Wykorzystanie modelu ARIMA do analizy szeregu czasowego

W artykule zaprezentowano zastosowanie metody ARIMA służącej do analizy szeregu czasowego z trendem i sezonowością. Szereg czasowy jest jednym z rodzajów szeregów statystycznych, który można zdefiniować jako ciąg obserwacji pewnego zjawiska w kolejnych jednostkach czasu (latach, kwartałach, miesiącach, itp.). Analiza szeregów czasowych opiera się na głównym założeniu , że kolejne wartości rozważanej cechy (zmiennej) reprezentują kolejne pomiary wykonane w takiej samej jednostce czasu (w równych odstępach czasu). Zmienną niezależną jest czas (jednostka czasu). Obserwując różne zjawiska (w tym także związane z gospodarką elektroenergetyczną) często chcemy wiedzieć czy i jak zmieniają się w czasie, czyli jaka jest ich dynamika. Analiza szeregów czasowych stosowana jest głównie do podejmowania decyzji związanych z przyszłością. Rozważane zjawisko może podlegać pewnym prawidłowościom, których wykrycie i opis jest głównym celem analizy szeregów czasowych. W wielu przypadkach modele szeregów czasowych wykorzystywane są w celu wnioskowania o przyszłości badanego zjawiska (do prognozowania). Prognozowanie w ujęciu statystycznym to wnioskowanie o przyszłych wartościach szeregu czasowego, które oparte jest na danych czasowych lub analizie wartości, jakie przyjmują rozważane cechy statystyczne (zmienne). Przy analizie w dziedzinie czasu w szeregu czasowym można wyodrębnić pewne składowe (stały przeciętny poziom zjawiska, trend, cykle długookresowe, wahania sezonowe, wahania krótkookresowe, interwencje, składnik losowy (zakłócenie losowe)), przy czym nie wszystkie one muszą występować w konkretnym analizowanym szeregu. Metoda prognozowania zależy od składowych szeregu czasowego. Wyniki obliczeń z wykorzystaniem modelu ARIMA zaprezentowano korzystając z pakietu STATISTICA v. 10.0.

Pełny tekst (pdf)

[1]    Rabiej M., Statystyka z programem Statistica, Helion 2012
[2]    Nowak E., Prognozowanie gospodarcze, Agencja Wyd. PLACET, Warszawa 1998
[3]    Kot S., Jakubowski J., Sokołowski A., Statystyka, Wyd. Difin, Warszawa 2011
[4]    Sokołowski A., Analiza szeregów czasowych i prognozowanie, Statistica w bada-niach naukowych i nauczaniu statystyki, Statsoft, Kraków 2010
[5]    http://www.statsoft.pl
[6]    http://tge.pl/pl/155/raporty-miesięczne, Urząd Regulacji Energetyki, Raporty Roczne Prezesa URE, dostęp kwiecień 2015r.
[7]    http://www.ure.gov.pl/
[8]    Nowak E., Prognozowanie gospodarcze. Metody, modele, zastosowania, przykła-dy. Agencja wydawnicza Placet, Warszawa 1998
[9]    Cieślak M., Prognozowanie gospodarcze, metody i zastosowania, Wydawnictwo Naukowe PWN, Warszawa 2005
[10]    Snarska A., Statystyka, ekonometria, prognozowanie, Wydawnictwo Placet, War-szawa 2005
[11]    Sobczyk M., Statystyka, Wydawnictwo Naukowe PWN, Warszawa 2002
[12]    Box E. P., Jenkins G. M., Szeregi czasowe – analiza i prognozowanie, PWN, War-szawa 1983
[13]    Malska W.: Zastosowanie metody wskaźników do analizy szeregów czasowych, „POSTĘPY w ELEKTROTECHNICE STOSOWANEJ”, Kościelisko, 16 -20 czerwca 2014r