Академический Документы
Профессиональный Документы
Культура Документы
Sipos Bla
rta:
Dr. Sipos Bla egyetemi tanr, PTE KTK
Az Excel parancs fjlokat programozta:
Kehl Dniel egyetemi tanrsegd, PTE KTK
Tartalom.
ELSZ
17
18
19
19
21
22
22
24
24
24
25
27
27
29
37
38
39
39
41
51
52
59
61
PARANCSFJLLAL
3.4.1 INFLEXIS PONTTAL NEM RENDELKEZ TELTDSI GRBK
3.4.2 EGY INFLEXIS PONTTAL RENDELKEZ TRENDFGGVNYEK
3.4.3 KT INFLEXIS PONTTAL RENDELKEZ TRENDFGGVNYEK
3.4.4 A LOGISZTIKUS TRENDEK BECSLSE EXCEL PARANCSFJL MKDSE
GYAKORL FELADATOK. DEKOMPOZCIS IDSORMODELLEK
3.5 NAIV ELREJELZSI TECHNIKK. (A NAIVMDSZER-PARANCSFJL MKDSE.)
GYAKORL FELADATOK. (NAIVMODSZER.XLS)
3.6 AZ EXPONENCILIS KIEGYENLTS MDSZERE (SIMIT.XLS S EXPS FOR WINDOWS)*
3.6.1 A SIMIT.XLS PARANCSFJL MKDSE.
GYAKORL FELADATOK. (SIMIT.XLS)
3.6.2 AZ EXPS FOR WINDOWS SZOFTVER MKDSE
64
65
66
75
78
79
81
85
85
85
89
89
63
106
106
109
122
124
127
141
143
4. A KORRELCI- S REGRESSZISZMTS
147
223
223
226
228
233
243
FELHASZNLT IRODALOM
244
Elsz
A vals mret statisztikai modellek megoldsa kzi szmtsokkal ltalban nem, vagy csak nehezen vgezhet el, a szmtgpes feldolgozs lehetsge azonban j utakat nyitott meg a statisztika tudomnyban is. Napjainkban a szmolsi igny a szemlyi szmtgpek megjelense s elterjedse miatt mr
nem jelent klnsebb akadlyt, a szmtsok megknnytsre tbb matematikai-statisztikai s
konometriai szoftvert is megalkottak. Ezeknek a programoknak az oktats s a gyakorlati felhasznls
szempontjbl azonban tbb hinyossga is van. Az eladsra sznt programcsomagok 1 ltalban fekete
dobozknt mkdnek, azaz a felhasznl nem ltja, azt, hogy mi trtnik a httrben, a bevitt input s az
rtelmezend output jelenik meg csupn. A hivatkozott, legtbbszr az Amerikai Egyeslt llamokban
kiadott szakknyvek a hallgatk szmra nehezen beszerezhetek s drgk. Az ilyen szoftverekkel kapcsolatos tovbbi gond az is, hogy folyamatosan jabb verziik jelennek meg, ami szleskr alkalmazsuk lehetsgt megnehezti. Drgtja a felhasznlsukat tovbb, hogy az ves licencdj kifizetsn tl a
gpszm fggvnyben gyakorta kln djat kell fizetni. A felsoktatsban sok esetben a szoftverek csak
az egyetemi/fiskolai szmtgpeken rhetek el, a hallgatk otthoni szmtgpkre leglisan nem telepthetik azokat. A klnbz szoftverek emellett klnbz felhasznli fellettel rendelkeznek. A preferlt csomag kivlasztsa gy meglehetsen nknyes. A klnbz formtumok miatt a programcsomagok kztti vlts nmely esetben gondokat okoz. Az interneten tallhat, ingyenesen letlthet
konometriai programcsomagok, mint pldul az egyik legismertebb s legelterjedtebb gretl (Gnu
Regression, Econometrics and Time-series Library, http://gretl.sourceforge.net/), igen sokoldal szolgltatst nyjtanak, de az elmleti httr feldolgozshoz a megadott angol nyelv szakirodalmat 2 is be kell
szerezni s el kell sajttani. A jelenleg legnpszerbb irodai programcsomag a Microsoft Office Windows vltozata 1990-ben jelent meg. A Microsoft Office 3 s ezen bell az MS Excel 4 vilgviszonylatban
s Magyarorszgon is szleskren alkalmazott szoftver. Egyrszt ez a tny indokolja az MS Excel (tovbbiakban Excel) alkalmazst, tovbb az is, hogy az elzekben ismertetett problmkat rszben ki
lehet kszblni. Az Excel sok statisztikai mveletet kpes elvgezni, de az alapfunkcik segtsgvel
felpthetk a bonyolultabb statisztikai s konometriai mdszerek is a fggvnyek segtsgvel. Az Excellel ilyen mdon a szles rtelemben vett modellezst is tanthatjuk a hallgatknak. Tovbbi elny,
hogy a mdszerek, a felhasznlt kpletek megjelennek, azok alakthatk, az adott feladat megoldshoz
testre szabhatk, lthatv, s megrthetv vlnak a rszeredmnyek s a mellkszmtsok. Az Excel
a specilis statisztikai szoftverekhez hasonlan, de messze nem olyan rszletessggel a statisztika mdszertannak nagy rszt felleli beptett modulja (Analysis ToolPak) segtsgvel, de j nhny aprbb
hiba (pl. rossz, vagy flrerthet magyarra fordts) s hinyossg is a sajtja. Az emltett flrefordtsoknl nagyobb hibk is megfigyelhetk, melyek az Excel korbbi verziiban csakgy megtallhatk voltak,
mint a legjabbakban. Az Excel a fknt a kvetkeztetses statisztikban oly fontos eloszlsok esetn
nmely specilis esetben hibs, nagyban flrevezet rtkeket szolgltat. A tmakr bsges irodalommal
rendelkezik, itt csak utalunk Knsel 5 illetve McCullough s Wilson 6 vagy az Excel legjabb kiadsval
kapcsolatban Yalta 7 munkira, melyekbl az rdekld olvas kimert hibalistt merthet. Az emltett
hibk azrt is bosszantak, mert tbb ve ismertek. Hasonl problmk ms szoftverek esetn is elfordultak, de valamennyit a lehet leggyorsabban javtottk, mg az Excel esetben ez a jelents tudomnyos
visszhang ellenre sem trtnt meg. Ennek megfelelen az Excelt tudomnyos felhasznlsra nem, oktatsra azonban ajnljk a szerzk. Az Excel ktsgtelen s messze legfontosabb elnye ugyanakkor, hogy
az Office csomag elterjedse miatt szinte mindenhol megtallhat. ltalnos elrhetsge egyben azt is
jelenti, hogy akr mikro- s kisvllalatok amelyek a drga, s folyamatosan friss verzikkal jelentkez
F
szoftvereket nem kpesek megvsrolni elemzsi eszkztrt is erstheti. Megemltjk tovbb azt a
fontos tnyt, hogy a statisztika oktatsban ma mr Magyarorszgon, a nagyobb egyetemeken s fiskolkon az Excel, mint tblzatkezel szoftver elterjedt, fknt knny elrhetsge okn. Az els knyv e
tmakrben Magyarorszgon Rappai Gbor: zleti statisztika Excellel 8 c. mve volt. Ismereteink szerint
csak az Excel alapszolgltatsainak hasznlata terjedt el az oktatsban s az zleti letben Magyarorszgon 9, pedig mint arrl mr sz esett az Excel ennl tbbre kpes, lehet batch file-okat, ktegelt parancsllomnyokat (a tovbbiakban parancsfjlokat, illetve programokat) kszteni. Internetes keress 10,
s a rendelkezsnkre ll szakknyvek feldolgozsa alapjn 11 megllaptottuk, hogy az USA-ban igen
elterjedtek a parancsfjlok, br legtbbszr csak korltozott szolgltatsokat nyjtanak. A tovbbi szolgltatsokat kln meg kell fizetni, azokat a knyvekhez mellkelt CD-k nem tartalmazzk. Rtrve az
alkalmazsi lehetsgekre, vlemnynk szerint az adatelemzs t szintje oldhat meg az Excellel: Az els szint az, amikor a Fggvny beszrsa varzslt (ikont) hasznljuk, teht beptett statisztikai, matematikai s trigonometriai, mtrix, adatbzis, stb. fggvnyeket alkalmazunk. A msodik szint, amikor az
Eszkzk - Adatelemzs 12 menpont szolgltatsait (pl. korrelcianalzis, regresszi) hasznljuk. A
harmadik szint, amikor magunk runk konkrt adatsorhoz vagy adatsorokhoz kpleteket, mivel nem minden feladathoz ll rendelkezsre megrt fggvny. A negyedik szint az, amikor parancsfjlokat ksztnk
vagyis a harmadik szintet ltalnostjuk aminek felhasznlsval az ltalunk megadott adatbzis terjedelmig (ez az adatbzisok sajtossgainak 13 fggvnyben 25 - 10000 megfigyels) j adatbzisok felhasznlsval korltlan szmban szmtsokat vgezhetnk a programozott kpletek, illetve fggvnyek
