اگر در یک سری رونددار، میزان اثر فصلی با میانگین در حال افزایش باشد در این صورت با بهره گرفتن از تبدیل داده ها می توان اثر فصلی را از سالی به سالی دیگر تثبیت نمود. در این صورت گفته می شود که اثر فصلی جمع شونده می باشد. اگر میزان اثر فصلی به طور مستقیم نسبتی از میانگین باشد در این صورت اثر فصلی ضرب شونده خواهد بود و برای تبدیل آن به اثری جمع شونده، نیاز به انجام یک تبدیل لگاریتمی می باشد. این تبدیل تنها در صورتی به تثبیت واریانس می انجامد که جزء اخلال نیز ضرب شونده باشد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

• • نرمال ساختن داده ها

مدل سازی و پیش بینی معمولا بر پایه این فرض که توزیع داده ها نرمال می باشد صورت می گیرد. در عمل، ضرورتا این حالت وجود ندارد. به عنوان مثال ممکن است که در یک مقطع زمانی، بواسطه وجود جهش هایی که همگی در یک جهت ( بالا یا پایین) قرار دارند چولگی وجود داشته باشد. حذف این اثر کار مشکلی است و ممکن است نیاز به تعریف یک توزیع متفاوت خطا باشد. تبدیلات لگاریتمی و مجذور مربعات ، موارد ویژه ای از کلاس تبدیلات به نام تبدیل باکس-کاکس می باشند. با در نظر گرفتن یک سری زمانی مشاهده شده و یک پارامتر تبدیل ، سری تبدیل شده عبارت خواهد بود از :
(۲-۲)
این تبدیل در شرایطی که باشد و اجزاء ثابت به گونه ای معرفی شده باشند که یک را که یک تابع پیوسته از در مقدار می باشد را ایجاد کنند، به طور بالقوه یک تبدیل قوی به شمار می آید. بهترین مقدار برای را می توان به طور حدسی و یا با بهره گرفتن از یک فرایند استنتاجی همانند حداکثر درستنمایی تخمین زد.
لازم به ذکر است که نلسون و گرانگر (۱۹۷۹) پس از استفاده از تبدیل عمومی باکس-کاکس بر روی چند سری از داده ها، پیشرفت کمی را در عملکرد پیش بینی مشاهده کردند. در عمل، مشکلاتی در این خصوص مطرح می باشد. به عنوان مثال، تبدیلی که اثرات فصلی را جمع پذیر می سازد ممکن است در برخی از تبدیلات موفق به تثبیت واریانس نگردد. ضمن آن که در برخی از موارد دستیابی به تمامی نیازها به طور همزمان غیرممکن می باشد. ( چتفیلد، ۱۹۹۵، ص۱۱-۱۲)

۲-۳-۷٫ پیش بینی

پیش بینی مقادیر آتی یک سری زمانی مشاهده شده در بسیاری از حوزه های اقتصادی، برنامه ریزی تولید، پیش بینی فروش و کنترل موجودی انبار حائز اهمیت می باشد.
پیش بینی ها اظهارات شرطی در مورد آینده می باشند که بر پایه فروضی مشخص قرار دارند. بنابراین پیش بینی ها حتمی و قطعی نمی باشند و تحلیلگر می تواند تغییرات لازم را بر حسب هر نوع اطلاعات بیرونی اعمال نماید. هیچ روش منحصر به فردی برای بیش بینی وجود ندارد که جهان شمول باشد. درمورد پیش بینی های بلندمدت، به کارگیری چندین روش پیش بینی متفاوت مبتنی بر مجموعه هایی از فروض دیگر که سناریوهای دیگری را رقم می زنند مفید می باشد.
روش های پیش بینی را می توان به طور کلی در سه گروه زیر طیقه بندی کرد:

• • پیش بینی های ذهنی

این گونه پیش بینی ها بر پایه استفاده از قضاوت، بینش و بصیرت، معلومات تجاری و سایر اطلاعات صورت می پذیرند. این نوع روشها دامنه وسیعی را از استنتاج های جسورانه فردی تا تکنیک دلفی را در برمیگیرند که در آن یک گروه از افراد پیش بینی کننده درصدد می باشند تا از طریق اجماع به یک پیش بینی دست یابند که بازخورد کنترلی پیش بینی های مقدماتی سایر تحلیل گران نیز در آن لحاظ شده باشد.

