Автокорреляция уровней временного ряда. Анализ структуры временного ряда на основании коэффициентов автокорреляции

В значительной части временных рядов между уровнями, особенно близко расположенных, существует взаимосвязь, т.е. значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. Количественно ее можно измерить с помощью коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутых на несколько шагов во времени. Число уровней, по которым рассчитывается коэффициент автокорреляции, называется лагом .

y t и y t -1 , т.е. коэффициент автокорреляции 1-го порядка

, .

Отметим, что расчет коэффициента автокорреляции производится по (n –1), а не по n парам наблюдений.

Определим теперь коэффициент автокорреляции 2-го порядка , коэффициент корреляции между рядами y t и y t -2 , т.е.

, (9.15)

, .

Отметим, что расчет коэффициента автокорреляции 2-го порядка уже будет производится по (n –2) парам наблюдений.

Следует учитывать, что с увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Поэтому некоторые авторы считают целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный порядок коэффициента автокорреляции не должен превышать n /4.

Отметим два важных свойства коэффициента автокорреляции:

Во-первых, он строится по аналогии с обычным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициентам автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, парабола или экспонента), коэффициенты автокорреляции уровней могут приближаться к нулю.

Во-вторых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержит положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.

По длинному временному ряду можно определить серию коэффициентов автокорреляции, последовательно увеличивая величину лага: r 1 , r 2 , r 3 , … Последовательность коэффициентов автокорреляции называется автокорреляционной функцией временного ряда. График зависимости значений коэффициентов автокорреляции от величины лага (порядка коэффициента автокорреляции) называют коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет уточнить структуру временного ряда, выявить наличие или отсутствие в нём тенденции или периодических колебаний. Если временной ряд характеризуется чётко выраженной линейной тенденцией, то для него коэффициент автокорреляции 1-го порядка приближается к 1. Если же временной ряд содержит периодические колебания, то и автокорреляционная функция также будет содержать периодические колебания. Если временной ряд не содержит периодических колебаний, то коррелограмма представляет собой затухающую функцию, т.е. коэффициенты автокорреляции высоких порядков приближаются к нулю.

Анализ коррелограммы – это порой довольно непростая задача. Поэтому мы кратко остановимся на типичном поведении коррелограмм для некоторых классов временных рядов. Для начала рассмотрим поведение коррелограммы для некоторых нестационарных временных рядов. На графиках кроме значений самой функции, обычно указывают доверительные пределы этой функции

Для временного ряда, содержащего тренд , коррелограмма не стремится к нулю с ростом значения лага t. Ее характерное поведение изображено на рис.9.1.

Рис. 9.1. Коррелограмма ряда урожайности зерновых культур в Росиис 1945 по 1989 гг. в ц/га: а) исходный временной ряд; б) его коррелограмма.

Для временного ряда с сезонными колебаниями коррелограмма также будет содержать периодические всплески, соответствующие периоду сезонных колебаний. Это позволяет устанавливать предполагаемый период сезонности. Типичное поведение коррелограммы приведено на рис.9.2.

Рис. 9.2. Коррелограмма ряда месячных продаж шампанского за 7 последовательных лет в логарифмической шкале (после удаления линейного тренда): а) преобразованный исходный временной ряд; б) его коррелограмма.

Пример 9.1. Имеются поквартальные условные данные об объемах потребления электроэнергии жителями региона.

Таблица 9.7

Построить автокорреляционную функцию временного ряда.

