Методы сглаживания временных рядов. Open Library - открытая библиотека учебной информации

Обработка динамических рядов

Обработка динамических рядов

Популярное

Министерство образования Российской Федерации

Всероссийский заочный финансово – экономический институт

Ярославский филиал

Кафедра статистики

Курсовая работа

по дисциплине:

«Статистика»

задание № 19

Студент: Курашова Анастасия Юрьевна

Специальность «Финансы и кредит»

3 курс, периферия

Руководитель: Сергеев В.П.

Ярославль, 2002 г.

1. Введение……………………………………………………………3 стр.

2. Теоретическая часть…………………………………………… …4 стр.

2.1 Основные понятия о рядах динамики…………………………...4 стр.

2.2 Методы сглаживания и выравнивания динамических рядов……………………………………………………………….6 стр.

2.2.1 Методы «механического сглаживания»………………………6 стр.

2.2.2 Методы «аналитического» выравнивания…………………. 8 стр.

3. Расчетная часть……………………………………………… ……11 стр.

4. Аналитическая часть……………………………………………. .16 стр.

5. Заключение ………………………………………………………. 25 стр.

6. Список литературы……………………………………………… 26 стр.

7. Приложения………………………………………………………. 27 стр.

Введение

Полная и достоверная статистическая информация является тем необходимым основанием, на котором базируется процесс управления экономикой. Вся информация, имеющая народнохозяйственную значимость, в конечном счете, обрабатывается и анализируется с помощью статистики.

Именно статистические данные позволяют определить объемы валового внутреннего продукта и национального дохода, выявить основные тенденции развития отраслей экономики, оценить уровень инфляции, проанализировать состояние финансовых и товарных рынков, исследовать уровень жизни населения и другие социально-экономические явления и процессы.

Овладение статистической методологией - одно из условий познания конъюнктуры рынка, изучения тенденций и прогнозирования, принятия оптимальных решений на всех уровнях деятельности.

Сложной, трудоемкой и ответственной является заключительная, аналитическая стадия исследования. На этой стадии рассчитываются средние показатели и показатели распределения, анализируется структура совокупности, исследуется динамика и взаимосвязь между изучаемыми явлениями и процессами.

На всех стадиях исследования статистика использует различные методы. Методы статистики - это особые приемы и способы изучения массовых общественных явлений.

I. Теоретическая часть.

1.1 Основные понятия о рядах динамики.

Ряды динамики – статистические данные, отображающие развитие во времени изучаемого явления. Их также называют динамическими рядами, временными рядами.

В каждом ряду динамики имеется два основных элемента:

1) показатель времени t ;

2) соответствующие им уровни развития изучаемого явления y;

В качестве показаний времени в рядах динамики выступают либо определенные даты (моменты), либо отдельные периоды (годы, кварталы, месяцы, сутки).

Уровни рядов динамики отображают количественную оценку (меру) развития во времени изучаемого явления. Они могут выражаться абсолютными, относительными или средними величинами.

Ряды динамики различаются по следующим признакам:

1) По времени. В зависимости от характера изучаемого явления уровни рядов динамики могут относиться или к определенным датам (моментам) времени, или к отдельным периодам. В соответствии с этим ряды динамики подразделяются на моментные и интервальные.

Моментные ряды динамики отображают состояние изучаемых явлений на определенные даты (моменты) времени. Примером моментного ряда динамики является следующая информация о списочной численности работников магазина в 1991 году (таб. 1):

Таблица 1

Списочная численность работников магазина в 1991 году

Особенностью моментного ряда динамики является то, что в его уровни могут входить одни и те же единицы изучаемой совокупности. Хотя и в моментном ряду есть интервалы – промежутки между соседними в ряду датами, -- величина того или иного конкретного уровня не зависит от продолжительности периода между двумя датами. Так, основная часть персонала магазина, составляющая списочную численность на 1.01.1991 , продолжающая работать в течение данного года, отображена в уровнях последующих периодов. Поэтому при суммировании уровней моментного ряда может возникнуть повторный счет.

Посредством моментных рядов динамики в торговле изучаются товарные запасы, состояние кадров, количество оборудования и других показателей, отображающих состояние изучаемых явлений на отдельные даты (моменты) времени.

Интервальные ряды динамики отражают итоги развития (функционирования) изучаемых явлений за отдельные периоды (интервалы) времени.

Примером интервального ряда могут служить данные о розничном товарообороте магазина в 1987 – 1991 гг. (таб. 2):

Таблица 2

Объем розничного товарооборота магазина в 1987 - 1991 гг.


Объем розничного товарооборота, тыс. р.	885.7	932.6	980.1	1028.7	1088.4

Каждый уровень интервального ряда уже представляет собой сумму уровней за более короткие промежутки времени. При этом единица совокупности, входящая в состав одного уровня, не входит в состав других уровней.

Особенностью интервального ряда динамики является то, что каждый его уровень складывается из данных за более короткие интервалы (субпериоды) времени. Например, суммируя товарооборот за первые три месяца года, получают его объем за I квартал, а суммируя товарооборот за четыре квартала, получают его величину за год, и т. д. При прочих равных условиях уровень интервального ряда тем больше, чем больше длина интервала, к которому этот уровень относится.

Свойство суммирования уровней за последовательные интервалы времени позволяет получить ряды динамики более укрупненных периодов.

Посредством интервальных рядов динамики в торговле изучают изменения во времени поступления и реализации товаров, суммы издержек обращения и других показателей, отображающих итоги функционирования изучаемого явления за отдельные периоды.

Структура ряда динамики:

Всякий ряд динамики теоретически может быть представлен в виде составляющих:

1) тренд – основная тенденция развития динамического ряда (к увеличению или снижению его уровней) ;

2) циклические (периодические колебания, в том числе сезонные);

случайные колебания.

1. 2. Методы сглаживания и выравнивания динамических рядов.

1. Способы «механического» сглаживания колебаний путем усреднения значений ряда относительно других, расположенных рядом, уровней ряда.

2. Способы «аналитического» выравнивания, т. е. определения сначала функционального выражения тенденции ряда, а затем новых, расчетных значений ряда.

1.2. 1 Методы «механического» сглаживания.

Сюда относятся:

а. Метод усреднения по двум половинам ряда, когда ряд делится на две части. Затем, рассчитываются два значения средних уровней ряда, по которым графически определяется тенденция ряда. Очевидно, что такой тренд не достаточно полно отражает основную закономерность развития явления.

б. Метод укрупнения интервалов, при котором производится увеличение протяженности временных промежутков, и рассчитываются новые значения уровней ряда.