alkalmazsval. Gyakran igen sok szmtst kell elvgezni. Eben az esetben az idvel val takarkos gazdlkods a cl, mert gyakran a harmadik szintnl egy feladatsor szmtsainak elvgzse tbb ra, vagy
tbb nap, amit a parancsfjlok felhasznlsval egy perc alatt el lehet vgezni. Az tdik szint az, amikor
a feladat a hagyomnyos mdon nem oldhat meg. Erre plda a CES termelsi fggvny, ahol a vltozk
szma tbb mint a rendelkezsre ll egyenletek szma. A feladat a legjobban illeszked fggvny paramtereinek a megkeresse 14. A logisztikus s egyb specilis trendfggvnyek esetben a fggvnyeket
nem lehet linerisra transzformlni, a cl megkeresni azokat a paramtereket, amelyek mellett az illeszts
a legpontosabb 15. A logisztikus regresszis fggvnyek sem linearizlhatk, de itercis eljrssal, a paramterek vltoztatsval a paramterek becslhetk, meghatrozhat egy olyan fggvny, ahol a tbbszrs determincis egytthat a legnagyobb. Az Excel a Visual Basic for Applications (VBA) felhasznlsval programozhat, gy ezek a feladatok egy itercis eljrssal megoldhatk. A negyedik s tdik
szint tovbbi elnye az, hogy szakrti rtkelsre is felhasznlhatk, vagyis javaslatot lehet tenni a klnbz modellek elfogadsra vagy elutastsra, tovbb kikszblhetek az Excel fordtsi s tartalmi hinyossgai. ppen ezrt, s az eddig felsoroltak miatt gondoltuk gy, hogy rdemes lenne olyan Excel alkalmazsokat ltrehozni, melyek megknnytik a tanultak elsajttst, dinamikusak, a felhasznlt
kpletek knnyen leolvashatk, megknnytik a feladatmegoldst, s didaktikusak. A hallgatknak lehetsgk nylik a nagy mennyisg szmtsi folyamat mg nzni. Tovbbi nagy elnye a kvetkezkben ismertetett mdszernek az, hogy az rdekld hallgatk amennyiben valamilyen specilis mdszer alkalmazsra van szksgk, a bemutatott programok alapjn, vagy azok mdostsval elkszthetik sajt, testhezll Excel fjljaikat is. A munkalapokat egysges szerkezetben ptettk fel. A vltoztathat, illetve megadhat vagy megadand adatokat srga mezk jellik, az eredmnyeket pedig egysges struktrban, illetve szhasznlattal kvntuk megjelenteni. A megrtshez szksges vgeredmnyek, s az egyes cellk szmtshoz hasznlt kpletek valamennyi cella esetn lthatak. Termszetesen
a kpletek, fggvnyek olvasshoz alapvet tblzatkezelsi ismeretek elengedhetetlenek, ezzel a szmts menete kvethetv vlik. Szintn nagyon fontos, hogy egyetlen cella, vagy vezrlelem (Checkbox,
legrdl men stb.) megvltoztatsa az eredmnyek azonnali vltozst vonja maga utn, s mindezt
F
hla a gyors szmtsi sebessgnek azonnal elrhetjk. Rappai Gbor az informatikai tmogatottsggal
s az Excel felhasznlsval kapcsolatban a kvetkezket rta: meggyzdsem szerint a legszlesebb
krben rendelkezsre ll tmogateszkz hasznlata a legindokoltabb 16. A modernizci jelentsgre
hvja fel a figyelmet Kovcs Pter tanulmnya is 17, aki a Szegedi Tudomnyegyetemen bevezetett tanterven keresztl mutatja be a szegedi modellt, ami szintn ersen tmaszkodik az Excelre. gy gondoljuk,
hogy az ltalunk felvzolt, Excel alap oktats az egyik, termszetesen nem kizrlagos irny lehet a jvben. Rappai Gbor dkn javaslatra 2006-ban kezdtk meg a fejleszt munkt. Az ltalunk rt oktatsi segdlet felhasznlbart stlusban rdott, csak annyi matematikai kpletet tartalmaz, ami az Excel
parancsfjlok megrtshez s a feldolgozshoz, az eredmnyek rtelmezshez felttlenl szksges s
szleskr hazai s nemzetkzi adatbzist dolgoz fel, ami a szakmai megrtst elsegti. Az oktatsi segdlet fggelkben felhvjuk a figyelmet arra s bemutatjuk, hogy hogyan lehet a feldolgozott adatsorokat az interneten megkeresni s letlteni. Oktatsi segdletnkben azokat az Excel parancsfjlokat mutatjuk be, melyek elksztst feladatul tztk ki, s amelyek fellelik a statisztika illetve konometria hrom fontos terlett; 1. egyszer elemzsek: viszonyszmok szmtsa, grafikonok ksztse, empirikus
eloszlsok elemzse s elemi statisztikai mveletek; 2. dekompozicis s sztochasztikus idsorelemzs
fontosabb statisztikai mdszerei; 3; korrelci- s regressziszmts, sztochasztikus kapcsolatok elemzse s egyes specilis alkalmazsok: pl. ksleltetett regresszis modellek, CES-fggvnyek, logisztikus
regresszis fggvnyek. Az oktatsi segdlet megrtshez szksges elmleti httr nagy rsze megtallhat a Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: Statisztika. 18 c. BSC tanknyvben, amire az
Excel parancsfjlok kidolgozsa sorn tmaszkodtunk, ezrt csak az Excel parancsfjlok megrtshez
felttlenl szksges elmleti ismereteket s kpleteket ismertetjk. Az oktatsi segdletet a BSC s ezen
fell az MSC, MBA s PHD kpzsben is hasznljuk, gptermes gyakorlati oktats keretben. Azokat az
Excel parancsfjlokat, amelyek nem kpezik a BSC alapkpzs tananyagt, a knyvben *-gal jelljk.
Munknk sorn rtkes segtsget kaptunk Hunyadi Lszl emeritus egyetemi tanrtl (Corvinus Egyetem) s Rdey Katalin nyugdjas egyetemi adjunktustl (Pcsi Tudomnyegyetem, Kzgazdasgtudomnyi Kar). Segtsgket ezton is ksznjk. Az Excel alkalmazsnak tmjval bvebben foglalkoz kziknyv (Kehl Dniel Dr. Sipos Bla: Excel parancsfjlok felhasznlsa a statisztikai elemzsekben) s
az Excel parancsfjlok (BSC.zip, MSC.zip s SABL.zip) a PTE honlapjn a KTK-GMI Publikcik - Sipos Bla internet cmen letlthetk. 19 20
F
A Szerzk
16
17
Kattintson a kvnt belltsra, a vlaszts: Az sszes makr engedlyezse. (Enable all macros) Minden
vlaszts utn Ok.
Kattintson a Bvtmnyek (Add-Ins) gombra, majd vlassza a Kezels Excel bvtmnyeket alul, az ugrst vlasztva a Bvtmnyeket bejellheti (Manage: Excel Add-Ins, Go, megjelenik: Analysis Tool Pak,
rdemes a tbbit is bejellni.). A Bvtmnyeket az Excel installlja. A Bvmnyek megjelennek: Adatok - Adatelemzs ikonnl. (Data Data Analysis)
Krkrs hivatkozs esetn, ha itercit vgez az Excel, az Excel ltal javasolt mdsts: Az Excel belltsai Kpletek - Kzelts engedlyezse.
A logisztikus trendek s logisztikus regresszis fggvnyek valamint a simit (exponencilis simts)
ARIMA, esetben mg a kvetkez belltsokra van szksg:
Eszkzk Bvtmnykezel - Solver beikszelni, vagy ha be van jellve kiszedni a bejellst, kilpni,
lementeni, belpni s jra bejellni a Solvert. (A tbbi bvtmnyt is clszer bejellni) Tovbb:
Eszkzk Makr - Visual Basic Editor - Tools (fell) - References - Solver legyen bejellve. Megoldhat gy is, hogy Alt+F11 Tools, Preferences, s ki kell jellni (pipa jel) a SOLVER feliratot, ha nem
volt bejellve.
Az Excel belltsai. Menszalag testreszabsa-F lapok-Jellje be: Fejleszteszkzk. Ok. Megjelenik
a Fejleszt eszkzk szalag, azon bell Visual Basic-Tools-References-Solvert be kell jellni. Kilps
utn mindig menteni kell.
Technikai tudnivalk az Office 2010, 2007 (Office 2003) hasznlata sorn.
