Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
II A stacionarítás biztosítása havi adatok esetében, szezonális differencia képzés.<br />
Egy további eset, amikor gyakran előfordul a stacionarítás hiánya: a szezonalitás. A periódusidő szerinti<br />
differenciálással a szezonális időeltolás mellett tapasztalható hatások, a periódikus mozgások szűrhetők<br />
ki. Negyedéves és havi idősorokban a stacionarítás hiánya gyakran eltüntethető a megfelelő differenciálással.<br />
Negyedéves adatoknál:<br />
4<br />
∆ Yt= ( Yt−Yt−1) −( Yt−1−Yt−2) −( Yt−2−Yt−3) −( Yt−3− Yt−4)<br />
=<br />
Yt − 2Yt−1+ Yt−4<br />
Havi adatoknál:<br />
12<br />
∆ Yt= Yt− 2Yt−1+ Yt−12<br />
További probléma lehet, hogy az ingadozás intenzitása állandó-e vagy nem, ha nem ln-transzformációt<br />
lehet alkalmazni.<br />
Ha szükséges, mindkét transzformáció elvégezhető, először a logaritmizálás illetve Box-Cox transzformáció,<br />
majd a transzformált adatok differencia-képzése. Az ARIMA számítások elvégzése után vissza<br />
kell transzformálni az adatokat. A szoftverek, pl. az ARIMA.xls vagy a GRETL elvégzi a differenciálást<br />
és a becslésnél visszaalakitja az adatokat eredeti formátumukba, de pl. az ln transzformált adatokat nem,<br />
mivel ezekkel számoltunk. Ilyenkor a becsült értékeket e hatványára kell emelni (<strong>Excel</strong>ben kitevő (Y becsült))<br />
Először a szezonális, esetünkben a havi differenciálást kell elvégezni, majd ezt követi ha szükséges<br />
az éves adatoknál már bemutatott differenciálás.<br />
Szezonális differencia képzés:<br />
D=1 (yt-yt-12), az idősor 12 adattal rövidül.<br />
D=2 (yt-yt-24), az idősor 24 adattal rövidül.<br />
Nem szezonális differencia képzés:<br />
d=1 (yt-yt-1), az idősor 1 adattal rövidül.<br />
d=2 (yt-yt-2), az idősor 2 adattal rövidül.<br />
3.8.1 Az autokorrelációs- és parciális autokorrelációs együtthatók és az ACF és PACF értékek becslése<br />
és tesztelése<br />
Az időben lejátszódó folyamatok mindegyike sztochasztikus folyamatként definiálható, mely valószínűségi<br />
változók sorozataként jelenik meg. Ezt elméleti idősornak nevezzük.<br />
Y1 , Y2 , . . . , Yt , . . . , YT ,<br />
Az Yt (t = 1, 2, …, T) valószínűségi változók mindegyikére vonatkozóan egy megfigyeléssel rendelkezünk,<br />
ez a modellezés adatbázisát jelentő tapasztalati idősor,<br />
y1 , y2 , . . . , yt , . . . , yn<br />
melyet a sztochasztikus folyamatból vett n elemű mintának tekintünk.<br />
116