Как найти модуль суммы двух векторов. Определение разности двух векторов. Произведение вектора на число

Для выявления структуры временного ряда, т.е. определения количественных значений компонентов, составляющих уровней ряда, чаще всего используют аддитивную или мультипликативную модели временных рядов.

Мультипликативная модель. У=Т*S*E

T-трендовая компонента

S-сезонная компонента

E-случайная компонента

Мультипликативная модель используется в случае, если амплитуда сезонных колебаний увеличивается или уменьшается.

Алгоритм построения модели. Процесс построения модели включает в себя следующие шаги:

Выравнивание уровней исходного ряда методом скользящей средней.

Расчет значений сезонной компоненты S

Устранение сезонной компоненты из исходного уровня ряда и получение выровненных данных без S

Аналитическое выравнивание уровней ряда и расчет значений фактора Т

Расчет полученных значений (Т* S) для каждого уровня ряда

Расчет абсолютных или относительных ошибок модели.

(или 4.Определение тенденции временного ряда и уравнения тренда; 5.Расчет абсолютных или относительных ошибок модели.)

26 Выделение сезонной составляющей

Оценку сезонной компоненты можно найти как частное от деления фактических уровней ряда на центрированные скользящие средние.

Для начала необходимо найти средние за период (квартал, месяц) оценки сезонной компоненты Si . В моделях сезонной компоненты обычно предполагается что сезонные взаимодействия за период взаимопоглощаются.

В мультипликативной модели взаимопоглощаемость сезонных воздействий выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна числу периодов в цикле.

Выравнивание исходных уровней с помощью скользящей средней: а) Суммируются уровни ряда последовательно за каждый период времени за каждые 4 квартала со сдвигом на 1 момент времени и определяются условные годовые объемы потребления б) Разделим полученные суммы на 4, получим скользящие средние. Полученные выравненные значения не содержат сезонной компоненты. в) Приводим эти значения в соответствие с фактическими моментами времени для чего найдем среднее значение из 2-х скользящих средних – центрированные скользящие средние.

27.Коэффициент корреляции.

Для определения степени линейной связи рассчитывается коэфф-т корреляции.

Для определения нелинейной связи определяется индекс корреляции

, 0 1

Коэффициент детерминации: R 2 = 2 -для лин. связи. R 2 = 2 -для нелин. связи.

Показывает на сколько % изменения показателя у от своего среднего значения зависит от изменения фактора х от своего среднего значения. Чем ближе значение R² к 1, тем точнее модель.

Из всех полученных уравнений регрессии, лучшей является та, у которой коэф-т детерминации больший.

Если исследуется несколько факторов (больше2) то в этом случае рассчитывается множественный коэфф-т корреляции.R Y , X 1, X 2.. XN -множественный коэфф-т корреляции.

При анализе влияния нескольких факторов друг на друга определяется корреляционная матрица, которая состоит из всех возможных парных линейных коэфф-тов корреляции.

Корреляционная матрица:

Страница
6

Примером мультипликативной модели является двухфакторная модель объема реализации

где Ч - среднесписочная численность работников;

CB - средняя выработка на одного работника.

Кратные модели:

Примером кратной модели служит показатель срока оборачиваемости товаров (в днях) . ТОБ.Т:

,

где ЗТ - средний запас товаров; ОР - однодневный объем реализации.

Смешанные модели представляют собой комбинацию перечисленных выше моделей и могут быть описаны с помощью специальных выражений:

Примерами таких моделей служат показатели затрат на 1 руб. товарной продукции, показатели рентабельности и др.

Для изучения зависимости между показателями и количественного измерения множества факторов, повлиявших на результативный показатель, приведем общие правила преобразования моделей с целью включения новых факторных показателей.

Для детализации обобщающего факторного показателя на его составляющие, которые представляют интерес для аналитических расчетов, используют прием удлинения факторной системы.

Если исходная факторная модель

то модель примет вид

.

