Анализ, моделирование и прогнозирование производства сахара в Кыргызской Республике за период 1994-2013 гг
Прогноз объемов производства сахара на 2014 г
жүктеу/скачать 158,43 Kb.
|
Rashidova сахар 5
Исходя из рисунка 1, на котором представлена динамика производства сахара за весь период, можно предположить, что в 2007 г. в связи с мировым кризисом в исследуемом временном ряду произошел структурный сдвиг. Для того чтобы проверить выдвинутую гипотезу о наличии структурного сдвига во временном ряду производства сахара необходимо провести тест Чоу, заранее указав предположительную точку сдвига. Результаты теста приведены на рисунке 5. Рисунок 5 – Результаты проверки наличия структурного сдвига Исходя из результатов теста Чоу, на 5% - ном уровне значимости можно сделать вывод, что во временном ряду производства сахара структурный сдвиг не наблюдается. Следовательно, ряд структурно стабилен и для прогнозирования и дальнейшего анализа мы используем весь ряд. ARIMA модель Исходя из графика 1, на котором явно видны сезонные колебания, можно сделать вывод, что исследуемый временной ряд производства сахара в Кыргызской Республике является нестационарным. Подобный вывод можно сделать, посмотрев на коррелограмму, представленной на рисунке 2. Для проверки ряда на стационарность необходимо провести тест Дики-Фуллера. Результаты теста представлены на рисунке 6. Рисунок 6 – Тест Дики-Фуллера, процесс с первой разностью, без тренда и константы Исходя из результатов теста Дики-Фуллера, представленных на рисунке 6, можно сделать вывод, что временной ряд производства сахара является стационарным при взятии первой разности без тренда и константы. Также можно выдвинуть гипотезу о том, что в данном временном ряду присутствует авторегрессионная модель третьего порядка. Тогда далее необходимо построить модель. Рисунок 7 – Уравнение регрессии AR-модели Поскольку при построении модели коэффициент при C оказался незначимым, то он был исключен из модели. В результате была получена модель авторегрессии третьего порядка. При этом коэффициент детерминации составил 62%, а критерии Акаике и Шварца 21,6 и 21,7 соответственно. Данная модель схожа с предыдущей моделью по характеристикам Акаике и Шварца, но согласно коэффициенту детерминации ARIMA модель лучше тренд-сезонной модели. Необходимо провести LM-тест для выявления наличия автокорреляции остатков. Рисунок 8 – Результаты LM-теста на наличие MA-модели Исходя из проведенного теста на наличие модели скользящего среднего, можно предположить, что на 10%-ном уровне значимости в исследуемом временном ряду модель скользящего среднего отсутствует. Таким образом, была получена модель ARIMA(3,1,0). Данная модель является лучшей, из построенных выше моделей, поскольку коэффициент детерминации составил 62%, а критерии Акаике и Шварца немного составили 21.6 и 21.7 соответственно. На рисунке 9 представлен ряд остатков, а также моделируемый и модельные ряды. Рисунок 9 – График моделируемого ряда, модельного ряда и ряда отклонений Из рисунка 9 видно, что построенная модель ARIMA достаточно хорошо описывает исходные данные. В таблице 5 приведены результаты прогноза на 2014 год по полученной модели. Таблица 5
жүктеу/скачать 158,43 Kb. Достарыңызбен бөлісу:
| ||||||||||||