обработки временных рядов предлагается новая процедура нормирования (сглаживания) медианная. Пусть дан временной ряд Аь А2). Ак, тогда каждый новый элемент сглаженного ряда С; вычислим по следующей формуле 3.1: Q = 1 + (Aj Me) / ( AmaxAmin+ 1), i = l,...,k, (3.1) где Me медиана временного ряда; Атах>Aminмаксимальный и минимальный члены ряда. Отметим некоторые преимущества предлагаемого подхода относительно других методов сглаживания. Во-первых, уменьшается общая погрешность преобразования. Проведенные исследования1 показали, что при медианном сглаживании получаем погрешность около 4%, скользящем 8 %, экспоненциальном 11%. Во-вторых, при медианном сглаживании в преобразованных временных рядах практически отсутствует смещение по локальным экстремумам. В-третьих, при попытке аппроксимации'исходных данных и данных, сглаженных по медиане, имеем практически одинаковый' вид функции. При расчете темпов роста после медианного преобразования получаем еще одно серьезное преимущество в преобразованном временном ряде отсутствуют нулевые и отрицательные компоненты при практически полном совпадении данного тренда с исходным. Это особенно важно, если в расчетах используются стоимостные показатели, например фискальные (финансовые) результаты таможенной деятельности. Ни один из других упомянутых методов преобразования не дает такого результата. Решается проблема с нулевыми компонентами, когда темп роста рассчитать нельзя, и отрицательными, когда темп роста имеет 1 Бияков О.Л. Теория экономического пространства: методологический и региональный аспекты. Томск: Изд-во Томского университета. 2004. 101 I л |
номистов, занимающихся проблемами экономического моделирования. Отсюда следует, что можно говорить о качестве первичной обработки статистической информации как о весьма важном моменте, во многом определяющем будущие результаты исследования. С. Суспицын и А. Поздняков в этой связи отмечают, что «распространенным и естественным приемом межрегиональных сравнений является анализ определенным образом нормированных основных показателей регионального развития» [296, с. 94]. Естественно, что качество первичной обработки статистических данных во многом определяет адекватность будущей модели. » Для первичной обработки временных рядов предлагается новая процедура нормирования (сглаживания) медианная. Пусть дан временной ряд А и Л2 — Лк, тогда каждый новый элемент сглаженного ряда С, вычислим как С) = 1 + (А,M e ) / ( A maxA min + 1), i= 1 .Х (3.1) где Me медиана временного ряда; А тах, А т1Пмаксимальный и минимальный члены ряда. Отметим некоторые преимущества предлагаемого подхода относительно других методов сглаживания. I Во-первых, уменьшается общая погрешность преобразования. Проведенные исследования показали, что при медианном сглаживании получаем погрешность около 4%, скользящем 8%, экспоненциальном 11%. Во-вторых, при медианном сглаживании в преобразованных временных рядах практически отсутствует смещение по локальным экстремумам. В-третьих, при попытке аппроксимации исходных данных и данных, сглаженных по медиане, имеем практически одинаковый вид функции. ► При расчете темпов роста после медианного преобразования получаем еще одно серьезное преимущество в преобразованном временном ряде отсутствуют нулевые и отрицательные компоненты при практически полном совпадении данного тренда с исходным. Это особенно важно, если в расчетах используются стоимостные показатели, например финансовые результаты хозяйственной деятельности. Ни один из других упомянутых методов преобразова205 |