Решение. Для расчета коэффициентов автокорреляции исходного временного ряда составим таблицу (табл. 9.8):

Таблица 9.8

t	y t	y t -1	y t -2	y t -3	y t -4	y t -5	y t -6
	6,0	–	–	–	–	–	–
	4,4	6,0	–	–	–	–	–
	5,0	4,4	6,0	–	–	–	–
	9,0	5,0	4,4	6,0	–	–	–
	7,2	9,0	5,0	4,4	6,0	–	–
	4,8	7,2	9,0	5,0	4,4	6,0	–
	6,0	4,8	7,2	9,0	5,0	4,4	6,0
	10,0	6,0	4,8	7,2	9,0	5,0	4,4
	8,0	10,0	6,0	4,8	7,2	9,0	5,0
	5,6	8,0	10,0	6,0	4,8	7,2	9,0
	6,4	5,6	8,0	10,0	6,0	4,8	7,2
	11,0	6,4	5,6	8,0	10,0	6,0	4,8
	9,0	11,0	6,4	5,6	8,0	10,0	6,0
	6,6	9,0	11,0	6,4	5,6	8,0	10,0
	7,0	6,6	9,0	11,0	6,4	5,6	8,0
	10,8	7,0	6,6	9,0	11,0	6,4	5,6

Определим коэффициент корреляции между рядами y t и y t -1 , т.е. коэффициент автокорреляции 1-го порядка. Отметим, что расчет коэффициента автокорреляции производится по 15, а не по 16 парам наблюдений. Составим таблицу для расчета коэффициента автокорреляции 1-го порядка (таб. 9.9):

Таблица 9.9

t	y t	y t -1
	6,0	–	–	–	–	–	–
	4,4	6,0	-2,987	-1,067	3,186	8,920	1,138
	5,0	4,4	-2,387	-2,667	6,364	5,696	7,111
	9,0	5,0	1,613	-2,067	-3,334	2,603	4,271
	7,2	9,0	-0,187	1,933	-0,361	0,035	3,738
	4,8	7,2	-2,587	0,133	-0,345	6,691	0,018
	6,0	4,8	-1,387	-2,267	3,143	1,923	5,138
	10,0	6,0	2,613	-1,067	-2,788	6,830	1,138
	8,0	10,0	0,613	2,933	1,799	0,376	8,604
	5,6	8,0	-1,787	0,933	-1,668	3,192	0,871
	6,4	5,6	-0,987	-1,467	1,447	0,974	2,151
	11,0	6,4	3,613	-0,667	-2,409	13,056	0,444
	9,0	11,0	1,613	3,933	6,346	2,603	15,471
	6,6	9,0	-0,787	1,933	-1,521	0,619	3,738
	7,0	6,6	-0,387	-0,467	0,180	0,150	0,218
	10,8	7,0	3,413	-0,067	-0,228	11,651	0,004
Среднее	110,8				9,813	65,317	54,053

По данным таблицы находим

, .

Используя формулу (9.14), находим

.

Определим теперь коэффициент автокорреляции 2-го порядка, коэффициент корреляции между рядами y t и y t -2 . Отметим, что расчет коэффициента автокорреляции 2-го порядка уже будет производиться по 14 парам наблюдений. Составим таблицу для расчета коэффициента автокорреляции 2-го порядка (таб. 9.10):

Таблица 9.10

t	y t	y t -2
	6,0	–	–	–	–	–	–
	4,4	–	–	–	–	–	–
	5,0	6,0	-2,600	-1,071	2,786	6,760	1,148
	9,0	4,4	1,400	-2,671	-3,740	1,960	7,137
	7,2	5,0	-0,400	-2,071	0,829	0,160	4,291
	4,8	9,0	-2,800	1,929	-5,400	7,840	3,719
	6,0	7,2	-1,600	0,129	-0,206	2,560	0,017
	10,0	4,8	2,400	-2,271	-5,451	5,760	5,159
	8,0	6,0	0,400	-1,071	-0,429	0,160	1,148
	5,6	10,0	-2,000	2,929	-5,857	4,000	8,577
	6,4	8,0	-1,200	0,929	-1,114	1,440	0,862
	11,0	5,6	3,400	-1,471	-5,003	11,560	2,165
	9,0	6,4	1,400	-0,671	-0,940	1,960	0,451
	6,6	11,0	-1,000	3,929	-3,929	1,000	15,434
	7,0	9,0	-0,600	1,929	-1,157	0,360	3,719
	10,8	6,6	3,200	-0,471	-1,509	10,240	0,222
Среднее	106,4				-31,120	55,760	54,049

По данным таблицы находим

, .