Logisztikustrendek.xls elszr a 12 munkalapon (Bertalanffytl Hubbertig) kell trlni az adatokat, majd
a 12 munkalapba beilleszteni az j adatokat. Ezt gy is meg lehet egyszerbben s gyorsabban csinlni,
hogy az els munkalapon (Bertalanffy) az sszes munkalapot kijelljk az egr mveletekkel (bal gomb
majd jobb gomb s a mensorbl, a minden munkalapot kijellt vlasszuk) Az utols Ciklus munkalapot nem szabad kijellni, mert az adatok behvsa programozva van, ezrt itt alkalmazzuk a
Shift+kattintst, az utols munkalapon, ahol mg vltoztatni akarunk, vagyis a Ciklus munkalap eltt a
Hubbertnl, gy kivlasztottuk az sszes munkalapot az utols, Ciklus kivtelvel, majd lehet trlni,
illetve beilleszteni. A Ciklus munkalap szne ekkor pirosra vlt, a kijellt 12 munkalap srga szne pedig
fehrre vlt.
A trlst a Delete billentyvel vgezzk a srga mezben tallhat adatok kijellse utn, teht ne hasznljuk az adatok trlse vezrlelemet, ami mindegyik munkalapon megtallhat. A trls utn megint
mindegyik munkalapot kijelljk, kivve az utols ciklus munkalapot, az elbb lertak szerint, majd vlasztjuk az j adatllomnyt (id s adatsor), az utastsok: kijell, msol majd irnytott beilleszts rtk s az adatokat az els munkalapba (Bertalanffy) beillesztjk. A msols s beilleszts (msik Excel
fjlbl, nem a logisztikustrendek.xls parancsfjlbl trtnjen a msols.) eltt a kijellst az elbb lertak
szerint (Shift+kattints a Hubert munkalapon) meg kell csinlni. Msolni egy msik Excel fjlbl kell az
adatokat, mert csak akkor illeszti be mindegyik munkalapra a kivlasztott adatsort.
Fontosabb alapismeretek: tblzat: sorok-oszlopok. Cella, aktv cella. A cellk tglalap alak halmaza tartomny. Munkalapok s munkafzetek. A munkafzetnek fjl nevet adunk. A munkalap mrete Excel
2007-ben 16384 oszlop s 1048576 sor. Kplet (pl. = A2/B2) msolsa fogantyval. A relatv cellahivatkozs esetben a kplet msolsakor a msols irnynak megfelelen mdosul a kplet. Abszolt cellahivatkozsnl a cella cme a msolskor nem vltozik, ekkor a tblzatkezel a cella tnyleges helyt trolja. A sor s oszlopkoordinta el $ jelet kell tennnk, vagy az abszolt cellahivatkozs rdekben az F4
funkcibillentyt hasznlhatjuk. (pl.: =A1*$E$1 az E1 az abszolt hivatkozs.)
A cella tartalma lehet: szveg, szm, kplet.
Cella tartalmnak javtsa F2 funkcibillentyvel is trtnhet.
Minden fggvnynl: Sg a fggvnyrl, lerst, kpleteket s mintapldt ad.
Cella, bra klnbz rszei stb. kijell (klikkels) bal egrgomb, majd jobb egrgomb, felajnlja a vltoztatsi lehetsgeket, amit az adott helyen vlasztani lehet.
Egyb technikai tudnivalk:
Interneten amerikai adatok esetben, ha szvegfjlrl van sz, beilleszts eltt a Regionlis belltsoknl
a nyelvet s az orszgot magyarrl amerikaira (USA) kell tlltani, majd az adatok beillesztse (beilleszts vagy irnytott beilleszts-szveg opcit vlasztva) utn vissza lehet lltani a regionlis belltsokat.
Plda: http://www.measuringworth.com/datasets/interestrates/result.php
8
RSZSSZEG
SZUM
SZUMHA
SZUMHATBB
SZORZATSSZEG
NGYZETSSZEG
SZUMX2BLY2
SZUMX2MEGY2
SZUMXBLY2
TAN
CSONK
INVERZ.F
ELREJELZS
SORSZM
RNGYZET
FERDESG
MEREDEKSG
KICSI
NORMALIZLS
SZRS
SZRSA
SZRSP
SZRSPA
STHIBAYX
T.ELOSZLS
INVERZ.T
TREND
RSZTLAG
T.PRBA
VAR
VARA
VARP
VARPA
WEIBULL
Z.PRBA
Tipp Ha egy diagramtpus vagy -altpus fl viszi az egrmutatt, megjelenik a diagramtpus nevt mutat elemlers. A felhasznlhat diagramtpusokrl a Diagramtpusok gyjtemnye cm tmakrben olvashat.
A diagramot kijellve vltoztatni lehet a diagramtpusokon s altpusokon.
21
http://office.microsoft.com/hu-hu/excel-help/diagram-keszitese-HP001233728.aspx?CTT=3
13
A csoportosts, avagy osztlyozs a statisztikai sokasgnak valamely ismrv szerinti tagolsa, rendszerezse. A csoportosts lnyegben azt is jelenti, hogy a statisztikai sokasgot minsgileg klnbz rszekre, csoportokra bontjuk, s gy tanulmnyozzuk szerkezett, felptst. A csoportosts a gyakorlatban gy trtnik, hogy a csoportkpz ismrv alapjn az ismrv vltozatainak megfelelen a sokasg
egyes tagjait a konkrt ismrvvltozatokhoz rendeljk. A csoportkpz ismrvek a sokasg lnyeges tulajdonsgait tkrzik, ezek alapjn lehetsg nylik a sokasgon bell az alapvet klnbsgek, eltrsek
feltrsra, elemzsre. A csoportostshoz felhasznlt csoportkpz ismrv vltozatai sok esetben adot14
tak: pl. nem, kor, beoszts s szakkpzettsg. A statisztikai nmenklatrk fontos csoportkpz ismrvek: pl. a tevkenysgek azonostsa a TEOR-on (Tevkenysgek Egysges gazati Osztlyozsi
Rendszere), a termkek az ITJ-n (Ipari Termkek Jegyzke), a METJ-n (Mezgazdasgi, Erdszeti Termkek Jegyzke), az J-n (ptmnyjegyzk), a SZATJ-n (Szmtstechnikai Alkalmazsi Termkek
Jegyzke) a szolgltatsok pedig a Szolgltatsok Jegyzkn (SZJ) alapul. Ismert nomenklatra tovbb
a Foglalkozsok Egysges Osztlyozsi Rendszere (FEOR).
Fontos szempont a csoportosts sorn, hogy az adatok egyrtelmen besorolhatk legyenek. Ez annyit
jelent, hogy valamennyi egyed egy s csak egy csoportba kerlhet. Egy statisztikai sokasg egyidejleg
tbb ismrv szerinti csoportostst kombinatv csoportostsnak hvjuk. A statisztikai adatok feldolgozsnak a csoportosts mellett gyakorta alkalmazott msik elemi mdszere az sszehasonlts.
Az sszehasonlts statisztikai adatok egyms mell rendelst jelenti elemzsi clbl. Az sszehasonltssal a mindennapi letnkben gyakran tallkozunk, s szinte semmilyen megllaptst nem tesznk nlkle. sszehasonlthatnak tekintjk azokat az adatokat, amelyek csak olyan tnyezk miatt trnek el
egymstl, amelyeknek a szerept ppen kutatjuk. A statisztikai adatok valamilyen ismrv szerinti felsorolst statisztikai sornak nevezzk. A sorok csoportosts eredmnyeknt, vagy sszehasonlts cljbl llthatk el. Az azonos fajta adatokbl ll statisztikai sorok amelyek ltalban csoportost vagy
sszehasonlt sorok az ismrvek tpusai szerint is osztlyozhatk. gy beszlhetnk idbeli, minsgi,
mennyisgi s terleti statisztikai sorokrl. A klnbz fajta, de egymssal sszefgg adatokat tartalmaz sort ler sornak nevezzk. Az ll sokasg (stock) adatait tartalmaz idsor az n. llapot idsor,
melynek jellemzje, hogy minden megfigyelt adata egy eszmei idponthoz tartozik, valamint ez a sor
csak sszehasonlt jelleg statisztikai sor lehet. A mozg sokasgot tartam idsorral tudjuk szemlltetni.
A tartam idsor sajtossga, hogy a statisztikai adatok a sokasg flow-jellegbl addan mindig idtartamhoz ktdnek, adatai gy akr sszesthetk is. A statisztikai sorok vltozatait az albbiakban foglaljuk
ssze:
S tati s zt i kai s orok cs op orto s t s a
sszehasonlt sor
Idsor
llapot
Terleti sor
Csoportost sor
Minsgi sor
Tartam
Ler sor
Mennyisgi sor
Gyakorisgi
rtksszeg
V=
A
B
ahol:
A a viszonyts trgya,
B a viszonytsi alapja, ms nven bzisa.
A viszonyszmok legfontosabb fajti:
intenzitsi,
megoszlsi,
koordincis,
15
dinamikus viszonyszm.
Az intenzitsi viszonyszm ltalban klnbz, de egymssal kapcsolatban ll statisztikai adatok hnyadosa, ebbl kvetkezen a mrtkegysge a szmll s a nevez mrtkegysgbl kpzdik.