в. Метод скользящей средней. Данный метод применяется для характеристики тенденции развития исследуемой статистической совокупности и основан на расчете средних уровней ряда за определенный период. Последовательность определения скользящей средней:

Устанавливается интервал сглаживания или число входящих в него уровней. Если при расчете средней учитываются три уровня, скользящая средняя называется трехчленной, пять уровней – пятичленной и т.д. Если сглаживаются мелкие, беспорядочные колебания уровней в ряду динамики, то интервал (число скользящей средней) увеличивают. Если волны следует сохранить, число членов уменьшают.

Исчисляют первый средний уровень по арифметической простой:

y1 = Sy1/m, где

y1 – I-ый уровень ряда;

m – членность скользящей средней.

Первый уровень отбрасывают, а в исчисление средней включают уровень, следующий за последним уровнем, участвующем в первом расчете. Процесс продолжается до тех пор, пока в расчет y будет включен последний уровень исследуемого ряда динамики y n .

По ряду динамики, построенному из средних уровней, выявляют общую тенденцию развития явления.

Отрицательной стороной использования метода скользящей средней является образование сдвигов в колебаниях уровней ряда, обусловленных «скольжением» интервалов укрупнения. Сглаживание с помощью скользящей средней может привести к появлению «обратных» колебаний, когда выпуклая «волна» заменяется на вогнутую.

В последнее время стала рассчитываться адаптивная скользящая средняя. Ее отличие состоит в том, что среднее значение признака, рассчитываемое также как описано выше, относится не к середине ряда, а к последнему промежутку времени в интервале укрупнения. Причем предполагается, что адаптивная средняя зависит от предыдущего уровня в меньшей степени, чем от текущего. То есть., чем больше промежутков времени между уровнем ряда и средним значением, тем меньшее влияние оказывает значение этого уровня ряда на величину средней.

г. Метод экспоненциальной средней. Экспоненциальная средняя – это адаптивная скользящая средняя, рассчитанная с применением весов, зависящих от степени «удаленности» отдельных уровней ряда от среднего значения. Величина веса убывает по мере удаления уровня по хронологической прямой от среднего значения в соответствии с экспоненциальной функцией, поэтому такая средняя называется экспоненциальной. На практике применяется многократное экспоненциальное сглаживания ряда динамики, которое используется для прогнозирования развития явления.

Вывод: способы, включенные в первую группу, ввиду применяемых методик расчета предоставляют исследователю очень упрощенное, неточное, представление о тенденции в ряду динамики. Однако корректное применение этих способов требует от исследователя глубины знаний о динамике различных социально - экономических явлений.

Исключение случайных колебаний значений уровней ряда осуществляется с помощью нахождения «усредненных» значений. Способы устранения случайных факторов делятся на две больше группы: 1. Способы «механического» сглаживания колебаний путем усреднения значений ряда относительно других, расположенных рядом, уров-ней ряда.

Методы «механического» сглаживания.

Сюда относятся:

а) Метод усреднения по двум половинам ряда , когда ряд делится на две части. Затем, рассчитываются два значения средних уровней ряда, по которым графически определяется тенденция ряда. Очевидно, что такой тренд не достаточно полно отражает основную закономерность развития явления.

б) Метод укрупнения интервалов , при котором производится увеличение протяженности временных промежутков, и рассчитываются новые значения уровней ряда.

в) Метод скользящей средней . Данный метод применяется для характеристики тенденции развития исследуемой статистической совокупности и основан на расчете средних уровней ряда за определенный период.

Последовательность определения скользящей средней:

Устанавливается интервал сглаживания или число входящих в него величин ряда. В случае если при расчете средней учитываются три величины, скользящая средняя принято называть трехчленной, если пять – пятичленной и т.д. В случае если не сглаживаются мелкие, беспорядочные колебания величин в ряду динамики, то интервал (число скользящей средней) увеличивают. В случае если волны следует сохранить, число членов уменьшают.

Исчисляют первое среднее значение по простой среднеарифметической: Σy i / m, где Σy i – 1- ая группа ряда; m – членность скользящей средней. К примеру, для трёхчленной скользящей средней первая точка нового ряда будет иметь значение Y 1 = (y 1 + y 2 + y 3) / 3.

Для расчёта значения Y 2 отбрасывают значение у 1 , а в расчёт средней включают значение у 4 , ᴛ.ᴇ. .Y 2 = (у 2 + у 3 + у 4) / 3. Процесс продолжается до тех пор, пока в расчет Y i будет включена последняя группа (3 шт.) данных исследуемого ряда динамики.

По ряду динамики, построенному из средних значений Y i , выявляют общую тенденцию развития явления.

Методы «аналитического» выравнивания

Более точным способом отображения тенденции динамического ряда является аналитическое выравнивание, т. е. выравнивание с помощью аналитических формул. В этом случае динамический ряд выражается в виде функции у (t), в которой в качестве основного фактора принимается время t, и изменения аргумента функции определяют значения у i . Фактическим (или эмпирическим) рядом динамики называют исходные данные измерения параметра, т. е. данные, полученные опытным путем, посредством наблюдения. Οʜᴎ обозначаются у i . Расчетными (или теоретическими) уровнями ряда называют значения, полученные в результате подстановки в уравнение тренда значений t, и обозначают их Y i

Целью аналитического выравнивания динамического ряда является определение аналитической или графической зависимости f(t) . На практике по имеющемуся временному ряду задают вид и находят параметры функции f(t) , а затем анализируют поведение отклонений от тенденции. Функцию f(t) выбирают таким образом, чтобы она давала содержательное объяснение изучаемого процесса.

Чаще всего при выравнивании используются зависимости: линей-ная; параболическая; экспоненциальная. Вариантом решения вопроса выравнивания являются линии регрессии (см. разд. 4.2).

Τᴀᴋᴎᴍ ᴏϬᴩᴀᴈᴏᴍ, целью аналитического выравнивания является: - определение вида функционального уравнения; - нахождения параметров уравнения; - расчет «теоретических», выровненных уровней, отображающих основную тенденцию ряда динамики. Графическое отображение изменения уровней ряда играет большую роль в применении данного вида выравнивания. Оно позволяет ускорить процедуру анализа и увеличить степень наглядности полученных результатов.

Очень часто, урони рядов динамики колеблются, при этом тенденция развития явления во времени скрыта случайными отклонениями уровней в ту или иную сторону. С целью более четко выявить тенденцию развития исследуемого процесса, в том числе для дальнейшего применения методов прогнозирования на основе трендовых моделей, производят сглаживание (выравнивание ) временных рядов.

