03.05.2013 Views

Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

Mind az elméleti idősort alkotó valószínűségi változóknak, mind a tapasztalati idősor különböző időpontokhoz<br />

(időtartamokhoz) tartozó megfigyelt értékeinek a felsorolása kötött. Az idősori sztochasztikus modellezés<br />

ezt, az adatok sorrendiségében rejlő információt használja fel az idősor jövőbeni értékeinek becslésére.<br />

A megfigyelések sorrendjében rejlő információ leírásával, a tapasztalati idősorban lévő „szisztéma” megállapításával<br />

az elméleti idősor jellegzetességeire kívánunk következtetni, azaz arra a sztochasztikus folyamatra,<br />

amelyből a mintánk származik.<br />

Az egymást követő megfigyelések között fennálló összefüggések megállapítása az idősorok korrelációs<br />

struktúrájának leírását jelenti, mely az autokorrelációs és a parciális autokorrelációs együtthatók számításával<br />

történik.<br />

A mintából az autokorrelációs együtthatók becslése k késleltetéssel, a következőképpen történik:<br />

r<br />

k<br />

=<br />

n−k ∑ ( y −y)( y −y)<br />

t=<br />

1<br />

t t−k n<br />

∑ ( y − y)<br />

t=<br />

1<br />

t<br />

2<br />

k = 12 ,,..., K<br />

A k késleltetés különböző értékeihez (k= 1,2,3,…,K) rendelt autokorrelációs együtthatók, az<br />

autokorrelációs függvényt alkotják:<br />

k 1 2 3 … K<br />

r1 r2 r3 …. rK<br />

Az autokorrelációs együtthatók becsült értékei, az Y idősor k időegységgel késleltetett értékei közötti lineáris<br />

korrelációs kapcsolat szorosságát mérik. Az r1 az egymást követő, az r 2 , az egymástól két időegységre<br />

lévő értékek közötti kapcsolat intenzitását jelenti, stb. Az rk együtthatók a késleltetés függvényében<br />

(k = 1, 2, …, K), az autokorrelációs függvényt, rövidítve az ACF-et (Autocorrelation function) alkotják.<br />

Az autokorrelációs függvény értékeit mátrixba foglalhatjuk:<br />

R<br />

k<br />

⎡ 1 r1 r2 rk−1⎤<br />

⎢<br />

r 1 r r<br />

⎥<br />

⎢ 1 1 k−2⎥ ⎢ r2 r1 1 rk−3⎥<br />

=<br />

⎢ ⎥<br />

⎢ ⎥<br />

⎢r r r 1 ⎥<br />

⎣ k−1 k−2 k−3 ⎦<br />

Az autokorrelációs együtthatók esetében tesztelhetjük, hogy vajon van-e kapcsolat az yt és az yt-k között.<br />

Hipotézisrendszerünk:<br />

H 0: ryty = 0<br />

t-k<br />

H: r 1 yy ≠ 0<br />

t t-k<br />

A nullhipotézis értelmében az yt és az yt-k változók között nincs szignifikáns autokorreláció, ennek elvetése<br />

az autokorrelációs kapcsolat szignifikáns voltát igazolja.<br />

A becsült autokorrelációs együtthatóra épülő próbafüggvényünk:<br />

r yy n−2 t t-k t =<br />

2<br />

1−ryy t t-k<br />

A nullhipotézis teljesülése esetén (n-2) szabadságfokú kétoldalú t-eloszlást követ.<br />

A kapcsolat nem szignifikáns, 5%-os szignifikancia-szinten, tehát a H0-hipotézist elfogadjuk, ha:<br />

ryy n−2 t t-k t = < t<br />

2<br />

0,025(n−2) 1-ryy<br />

t t-k<br />

A kapcsolat szignifikáns, 5%-os szignifikancia-szinten, tehát a H1-alternatív hipotézist fogadjuk el, ha:<br />

117

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!