Используя формулу (9.15), находим

.

Аналогичным образом рассчитываем коэффициенты автокорреляции 3-го и более высоких порядков. (Заметим, что в программе Exel коэффициенты корреляции рассчитываются при помощи функции КОРРЕЛ). В результате получим автокорреляционную функцию исходного временного ряда. Ее значения и коррелограмма приведены в таб. 9.11.

Таблица 9.11

Анализ значений автокорреляционной функции позволяет сделать вывод о наличии в изучаемом временном ряде, во-первых , линейной тенденции, во-вторых , сезонных колебаний периодичностью в четыре квартала. Данный вывод подтверждается и графическим анализом структуры ряда (см. рис. 9.1).

После расчетов необходимо определить на каком лаге коэффициент будет максимальным (как правило, это первый лаг) и оценить его значимость. Предпосылкой для решения данной задачи является возможность проявления ошибки репрезентативности при анализе выборочных данных. Проверяется статистическая гипотеза: генеральный коэффициент автокорреляции равен нулю (следовательно, полученное значение выборочного коэффициента автокорреляции является следствием проявление случайной ошибки репрезентативности). Альтернативная гипотеза: генеральный коэффициент автокорреляции отличен от нуля (следовательно, полученное значение выборочного коэффициента автокорреляции может рассматриваться как оценка неизвестного генерального коэффициента автокорреляции по выборочным данным). Гипотезы проверяются через расчет t-критерия Стьюдента и сравнение расчетного значения с теоретическим.

Где r – коэффициент автокорреляции, σ r – стандартная ошибка коэффициента автокорреляции.

Ошибка рассчитывается следующим образом:

Где n – число уровней ряда

Теоретическое значение критерия Стьюдента при уровне значимости 0,05 и числе степеней свобод 12 равно 2,17

Расчетное значение критерия превосходит теоретическое (16,69 против 2,17), следовательно коэффициент автокорреляции на первом лаге признается значимым.

Наличие высокой автокорреляции в сочетании со значимостью коэффициента дает нам возможность рассмотреть регрессионную модель вида

(один из видов модели регрессии). Такая модель называется авторегрессией и позволяет решать задачу экстраполяции и прогнозирования.

Практика показывает, что часто в отклонениях от тренда сохраняется автокорреляция. Прежде чем приступить к расчету коэффициента корреляции по остаткам, необходимо проверить наличие в них автокорреляции. Проверяемая статистическая гипотеза (H0:) формулируется следующим образом:

H0: автокорреляция в анализируемом динамическом ряду отсутствует.

Наиболее распространенным статистическим критерием оценки автокорреляции в отклонениях от тренда, является критерий Дарбина – Уотсона (d0 ), статистика критерия определяется по следующей формуле:

,

где – случайные отклонения от тренда .

Значение критерия изменяется в интервале от «0» до «4». При 0 < d < 2 - автокорреляция положительная,

если 2 < d < 4 – автокорреляция отрицательная.

Близость величины критерия к «2» говорит об отсутствии или несущественной автокорреляции. Оценки, получаемые по критерию «d», являются интервальными. Существуют таблицы распределения значений критерия Дарбина – Уотсона, составленные для различных уровней значимости. Таблицы составлены с учетом числа наблюдений в динамическом ряду и числа переменных в уравнении тренда.

По таблице в каждом конкретном случае находят нижнюю ( ) и верхнюю ( ) границы критерия. Результат сравнения расчетного значения с табличным интерпретируется следующим образом:

1. > , - H0 - принимается;

2. < , - H0 - отвергается;

3. , необходимо дальнейшее исследование (например, по более протяженному временному ряду).