Для выделения некоторого числа новых факторов и построения необходимых для расчетов факторных показателей применяют прием расширения факторных моделей. При этом числитель и знаменатель умножаются на одно и тоже число:

.

Для построения новых факторных показателей применяют прием сокращения факторных моделей. При использовании данного приема числитель и знаменатель делят на одно и то же число.

.

Детализация факторного анализа во многом определяется числом факторов, влияние которых можно количественные оценить, поэтому большое значение в анализе имеют многофакторные мультипликативные модели. В основе их построения лежат следующие принципы: · место каждого фактора в модели должно соответствовать его роли в формировании результативного показателя; · модель должна строиться из двухфакторной полной модели путем последовательного расчленения факторов, как правило качественных, на составляющие; · при написании формулы многофакторной модели факторы должны располагаться слева направо в порядке их замены.

Построение факторной модели – первый этап детерминированного анализа. Далее определяют способ оценки влияния факторов.

Способ цепных подстановок заключается в определении ряда промежуточных значений обобщающего показателя путем последовательной замены базисных значений факторов на отчетные. Данный способ основан на элиминировании. Элиминировать – значит устранить, исключить воздействие всех факторов на величину результативного показателя, кроме одного. При этом исходя из того, что все факторы изменяются независимо друг от друга, т.е. сначала изменяется один фактор, а все остальные остаются без изменения. потом изменяются два при неизменности остальных и т.д.

В общем виде применение способа цепных постановок можно описать следующим образом:

где a0, b0, c0 - базисные значения факторов, оказывающих влияние на обобщающий показатель у;

a1 , b1, c1 - фактические значения факторов;

ya, yb, - промежуточные изменения результирующего показателя, связанного с изменением факторов а, b, соответственно.

Общее изменение Dу=у1–у0 складывается из суммы изменений результирующего показателя за счет изменения каждого фактора при фиксированных значениях остальных факторов:

Рассмотрим пример:

Таблица 2

Исходные данные для факторного анализа

Анализ влияния на объем товарной продукции количества работников и их выработки проведем описанным выше способом на основе данных табл.2. Зависимость объема товарной продукции от данных факторов можно описать с помощью мультипликативной модели:

Тогда влияние изменения величины количества работников на обобщающий показатель можно рассчитать по формуле:

Таким образом, на изменение объема товарной продукции положительное влияние оказало изменение на 5 человек численности работников, что вызвало увеличение объема продукции на 730 тыс. руб. и отрицательное влияние оказало снижение выработки на 10 тыс. руб., что вызвало снижение объема на 250 тыс. руб. Суммарное влияние двух факторов привело к увеличению объема продукции на 480 тыс. руб.

Преимущества данного способа: универсальность применения, простота расчетов.

Недостаток метода состоит в том, что, в зависимости от выбранного порядка замены факторов, результаты факторного разложения имеют разные значения. Это связано с тем, что в результате применения этого метода образуется некий неразложимый остаток, который прибавляется к величине влияния последнего фактора. На практике точностью оценки факторов пренебрегают, выдвигая на первый план относительную значимость влияния того или иного фактора. Однако существуют определенные правила, определяющие последовательность подстановки: · при наличии в факторной модели количественных и качественных показателей в первую очередь рассматривается изменение количественных факторов; · если модель представлена несколькими количественными и качественными показателями, последовательность подстановки определяется путем логического анализа.

Детерминированный факторный анализ в качестве цели выдвигает изучение влияния факторов на результативный показатель в случаях его функциональной зависимости от ряда факторных признаков.

Функциональную зависимость можно выразить различными моделями - аддитивной; мультипликативной; кратной; комбинированной (смешанной).

Аддитивную взаимосвязь можно представить как математическое управление, отражающее тот случай, когда результативный показатель (у) - это алгебраическая сумма нескольких факторных признаков:

Мультипликативная взаимосвязь отражает прямую пропорциональную зависимость исследуемого обобщающего показателя от факторов:

где П - общепринятый знак произведения нескольких сомножителей.