Megoszlsi, illetve koordincis viszonyszmokat a sokasg csoportostst kveten szmthatunk. Az
elbbiek egy rszsokasgot hasonltanak az egszhez, az utbbiak kt rszsoksgot viszonytanak egymshoz. A viszonyts eredmnyt vagy n. egytthats formban, vagy szzalkos formban szoks
megadni.
A dinamikus viszonyszmok kt idszak vagy idpont adatainak hnyadosai, melyeket ltalban szzalkos formban adunk meg. A viszonyts alapjt kpez idpontot, idszakot bzisidszaknak, mg a viszonyts trgyt trgyidszaknak szoktk nevezni. Amennyiben kettnl tbb idszak vagy idpont adataival rendelkeznk a viszonyts alapja lehet lland vagy vltoz; ezen utbbi esetben ltalban a megelz idszak (idpont) adatt tekintjk viszonytsi alapnak. Az els esetben bzisviszonyszmokat, a
msodik esetben lncviszonyszmokat szmtunk.
A bzisviszonyszm kplete, ha az idsor els megfigyelst tekintjk bzisnak akkor:
Bt =
yT
y1
A lncviszonyszm kplete:
Lt =
yT
y T 1
Az idbeli sszehasonltsokra a bzis- s lncviszonyszmok egyarnt alkalmasak. Mg a bzisviszonyszmok a fejlds (vltozs) relatv mrsre, addig a lncviszonyszmok a fejlds (vltozs) temnek
szmszerstsre szolglnak.
Idbeli sszehasonltsokra az n. differencia-kpzst is hasznlhatjuk. Ebben az esetben kt szomszdos idszak vagy idpont adatnak a klnbsgt kpezzk, melyet elsrend differencinak neveznk.
Kplete:
D t = yT yT 1
Az idsor adatainak szigoran kttt a felsorolsi rendje, mely egyben azt is jelzi, hogy a szomszdos
adatok klnbsgeinek s hnyadosainak szmtsnl, mindig a ksbbi adatbl vonjuk ki korbbit, illetve a ksbbi adatot osztjuk a korbbival.
Az idbeli sszehasonltsokra amennyiben kettnl tbb idszak vagy idpont adatt ismerjk gyakran hasznljuk az tlagos abszolt s relatv vltozs mutatit is.
Az idszakrl idszakra, illetve idpontrl idpontra trtn vltozsok (a D t s L t rtkek) tlagos rtkt kiszmtva jutunk az elbb emltett mutatszmokhoz. Az tlagos abszolt vltozs mutatja melyet azokban az esetekben alkalmazzuk, ha felttelezhet, hogy a vltozsok a vizsglt idszakban abszolt nagysgukat tekintve llandsgot mutatnak az albbi kplettel hatrozhat meg:
D=
( y2 y1 ) + ( y3 y2 ) + + ( yT yT1 ) = yT y1
T 1
T 1
L = T 1
y 2 y3
y
y
T = T 1 T
y1 y 2
yT 1
y1
A grafikus bra az elemzsek s kzlsek fontos eszkze. 22 A grafikus brk felhvjk a figyelmet a statisztikai adatok ltal reprezentlt jelensgek alapvet jellemzire, a fbb arnyokra, tendencikra, sszefggsekre. Az brzols clja lehet a jelensgek kztti kapcsolatok vizsglata, a ler cl alkalmazs,
a dnts elkszts altmasztsa, az elemzsek eredmnyeirl trtn tjkoztats, kzls. A grafikus
brzols lnyege az sszehasonlts, ezrt az arnyokat rzkelteti s nem az abszolt nagysgokat.
A grafikus brzolssal szemben tmasztott kvetelmnyek:
F
22
16
A legmegfelelbb brzolsi mdot kell kivlasztani, amit a vizsglt jelensget bemutat adatok
jellege, illetve a jelensgek kztt lv kapcsolat termszete dnt el.
A kivlasztott grafikus bra legyen egyszer, arnyos, ttekinthet s kifejez.
Minden grafikon kt rszbl lljon: bra s magyarz jellsek (cm, skla, jelmagyarzat, alkalmazott mrtkegysgek, forrs).
Y
Y X11 X12
=
X13 X11 X12 X13
A fenti sszefggs esetn vizsglhat:
A munkaid egy rjra jut termels nagysga (milli Ft/ra):
23
Felttelezett adatok.
17
Y
X11
A munkaid s a fizikai dolgozk tlagos llomnyi ltszmnak az arnya (ra/f):
X11
X12
A fizikai dolgozk tlagos llomnyi ltszma egy fjre jut termels nagysga (milli Ft/f):
Y
X12
A fizikai dolgozk tlagos llomnyi ltszmnak s a foglalkoztatottak tlagos llomnyi ltszmnak az
arnya*100 (%)
X12
X13
A szmtsok vgeredmnynek bemutatsa a dinamikus viszonyszmok.xls fjl felhasznlsval.
1-1. tbla: A termelkenysg (Y/X13) vltozsa 1996-2007 kztt
Id
Bzisviszonyszmok Lncviszonyszmok
1996
1,000
1997
1,018
1,018
1998
0,992
0,975
1999
1,003
1,010
2000
1,050
1,047
2001
1,123
1,069
2002
1,222
1,088
2003
1,172
0,960
2004
1,215
1,037
2005
1,256
1,033
2006
1,297
1,032
2007
1,298
1,001
tlagos abszolt vltozs
0,232
tlagos relatv vltozs
1,024
Az 1-1. tblban lv adatok:
Y = ellltott termk rtke milli Ft.-ban, (milli Ft.).
X13 = a foglalkoztatottak tlagos llomnyi (teljes: fizikai + nem fizikai) ltszma fben. (f)
A rendelkezsnkre ll vllalati adatsor: 1996-2007 ves adatok.
Gyakorl feladatok. (dinamikus viszonyszmok.xls)
1. Elemezze az egy fre jut GDP alakulst 2000-es $-ban Magyarorszg s az EU orszgok (27
orszg) adatai alapjn az 1969-2007 kztti adatok felhasznlsval.
2. Elemezze az egy fre jut GDP alakulst 2000-es $-ban az USA-ban 1790-2006 kztti adatok
felhasznlsval A szmll: Rel GDP 2000-es $-on (millird $), a nevez: Npessg 1000 f, a
szorztnyez 1000.
3. A termelkenysg1996-2007.xls fjl felhasznlsval vgezze el a szmtsokat az elzekben
bemutatott kpletek felhasznlsval.
18
4. Elemezze az egy fre jut GDP alakulst 2005-es $-ban Magyarorszg s az EU orszgok (27
orszg) adatai alapjn az 1969-2008 kztti adatok felhasznlsval. 24
F
25
1. Magyarorszgi hossz idsorok brzolsa s elemzse. A KSH minden vben - 2001 ta - kzli a
hossz idsorokat Excel formtumban is tartalmaz Statisztikai vknyv CD mellklett. Ezek az
idsorok 1960-tl tartalmaznak folyamatosan venknt mrt adatokat. brzolja s rtkelje a
2006. vi Statisztikai vknyv CD mellkletben tallhat hossz (1960-2006) adatsorokat szakmai bontsban. A szakmai terleteken bell tbbfle mutat idbeli alakulsa vizsglhat:
1.1. Npessg, npmozgalom mutati.
1.2. A hztartsok jvedelme s fogyasztsa, lakspts.
1.3. Egy fre jut lelmiszer- s tpanyagfogyaszts.
1.4. Trsadalombiztosts, szocilis ellts.
1.5. Egszsggy.
1.6. Oktats
24
25
http://www.ers.usda.gov/Data/Macroeconomics/
Hunyadi Lszl [2002]: 29.
19
1.7. Kultra.
1.8. Bnzs.
1.9. Gazdasgi aktivits, brutt hazai termk (GDP), beruhzs.
1.10. A mezgazdasg fbb mutati.
1.11. Nvnyek sszes termse [ezer tonna].
1.12. llattenyszts.
1.13. Ipar.
1.14. Kereskedelem, turizmus.
1.15. Szllts.
1.16. Posta s tvkzls.
1.17. Az MNB interneten elrhet adatsorai 26 alapjn brzolja s elemezze a rendszervltst kveten:
A fogyaszti rindex alakulst 1993-tl havi- s ves tlagos bontsban, piaci javak szerint is.
A klkereskedelmi termkforgalom havi alakulst ru fcsoportonknt 1996-tl havi bontsban.
A fedezetlen bankkzi forint kihelyezsek havi tlagkamatlbainak alakulst 2000-tl havi bontsban.
A devizban fennll nett adssg alakulst 1995 s 2008 kztt negyedves bontsban.
2. Ksztse el a vilg tz legnpesebb orszgra, a vilgra s Magyarorszgra a korfkat a 2000.
2025. s 2050. v adatai alapjn. rtkelje a korfkbl levonhat kvetkeztetseket.