Для проверки остатков на наличие автокорреляции можно просто рассчитать коэффициенты автокорреляции по остаткам. Данная задача решается аналогично задаче оценки автокорреляции динамических рядов. Единственное отличие: исходные данные в этом случае – это остатки по оптимальному тренду (берутся из отчетов)

Отсутствие автокорреляции в остатках определяется по величине коэффициента (меньше 0,5 – автокорреляция отсутствует). Решение данной задачи дополнительно подтверждает качество выбора тренда.

Кросс-корреляция динамических рядов – это корреляционная зависимость между динамическими рядами с заданным временным смещением (лагом). Внимание! Расчет коэффициентов кросс-корреляции проводится по остаткам с оптимальных трендов по динамическим рядам. Необходимость исключения трендовой составляющей динамического ряда объясняется тем, что при коррелировании уровней однонаправленных рядов значительно искажаются (завышаются результаты расчетов).

Остатки по двум динамическим рядам берутся из отчетов по оптимальным трендам.

Смещение (лаг) задается по аналогии с задачей автокорреляции.

Вторым отличием является необходимость рассмотрения прямой и обратной зависимости.

Последовательность задания исходных данных значения в данном случае не имеет, так как в любом случае рассматривается прямая зависимость – импорт к экспорту, и обратная – экспорт к импорту соответственно.

Третье отличие - на нулевом лаге смещение не задается

По полученным коэффициентам кросс-корреляции строится коррелограмма

По аналогии с решением задачи автокорреляции необходимо оценить значимость максимального коэффициента кросс-корреляции (как правило, это коэффициент на нулевом лаге).

Наличие высокой кросс-корреляции в сочетании со значимостью коэффициента дает нам возможность рассмотреть регрессионную модель вида

(в качестве модели регрессии выбирается оптимальный тренд. В данном случае линейный). Такая модель называется регрессионной моделью с включением фактора времени) и позволяет решать задачу экстраполяции и прогнозирования.

Уровни второго динамического ряда с заданным смещением на величину лага

При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.

Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.

Формула для расчета коэффициента автокорреляции имеет вид:

Где

Эту величину называют коэффициентом автокорреляции уровней ряда первого порядка, так как он измеряет зависимость между соседними уровнями ряда и
.

Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и
и определяется по формуле:

(4.2)

где

(7.1.)

где
, а
.

Число периодов , по которым рассчитывается коэффициент автокорреляции, называют лагом . С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Считается целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный лаг должен быть не больше
.

Свойства коэффициента автокорреляции.

Он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.

По знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержат положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.

Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.

Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию . Если наиболее высоким оказался коэффициент автокорреляции порядка , то ряд содержит циклические колебания с периодичностью в моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических колебаний, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической (сезонной) компоненты.

Рассмотрим пример . Пусть имеются некоторые условные данные об общем количестве правонарушений на таможне одного из субъектов РФ (например, Республики Татарстан).

Таблица 4.1

			Количество возбужденных дел,

Построим поле корреляции:

Рис. 4.4.

Уже исходя из графика видно, что значения образуют пилообразную фигуру. Рассчитаем несколько последовательных коэффициентов автокорреляции. Для этого составляем первую вспомогательную таблицу.

Таблица 4.2

Среднее значение

Следует заметить, что среднее значение получается путем деления не на 16, а на 15, т.к. у нас теперь на одно наблюдение меньше.

Теперь вычисляем коэффициент автокорреляции первого порядка по формуле (4.1):

Составляем вспомогательную таблицу для расчета коэффициента автокорреляции второго порядка.

Таблица 4.3

Среднее значение

Следовательно

Аналогично находим коэффициенты автокорреляции более высоких порядков, а все полученные значения заносим в сводную таблицу.

Таблица 4.4

	Коэффициент автокорреляции уровней

Коррелограмма:

Рис. 4.5.