Кратная зависимость результативного показателя (у) от факторов математически отражается как частное от их деления:

Комбинированная (смешанная) взаимосвязь результативного и факторных показателей представляет собой сочетание в различных комбинациях аддитивной, мультипликативной и кратной зависимости:

где а, в, с и т.д. - переменные.

Известен ряд приемов моделирования факторных систем: прием расчленения; прием удлинения; прием расширения и прием сокращения исходных кратных двухфакторных систем типа: -. В результате процесса моделирования из двухфакторной кратной модели формируются аддитивно-кратные, мультипликативные и мультипликативно-кратные многофакторные системы типа:

Способы измерения влияния факторов в детерминированных моделях

Широкое распространение в аналитических расчетах получил способ цепной подстановки ввиду возможности использовать его в детерминированных моделях всех типов. Суть этого приема состоит в том, что для измерения влияния одного из факторов осуществляется замена его базового значения на фактическое, при этом остаются неизменными значения всех других факторов. Последующее сопоставление результативных показателей до и после замены анализируемого фактора дает возможность рассчитать его влияние на изменение результативного показателя. Математическое описание способа цепных подстановок при использовании его, например, в трехфакторных мультипликативных моделях выглядит следующим образом.

Трехфакторная мультипликативная система:

Последовательные подстановки:

Тогда для расчета влияния каждого из факторов надо выполнить такие действия:

Баланс отклонений:

Последовательность расчетов способом цепных подстановок рассмотрим на конкретном числовом примере, когда зависимость результативного показателя от факторных может быть представлена четырехфакторной мультипликативной моделью.

В качестве результативного показателя избрана стоимость реализованной продукции. Ставится цель исследовать изменение этого показателя под воздействием отклонений от базы сравнения ряда трудовых факторов - численности рабочих, целодневных и внут- рисменных потерь рабочего времени и среднечасовой выработки. Исходная информация приведена в табл. 15.1.

Таблица 15.1

Информация для факторного анализа изменения стоимости реализованной

продукции

Исходная четырехфакторная мультипликативная модель:

Цепные подстановки:

Расчеты влияния изменения факторных показателей приводятся ниже.

1. Изменение среднегодовой численности рабочих:

2. Изменение числа дней, отработанных одним рабочим:

3. Изменение средней продолжительности рабочего дня:

4. Изменение среднечасовой выработки:

Баланс отклонений:

Результаты расчетов способом цепных подстановок зависят от правильности определения соподчиненности факторов, от их классификации на количественные и качественные. Изменение количественных мультипликаторов должно проводиться раньше, чем качественных.

В мультипликативных и комбинированных (смешанных) моделях широко применяется способ абсолютных разниц, также основанный на приеме элиминирования и отличающийся простотой аналитических расчетов. Правило расчетов этим способом в мультипликативных моделях состоит в том, что отклонение (дельту) по анализируемому факторному показателю надо умножить на фактические значения мультипликаторов (сомножителей), расположенных слева от него, и на базовые значения тех, которые расположены справа от анализируемого фактора.

Порядок факторного анализа способом абсолютных разниц для комбинированных (смешанных) моделей рассмотрим с помощью математического описания. Исходная базисная и фактическая модели:

Алгоритм расчета влияния факторов способом абсолютных разниц:

Баланс отклонений:

Способ относительных разниц используется, так же как и способ абсолютных разниц, только в мультипликативных и комбинированных (смешанных) моделях.

Для мультипликативных моделей математическое описание названного приема будет следующим. Исходные базовая и фактическая четырехфакторные мультипликативные системы:

Для факторного анализа способом относительных разниц вначале надо определить относительные отклонения по каждому факторному показателю. Например, по первому фактору это будет процентное отношение его изменения к базе:

Затем для определения влияния изменения каждого фактора производятся такие расчеты.

Рассмотрим последовательность действий на числовом примере, исходная информация для которого содержится в табл. 15.1.