Методы сглаживания временных рядов делятся на две основные группы:

1. аналитическое выравнивание с использованием кривой, проведенной между конкретными уровнями ряда так, чтобы она отображала тенденцию, присущую ряду, и одновременно освобождала его от незначительных колебаний;

2. механическое выравнивание отдельных уровней временного ряда с использованием фактических значений соседних уровней.

Суть методов механического сглаживания заключается в следующем. Берется несколько уровней временного ряда, образующих интервал сглаживания. Для них подбирается полином, степень которого должна быть меньше числа уровней, входящих в интервал сглаживания; с помощью полинома определяются новые, выровненные значения уровней в середине интервала сглаживания. Далее интервал сглаживания сдвигается на один уровень ряда вправо, вычисляется следующее сглаженное значение и так далее.

Самым простым методом механического сглаживания является метод простой скользящей средней.

2.4.1. Метод простой скользящей средней.

Сначала для временного ряда: определяется интервал сглаживания . Если необходимо сгладить мелкие беспорядочные колебания, то интервал сглаживания берут по возможности большим; интервал сглаживания уменьшают, если нужно сохранить более мелкие колебания.

Для первых уровней ряда вычисляется их среднее арифметическое. Это будет сглаженное значение уровня ряда, находящегося в середине интервала сглаживания. Затем интервал сглаживания сдвигается на один уровень вправо, повторяется вычисление среднего арифметического и так далее. Для вычисления сглаженных уровней ряда применяется формула:

где (при нечетном ); для четных формула усложняется.

В результате такой процедуры получаются сглаженных значений уровней ряда; при этом первые и последние уровней ряда теряются (не сглаживаются). Другой недостаток метода в том, что он применим лишь для рядов, имеющих линейную тенденцию.

2.4.2. Метод взвешенной скользящей средней.

Метод взвешенной скользящей средней отличается от предыдущего метода сглаживания тем, что уровни, входящие в интервал сглаживания, суммируются с разными весами. Это связано с тем, что аппроксимация ряда в пределах интервала сглаживания осуществляется с использованием полинома не первой степени, как в предыдущем случае, а степени начиная со второй.

Используется формула средней арифметической взвешенной:

причем веса определяются с помощью метода наименьших квадратов. Эти веса рассчитаны для различных степеней аппроксимирующего полинома и различных интервалов сглаживания.

1. для полиномов второго и третьего порядков числовая последовательность весов при интервале сглаживания имеет вид: , а при имеет вид: ;

2. для полиномов четвертой и пятой степеней и при интервале сглаживания последовательность весов выглядит следующим образом: .

Распределение весов на протяжении интервала сглаживания, полученное на основе метода наименьших квадратов см. на диаграмме 1.

2.4.3. Метод экспоненциального сглаживания.

К той же группе методов относится метод экспоненциального сглаживания.

Его особенность заключается в том, что в процедуре нахождения сглаженного уровня используются значения только предшествующих уровней ряда, взятые с определенным весом, причем вес наблюдения уменьшается по мере удаления его от момента времени, для которого определяется сглаженное значение уровня ряда.

Если для исходного временного ряда

соответствующие сглаженные значения обозначить через , то экспоненциальное сглаживание осуществляется по формуле:

где параметр сглаживания ; величина называется коэффициентом дисконтирования.

Используя, приведенное рекуррентное соотношение для всех уровней ряда, начиная с первого и кончая моментом времени , можно получить, что экспоненциальная средняя, то есть сглаженное данным методом значение уровня ряда, является взвешенной средней всех предшествующих уровней.

Министерство образования Российской Федерации

Всероссийский заочный финансово – экономический институт

Ярославский филиал

Кафедра статистики

Курсовая работа

по дисциплине:

«Статистика»

задание № 19

Студент: Курашова Анастасия Юрьевна

Специальность «Финансы и кредит»

3 курс, периферия

Руководитель: Сергеев В.П.

Ярославль, 2002 г.

План

1. Введение……………………………………………………………3 стр.

2. Теоретическая часть…………………………………………… …4 стр.

2.1 Основные понятия о рядах динамики…………………………...4 стр.

2.2 Методы сглаживания и выравнивания динамических рядов……………………………………………………………….6 стр.

2.2.1 Методы «механического сглаживания»………………………6 стр.

2.2.2 Методы «аналитического» выравнивания…………………. 8 стр.

3. Расчетная часть……………………………………………… ……11 стр.

4. Аналитическая часть……………………………………………. .16 стр.

5. Заключение ………………………………………………………. 25 стр.

6. Список литературы……………………………………………… 26 стр.

7. Приложения………………………………………………………. 27 стр.

Введение

I. Теоретическая часть.

1.1 Основные п онятия о рядах динамики.

Ряды динамики – статистические данные, отображающие развитие во времени изучаемого явления. Их также называют динамическими рядами, временными рядами.

В каждом ряду динамики имеется два основных элемента:

1) показатель времени t ;

2) соответствующие им уровни развития изучаемого явления y;

Ряды динамики различаются по следующим признакам:

Таблица 1

Списочная численность работников магазина в 1991 году

Примером интервального ряда могут служить данные о розничном товарообороте магазина в 1987 – 1991 гг. (таб. 2):

Таблица 2

Объем розничного товарооборота магазина в 1987 - 1991 гг.


Объем розничного товарооборота, тыс. р.

Структура ряда динамики:

Всякий ряд динамики теоретически может быть представлен в виде составляющих:

1) тренд – основная тенденция развития динамического ряда (к увеличению или снижению его уровней) ;

2) циклические (периодические колебания, в том числе сезонные);

случайные колебания.

1. 2. Методы сглаживания и выравнивания динамических рядов.

1.2. 1 Методы «механического» сглаживания .

Сюда относятся:

а. Метод усреднения по двум половинам ряда , когда ряд делится на две части. Затем, рассчитываются два значения средних уровней ряда, по которым графически определяется тенденция ряда. Очевидно, что такой тренд не достаточно полно отражает основную закономерность развития явления.

б. Метод укрупнения интервалов , при котором производится увеличение протяженности временных промежутков, и рассчитываются новые значения уровней ряда.

в. Метод скользящей средней . Данный метод применяется для характеристики тенденции развития исследуемой статистической совокупности и основан на расчете средних уровней ряда за определенный период. Последовательность определения скользящей средней:

Исчисляют первый средний уровень по арифметической простой:

y1 = Sy1/m, где

y1 – I-ый уровень ряда;

m – членность скользящей средней.

По ряду динамики, построенному из средних уровней, выявляют общую тенденцию развития явления.