Анализ коррелограммы и графика исходных уровней временного ряда позволяет сделать вывод о наличии в изучаемом временном ряде сезонных колебаний периодичностью в четыре квартала.

При наличии тенденции в ряде динамики уровни ряда характеризуются автокорреляцией, т.е. каждый последующий уровень ряда зависит от предыдущего. Например, цена на товар сегодня, как правило, зависит от цены вчерашнего дня. Корреляционная связь между последовательными значениями уровней динамического ряда называется автокорреляцией уровней динамического ряда .

Для измерения автокорреляции уровней динамического ряда используется коэффициент автокорреляции уровней

где у, – фактические уровни динамического ряда; у с_ Т – уровни того же динамического ряда, но сдвинутые на τ шагов во времени; τ – величина лага (сдвига во времени), принимающая значения 1,2, 3,.... и определяющая порядок коэффициента автокорреляции.

При τ = 1 рассчитывается коэффициент автокорреляции первого порядка, т.е. измеряется корреляция текущих значений уровней динамического ряда уг с предшествующими уровнями уг_г.

При τ = 2 изучается зависимость текущих уровней ряда у, с уровнями этого же ряда, сдвинутыми на 2 временных шага у ,_2, т.е. рассчитывается коэффициент автокорреляции второго порядка, а при х = 3 – соответственно третьего порядка, при X = к – коэффициент автокорреляции к-го порядка. Чем длиннее динамический ряд, тем выше может быть порядок коэффициента автокорреляции уровней.

Коэффициент автокорреляции уровней ряда практически рассчитывается по формуле линейного коэффициента корреляции. Поэтому его величина изменяется в пределах от -1 до +1. Чем ближе его величина , тем сильнее зависимость текущих уровней динамического ряда от предыдущих.

Если ряд характеризуется четко выраженной тенденцией, то для него коэффициент автокорреляции первого порядка приближается к +1. Так, для рассмотренного ранее ряда динамики заработной платы работника коэффициент автокорреляции уровней первого порядка составил 0,9987, демонстрируя тесную связь последующих уровней ряда от предыдущих.

Поскольку в примере рассчитывается коэффициент автокорреляции первого порядка, т.е. когда τ = 1, формула его расчета приобретает вид

(5.2)

где у, – уровни ряда в момент времени f; yf_j – те же уровни ряда, но сдвинутые на год, т.е.уровни ряда в момент времени (t – 1) (предыдущий год).

Так как оба ряда (у, иум) для расчета коэффициента автокорреляции должны быть одинаковой длины, то первое значение по ряду уг в расчетах не участвует. По нашему примеру необходимые суммы для подсчета отдельных элементов формулы коэффициента автокорреляции уровней составили

Соответственно коэффициент автокорреляции уровней составит

Методика расчета коэффициентов автокорреляции более высоких порядков та же, но при этом число коррелируемых пар уменьшается. В нашем примере их восемь (ct = 2 по t = 9). Если же увеличим лаг до 2 лет, т.е. τ = 2, то останется семь коррелируемых пар (с t = 3 по ί = 9), при τ = 3 будет шесть коррелируемых пар (с t = 4 по t = 9). Ввиду уменьшения числа наблюдений при расчете коэффициента автокорреляции уровней, увеличение величины лага не беспредельно: принято считать, что максимальная величина лага должна быть не более чем п / 4 (n – длина динамического ряда). Для нашего примера при л = = 9 максимальная величина лага составит 2 года (τ = 2).

Для расчета коэффициента автокорреляции второго порядка составим таблицу.