В гр. 7 табл. 15.1 отражены относительные отклонения по каждому факторному показателю.

Результаты влияния изменения каждого из факторов на отклонение результативного показателя от сравнения будут следующими:

Баланс отклонений: РП, -РП 0 =432 012-417 000 = +15 012 тыс. руб. (-9811,76) + 3854,62+ (-10 673,21) + 31 642,36 = 15 012,01 тыс. руб. Индексы представляют собой обобщающие показатели сравнения во времени и в пространстве. Они отражают процентное изменение изучаемого явления за какой-то период времени по сравнению с базисным периодом. Такая информация дает возможность сравнить изменения различных факторов и проанализировать их поведение.

В факторном анализе индексный метод используется в мультипликативных и кратных моделях.

Обратимся к его использованию для анализа кратных моделей. Так, агрегатный индекс физического объема продаж (J g) имеет вид:

где q - индексируемая величина количества; р 0 - соизмеритель (вес), цена, зафиксированная на уровне базисного периода.

Разница между числителем и знаменателем в этом индексе отражает изменение товарооборота за счет изменения его физического объема.

Агрегатный индекс цен (формула) Пааше записывается таким образом:

Используя информацию, содержащуюся в табл. 15.1, рассчитаем влияние изменения индекса среднесписочной численности рабочих и индекса среднегодовой выработки одного рабочего на темп роста реализованной продукции.

Производительность труда (ПТ) одного рабочего в базовом году равна 245,29 млн руб., а в отчетном - 260,25 млн руб. Индекс роста (/ пт) составит 1,0610 (260,25: 245,29).

Индексы роста реализованной продукции (/ рп) и среднегодовой численности рабочих (/ сч) по данным табл. 15.1- соответственно:

Взаимосвязь трех указанных индексов можно представить в виде двухфакторной мультипликативной модели:

Факторный анализ способом абсолютных разниц дает такие итоги.

1. Влияние изменения индекса среднесписочной численности рабочих:

2. Влияние изменения индекса производительности труда:

Баланс отклонений: 1,0360 - 1,0 = +0,0360 или (-0,0235) + 0,0596= + 0,0361 100 = 3,61%.

Интегральный способ применяется в детерминированном факторном анализе в мультипликативных, кратных и комбинированных моделях.

Этот метод позволяет разложить дополнительный прирост результативного показателя в связи с взаимодействием факторов между ними.

Практическое использование интегрального метода базируется на специально разработанных рабочих алгоритмах для соответствующих факторных моделей. Например, для двухфакторной мультипликативной модели (у = а в) алгоритм будет таким:

В качестве примера используем двухфакторную зависимость реализованной продукции (РП) от изменения среднегодовой численности рабочих (СЧ) и их среднегодовой выработки (ПТ):

Исходная информация имеется в табл. 15.1.

Влияние изменения среднегодовой численности:

Влияние изменения производительности труда (среднегодовой выработки одного рабочего):

Баланс отклонений:

В факторном анализе в аддитивных моделях комбинированного (смешанного) типа может использования способ пропорционального деления. Алгоритм расчета влияния факторов на изменение результативного показателя для аддитивной системы типа у = а + в + с будет таким:

В комбинированных моделях расчет влияния факторов второго уровня может быть выполнен способом долевого участия. Вначале рассчитывается доля каждого фактора в общей сумме их изменений, а затем эта доля умножается на общее отклонение результативного показателя. Алгоритм расчета такой:

Систематизируем рассмотренные способы расчетов влияния отдельных факторов в детерминированном факторном анализе с использованием схемы (рис. 15.4).

Анализ мультипликативной модели (Часть1)

В предыдущей статье мы рассмотрели один из методов прогнозирования, используемый для временных рядов - анализ аддитивной модели. Нашей задачей было представить пример расчета трендовых значений объема продаж и дать прогноз на будущие периоды на основе изложенных формул, не углубляясь в обоснование коэффициентов. Тем более, широкие возможности программного продукта Microsoft Excel позволяют расчет тренда сделать быстро, используя встроенные статистические функции.