г. Метод экспоненциальной средней . Экспоненциальная средняя – это адаптивная скользящая средняя, рассчитанная с применением весов, зависящих от степени «удаленности» отдельных уровней ряда от среднего значения. Величина веса убывает по мере удаления уровня по хронологической прямой от среднего значения в соответствии с экспоненциальной функцией, поэтому такая средняя называется экспоненциальной. На практике применяется многократное экспоненциальное сглаживания ряда динамики, которое используется для прогнозирования развития явления.

1.2.2 Методы «аналитического» выравнивания

Фактическими (или эмпирическими) уровнями ряда динамики называют исходные данные об изменении явления, т. е. данные, полученные опытным путем, посредством наблюдения. Они обозначаются уi. Расчетными (или теоретическими) уровнями ряда называют значения, полученные в результате подстановки в уравнение тренда значений t, и обозначают их.

Чаще всего при выравнивании используются следующий зависимости:

линейная;

параболическая;

экспоненциальная

1)Линейная зависимость выбирается в тех случаях, когда в исходном временном ряду наблюдаются более или менее постоянные абсолютные и цепные приросты, не проявляющие тенденции ни к увеличению, ни к снижению.

2)Параболическая зависимость используется, если абсолютные цепные приросты сами по себе обнаруживают некоторую тенденцию развития, но абсолютные цепные приросты абсолютных цепных приростов (разности второго порядка) никакой тенденции развития не проявляют.

3)Экспоненциальные зависимости применяются, если в исходном временном ряду наблюдается либо более или менее постоянный относительный рост (устойчивость цепных темпов роста, темпов прироста, коэффициентов роста) , либо, при отсутствии такого постоянства, -- устойчивость в изменении показателей относительного роста (цепных темпов роста цепных же темпов роста, цепных коэффициентов роста цепных же коэффициентов или темпов роста и т.д.)

Таким образом, целью аналитического выравнивания является:

Определение вида функционального уравнения;

Нахождения параметров уравнения;

Расчет «теоретических», выровненных уровней, отображающих основную тенденцию ряда динамики.

Графическое отображение изменения уровней ряда играет большую роль в применении данного вида выравнивания. Оно позволяет ускорить процедуру анализа и увеличить степень наглядности полученных результатов.

Сезонность – изменения динамических рядов, имеющих внутригодичную цикличность, зависящие от календарного периода года, явлениями природы, праздниками и др. Например, объем продаж продукции меховой фабрики вырастет в октябре, в ноябре достигнет максимума, снизится к марту, и затем до сентября - октября будет держаться на очень низком уровне. В качестве примера, интересно сравнить сезонные изменения уровня цен в России и странах Западной Европы. В России уровень цен в предпраздничные дни (например, рождество, Новый год, 9 мая, 1 сентября и т. д.) заметно растет. Тогда как в Западной Европе, как правило, в предпраздничные дни проводятся распродажи, т. е. в большинстве своем цены падают.

Явления, подверженные сезонным изменениям, необходимо исследовать на предмет наличия основной тенденции развития. Для этого необходимо распределить объем изменения явления между сезонной составляющей и основной тенденцией.

Изучение и измерение сезонности ряда динамики осуществляется с помощью специального показателя – индекса сезонности. Существует несколько вариантов анализа динамики с помощью индекса сезонности.

Индексы сезонности показывают, во сколько раз фактический уровень ряда в момент или интервал времени t больше среднего уровня либо уровня, вычисляемого по уравнению тенденции f(t) . При анализе сезонности уровни временного ряда показывают развитие явления по месяцам (кварталам) одного или нескольких лет. Для каждого месяца (квартала) получают обобщенный индекс сезонности как среднюю арифметическую из одноименных индексов каждого года. Индексы сезонности – это, по либо уровень существу, относительные величины координации, когда за базу сравнения принят либо средний уровень ряда, либо уровень тенденции. Способы определения индексов сезонности зависят от наличия или отсутствия основной тенденции.

Если тренда нет или он незначителен, то для каждого месяца (квартала) индекс рассчитывается по формуле 32:

где -- уровень показателя за месяц (квартал) t ;

Общий уровень показателя.

Как отмечалось выше, для обеспечения устойчивости показателей можно взять больший промежуток времени. В этом случае расчет производится по формулам 33:

где -- средний уровень показателя по одноименным месяцам за ряд лет;

Т -- число лет.

При наличии тренда индекс сезонности определяется на основе методов, исключающих влияние тенденции. Порядок расчета следующий:

1) для каждого уровня определяют выравненные значения по тренду f(t);

2) рассчитывают отношения;

3) при необходимости находят среднее из этих отношений для одноименных месяцев (кварталов) по формуле:

,(Т -- число лет).

II . Расчетная часть .

1. Динамика потребления овощей на одного члена домохозяйства в области за 1993-2001 гг. характеризуется следующими данными:

Выявить основную тенденцию потребления овощей на одного члена домохозяйства за 1993 – 2001 гг.:

1) методом сглаживания с помощью 3-членной скользящей средней;

2) методом аналитического выравнивания;

3) постройте график потребления овощей на одного члена домохозяйства области по фактическим и выровненным данным.

1.Выявим тенденцию потребления овощей на одного члена домохозяйства методом сглаживания с помощью трехчленной скользящей средней.

Результаты расчетов представив в виде таблицы.

		Потребление овощей, кг.	Скользящие средние, кг., yi

			(30,0 + 32,1 + 36,0)/3 = 32,7
			(32,1 + 36,0 + 30,9)/3 = 33,0
			(36,0 + 30,9 + 38,7)/3 = 35,2
			(30,9 + 38,7 + 48,9)/3 = 39,5
			(38,7 + 48,9 + 46,8)/3 = 49,7
			(46,8 + 53,4 + 54,0)/3 = 51,4

2.Выявим основную тенденцию потребления овощей на одного члена домохозяйства методом аналитического выравнивания по уравнению линейного тренда.

yt = а 0 + а 1 t ; где а 0 и а 1 найдем из системы нормальных уравнений.

Составим расчетную таблицу.

		Потребление овощей, кг.

9а 0 + 45а 1 = 370,8

45а 0 + 285а 1 =2053,5

Отсюда уравнение линейного тренда имеет вид:

yt = 3,325t + 24,575

Подставим значения t и запишем расчетные yt в таблицу.

Наблюдается тенденция к росту потребления овощей на одного члена домохозяйства.

3.Нанесем на график фактические и выровненные данные.

2. Динамика добычи нефти в республике за отчетный год характеризуется данными:

Определите добычу нефти за каждый квартал и постройте ряд динамики.