Таблица 5.1. Расчет коэффициента автокорреляции уровней второго порядка (для ряда динамики заработной платы работника)

		y t – 2	y t y t – 2

* Подсчитано без первых двух строк

Так как теперь в расчете участвует семь коррелируемых пар и , то первые две строки табл. 5.1 не принимаются во внимание. Коэффициенты автокорреляции разных порядков принято обозначать где указывает на номер порядка коэффициента автокорреляции. Формула расчета коэффициента автокорреляции второго порядка следующая:

где

Соответственно коэффициент автокорреляции равен

В рассмотренном примере уровни динамического ряда имеют тенденцию к возрастанию, и коэффициенты автокорреляции приближаются к +1. Аналогичная картина будет наблюдаться и при тенденции к уменьшению уровней динамического ряда. Например, лесовосстановление в России за 1995–2002 гг. характеризуется тенденцией к снижению. Уровни ряда (в тыс. га) составили:

Коэффициенты автокорреляции первого и второго порядков оказались равными η = 0,812 и г2 =0,885, что подтверждает наличие тенденции в ряду динамики. При этом г, > 0 и г2 > 0, хотя ряд и имеет тенденцию к снижению. Чем тенденция по ряду динамики более четкая, тем ближе г, и г2 к +1.

Для стационарного динамического ряда с небольшими колебаниями уровней, гг достаточно близок к нулю и может принимать небольшое отрицательное значение. Так, предположим, что уровни ряда приняли следующие значения (последовательно во времени):

Коэффициент автокорреляции первого порядка составил -0,209, а коэффициент автокорреляции второго порядка составил 0,056.

Серию коэффициентов автокорреляции уровней ряда с последовательным увеличением величины лага принято называть автокорреляционной функцией (АКФ).

Для стационарного временного ряда с увеличением величины лага взаимосвязь у с и y,_t ослабевает и АКФ характеризуется монотонным убыванием, что графически должно представлять затухающую кривую (рис. 5.7).

По стационарному ряду АКФ оценивается исходя из формулы коэффициента автокорреляции

(5.3)

где n – длина временного ряда; τ –временной сдвиг; – средняя арифметическая по исходному ряду .

В нашем примере АКФ для стационарного ряда составила: г, = -0,209; г 2 = 0,056; г3 = -0,114; г4 – -0,356; г5 = 0,057; г6 = -0,074; г7 = -0,003. Однако при ограниченной длине динамического ряда поведение АКФ в виде рис. 5.7 не всегда соблюдается.

АКФ дает представление о внутренней структуре динамического ряда. С помощью АКФ можно определить наличие или отсутствие в ряду динамики периодических колебаний и соответственно величину периода колебаний: она равна той величине лага τ, при которой коэффициент автокорреляции уровней наибольший.

Предположим, что объем продаж товара за 18 мес. характеризуют следующим образом (рис. 5.8).

График показывает наличие тенденции, а также периодических колебаний. Это подтверждает и АКФ:

Рис. 5.7.

Рис. 5.8

Достаточно высокое значение коэффициента автокорреляции первого порядка (Г] = 0,863) означает наличие тенденции в ряде динамики. Вместе с тем максимальное значение коэффициента автокорреляции наблюдается при лаге 3 и кратном ему лаге 6, т.е. для ряда характерна регулярная колеблемость уровней через 3 мес.: подъем в течение 3 мес. сменяется спадом в следующий месяц. Иными словами, волнообразное изменение объема продаж повторяется через 3 мес., что и демонстрирует АКФ. Для динамического ряда с монотонной тенденцией к возрастанию (или уменьшению) уровней АКФ имеет значения, близкие к +1, которые медленно снижаются с возрастанием величины лага. Например, за 60 кварталов динамика объема продаж характеризовалась уравнением тренда

где у – объем продаж в тыс. руб.;

Коэффициент детерминации для него составил 0,973, характеризуя хорошее качество описания тенденции ряда: отклонения фактических уровней ряда от теоретических, обусловленных тенденцией, составляют всего 2,7%. АКФ для данного ряда оказалась следующей: rj = 0,991; г2 = 0,984; г3 = 0,980; г4 = = 0,979; г5 = 0,973; г6 = 0,968; г7 = 0,963; г8 = 0,965; г9 = 0,963; гю = 0,962; ги = 0,959; г12 = 0,957; г13 = 0,952; г14 = 0,955; г15 = 0,943.

