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.
A B művelet hatása Yt -re, az adat visszaléptetése egy periódussal. A B művelet kétszeres alkalmazása Yt -<br />
B BY<br />
2<br />
B Y = Y<br />
= t<br />
12<br />
re, két periódussal lépteti vissza az adatot: ( t ) t −2<br />
Havi adatok esetén az előző év azonos hónapjának adata a B<br />
12<br />
jelöléssel érhető el, B Yt<br />
= Yt−12<br />
.<br />
A differencia képzés egyszerűen leírható a B operátor segítségével. Például az elsőfokú differenciaképzés<br />
a következőképpen jelölhető: Yt −Yt −1 = Yt<br />
− BYt<br />
= ( 1−<br />
B)<br />
Yt<br />
, ahol (1-B) jelöli az első differenciát. Hasonlóan<br />
a másodfokú differenciákat (az első differenciák differenciáit) az alábbi módon jelölhetjük:<br />
Y Y − Y − Y = Y − 2Y + Y<br />
2<br />
= 1 − 2B<br />
+ B Y<br />
2<br />
= 1 − B Y<br />
( t − t − 1)<br />
( t −1<br />
t −2<br />
) t t −1<br />
t −2<br />
( ) t ( ) t<br />
Általánosan a d-ed fokú differencia a következőképpen írható: ( 1 − B)<br />
t .<br />
A szezonális differenciák első differenciáinak jelölése a következő:<br />
s<br />
s s+<br />
1<br />
( 1− B )( 1−<br />
B ) Yt<br />
= ( 1−<br />
B − B + B ) Yt<br />
= Yt<br />
− Yt<br />
−1<br />
−Yt<br />
−s<br />
+ Yt<br />
−s<br />
−1<br />
Az ARIMA (0, 1, 1) (0, 1, 1)12 modell az operátor jelölésmóddal felírva a következő:<br />
d Y<br />
12<br />
12<br />
( 1−<br />
B)(<br />
1−<br />
B ) Yt<br />
= ( 1−<br />
θ B)(<br />
1−<br />
Θ B )<br />
12<br />
12<br />
( 1−<br />
B)(<br />
1−<br />
B ) Yt<br />
= θ(<br />
B)<br />
Θ ( B ) εt<br />
Az általános ARIMA (p, d, q) (P, D, Q)s modell operátorokkal:<br />
s d s<br />
s<br />
( B) ΦP<br />
( B )( 1−<br />
B)<br />
( 1−<br />
B ) Yt<br />
= θq<br />
( B)<br />
ΘQ<br />
( B ) εt<br />
φ p<br />
Néhány gyakran alkalmazott szezonális ARIMA modell elméleti ACF sémáját szakirodalmi leírás alapján<br />
közöljük Ábrahám, B. – Ledolter, J. (1986) p.<br />
12<br />
1. modell: (0, d, 0) (0, D, 1)12 Yt = Θ(<br />
B ) εt<br />
Szignifikáns ACF a ρ 12 , azaz a k=12 késleltetésű autokorrelációs együttható.<br />
12<br />
2. modell: (0, d, 0) (1, D, 0)12 Φ ( B ) Yt<br />
= εt<br />
Szignifikáns ACF a ρ 12 , ρ 24,<br />
…,<br />
exponenciálisan, vagy csillapodó szinusz görbe szerint csökkenve.<br />
3. modell: (0, d, 0) (1, D, 1)12 Φ ( B ) Yt<br />
= Θ(<br />
B ) εt<br />
A 1 1,<br />
=<br />
rint csökkenve.<br />
ρ és szignifikáns ACF a 12<br />
4. modell: (0, d, 1) (0, D, 1)12 t ( ) ( ) t<br />
Szignifikáns ACF a ρ 1,<br />
ρ 11,<br />
12,<br />
raméterek előjelétől függően.<br />
12<br />
D<br />
12<br />
ρ , ρ 24,<br />
…,<br />
ρ 36,<br />
… , exponenciálisan, vagy csillapodó szinusz görbe sze-<br />
ρ és a 13<br />
12<br />
Y = θ B Θ B ε<br />
ρ , ( = )<br />
11 ρ13<br />
5. modell: (0, d, 1) (1, D, 0)12 ( B ) Yt<br />
= θ(<br />
B)<br />
εt<br />
ρ , ρ , ρ , ( ρ = ρ ) ; , ρ , ρ , ( ρ = ρ )<br />
23<br />
24<br />
25<br />
25<br />
szerint csökkenve.<br />
23<br />
35<br />
36<br />
ε<br />
t<br />
ρ . Előjelük pozitív és negatív is lehet a modell pa-<br />
12<br />
Φ Szignifikáns ACF a 1 , ρ11,<br />
ρ12,<br />
ρ13<br />
( ρ13<br />
= ρ11)<br />
37<br />
37<br />
35<br />
ρ ;<br />
ρ ; exponenciálisan, vagy csillapodó szinusz görbe<br />
6. modell: (0, d, 1) (1, D, 1)12 ( B ) Yt<br />
= θ(<br />
B)<br />
Θ(<br />
B ) εt<br />
13<br />
12<br />
Φ Szignifikáns ACF a ρ 1,<br />
ρ 11,<br />
ρ12, és a<br />
ρ = . Egyébként az 5. modell szerint alakul.<br />
ρ , ( )<br />
11 ρ13<br />
7. modell : (0, d, 2) (0, D, 1)12 t 2(<br />
) ( ) t<br />
1<br />
2<br />
10<br />
11<br />
12<br />
13<br />
12<br />
Y = θ B Θ B ε Szignifikáns ACF a<br />
( ρ = ρ ) , ρ , ( ρ = )<br />
ρ , ρ , ρ , ρ , ρ , ρ ,<br />
ρ ;<br />
13<br />
11<br />
14<br />
14<br />
10<br />
A szezonális modellek PACF sémájáról általánosan elmondható, hogy a szezonális és nem szezonális<br />
mozgó átlagolású komponens behozza az exponenciális és csillapodó szinusz görbe szerinti csökkenést, a<br />
szezonális és nem szezonális késleltetésnél is. Az autoregresszív folyamatok PACF-je pedig véges sok<br />
értéket tartalmaz.<br />
JMulti ingyenes, bonyolult sztochasztikus idősorkutatási módszereket (ARCH, ARIMA, VAR, VECM,<br />
stb) becslő szoftver:<br />
http://www.jmulti.de/<br />
JMulTi egy nyílt forráskódú interaktív szoftver, ami az ökonometriai elemzés és a többváltozós<br />
idősorok elemzése céljából készült. Ez egy Java grafikus felhasználói felület.<br />
12<br />
126