3. Az amerikai elnk rszre ksztett 2008. vi jelents 27 Excel formtumban kzreadott adatsorai
kzl brzolja s rtkelje a kvetkezket:
3.1. B-2. A GDP (Real gross domestic product), az export s az import, a hztartsok (Personal
consumption expenditures, total) fogyasztsa s a kormnyzati fogyaszts (Government
consumption expenditures and gross investment, total) alakulsa 2000-es $-ban. 1959-2007.
3.2. B-35. A munkanlklisg rtjnak alakulsa a polgri terleten dolgozknl. Az agrr s a
nem agrr terleten dolgoz aktv npessg szmnak alakulsa. 28 (Unemployment rate,
civilian workers Civilian population and labor force) 1929-2007. A hinyz adatokat (19301931, 1934-1938) becslje meg egyenletes nvekedsi temet felttelezve.
3.3. B-36. A munkanlkliek szmnak alakulsa sszesen s nemek szerint. (Civilian
employment and unemployment by sex and age). 1960-2007.
3.4. B-42. A mukanlklisg rta alakulsa sszesen s f csoportok (nem, kor: 16-19, s 20- vesek, szrmazs, fehr s nem fehr) szerint. (Civilian unemployment rate). 1960-2007.
3.5. B-51. A teljes ipari termelsi index (2002=100%) alakulsa. (Industrial production indexes,
major industry divisions). 1959-2007.
3.6. B-60. A fogyaszti rindex alakulsa (1982-84=100) az sszes termkre, az lelemre (food), a
vasti szlltsra (transportation), orvosi elltsra (medical care) vonatkozan. (Consumer
price indexes for major expenditure classes). 1960-2007.
3.7. B-77. Fogyaszti teljes hiteltartozsok (total consumer credit, milli $-ban.) alakulsa.
(Consumer credit outstanding). 1959-2007.
3.8. B-97. A farmok teljes jvedelmnek alakulsa millird $-ban. (Farm income). 1945-2007.
4. Az MNB folyamatosan kzli a forint napi rfolyamt a klnbz valutkhoz kpest 29.
4.1. A 2007. v napi rfolyamait brzolja s elemezze a Ft/USD (USD= USA dollr), a Ft/CAD
(CAD= kanadai dollr) s a Ft/EUR (EUR= eur) esetben.
4.2. brzolja 30 1990. jan. 1. s 2008. pr. 4. kztt a Ft/USD (USD= USA dollr) s a Ft/CAD
(CAD= kanadai dollr) napi rfolyamnak a vltozst.
A grafikonok az MNB honlapjrl is lekrhetk, klnbz bontsban 31.
5. Krdiagram ksztse
F
26
20
5.1. Foglalkoztatottak szmnak alakulsa 2000 s 2006 kztt gazdasgi gak szerint Magyarorszgon.
5.2. Iskolai vgzettsg vltozsa nemenknt 1960 s 2006 kztt.
1.3 Az orszgonknti korfa prognzis ksztse 2050-ig Excel parancsfjl mkdse
Ezzel a parancsfjllal elemezhet a munkalapon szerepl 25 orszg s a vilg npessgnek adatllomnya korcsoport s nemhez val tartozs szerint. Az egyes orszgok npessgszma ltalban az 1990-es
vektl a 2050-ig elrejelzett rtkekkel egytt vente rendelkezsre ll. Az adatokat az USA Npszmllsi Hivatala (US Census Bureau) hozza rendszeresen nyilvnossgra. 32 33 A vizsglni kvnt orszg
korfit 2050-ig megrajzolja a program.
Az Excel parancsfjl mkdse:
1. Az els bra nev munkalapon 25 orszg s a vilg npessge kzl vlaszthatunk, a kvetkez
munkalapokon megtalljuk az egyes orszgok npessgi adatait. A vlaszthat orszgok, feltntetve a rendelkezsre ll adatok kezd vt:
Afganisztn (AFG) 1979 Amerikai Egyeslt llamok (USA) 1950 Ausztrlia (AUS) 1986 Ausztria (AUT) 1991 Banglades (BAN) 1991 Belgium (BEL) 1989 Bosznia-Hercegovina (BHV) 1991 Brazlia (BRA) 1971 Bulgria (BUL) 1993 Csehorszg (CZE) 1991 Franciaorszg (FRA) 1990 India (IND) 1991 Indonzia (INA) 1980 Japn (JPN) 1990 Kanada (CAN) 1991 Kna (CHN) 1990 Lengyelorszg (POL) 1989 Magyarorszg (HUN) 1924-, hinyoznak az 1942-1946 vek.
Egyeslt Kirlysg (GBR) 1991 Nmetorszg (GER) 1991 Nigria (NGR) 1953 Oroszorszg (RUS) 1989 Pakisztn (PAK) 1981 Romnia (ROM) 1992 Szlovnia (SLO) 1991 Vilg (VILG) 19962. A csszda mozgatsval (egy kattints egy v elre) nyomon kvethetjk a korfa (frfi % s n
%) vltozst. Az vszmok 1950-2050 kztt vltoznak vi bontsban. Meg kell nzni melyik
vtl vannak korfa adatok (pl. Magyarorszg 1924-2050) s a csszdt az vszmhoz kell mozgatni. Az eltte lv veknl mivel nincs adat a korfa res marad. Baloldalt lthat az vszm,
jobboldalt fell pedig a vizsglt orszg vagy a vilg adott, teht ppen vizsglt vhez tartoz korfa adatai, frfi, n s sszesen (mindkt nemre vonatkozan) bontsban.
F
32
http://www.census.gov/ipc/www/idb/summaries.html
2009 10 24 utn az adatszolgltats egyszerbb vlt: Country ki kell vlasztani az orszgot, Ctrl lenyomsval
az sszes v kivlaszthat, utna Population Pyramids-t vlasztva, mindegyik orszgra elkszti a korft s az utols korfa utn az adatok letlthetk Excel/CSV formtumban.
33
21
Az albbi 1-1. bra mutatja Magyarorszg korfjt 34 1924-ben s a 2050-re vrhat korft a 1-2. bra tartalmazza, lthat, hogy a piramisbl (1924) egy fordtott piramis (2050) lesz, ami komoly veszlyeket
prognosztizl.
F
85+
80-84
75-79
70-74
65-69
60-64
55-59
50-54
45-49
40-44
35-39
30-34
25-29
20-24
15-19
10-14
5- 9
0- 4
20,0%
17,5%
15,0%
12,5%
10,0%
7,5%
5,0%
2,5%
Frfiak (%)
Nk (%)
0,0%
2,5%
5,0%
7,5%
10,0%
12,5%
15,0%
17,5%
20,0%
17,5%
15,0%
12,5%
10,0%
7,5%
5,0%
2,5%
Frfiak (%)
Nk (%)
0,0%
2,5%
5,0%
7,5%
10,0%
12,5%
15,0%
17,5%
20,0%
A csszda mozgatsval vizsglja meg a korfa vltozst a felsorolt orszgokban s rtkelje a 2025 s
2050 vekre vonatkoz prognzis becslseit.
Amerikai Egyeslt llamok (USA) 1950-2050
Brazlia (BRA) 1971-2050
Csehorszg (CZE) 1991-2050
Franciaorszg (FRA) 1990-2050
India (IND) 1991-2050
Kna (CHN) 1990-2050
Lengyelorszg (POL) 1989-2050
Romnia (ROM) 1992-2050
Szlovnia (SLO) 1991-2050
Vilg (VILG) 1996 - 2050
1.4 Nemzetkzi sszehasonltsok Excel parancsfjlok felhasznlsval
A GDP-re, a npessgszmra, a fogyaszti rindexre, a $ rfolyamra vonatkoz hossz idsorok orszgonknt s rginknt (216-231 orszg s rgi) 1969-2008 kztt lltak elszr rendelkezsre. 35 Az adatokat vente frisstik. Ennek alapjn 7 Excel parancsfjlt ksztettnk el. Parancsfjlonknt elszr a renF
34
35
22
delkezsre ll adatok jelennek meg, az ezt kvet 1. munkalapon ezekbl kt orszgot illetve rgit lehet
kivlasztani s ennek alapjn a program elkszti azt a grafikon, amely brzolja 1969 s 2008 kztt a
vizsglt mutat alakulst. A 2. munkalapon 10 orszgot, illetve rgit lehet kivlasztani a vizsglt mutat
szerinti sszehasonltsra. Az idtengely (a csszda) mozgatsval nyomon kvethetk a vltozsok 1969
s 2008 kztt. A rendelkezsre ll adatok extrapolcit is tartalmaznak a 2009 s 2020/2030 kztti idszakra. Ezrt a prognzisokat is meg lehet tekinteni 2009 s 2020 illetve 2030 36 kztt. Az idsorok s a
prognosztizlt idszak hosszt a parancsfjlok neve tartalmazza.
A letlttt adatok alapjn az albbi parancsfjlok kerltek kidolgozsra:
A gdpegyfrees1969-2008sprognzis2030.xls
Ez a parancsfjl az egy fre jut GDP rel rtkeket ($/f, 2005-s $-ban) tartalmazza orszgonknt s rgikknt (228 orszg, a vilg illetve rgi).