Для анализа ряда динамики добычи нефти исчислите:

А) среднеквартальный уровень ряда;

Б) цепные и базисные:

1. абсолютные приросты;

2. темпы роста и темпы прироста;

В) среднеквартальный темп роста и прироста.

1.Определим добычу нефти за каждый квартал:

1-ый квартал – 6,9 млн.т

2-ой квартал – (13,7 – 6,9) = 6,8 млн.т

3-ий квартал – (20,2 – 13,7) = 6,5 млн.т

4-ый квартал – (26,5 – 20,2) = 6,3 млн.т

Построим ряд динамики:

2.Определим:

а) среднеквартальный уровень ряда

y = 26,5/4 = 6,625 млн.т

Т.о среднеквартальный уровень добычи нефти составит 6,625 млн. т.

б) абсолютные приросты

базисные

∆y = y2 – y1

∆y = 6,8 - 6,9 = - 0,1 млн.т.

∆y = 6,5 - 6,9 = - 0,4 млн.т.

∆y = 6,3 - 6,9 = - 0,6 млн.т.

∆y = y2 – y 2-1

∆y = 6,8 - 6,9 = - 0,1 млн.т.

∆y = 6,5 - 6,8 = - 0,3 млн.т.

∆y = 6,3 - 6,5 = - 0,2 млн.т.

в) темпы роста

базисные

Т р= 6,8/6,9*100 = 98,55%

Тр = 6,5/6,9*100 = 94,2%

Т р= 6,3/6,9*100 = 91,3%

Трц = y2/ y 2-1 * 100 %

Тр = 6,8/6,9*100 = 98,55%

Т р= 6,5/6,8*100 = 95,54%

Т р= 6,3/6,5*100 = 96,92%

г) темпы прироста

базисные

Тпрб = Трб – 100

Тпр = 98,55 – 100 = -1,45%

Т пр= 94,2 – 100 = - 5,8%

Т пр = 91,3 – 100 = - 8,7%

Тпрц = Трц – 100

Т пр = 98,55 – 100 = -1,45%

Т пр = 95,59 – 100 = - 4,41 %

Тпр = 96,92 – 100 = - 3,08%

д) среднеквартальный темп роста

Тр = *100 = 0,913 *100 = 97,0%

Это означает, что в среднем ежеквартально объем добыча нефти составляет 97,0% к уровню предыдущего квартала.

В) Среднеквартальный темп прироста

Тпр= Тр -100

Тпр= 97,0 –100 = -3,0%

Т.е в среднем ежеквартально объем добычи нефти в республике за 1 – 4 кварталы снижались на 3 %.

III . Аналитическая часть.

В данном разделе я хочу показать, как применяются те или иные методы на живых примерах.

1. Сглаживание рядов с помощью скользящей средней .

Имеются данные о грузообороте предприятий транспорта РФ за 1999 г. , млрд. т. км.:

Выявим основную тенденцию грузооборота предприятий транспорта Российской Федерации методом сглаживания рядов динамики с помощью пятичленной скользящей средней.

Средний уровень грузооборота за первые пять месяцев:

y1 = 256,0 + 248,7 + 270,2 + 262,7 + 253,5 = 258,2 млрд. т. км.;

y2 = 248,7 + 270,2 + 262,7 + 253,5 + 252,3 = 257,48 млрд. т. км.

Оформим результаты расчетной таблицей:

Сглаживание ряда динамики показывает устойчивую тенденцию снижения грузооборота предприятий транспорта от января к декабрю: значение средней пятичленной скользящей средней уменьшается от периода к периоду.

Метод скользящей средней широко применяется при техническом анализе конъюнктуры рынков, в частности валютных и биржевых.

Фондовые индикаторы и индексы применяются для анализа общего движения курсов ценных бумаг во времени. Умение толковать различные рыночные индикаторы помогает инвестору не только ориентироваться в финансовых инструментах, но и безошибочно выбирать время совершения сделок. Нужно не только понимать общий ход экономической конъюнктуры, но и видеть, насколько благоприятна конъюнктура фондового рынка. Инвестор вкладывает деньги в конкретную ценную бумагу, поэтому должен знать, как изменяется динамика рынка. Для оценки поведения фондового рынка обычно обращаются к изучению рыночных индикаторов и индексов.

Средние индикаторы – это средние арифметические показатели курсов репрезентативной группы акций в данный момент; индексы – измеряют текущую динамику курсов репрезентативной группы акций по сравнению с базовой величиной, рассчитанный на некоторый момент в прошлом. Инвесторы часто сравнивают средние индикаторы или индексы на определенный момент, пытаясь таким способом определить относительную силу или слабость рынка. Когда средние индикаторы или индексы показывают общее движение курсов вверх, рынок называют рынком «быков», когда же движение направлено вниз, - рынком «медведей». Основные средние индикаторы следует знать, так как они удобны для определения общей тенденции фондового рынка. В сводках финансовых новостей ежедневно даются значения средних индикаторов на данный день и за последнее время, они цитируются также в большинстве местных газет и выпусках новостей по радио и телевидению, на различных сайтах в интернете, например http://www.finam.ru/, http://www.rbc.ru/fm_wi.shtml

Например, средняя Доу Джонса для промышленных акций ( DJIA ) – это средняя курсов 30 акций высококлассных промышленных компаний, отобранных по критериям рыночной стоимости и степени распространения среди широкого круга владельцев, в силу чего они считаются репрезентативными для общей динамики рынка ценных бумаг.

Основные мировые фондовые индексы я показала в приложении 1 по последним данным фондового рынка с сайта компании «РосБизнес Консалтинг», которые обновляются каждые 20 минут.

В приложении 2 я показала динамику изменения цены акции РАО ЕЭС на Московской международной валютной бирже (ММВБ). Скользящие средние является инструментами технического анализа, сглаживающими колебания изучаемой величины путем усреднения по некоторому историческому периоду. Служат для выявления трендов. Недостатком скользящих средних является запаздывание усредненных значений по отношению к курсу изучаемой величины Скользящие средние различаются методом усреднения.

Простое скользящее среднее. Simple Moving Average. (SMA).
- Взвешенное скользящее среднее. Weighted Moving Average. (WMA)
- Экспоненциальное скользящее среднее. Exponential Moving Average(EMA).
- Модифицированное экспоненциальное скользящее среднее. Modified Exponential Moving Average. (MЕМА).

В моем примере используется Экспоненциальное скользящее среднее. Exponential Moving Average(EMA). Метод RSI отделяет движение цен вверх от движения цен вниз, по отдельности усредняет их с помощью модифицированного экспоненциального среднего по периоду n, и рассчитывает, какой процент от полного движения составляет движение вверх. Сигнализирует о стремлении рынка к изменению тренда при больших (близких к 100%) или малых (близких к 0%) величинах RSI. Разработчик RSI J.Welles Wilder предлагал использовать в качестве границ 70% и 30%.