Очевидно, чтобы выполнить прогноз, применяя стандартные технологии, нужна информация. И вот эта проблема является достаточно серьезной. Как правило, на современных предприятиях статистические ряды не накоплены. Информационная база начинается где-то в 90-х годах, а многое в тот период было неопределенным. Государственные статистические данные стали не актуальными, и достоверность данных далеко не безоговорочна.

Но функции планирования и прогнозирования являются основными видами деятельности любой организации, а стабилизационные процессы, протекающие в нашей стране за последний период, все же позволяют надеяться, что определенный тренд развития существует, и в будущем не будет нарушен. Определенные выводы можно будет делать и без полных статистических данных на маленькой выборке. Главное, правильно сформулировать условия решения задачи и выбрать метод, который был бы адекватен статистической природе изучаемых временных рядов.

Так, например, прежде чем определять метод, которым следует строить прогноз, аналитик должен решить для себя: обладает ли ряд, который он изучает, свойством сезонности.

Сезонность является объективным свойством временных рядов. Сезонная вариация - это повторение данных через небольшой промежуток времени, т.е. если форма кривой, которая описывает продажи товара, повторяет свои характерные очертания и тенденции, то о таком ряде можно говорить, что он обладает сезонностью. В этом случае, период прогнозирования должен быть достаточно большой, чтобы можно было наблюдать сезонные всплески и колебания продаж.

В некоторых временных рядах значение сезонной вариации - это определенная доля трендового значения, т.е. сезонная вариация увеличивается с возрастанием значений тренда. В таких случаях используется мультипликативная модель.

Для мультипликативной модели фактическое значение рассчитывается по формуле:

Расчет фактического значения в мультипликативной модели

Т - трендовое значение

S - сезонная вариация

Е - ошибка прогноза

Анализ мультипликативной модели рассмотрим на примере. В таблице указан объем продаж за последние одиннадцать кварталов. На основании этих данных дадим прогноз объема продаж на следующие два квартала.

Опираясь на предложенный алгоритм, на первом этапе исключим влияние сезонной вариации. Воспользуемся методом скользящей средней, заполним следующие столбцы таблицы.

Метод скользящей средней

Простое скользящее среднее (Simple Moving Avarage) - это средний арифметический показатель (объем продаж, объем производства, цена) за определенный период времени.

Одним важным достоинством скользящих средних является их способность давать сигналы о развороте тренда, подтверждать рост, спад.

Общая формула для вычисления SMA за n-ый период такая:

Простое скользящее среднее за период N

где n - период усреднения,

Р(i) - усредняемый объем (i - 1) период тому назад (i-е измерение или отсчет),

P(1) - объем продаж за последний период,

P(n) - самый старый по оси времени объем рассматриваемого нами временного промежутка.

1 год = 4 квартала. Поэтому найдем среднее значение объема продаж за 4 последовательных квартала. Для этого нужно сложить 4 последовательных числа из второго столбца, разделить на 4 (количество слагаемых) и результат запишем в третий столбец напротив третьего слагаемого: (63 74 79 120)/4=84 ; (74 79 120 67)/4=85; и т.д.

Если скользящая средняя вычисляется для нечетного числа сезонов, то результат не центрируется, в нашем примере число сезонов - восемь, поэтому сумму двух чисел из третьего столбца, разделим на 2 и запишем в четвертый столбец напротив верхнего из них: (84 85)/2=2=84,5.

Оценка сезонной вариации для аддитивной модели рассчитывается как разность объема продаж и центрированной скользящее средней. Для мультипликативных моделей - это отношение. Числа второго столбца делим на числа четвертого и результат округляем до трех цифр и запишем в пятый столбец: 79/84,5=0,935.

Следующим этапом необходимо исключить сезонную вариацию из фактических данных - провести десезонализация данных. Но это уже в следующем выпуске.