A gdp1969-2008 sprognzis2030.xls
Ez a parancsfjl a GDP rel rtkeket (millird $, 2005-s $-ban) tartalmazza orszgonknt s rgikknt
(230 orszg, a vilg illetve rgi).
A npessg1969-2008 sprognzis2030.xls
Ez a parancsfjl 228 orszg, a vilg illetve rgi esetben kzli a npessg alakulst fben.
A gdpdeflci1969-2009 sprognzis2020.xls
Ez a parancsfjl a 227 orszg illetve rgi esetben kzli a GDP deflcis indexnek alakulst %-ban
2005-s $-ban.
A gdprszesedse1969-2008 sprognzis2030.xls
Ez a parancsfjl a A GDP rel rtkek vilgtermelsbl (world=100 %) val rszesedst tartalmazza 2005s $-ban orszgonknt s rgikknt (228 orszg illetve rgi).
A fogyasztirindex1969-2008sprognzis2020.xls
Ez a parancsfjl a 231 orszg, a vilg illetve rgi esetben kzli a a fogyaszti rindex (CPI Consumer
price index 2005=100%) alakulst %-ban.
A $rfolyama1970-2008s prognzis2020.xls
Ez a parancsfjl 216 orszg illetve rgi esetben kzli a nemzeti valutk $ rfolyamt (US =1) relrtken
1970 s 2008 kztt. A nvleges $ rfolyamokat a fogyaszti rindexszel (CPI Consumer price index 2005
= 100 %) korrigltk.
F
A nemzetkzi sszehasonltsok Excel parancsfjlt 2011 janurjban a 2010 dec. 27-i adatok ismeretben
frisstettk. Az j Excel parancsfjlok, amit kzreadunk:
A trtneti adatok (Historical Data Files) 1969-2010 kztt llnak rendelkezsre. 190 orszg s 34 rgi
adatait kzltk. Az adatokat vente frisstik. Ennek alapjn 7 Excel parancsfjlt ksztettnk el. Az els
munkalap a vizsglt adatokat tartalmazza, az 1. munkalapnl kt orszgot illetve rgit lehet kivlasztani
s a grafikon brzolja 1969 s 2010 kztt a vizsglt mutat alakulst. A 2. munkalapon 10 orszg illetve rgi vizsglt adatt lehet kivlasztani s az idtengely mozgatsval nyomon kvethetk a vltozsok 1969 s 2010 kztt. Az adatbzisok els rtekintsre ttekinthetetlen halmazt kpeznek, hiszen
tbb mint 8000 adatot tartalmaznak. A grafikus brzols az sszefggsek gyors ttekintst biztostja.
Az adatok extrapolcijt (Baseline Data Files) is kzlik a 2011 2030 kztti idszakra. Ezrt a prognzisokat is meg lehet tekinteni 2011 s 2030 kztt, az veket itt *-gal jelltk.
Kidolgozk: Oxfordi Gazdasgi Elrejelzsek Hivatala (Global Insight, Project Link), Vilgbank (World
Bank World Development Indicators), Nemzetkzi Valutaalap (IMF, International Financial Statistics),
Npszmllsi Hivatal nemzetkzi adatbzisa, USA (Census Bureau International Population Database).
A letlttt adatok alapjn az albbi parancsfjlok kidolgozsra kerltek:
Gdpegyfrees1969-2010sprognzis2030.xls
Az egy fre jut GDP rel rtkeket ($/f) tartalmazza 2005-s $-ban orszgonknt s rgikknt (228
orszg, a vilg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok. Az adatokat az els GDPperf1969-2030 munkalap tartalmazza. Az
1GDPperf1969-2030 munkalapon ki lehet vlasztani kt orszgot illetve rgit s a grafikon brzolja
36
23
1969 s 2010 kztt a rel GDP/f ($/f) alakulst, tovbb a 2011 s 2030 kztti prognzist, ahol a
prognosztizlt idszak veit *-val jelltk. A 2 GDPperf1969-2030 munkalapon 10 orszg illetve rgi
adatt lehet kivlasztani s az idtengely mozgatsval lthatk a vltozsok 1969 s 2010 kztt, tovbb a 2011 s 2030 kztti prognzist nyomon lehet kvetni. A tbbi Excel parancsfjl hasonlan mkdik, ezrt az 1. s 2. munkalap tartalmnak ismertetstl a kvetkezkben eltekintnk.
A gdp1969-2010 sprognzis2030.xls parancsfjl mkdse.
A GDP rel rtkeket (millird $) tartalmazza 2005-s $-ban orszgonknt s rgikknt (230 orszg, , a
vilg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt
becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a GDP munkalap tartalmazza.
A npessg1969-2010 sprognzis2030.xls parancsfjl mkdse.
228 orszg, a vilg illetve rgi esetben kzli a npessg alakulst fben. 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok, ahol a prognosztizlt idszak
veit *-val jelltk. Az adatokat a npessg munkalap tartalmazza.
A gdpdeflci1969-2010 sprognzis2030.xls parancsfjl mkdse.
227 orszg illetve rgi esetben kzli a GDP deflcis indexnek alakulst %-ban 2005-s $-ban. 1969
s 2010 kztt tallhatk a tnyadatok s 2011 s 2030 kztt a prognosztizlt becslt adatok, ahol a
prognosztizlt idszak veit *-val jelltk. Az adatokat a gdpdeflci munkalap tartalmazza.
A gdprszesedse1969-2010 sprognzis2030.xls parancsfjl mkdse.
A GDP rel rtkek vilgtermelsbl (world=1) val rszesedst tartalmazza 2005-s $-ban orszgonknt s rgikknt (228 orszg illetve rgi). 1969 s 2010 kztt tallhatk a tnyadatok s 2011 s
2030 kztt a prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a gdprszeseds munkalap tartalmazza.
A fogyasztirindex1969-2009sprognzis2030.xls parancsfjl mkdse.
231 orszg, a vilg illetve rgi esetben kzli a fogyaszti rindex (CPI Consumer price index
2005=100%) alakulst %-ban. 1969 s 2009 kztt tallhatk a tnyadatok s 2010 s 2030 kztt a
prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a CPI-index
munkalap tartalmazza.
A $rfolyama1970-2010s prognzis2030.xls parancsfjl mkdse.
222 orszg illetve rgi esetben kzli a nemzeti valutk $ rfolyamt (US =1) relrtken 1970 s 2010
kztt. A nvleges $ rfolyamokat a fogyaszti rindexszel (CPI Consumer price index 2005 = 100 %)
korrigltk. A 2011 s 2030 kztt tallhatk a prognosztizlt becslt adatok, ahol a prognosztizlt idszak veit *-val jelltk. Az adatokat a $rfolyama munkalap tartalmazza.
Gyakorl feladatok. (Nemzetkzi sszehasonltsok Excel parancsfjlok)
A Gdpegyfrees1969-2010sprognzis2030.xls, a fogyasztirindex1969-2009sprognzis 2030.xls parancsfjl, a A $rfolyama1970-2010s prognzis2030.xls alapjn milyen lesz Magyarorszg helyzete:
2011-ben s 2030-ban. Viszonytsi alapok: Vilg, USA, EU 27 orszg, j EU orszgok, krnyez orszgok: Ausztria, Csehorszg, Szlovkia, Romnia, Ukrajna, Szlovnia s Horvtorszg.
2 Elemi mveletek a vltozkkal s empirikus eloszlsok elemzse
A sokasg mennyisgi ismrv szerinti megfigyelse sorn a sokasg minden egyes egyedre vonatkozan
egy szmszer adattal rendelkeznk. Ezek a mennyisgi ismrvrtkek jelentik a megfigyelt adatbzist,
melynek nagysga esetnkben maximum 5000 lehet. Ezt az adathalmazt rendezni, rendszerezni szksges, hogy a vizsglt jelensgrl ltalnos, tmr jellemzst tudjunk adni. Ezt a clt szolglja a kidolgozott
parancsfjl. Az adatok-szmtsok munkalap az aktulis adatbzisra jellemz szmlls, rangsorols, szszegzs eredmnyeit jelenti meg, tovbb kzprtkeket s kvantiliseket szmt s meghatrozza a szrds klnbz mrszmait. A parancsfjl mkdsnek a lersa eltt rviden ismertetjk az ltalunk
hasznlt statisztikai ismeretanyagot.
2.1 Szmlls, rangsorols, sszegzs
24
A legegyszerbb statisztikai mvelet a szmlls vagyis annak meghatrozsa, hogy az adott vltoz
szempontjbl hny megfigyelssel rendelkeznk. A szmlls vgeredmnyt ltalban n-nel jelljk,
gy mr szemlltetni tudjuk a teljes adathalmazt:
x 1 , x 2 , , x n
illetve az adathalmaz ltalnos elemt: x i -t.