Скользящие средние исчисляются как для цен закрытия, так и для максимальных и минимальных цен дня. По средним ценам строится график, при этом дни фиксируются по горизонтальной оси, скользящие средние – по вертикальной оси. В этих же осях отражается график текущих цен.

Если линия текущих цен выше линии средних цен, то рынок повышательный. Если текущие цены два дня подряд ниже средних, то ожидается понижательный рынок. При пересечении линии текущих цен с линией средних цен последует изменение тенденции рынка: при повышательном рынке делается вывод о последующем снижении цен, а при понижательном – о росте цен.

Проиллюстрируем применение метода сглаживания динамических рядов скользящей средней на примере условных данных о ценах закрытия по акции А по дням работы фондовой биржи в апреле:

	Цена, руб.

Расчет пятичленной скользящей средней представлен ниже с использованием программы Excel:

Цена, руб.	Значение средней, руб	Разница средней и текущей цены

Значение скользящей средней программа Excel рассчитывает автоматически при введении формулы, установив в искомой ячейке {=СУММ(B2:B6)/5} , далее протянуть мышью вниз.

На основании полученных данных с помощью табличного процессора Excel построим диаграмму - График фактических и скользящих пятичленных средних цен.

Примем за точку отсчета 1995г. Тогда условные годы:

Определим параметры уравнения прямой с использованием программы Excel:

	Объем продукции, тыс. ед.	Условные годы

Т.к. прямая имеет вид y1 = a 0 + а1t , то

а 0 = 123,6/9 = 13,74 тыс. ед.;

а1 = 66,5/ 60 = 1,11 тыс. ед;

уравнение прямой имеет вид:

y1 = 13,74 + 1,11t

Подставив в это уравнение значение t, получим выровненные теоретические значения.

На рис. представлены графики фактических и теоретических уровней ряда.

Штриховая линия, построенная по значениям y1, показывает тенденцию роста объема производства на данном предприятии.

рис. Графики рядов динамики: 1 – фактического, 2 – выровненного.

3. Аналитическое выравнивание ряда динамики с применением индексов сезонности.

Рассмотрим метод на основании имеющихся данных о динамике реализации картофеля на колхозных рынках:

Реализация картофеля на колхозных рынках города за три года.

	реализация картофеля, т.					Индексы сезонности, %
	первый год, у1	второй год, у2	третий год, у3	всего за три года, yi	в среднем за три года, yi	Индексы сезонности, %









Сентябрь

Применяя формулу средней арифметической простой, определим средние месячные уровни за три года:

За январь: уi = (70+71+63)/3 = 68 т.

Февраль: уi = (71+85+60)/3 = 72 т и т.д.

Программа Excel считает среднее арифметическое автоматически при введении необходимых формул.

И, наконец, исчислим за каждый месяц индексы сезонности:

Январь: I s =68/261 = 0,263 или 26,3%

Февраль: I s =72/261 = 0,276 или 27,6% и т.д.

С помощью мастера диаграмм построим график сезонной волны.

По индексам сезонности можно наблюдать рост или снижение продажи картофеля в различное время года. Так, наименьший спрос приходится на январь – февраль, а наибольший – на сентябрь-октябрь.

Заключение.

Возрастающий интерес к статистике вызван современным этапом развития экономики в стране, формирования рыночных отношений. Это требует глубоких экономических знаний в области сбора, обработки и анализа экономической информации.

Статистическая грамотность является неотъемлемой составной частью профессиональной подготовки каждого экономиста, финансиста, социолога, политолога, а также любого специалиста, имеющего дело с анализом массовых явлений, будь то социально-общественные, экономические, технические, научные и другие. Работа этих групп специалистов неизбежно связана со сбором, разработкой и анализом данных статистического (массового) характера. Нередко им самим приходится проводить статистический анализ различных типов и направленности либо знакомиться с результатами статанализа, выполненного другими. В настоящее время от работника, занятого в любой области науки, техники, производства, бизнеса и прочее, связанной с изучением массовых явлений, требуется, чтобы он был, по крайней мере, статистически грамотным человеком. В конечном счете, невозможно успешно специализироваться по многим дисциплинам без усвоения какого-либо статистического курса. Поэтому большое значение имеет знакомство с общими категориями, принципами и методологией статистического анализа.

Как известно, для статистической практики РФ и стран СНГ в последние годы важнейшим вопросом оставалось адекватное информационное отражение новых социально-экономических явлений. Сюда, в частности, относится организация получения и анализ данных, характеризующих изменение форм собственности и процесс приватизации, негосударственную занятость населения и безработицу, деятельность рыночных финансово-кредитных структур и коренное реформирование налоговой системы, новые виды миграции граждан и поддержку возникших малоимущих социальных групп, а также многое другое. Кроме того, в целях отслеживания внедрения рыночных отношений и складывающихся реалий серьезной корректировки, потребовали системы показателей, сбор и разработка данных в традиционных областях статистического наблюдения: по учету основных результатов промышленного и сельскохозяйственного производства, внутренней и внешней торговли, деятельности объектов социальной сферы и т.д. Вместе с тем, насущная необходимость получения адекватной и однозначной информации в настоящее время систематически возрастает.

В заключение отметим, что сравнение различных экономических прогнозов имеет, прежде всего, методологическое значение - связанное с выявлением характера действующих причинно-следственных связей. Если последние изложены убедительно, определенный интерес представляют и конкретные количественные оценки, так и усредненные прогнозные значения.

Литература.

1. Башет К.В. «Статистика коммерческой деятельности», М: «Финансы и статистика», 1996.

2. Елесеева М.А. «Общая теория статистики», М.: «Статистика», 1988.

3. Финансы. Под ред. В.М. Родионовой. – М.: «Финансы и статистика», 1994.

4. Харченко Л.П. «Статистика» М: «ИНФРА – М», 1997.

5. http://www.prime-tass.ru.

6. http://www.vedi.ru.

7. http://gks.ru.

8. http://www.finam.ru/

9. http://www.rbc.ru/fm_wi.shtml

10. Электронная версия «Российского статистического ежегодника»

Санкт-Петербургский юридический институт (филиал) Академии

Генеральной прокуратуры Российской Федерации

Кафедра общегосударственных и социально-экономических

дисциплин

Е.А. Разумовская

Практикум по курсу

«Правовая статистика»

Часть 2

Санкт-Петербург

ОБРАБОТКА ДИНАМИЧЕСКИХ РЯДОВ

1. ОПИСАНИЕ РАБОТЫ

Цель работы

Анализ статистики преступности для выявления закономерностей, тенденций и прогнозирования развития процесса.

