Analiza Szeregów Czasowych/Dekompozycja szeregu czasowego

Z Skrypty dla studentów Ekonofizyki UPGOW

(Różnice między wersjami)
Linia 1: Linia 1:
 +
Sat 13 Feb 2010 14:17:49
 +
[[Analiza Szeregów Czasowych]]
[[Analiza Szeregów Czasowych]]
[[Grafika:1929 wall street crash graph.svg|right|thumb|250px|Indeks Dow Jones Industrial Average w latach 1928-1930]]
[[Grafika:1929 wall street crash graph.svg|right|thumb|250px|Indeks Dow Jones Industrial Average w latach 1928-1930]]
Linia 11: Linia 13:
gdzie
gdzie
-
* <math>X_t</math> to dane pomiarowe
+
* <math>X_t</math> to dane pomiarowe,
-
* <math>m_t</math> to wielkość opisująca wolno zmienną funkcję, czyli ''trend''
+
* <math>m_t</math> to wielkość opisująca wolno zmienną funkcję, czyli ''trend'',
-
* <math>s_t</math> to periodycznie zmienna funkcja zwana ''sezonowością''
+
* <math>s_t</math> to periodycznie zmienna funkcja zwana ''sezonowością'',
-
* <math>Y_t</math> to komponent opisujący (stacjonarny) proces losowy
+
* <math>Y_t</math> to komponent opisujący (stacjonarny) proces losowy, często nazywany ''szumem''.
 +
 
 +
Celem dekompozycji szeregu czasowego jest oszacowanie i ekstrakcja deterministycznych części szeregu - trendu <math>m_t</math> oraz sezonowości <math>s_t</math> w nadziei, że pozostałe dane, czyli teoretycznie zmienna losowa <math>Y_t</math> okaże się ''stacjonarnym'' procesem losowym.
 +
W przypadku, kiedy okaże się to prawdą, tj. reszty <math>Y_t</math> mogą być opisane stacjonarnym procesem losowym <math>\{Y_t\}</math>, możemy przystąpić do przewidywania przyszłego zachowania się szeregu, wykorzystując oczywiście wszystkie posiadane wiadomości: trend, okres oraz zidentyfikowany z pewną dokładnością proces losowy.

Wersja z 13:20, 13 lut 2010

Sat 13 Feb 2010 14:17:49

Analiza Szeregów Czasowych

Indeks Dow Jones Industrial Average w latach 1928-1930


Właściwa analiza dowolnego szeregu czasowego zaczyna się od wizualizacji danych. Znaczy to, że na samym początku powinniśmy stworzyć wykres badanych danych. Daje nam to możliwość oszacowania jak konkretny zbiór danych zachowuje się w czasie. Zazwyczaj możemy ocenić istnienie trendu czy sezonowości. W trudniejszych przypadkach zadecydować, gdy nie podzielić danego szeregu na dwie czy więcej części i badać je osobno. Przykładowo można rozpatrywać zmienność indeksów giełdowych przed krachem i po nim (np: przed i po Czarnym czwartku), opisując serię danych dwoma różnymi modelami. Dodatkowo mamy możliwość decyzji czy przypadkiem część danych nie została uzyskanych przypadkowo (np: błąd pomiaru, przypadkowy pomiar innych wielkości).

W szczególności oględziny wykresu analizowanych danych dają możliwość (po pewnej wprawie) na decyzję, czy możemy daną serię danych reprezentować jako realizację procesu

\( X_t = m_t + s_t + Y_t, \!\)

gdzie

  • \(X_t\) to dane pomiarowe,
  • \(m_t\) to wielkość opisująca wolno zmienną funkcję, czyli trend,
  • \(s_t\) to periodycznie zmienna funkcja zwana sezonowością,
  • \(Y_t\) to komponent opisujący (stacjonarny) proces losowy, często nazywany szumem.

Celem dekompozycji szeregu czasowego jest oszacowanie i ekstrakcja deterministycznych części szeregu - trendu \(m_t\) oraz sezonowości \(s_t\) w nadziei, że pozostałe dane, czyli teoretycznie zmienna losowa \(Y_t\) okaże się stacjonarnym procesem losowym. W przypadku, kiedy okaże się to prawdą, tj. reszty \(Y_t\) mogą być opisane stacjonarnym procesem losowym \(\{Y_t\}\), możemy przystąpić do przewidywania przyszłego zachowania się szeregu, wykorzystując oczywiście wszystkie posiadane wiadomości: trend, okres oraz zidentyfikowany z pewną dokładnością proces losowy.