Rangsornak nevezzk a vltozrtkek nvekv, vagy cskken sorrendben trtn felsorolst. A statisztikai mdszertan rangsoron - fszablyknt emelked rangsort rt. A rangsorba rendezett rtkeket,
annak rdekben, hogy megklnbztessk az egyszer lajstromtl (felsorolstl) ltalban az indexrtkek megklnbztetsvel jelljk:
x (1) , x (2) ,, x (n )
A mindennapi letben, gy a statisztikai elemzsekben is kitntetett szerepe van a legkisebb, illetve a legnagyobb ismrvrtknek, ezeket akrcsak a kznyelvben minimumnak, illetve maximumnak hvjuk,
s
x min = x (1)
x max = x (n )
szimblumokkal jelljk.
A rangsorba rendezs sorn az eredeti adathalmaz szmrtkeihez n. rangszmokat rendelnk. Rangszmnak nevezzk azt a pozitv egsz szmot, amely megmutatja, hogy egy konkrt adat hnyadik az
adathalmaz emelked rangsorban, vagyis
R i = k , ha x i = x (k )
Knnyen belthat, hogy a minimlis rtk rangszma 1; a maximlis pedig n, a rangszmok pedig a
termszetes szmokkal egyenlk 1-tl n-ig.
Ha egy-egy vltozrtk tbbszr is elfordul a lajstromban, akkor valamennyi azonos rtkhez azt az
azonos rangszmot rendeljk, amely a sorban kvetkezik, de a kvetkez (nagyobb) rtkhez annyival
nagyobb rangszmot adunk, ahnyszor eltte elfordult az azonossg. A msik megolds az, hogy az
azonos rtkekhez rendelt rangszm nem a sorban kvetkez, hanem egy kpzett szm, melyet gy kpeznk, hogy az azonos rtkekhez rendelt rangszmok sszege akkora legyen, mintha az rtkek klnbznnek. (pl. ha a 2-ik s a 3-ik rtk azonos, akkor 2,5 s 2,5 rangszmot kapnak)
A legegyszerbb statisztikai mveletek kz soroljuk az sszegzs (szummzs) mvelett is. sszegzsnek nevezzk azt a folyamatot, mely sorn sszeadjuk az adatbzisban szerepl vltoz rtkeit, vagyis kpezzk a vltoz rtksszegt:
n
x = x i
i =1
25
(x
i =1
x) = 0
(x
i =1
x ) min
2
A szmtani tlag egyrtelmen szmthat s jl rtelmezhet, kzepes helyet foglal el az elfordul rtkek kztt, de nem biztos, hogy tipikus rtk. Szmtott jellegbl addan ugyanis, lehet, hogy ilyen
rtk nem is fordul el.
A medin a rangsorba rendezett ( x i ) mennyisgi ismrvrtkek kzl a kzps rtk. Olyan jellemzje
a sokasgnak a mennyisgi ismrv szerint, amelyiknl ugyanannyi kisebb, mint nagyobb rtk fordul el.
A sz szoros rtelmben kzepes rtk. A medin rtknek megllaptshoz elszr az n szm x i
mennyisgi ismrvrtket rangsorba rendezzk, s megkeressk a kzpen elhelyezked rtket.
A medin pratlan elemszm adathalmaz esetn:
Me = x n +1
A medin pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor,
konvencionlisan a
x n + x n
Me =
+1
2
2
kplettel hatrozhat meg.
A medin egyik fontos tulajdonsga, hogy minden ismrvrtk medinnal trtn helyettestsekor elkvetett hibk abszolt rtkben szmtott sszege minimlis lesz:
n
- a min, ha a = Me
i=1
Egy statisztikai sokasgban, ha az adatokat nvekv sorrendben rendeztk, megkereshetjk azt az ismrvrtket (osztpontot) amelynl az ismrvek fele, negyede, tizede, szzada stb. kisebb, a tbbi pedig
nagyobb rtk. A kvantilisek teht olyan osztpontok, amelyek a rangsorba rendezett szmszer ismrvrtkek 2,3,4,,k-ad rszt jellemzik. Defincink szerint a j-edik kvantilis az a vltozrtk,
amelynl az sszes elfordul rtk j/k-ad (j=1,2,,k-1) rsze kisebb, illetve 1-(j/k)-ad rsze nagyobb.
Vagyis
x (1) x (2) x (i) q (kj ) x (i +1) x (n )
i
j
=
n k
26
n i =1
A szrs az albbi intervallumban vehet fel rtkeket:
0 n 1 x
2
A szrs ngyzett variancinak ( ) hvjuk. nll tartalommal br, bizonyos statisztikai eljrsokban
nagyon fontos szerepet tlt be.
Kplete:
1 n
2
2 = ( x i x )
n i =1
A relatv szrs mutatja a szrsnak a szmtani tlaghoz viszonytott arnyval fejezi ki a szrdst,
amelyet szzalkos formban is megadhatunk:
Vx = x
x
A relatv szrs mutatjnak jelentsgt a klnbz nagysgrend, s sokszor klnbz mrtkegysgekkel is mrt tlagokkal s szrsokkal jellemzett sokasgok, sszehasonltsa adja. Hatrai:
0 Vx n 1
x =
27
x = x i = 27 + 5 + 27 + ..... + 28 = 2259
i =1
1 n
27 + 5 + 27 + .... + 28
xi =
= 37,65
n i =1
60
=TLAG(xi) = 37,65 liter
Medin: a nvekv rangsorba rendezett x i rtkek kzps rtke.
x 60 + x 60
+1
36 + 36
2
Me = 2
=
= 36 liter.
2
2
=MEDIN(xi)= 36 liter.
Kvantilisek:
Kvartilisek: a ngy rszre osztott nvekv rangsorba rendezett sokasg osztpontjai.
Als kvartilis (Q1): =KVARTILIS(xi;1) = 27,75 liter
Medin (Q2): =KVARTILIS(xi;2) = 36,00 liter
Fels kvartilis (Q3): =KVARTILIS(xi;3) = 48,50 liter
Decilisek: a tz rszre osztott nvekv rangsorba rendezett sokasg osztpontjai.
Els decilis: =PERCENTILIS(xi;0,1) = 18,00 liter
Msodik decilis: =PERCENTILIS(xi;0,2) = 26,40 liter
Harmadik decilis: =PERCENTILIS(xi;0,3) = 28,00 liter
Negyedik decilis: =PERCENTILIS(xi;0,4) = 33,00 liter
tdik decilis: =PERCENTILIS(xi;0,5) = 36,00 liter
Hatodik decilis: =PERCENTILIS(xi;0,6) = 40,40 liter
Hetedik decilis: =PERCENTILIS(xi;0,7) = 48,00 liter
Nyolcadik decilis: =PERCENTILIS(xi;0,8) = 51,00 liter
Kilencedik decilis: =PERCENTILIS(xi;0,9) = 60,00 liter
x=
Szrds mrszmai:
A szrds terjedelme: a legnagyobb s a legkisebb xi rtk klnbsge.
T = x max x min
37
28
1 n
1
2
( xi x ) = [(27 37,65)2 + (5 37,65)2 + .... + (28 37,65)2 ] = 15,60 liter
n i=1
60
(x
- x)
1
[(27 37, 65)2 + (5 37, 65) 2 + .... + (28 37, 65) 2 ] = 243, 49
n
60
=VARP(xi) = 243,49
Relatv szrs: a szrs a szmtani tlag szzalkban.
15, 60
V= =
= 0, 4145 41, 45%
x 37, 65
2 =
i =1
+1
29
x fels
= x als
j
j+1 = x min + j h
Termszetesen gyakorlati okokbl treksznk knnyen kezelhet osztlyok (kerek szmok az osztlyhatrok, azonos hosszsgak az osztlykzk) megllaptsra. Az elfordul rtkeknek az osztlykzkbe trtn egyrtelm besorolsa rdekben, az egymst kvet osztlykzk als s fels hatrt
meg kell klnbztetni egymstl.
2-1. tbla: Az osztlykzs gyakorisgi sor smja
Ismrvvltozatok
Gyakorisg
fels
1
f1
x als
x fels
2
2
f2
x als
x fels
r
r
fr
sszesen
n = fj
als
1
j=1
Az osztlykzs gyakorisgi sorok esetn sokszor lnk az n. nyitott osztlyok alkalmazsnak lehetsgvel, vagyis a legals, illetve a legfels osztlyt nyitva hagyjuk, ezltal lehetv tve a kiugr (extrm) rtkek besorolst.
