMA(1, d, 1): ACF – opada wykładniczo począwszy od
opóźnienia 1; PACF – opada wykładniczo począwszy od
opóźnienia 1.
Ogólnie w celu określenia rzędów procesu można wykorzystać

poniższą tabelę.
AR(p) MA(q) ARMA(p, q), p, q > 0

ACF Zmniejsza się Zanika po opóźnieniu q Zmniejsza się
PACF Zanika po opóźnieniu p Zmniejsza się Zmniejsza się

Jeśli jednak wciąż nie mamy pewności warto wykorzystać

rozszerzoną funkcję autokorelacji (EACF). W wyniku otrzymujemy
tabelę, w której w każdym wierszu otrzymujemy ACF aż do
opóźnienia q dla każdego procesu AR o rzędzie k ≤ p. Rzędy
procesu wnioskujemy z położenia wierzchołka trójkąta złożonego z
zer.
AR/MA 0 1 2 3 4 5 6 7 8 9 10
0 X X X X X X X X X X X
1 X 0* 0 0 0 0 0 0 0 0 0
2 X X 0 0 0 0 0 0 0 0 0
3 X X X 0 0 0 0 0 0 0 0
4 X X X X 0 0 0 0 0 0 0
5 X X X X X 0 0 0 0 0 0
6 X X X X X X 0 0 0 0 0
7 X X X X X X X 0 0 0 0

Równania Yule’a-Walkera
Theorem
Jeśli Yt = pz=1 αz Yt−z + εt jest stacjonarnym procesem AR(p),
P
wtedy jego funkcja autokorelacji spełnia następujące równanie
rekurencyjne
p
X
ρ(s) = αz ρ(s − z), s = 1, 2, . . .
z=1

Równania Yule’a-Walkera
Znajdźmy korzystając z powyższego twierdzenia funkcję

autokorelacji dla procesu AR(2) postaci
Yt = α1 Yt−1 + α2 Yt−2 + εt .
Mamy:


 1, dla k = 0,

 α1 , dla k = 1,

ρ(k) = 1−α 2
2
 α1 + α2 , dla k = 2,

 1−α2
0, w p.p.


Autokorelacja i autokowariancja z definicji
Niech
Yt = 10 + Zt + Zt−1 ,
gdzie Zt , Zt−1 , . . . jest ciągiem niezależnych zmiennych losowych o
wartości oczekiwanej zero oraz jednostkowej wariancji. Mamy:
E (Yt ) = E (Yt+k ) = 10,
γ(0) = Var (Yt ) = 2,
γ(1) = E [(Yt − µ)(Yt+1 − µ)] = 1,
γ(2) = E [(Yt − µ)(Yt+2 − µ)] = 0.
Oraz
ρ(0) = 1,
ρ(1) = 0,5,
ρ(2) = 0.
Stacjonarność procesów ARIMA
Sprawdźmy czy proces ARIMA(1,1,1) jest stacjonarny. Proces taki

ma postać:
△Yt = α △ Yt−1 + εt + βεt−1 , |α| < 1, b 6= 0.
Mamy zatem
Yt − Yt−1 = α(Yt−1 − Yt−2 ) + εt + βεt−1 ,

Yt = (α + 1)Yt−1 − αYt−2 + εt + βεt−1 .
Jest to zatem proces ARMA(2,1). Równanie charakterystyczne

części AR ma postać:
αx 2 − (α + 1)x + 1 = 0.
Ma ono pierwiastki 1 oraz 1/a. Zatem nie jest to proces

stacjonarny.
Flowchart

Flowchart

W7

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

W7

Uploaded by

Copyright:

Available Formats

Analiza dynamiki zjawisk masowych

Analizę dynamiki zjawisk masowych przeprowadza się na podstawie

Tomasz Górecki Analiza danych (W8)

Do konstrukcji szeregu czasowego wykorzystywana jest funkcja ts.

Tomasz Górecki Analiza danych (W8)

Podstawowe funkcje to: Sys.time (data wraz z godziną), Sys.Date

Tomasz Górecki Analiza danych (W8)

Data przechowywana jest jako liczba dni, jaka upłynęła od 1

Tomasz Górecki Analiza danych (W8)

Model wahań w czasie

Modelem wahań w czasie nazywamy konstrukcję teoretyczną

Tomasz Górecki Analiza danych (W8)

Model wahań w czasie

Trend charakteryzuje długookresową tendencję zmian w szeregu

Modelowanie szeregów czasowych

Szereg czasowy możemy modelować na dwa sposoby:

Tomasz Górecki Analiza danych (W8)

Tendencją rozwojową (trendem) nazywamy powolne, regularne i

Tomasz Górecki Analiza danych (W8)

Dla przykładu średnie ruchome trzyokresowe (k = 3) obliczamy

Tomasz Górecki Analiza danych (W8)

Natomiast w przypadku średniej ruchomej dla parzystej liczby

Tomasz Górecki Analiza danych (W8)

Oprócz najprostszej metody średniej ruchomej można zastosować,

Jest to w zasadzie nieco zmodyﬁkowana średnia ruchoma.

Tomasz Górecki Analiza danych (W8)

Filtr wykładniczy, który bywa również nazywany wygładzaniem

Ŷt+1 = αYt−1 + (1 − α)Ŷt .

Istotny jak widać jest w tym przypadku wybór wartości startowej,

Tomasz Górecki Analiza danych (W8)

W przypadku wystąpienia trendu używa się podwójnego

Filtr liniowy realizuje funkcja ﬁlter, której pierwszym argumentem

Tomasz Górecki Analiza danych (W8)

Najczęściej stosowana jest funkcja liniowa postaci:

gdzie εt oznacza składnik losowy. Na podstawie danych z szeregu

gdzie estymatory parametrów wyznaczamy według wzorów:

Tomasz Górecki Analiza danych (W8)

Aby powyższe wzory były poprawne, odchylenia resztowe muszą być

γ(k) = cov (Yt , Yt+k ) = E [(Yt − µ)(Yt+k − µ)]

jest autokowariancją rzędu k oraz µ = E (Yt ).

Najczęściej spotykaną formą autokorelacji jest autokorelacja

Do wstępnej oceny autokorelacji można wykorzystać wykresy.

a) Brak autokorelacji b) autokorelacja dodatnia c) autokorelacja

a) Autokorelacja dodatnia b) autokorelacja ujemna

Odpowiednia funkcja znajduje się w pakiecie car i nosi nazwę

Tomasz Górecki Analiza danych (W8)

Modelowanie szeregów czasowych z autokorelacją

Jeśli autokorelacja występuje szereg czasowy modeluje się poprzez:

gdzie εt jest czynnikiem losowym (o wartości oczekiwanej 0

Tomasz Górecki Analiza danych (W8)

Modelowanie szeregów czasowych z autokorelacją

Proces autoregresji (AR) rzędu p postaci:

W procesie AR(p) uwzględniamy wpływ p poprzednich

Tomasz Górecki Analiza danych (W8)

Modelowanie szeregów czasowych z autokorelacją

Proces autoregresji i średniej ruchomej (ARMA) rzędu (p, q)

w którym dodajemy dodatkowo efekt wpływu czynnika

Tomasz Górecki Analiza danych (W8)

Modelowanie szeregów czasowych z autokorelacją

Scałkowany proces autoregresji i średniej ruchomej (ARIMA)

Tomasz Górecki Analiza danych (W8)

Średnia szeregu czasowego (trend) nie powinna być funkcją czasu,

Tomasz Górecki Analiza danych (W8)

Wariancja szeregu czasowego nie powinna być funkcją czasu.