• • پیش بینی های تک متغیره

در این روش، پیش بینی مقادیر یک متغیر بر پایه یک مدل که تنها بر روی مشاهدات گذشته سری زمانی مورد نظر برازش شده است انجام می پذیرد. به این ترتیب تنها به مقادیر بستگی خواهد داشت.
برخی از روش های مورد استفاده در این نوع پیش بینی ها عبارتند از: تعمیم منحنی های روند، هموارسازی نمایی ، روش هالت-وینترز، روش باکس-جنکینز، اتورگرسیون مرحله ای

• • پیش بینی های چندمتغیره

در این روش، پیش بینی مقادیر یک متغیر حداقل تا اندازه ای به مقادیر یک سری یا بیش از یک سری بستگی دارد که متغیرهای پیش بینی کننده یا توضیحی نام دارند.
برخی از روش های مورد استفاده در این نوع پیش بینی ها عبارتند از: رگرسیون های چندمتغیره و مدل های اقتصادسنجی
در عمل، یک روش پیش بینی ممکن است ترکیبی از روش های فوق باشد. یک روش دیگر در تقسیم بندی روش های پیش بینی، روشی است مابین یک روش خودکار – که بدون دخالت انسان باشد – و یک روش غیرخودکار – که مستلزم وارد کردن برخی از ورودی های ذهنی توسط شخص پیش بینی کننده می باشد. مورد اخیر، تلفیقی از روش های ذهنی و روش های چندمتغیره می باشد. ( چتفیلد، ۱۹۹۵، ص۶۶-۶۷)

۲-۳-۸٫ انواع واریانس^[۵۳]

روش های سنتی تجزیه وتحلیل سری های زمانی عمدتا مرتبط با تجزیه واریانس یک سری به روند، واریانس فصلی، سایر تغییرات چرخه ای و نوسانات نامنظم داده ها در طول دوره می باشد. این روش همیشه بهترین روش نمی باشد اما در شرایطی که واریانس تحت تاثیر روند یا اثرات فصلی قرار می گیرد مناسب می باشد. منابع متفاوت واریانس عبارتند از:

• • اثر فصلی

بسیاری از سری های زمانی از قبیل ارقام فروش و دمای هوا، یک واریانس سالیانه را در طول دوره نشان می دهند. این واریانس سالینه را می توان به راختی تشخیص داد و آن را به سادگی محاسبه نمود و یا اینکه می توان اثر آن را در داده ها حذف کرد.

• • سایر تغییرات چرخه ای

صرفه نظر اثرات فصلی، برخی از سری های زمانی در یک دوره ثابت به جهت برخی علل فیزیکی دیگر واریانس را نشان می دهند، مانند واریانس روزانه دمای هوا. به علاوه، برخی از سری های زمانی نوساناتی را نشان می دهند که در یک دوره ثابت رخ نمی دهند، اما تا حدودی قابل پیش بینی می باشند. به عنوان مثال در برخی مواقع چرخه های تجاری در یک دوره ای که حدودا بین ۵ تا ۷ سال می باشد داده های اقتصادی را تحت تاثیر قرار می دهند. اگرچه که در خصوص وجود چنین چرخه های تجاری بحث وجود دارد.

• • روند^[۵۴]

در یک تعریف ، روند را تغییرات بلندمدت در سطح میانگین تعریف کرده اند. مشکلی که در این تعریف وجود دارد این است که منظور از بلندمدت چیست؟ ممکن است که در کوتاه مدت چنین نوسان بلندمدتی به شکل معنی دارتری یک روند تلقی گردد. بنابراین به هنگام صحبت در مورد روند باید تعدادمشاهدات در دسترس را مورد توجه قرار داد و یک تخمین ذهنی در مورد آنچه که بلندمدت نامیده می شود به عمل آورد. گرانگر (۱۹۶۶) در یک تعریف، روند در میانگین را شامل تمامی اجزاء چرخه ای می داند که طول موج (نوسان) آنها از طول سری زمانی مشاهده شده فراتر رود.

• • سایر نوسانات نامنظم

پس از حذف واریانس های روند و چرخه ای از یک سری از داده ها، هنوز با یک سری از پسماندها سروکار داریم که ممکن است تصادفی یا غیرتصادفی باشند. به منظور تجزیه و تحلیل سری هایی از این قبیل تکنیک های متنوعی وجود دارند که با بهره گرفتن از آنها می توان نامنظمی واریانس را برحسب مدل های آماری توصیف کرد. مدل های میانگین متحرک و اتورگرسیون از این قبیل می باشند. ضمن آنکه می توان به وجود هر گونه واریانس چرخه ای که ممکن است هنوز در پسماندها وجود داشته باشد پی برد. ( چتفیلد، ۱۹۹۵، ص۹-۱۰)