Моделирование сезонных составляющихуровней временного ряда при помощи фиктивных переменных

Пример 6.1. В таблице 6.1 представлены квартальные уровни объема промышленного производства по ОКВЭД (IP_EA_Q) в России в форме цепного индекса, где за базу (100%) взят уровень 2002 года.Составить спецификацию модели прогнозирования уровней данного ряда, и выполнить прогноз на 2017 и 2018 года.

Квартальные уровни индекса IP России. Таблица 6.1.

Построение модели начнем с анализа уровней ряда, представленных на графике (рис.6.1)

Рис. 6.1. Уровни временного ряда IP

Из анализа рисунка 7.1 следует, что на уровни ряда оказывают влияние факторы сезонности (с одинаковой амплитудой)и возможно небольшой тренд, поэтому в качестве спецификации модели выберем аддитивную форму:

, (6.4)

, .

Данные для оценки модели (6.4) представлены в таблице 6.2.

Значения переменных модели. Таблица 6.2.

№	год	квартал	IP	t
			137,73
			140,21
			145,53
			154,41
			146,07
			146,37
			148,42
			149,4
			123,41
			126,5
			134,09
			143,07
			133,2
			135,73
			139,67
			153,49
			139,83
			143,89
			147,05
			159,11
			145,91
			147,07
			151,93
			164,08
			144,06
			148,1
			152,69
			166,12
			145,52
			150,76
			154,83
			169,7
			144,92
			143,33
			148,34
			163,18
			143,92
			144,79
			148,12
			166,19

Протокол оцененной модели:

, (6.5)

, , .

По оцененной модели построим прогноз на 2017 и 2018 года. Например, прогноз на 2017 год для 1 – го квартала:

.

Результаты прогнозирования представлены в таблице 7.3.

Прогнозы индекса на 2017 и 2018 г.г. Таблица 6.3

год	квартал	t				прогноз
						148,184
						150,402
						154,794
						166,602
						149,589
						151,807
						156,199
						168,007

Прогнозные значения индекса можно использовать для построения прогнозов уровня безработицы по данным сквозного примера.