Если ряд характеризуется сменой тенденций, то АКФ примет значения, стремительно уменьшающиеся с возрастанием величины лага, сопровождаемые иногда сменой знака коэффициента автокорреляции. Так, например динамический ряд описывается параболой второго порядка (рис. 5.9).

АКФ оказывается следующей:

Рис. 5.9.

Похожая ситуация имеет место, например, при анализе динамики числа раненых в ДТП (на 100 тыс. человек населения) за 1999–2008 гг. по Тюменской области. Тенденция описывается параболой видау = 80,537 + 45,756t- 3,5053г2. Коэффициенты автокорреляции уровней с увеличением величины лага составили: 0,831; 0,588; 0,179; -0,544.

Иными словами, знание АКФ может помочь при подборе модели рассматриваемого динамического ряда.

При изучении развития явления во времени часто возникает необходимость оценить степень взаимосвязи в изменениях уровней 2-х или более рядов динамики различного содержания, но связанных между собой. Эта задача решается методами коррелирования:

· уровней ряда динамики

· отклонений фактических уровней от тренда

· последовательных разностей

Коррелирование уровней динамических рядов с применением парного коэффициента корреляции правильно показывает тесноту связи лишь в том случае, если в каждом из них отсутствует автокорреляция. Наличие зависимости между последующими и предшествую­щими уровнями динамического ряда в статистической литерату­ре называютавтокорреляцией .

Поэтому прежде, чем коррелировать ряды динамики по уровням, необходимо проверить каждый из рядов на наличие или отсутствие в них автокорреляции. Применение методов классической теории корреляции в ди­намических рядах связано с некоторыми особенностями. Преж­де всего, это наличие для большинства динамических рядов зави­симости последующих уровней от предыдущих.

Коэффициент автокорреляции вычисляется по непосред­ственным данным рядов динамики, когда фактические уровни од­ного ряда рассматриваются как значения факторного признака, а уровни этого же ряда со сдвигом на один период, принимаются в качестве результативного признака (этот сдвиг называется лагом). Коэффициент автокорреляции рассчитывается на основе фор­мулы коэффициента корреляции для парной зависимости:

· y t – фактические уровни ряда,

· y t+1 – уровни того же ряда со сдвигом на 1 период (коэффициент автокорреляции первого порядка).

Формула для расчета коэффициента автокорреляции уровней ряда 1-го порядка :

Формула для расчета коэффициента автокорреляции уровней ряда 2-го порядка :

Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду, фактическое значение коэффициента автокорреляции сопоставляют с табличным для 5% или 1% уровня значимости. Если расчетное значение меньше табличного, то гипотеза об отсутствии автокорреляции принимается и, наоборот, в противном случае, отвергается.

Последовательность коэффициентов автокорреляции 1, 2 и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости значений коэффициентов автокорреляции от величины лага (порядка коэффициента автокорреляции) называют коррелограммой .

Анализ автокорреляционной функции и коррелограммы позволяет выявить структуру ряда, т. е. определить присутствие в ряде той или иной компоненты. Так, если наиболее высоким оказался коэффициент автокорреляции первого порядка, то исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка m, то ряд содержит циклические колебания с периодичностью в m моментов времени. Если же ни один из коэффициентов автокорреляции не является значимым, то можно сделать одно из двух предположений:

· либо ряд не содержит тенденции и циклических колебаний, а его уровень определяется только случайной компонентой;

· либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ .

Необходимо подчеркнуть, что линейные коэффициенты автокорреляции характеризуют тесноту только линейной связи текущего и предыдущих уровней ряда. Поэтому, по коэффициентам автокорреляции можно судить только о наличии или отсутствии линейной зависимости (или близкой к линейной). Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к 0 .