Метод выполнения

Обработка исходных данных методами укрупнения ,сглаживания исмыкания .

ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ

Изучение статистики преступности имеет большое практическое значение. Анализ закономерностей развития этого процесса дает возможность правоохранительным органам прогнозировать будущее развитие преступности, оптимально распределять силы и средства для борьбы с ней.

Преступность – это сложный общественный процесс, его развитие определяют различные факторы, в первую очередь – экономические. Динамика (т.е. развитие во времени) преступности зависит также от политической ситуации, исторических традиций, наличия особо криминогенных зон и объектов. Деятельность правоохранительных органов тоже можно отнести к факторам, влияющим на развитие преступности.

Трудность анализа состоит в том, что на основные тенденции развития процесса накладываются случайные отклонения, колебания и выбросы. Основная задача статистической обработки состоит как раз в отсечении этой случайной компоненты и выявления основных тенденций, закономерностей развития. Именно такая обработка исходных данных должна быть проведена в данной работе.

Понятие динамического ряда

Ряд в статистике – это упорядоченная совокупность числовых данных, полученных при наблюдении изучаемого явления.

Ряды позволяют производить следующие статистические исследования:

сравнение явлений в процессе их развития во времени,

сравнение явлений по различным их формам и видам,

выявление взаимной зависимости явлений или зависимости от общей причины.

Пример явления, развивающегося во времени: число зарегистрированных преступлений данного вида на данной территории. Если регистрировать количество преступлений регулярно на протяжении достаточно длительного промежутка времени, затем правильно обработать полученный ряд данных, то можно выявить тенденции развития процесса, спрогнозировать будущие изменение ситуации и заранее подготовить адекватные меры борьбы с преступностью.

Процесс развития, изменения или движения социальных явлений во времени в статистике принято называть динамикой .

Динамический ряд - упорядоченная совокупность значений выбранного статистического показателя, изменяющихся во времени.

Величины ряда могут характеризовать явление по-разному:

Интервальный ряд отражает величину показателей, полученных за определённые периоды (интервалы) времени.

Например, ряд, содержащий количество гражданских дел, рассмотренных в суде за каждый месяц календарного года.

Моментный ряд характеризует уровни правового процесса на определенные моменты времени (даты отчета).

Например, количество заключенных на начало каждого календарного года.

Важнейшее условие построения и исследования рядов динамики – это однородность (сопоставимость) значений, относящихся к различным периодам.

Однородность во времени требует, чтобы значения ряда соответствовали показателю, характеризующему явление, за один и тот же отрезок времени, или чтобы соседние значения ряда были разнесены во времени друг от друга на равные промежутки.

Однородность в пространстве требует, чтобы территория, которую характеризует каждый показатель ряда, не изменялась на исследуемом временном отрезке.

Однородность по кругу охватываемых объектов требует, чтобы данные рядов относились к одинаковому количеству объектов (людей, административных единиц, возрастному промежутку и т.д.)

Однородность по сущности исследуемых величин требует, чтобы на рассматриваемом временном отрезке не изменялось уголовное законодательство.

Однородность по методологии требует, чтобы на рассматриваемом временном отрезке не изменялась методика получения показателя.

Методы укрупнения и сглаживания динамических рядов

Укрупнение и сглаживание – это математические операции над данными динамического ряда, которые позволяют выявлять тенденции, т.е. наиболее медленные составляющие изучаемого процесса, которые наблюдаются на фоне быстрых случайных всплесков и колебаний.

Такой подход к динамическому ряду, описывающему социальное явление, означает, что явление рассматривается как арифметическая сумма быстро и медленно меняющихся процессов.

РЯД(t ) = МЕДЛ(t ) + БЫСТР(t )

Целью обработки динамического ряда является разделение этих слагаемых. Во многих случаях такая модель социальных явлений правомерна.

Укрупнение динамического ряда - разбиение исходного ряда на неперекрывающиеся группы соседних данных (пары, тройки, и.т.д.), а затем вычисление суммы внутри каждой группы.

Получается новый ряд, число значений в котором будет меньше исходного в два, три или более раз, соответственно. Рассмотрим пример статистики женщин, совершивших преступления в период 2008 – 2010 годов по полугодиям.

Наблюдаются сезонные колебания данных, для выявления тенденции применим укрупнение: сгруппируем данные по 2 и сложим в каждой группе.

Исходный ряд :x 1 = 110 210,x 2 = 90 624,…,x 6 = 77 916.

Укрупнение по 2 :y1 = 110 210 + 90 624 = 200 834,

y2 = 105 796 + 66 406 = 194 202,

y3 = 94 459 + 77 916 = 172 375.

Получим данные по годам, а не по полугодиям: вместо 6 чисел - 3, но стала явно видна тенденция к снижению показателя. Аналогичным образом можно проводить укрупнение по 3, 4 и более периодов в одной группе.

Сглаживание динамического ряда - разбиение исходного ряда на перекрывающиеся группы данных по два, три или более смежных значений, (сдвиг по исходному ряду на одно значение), а затем вычисление среднего арифметического в каждой группе (скользящее среднее).

После обработки остается на 1, 2 и т.д. значения меньше в зависимости от величины групп (2, 3,…).

Рассмотрим метод сглаживания на том же примере статистики женщин-преступниц, применим сглаживание по 3 (среднее арифметическое первых трех элементов, затем 2, 3 и 4 и т.д. – это пересекающиеся группы данных).

Сглаживание по 3 :y 1 = (x 1 +x 2 +x 3) / 3 = 102 210,

y 2 = (x 2 +x 3 +x 4) / 3 = 87 609,

y 3 = (x 3 +x 4 +x 5) / 3 = 88 887,

y 4 = (x 4 +x 5 +x 6) / 3 = 79 594.

После сглаживания можно отметить следующее поведение процесса: снижение, стабильность, снова снижение показателя, однако, данных явно недостаточно, чтобы отфильтровать сезонные колебания.

Укрупнение и сглаживание ведут к уменьшению случайных всплесков, особенно хорошо тенденции видны на графиках , построенных по укрупненным или сглаженным данным. Укрупнение применяют к интервальным динамическим рядам, а сглаживание - как к интервальным, так и к моментным рядам.

Метод смыкания динамических рядов

Для изучения закономерностей и тенденций правовых процессов нужны однородные совокупности данных, однако в правовой сфере происходят существенные сдвиги: изменения законодательства, форм учета, укрупнение и разукрупнение территориально-административных единиц (например, изменение перечня тяжких преступлений, объединение субъектов РФ и т.д.). Для компенсации возникшей неоднородности данных используют:

Метод смыкания динамических рядов – выбор промежутка времени, на котором известны старые и новые показатели, принятие его за базовый (100%) и пропорциональный пересчет старых показателей влево, а новых – вправо по временной оси.

Рассмотрим статистику преступности в условном городе Nза 1991 – 1996 годы, ряд не обладает свойством однородности, т.к. в 1994 году законодательно изменился перечень тяжких преступлений.

В переходный год известны показатели по старой и новой форме, примем этот год за базовый и присвоим ему значение 100% (проценты не пишем). Найдем коэффициенты пропорциональности для старых данных по 1994 году: 100 / 80 = 1,25, для новых данных: 100 / 150 = 0,67. Умножим старые данные 1991 – 1993 годов на 1,25, новые данные 1995 – 1996 годов – на 0,67 и получим сомкнутый ряд сопоставимых показателей, по которому можно изучать тенденции процесса.

Исходные данные задачи

В данной работе изучается статистика преступности (криминальная статистика) заданного вида в пределах одного населённого пункта, регистрировавшаяся помесячно на протяжении трех лет. Такой набор статистической информации является типичным примером динамического ряда интервального типа .

В приложении № 1 методического руководства дано общее описание листа Excel, на котором нужно выполнить задание. В приложении № 2 приведена статистическая таблица –сводка количества преступлений 14 видов в двух городах. Информация представлена за три года: два года до изменения территориальных границ городов, один год – после, в первый месяц третьего года (январь) приведена статистика преступлений как в старых, так и в новых границах городов.

Рассмотрим информацию за первые два года - это двадцать четыре целых числа. Обозначим их:

а 1 , а 2 , … , а 24

Как отмечалось в предыдущем пункте, динамический ряд пригоден для статистического анализа, если он соответствует условиям однородности. В нашем случае первичные статистические данные за два года удовлетворяют критерию однородности:

во времени - сведения о количестве преступлений собраны за одинаковые временные интервалы, следующие по порядку один за другим;

в пространстве - данные относятся к одному территориальному объекту в одних и тех же границах;

по сущности – данные относятся к одному классу явлений, в нашем случае, к одним видам преступлений.

Подразумеваются также выполненными следующие условия однородности: неизменность законодательства в части классификации данных преступлений, единство методики сбора и регистрации первичной информации на протяжении всего периода наблюдений.

Укрупнение ряда (кратности 2, 3, 4, 6)

Новый, укрупненный в два раза ряд формируется из исходных данных

а 1 , а 2 , … , а 24 по формуле:

b i / 2 = a i -1 + a i , i = 2, 4, 6, … , 24 (1)

Иными словами, при формировании укрупненного вдвое ряда b первое число исходного рядаa складывается со вторым, третье с четвертым и т.д.

После укрупнения исходного динамического ряда в два раза (кратность равна двум) данных становится в два раза меньше. Таким образом, метод укрупнения позволяет взглянуть на процесс в целом, выделить главное, опустив мелкие детали.

Аналогичным образом можно укрупнить ряд в три, четыре, шесть и более раз (задать различную кратность укрупненного ряда):

c i/3 = a i-2 + a i-1 + a i , i = 3, 6, 9, …, 24 (2)

d i/4 = a i-3 + a i-2 + a i-1 + a i , i = 4, 8, 12, …, 24 (3)

e i/6 = a i-5 + a i-4 + a i-3 + a i-2 + a i-1 + a i , i = 6, 12, 18, 24 (4)

При формировании ряда с исходные данные рядаа разбиваются на группы по три штуки и складываются, для рядаd - в группы по четыре штуки, для рядаe – в группы по шесть штук. Соответственно, рядb получился короче исходного рядаа в два раза, рядс – в три раза, рядd – в четыре раза, рядe – в шесть раз.

Какая же кратность укрупнения является оптимальной? Чтобы ответить на этот вопрос, нужно знать временные параметры изменения основной тенденции процесса: продолжительность роста или снижения, периодичность сезонных колебаний и т.д.

В реальных условиях эти параметры сами являются предметом изучения. Поэтому лишь эмпирическим путем можно определить оптимальную кратность укрупнения динамического ряда в нашей задаче. Метод эффективно работает, когда характер процесса (стабильность, рост, снижение и т.д.) проявляются достаточно долго.

Сглаживание ряда (кратности 3, 4, 5)

Сглаженный по три элемента (кратность равна 3) ряд образуется на основе первичных данных по формуле скользящего среднего:

f i = (a i + a i +1 + a i +2) / 3, i = 1, 2, …, 22 (5)

Иными словами, берут первое, второе и третье число ряда a , находят среднее арифметическое (складывают их, и сумму делят на 3), получается первое число рядаf . Затем берут второе, третье и четвертое числа рядаa (со сдвигом на один элемент ряда – поэтому и называется метод скользящего среднего) и, проделав аналогичные операции, получают второй элемент рядаf , и т.д.

Следует обратить внимание на то, что новый ряд на два элемента короче исходного. В соответствии с формулой сглаживание проводится по трем соседним элементам исходного ряда.

Аналогичным образом можно применить сглаживание по четырем, пяти и более элементам (кратность равна 4, 5 и т.д.):

g i = (a i + a i+1 + a i+2 + a i+3) / 4, i = 1, 2, …, 21 (6)

h i = (a i + a i+1 + a i+2 + a i+3 + a i+4) / 5, i = 1, 2, …, 20 (7)

При формировании ряда g исходные данные рядаа берут по четыре штуки и находят их среднее арифметическое, для рядаh - по пять штук. Соответственно, рядf получился короче исходного рядаа на два элемента, рядg – на три элемента, рядh – на четыре элемента.

Так же, как в методе укрупнения, параметр кратности (количество элементов исходного ряда, выбранное для вычисления среднего) нельзя рассчитать заранее, его следует определить эмпирически по полученным результатам.

Сглаженный ряд позволяет изучать средний уровень преступности и может служить основой для прогнозирования будущего развития процесса. Метод сглаживания особенно эффективен для выявления сезонных колебаний и поиска скачков в среднем уровне процесса.

Анализ результатов

После того, как проведена обработка первичных данных по формулам для различной кратности, построены графики укрупненных и сглаженных рядов, наступает следующий этап анализа – выявление тенденции изменения преступности.

Показатели

Число тяжких прест.
(старый перечень)

Число тяжких прест.
(новый перечень)

Сомкнутый ряд