A gyakorisgi sorokbl tovbbi mennyisgi sorokat szrmaztathatunk. A relatv gyakorisgi sor a tnyleges gyakorisgok helyett, az azokbl szmtott megoszlsi viszonyszmokat tartalmazza, melyeket relatv gyakorisgoknak neveznk, melyek sszege 1. Az rtksszeg-sor a vltozrtkek (osztlykzk)
felsorolsa mellett, az ezekhez tartoz rtkek sszegt tartalmazza. Osztlykzs gyakorisgi sor esetn
becslt rtksszeg-sor llthat el az osztlykzepek s a gyakorisgok szorzata alapjn. Az rtkszszegekbl szmtott megoszlsi viszonyszmok segtsgvel relatv rtksszeg-sor kpezhet. Az elbbi sorok mindegyikn elvgezhet a halmozott sszeads (kumulls) mvelete, amely jelenthet kumullst (felfel kumullst) s lefel kumullst. Ez azt jelenti, hogy a nvekv rtkek fel, illetve a cskken rtkek fel trtnik a halmozott sszeads. gy nyerjk a kumullt sorokat. A gyakorisgi sor alapvet brzolsi mdszere a hisztogram.
Kzprtk s szrds szmts gyakorisgi sorokbl
A gyakorisgi sorokbl a szmtani tlagot s a szrst slyozott formban szmthatjuk ki. Slyknt
mindkt esetben a gyakorisgok (fi-k), illetve a relatv gyakorisgok (gi-k) szerepelnek.
A slyozott szmtani tlag kplete:
k
f x
i
x=
i=1
k
f x
i
i=1
i=1
i=1
i=1
x = g i x i mivel g i = 1
Ahol
xi = az elfordul vltoz-rtkek, illetve az osztlykzepek, ezek az tlagoland rtkek
A fenti kplet alapjn lthat, hogy a slyozott szmtani tlag nagysgt kt tnyez hatrozza meg:
1. az tlagoland rtkek (abszolt) nagysga,
2. a slyok viszonylagos nagysga, ms szval a slyarnyok.
A szrs slyozott formulja:
n
f (x
i =1
x)
f
i =1
g (x
i =1
x)
30
Mindkt helyzeti kzprtknek a mdusznak s a medinnak is jelents szerepe van a gyakorisgi sorok
elemzsben.
Az egyszer gyakorisgi sorban ahol a mennyisgi ismrvet diszkrt szmrtkek jellemzik a mdusz
meghatrozsa nem okoz klnsebb nehzsget, mivel a legnagyobb gyakorisggal rendelkez ismrvrtket kell kivlasztani. Komplikltabb a szmts, ha az adatok osztlykzs gyakorisgi sorba vannak
rendezve. A mdusz, mint tudjuk, a leggyakrabban elfordul ismrvrtk. Osztlykzs gyakorisgi sor,
valamint folytonos mennyisgi ismrveket tartalmaz sorok esetn a defincit kiss ltalnosabban fogalmazzuk meg. Ilyen esetben a mdusz 38 az az rtk, amely krl az elfordul rtkek legjobban srsdnek, ahol a gyakorisgi grbnek maximuma van. Ez a meghatrozs egyben azt is jelenti, hogy a
mdusz egzakt meghatrozsra osztlykzs sorok esetn nincs md, rtkt csak kzelt szmtssal
tudjuk meghatrozni.
A mdusz meghatrozsa kt lpsben trtnik:
F
1. Ki kell vlasztani az n. modlis osztlykzt, amelyben a mdusz tallhat. Ez egyenl hosszsg osztlykzk esetn az az osztlykz, amelyhez a legnagyobb gyakorisg tartozik. Nem egyenl
osztlykzk esetn azonban ezt meg kell elznie a gyakorisgok korrekcijnak, hiszen a modlis
osztlykz azonostsakor figyelembe kell venni azt a tnyt, hogy eltr hosszsg osztlykzk esetn egyenletessget felttelezve pl. ktszer olyan hossz osztlykzhz ktszer akkora gyakorisgnak
kellene tartozni. gy egysgnyi osztlykz-hosszra vettve a tnyleges gyakorisgot az osztlykz
hosszbl szmtott egyenrtkessel a tnyleges gyakorisgot korriglni kell.
h*
Mindez kpletbe rendezve : f j* = f j fels
x j x als
j
ahol h * az egyenrtkesnek tekintett osztlykz hosszsga, f j* a j-edik osztlyhoz tartoz korriglt
gyakorisg.
2. A kivlasztott modlis osztlykz birtokban alkalmazhat az albbi kplet:
f mo* f mo* 1 )
(
als
als
Mo = x mo + *
x mofels x mo
(
)
*
*
*
( f mo f mo 1 ) + ( f mo f mo +1 )
ahol: f mo* a modlis osztlykz korriglt gyakorisga,
Egyszer gyakorisgi sorok esetn a medin kivlasztsa a rangsor alapjn knnyen elvgezhet, a medin sorszmnak megfelel xi rtk megllaptsval. Osztlykzs gyakorisgi sor esetn csak valamilyen
kzelt eljrssal lehetsges.
A medin meghatrozsra az albbi algoritmust szoks hasznlni:
n f
2
als
me 1
Me = x als
+
( x fels
me
me x me )
f me
ahol:
x als
me a medint magban foglal osztlykz als hatra,
x fels
me a medint magban foglal osztlykz fels hatra,
1 a medint megelz osztlykz felfel kumullt gyakorisga,
f me
f me a medint tartalmaz osztlykz gyakorisga,
n
2 a medin sorszma.
A szrmaztatott mutatszmok meghatrozsa krben van kitntetett szerepe a momentumoknak. Egy
kvantitatv vltoz r-ed rend momentuma, a bevett statisztikai meghatrozs szerint, a vltozrtkek
r-edik hatvnyainak tlagval egyenl, vagyis slyozott esetben:
38
31
f x
mr =
i =1
r
i
n
Ha a r=1, az n. elsrend momentum a szmtani tlag, m1 = x .
Definilhat valamely tetszlegesen megvlasztott a rtkre vonatkoz r-ed rend momentum is, ha
a = x , akkor ez az r-ed rend centrlis momentum slyozott esetben:
k
mr ( c ) =
f (x
i =1
x)
n
Az els rend centrlis momentum, m1 ( c ) = 0 , mivel az tlagtl mrt eltrsek algebrai sszege 0. A
msod rend centrlis momentum megegyezik a szrsngyzettel. m 2 ( c ) = 2 .
Empirikus eloszlstpusok. Az aszimmetria s a ferdesg mrsre szolgl mutatk
A gyakorisgi eloszlsok elemzse a gyakorisgi grbe alakjnak vizsglatt jelenti. Az empirikus eloszlst jellemz grafikus brt, a hisztogramot, illetve gyakorisgi poligont, sszehasonltjuk a normlis eloszls szimmetrikus gyakorisgi grbjvel. A gyakorisgi poligon felrajzolsa sorn az osztlykzepeknl felmrt gyakorisgok pontjait (ezek a hisztogramok oszlopkzepnek felelnek meg) sszektjk. Az
n. egymdusz eloszls esetben, azt vizsgljuk, hogy az empirikus eloszlsunk szimmetrikusnak tekinthet-e, vagy a grbe, valamelyik szle fel jobban elnylik. Ez utbbi esetben jobb, vagy bal oldali
aszimmetrirl beszlnk. A gyakorisgi grbe alakjrl a grafikus bra s a kzprtkek nagysgrendje mr tjkoztat. Szimmetrikus tekinthet empirikus eloszlsok esetn a szmtani tlag, a medin s a
mdusz rtke kzel azonos.
Jobb oldali aszimmetrinl az emltett hrom kzprtk kzl a mdusz rtke a legkisebb, bal oldali
aszimmetrinl pedig a szmtani tlag. Jobb oldali aszimmetrij eloszls esetn, a grbe a cscspontjt
valamilyen alacsonyabb x i rtknl veszi fel, a magasabb x i rtkek fel haladva a gyakorisgok egyre
kisebbek lesznek, a grbe hosszan elnylik. Bal oldali aszimmetrinl termszetesen fordtott a helyzet,
amint az albbi bra mutatja.
Jobb oldali
Bal oldali
x Me
Mo Me x
Mo Me x
Mo = Me = x
Mo Me x
Jobboldali aszimmetria
Szimmetrikus eloszls
Baloldali aszimmetria
Mo
Az aszimmetria mrsre hasznlt mutatszmok kzs jellemzje, hogy dimenzi nlkliek, rtkk
nulla, ha az eloszls szimmetrikus, s eljelk jelzi a jobb- s baloldali aszimmetrit.
A Pearson-fle A mutat:
x Mo
A=
A szmtani tlag s a mdusz rtknek azonossga esetn a mutat rtke 0, ami jelzi a szimmetrit. A
mutat pozitv eljele a jobb oldali, negatv eljele a bal oldali aszimmetrit mutatja. A mutatnak nincs
fels korltja, teht a mutatszm rtke nem utal kzvetlenl az aszimmetria mrtkre.
Az aszimmetria mrsre szolgl F-mutat:
32
F=
Az F-mutat szmtsa azon alapul, hogy szimmetrikus eloszlsnl a kvartilisek egyenl tvolsgra vannak egymstl, ekkor 0 a mutat rtke. A jobb s bal oldali aszimmetrit az F mutatszm eljele
ugyangy jelzi, mint az A mutat, abszolt rtke azonban maximum 1 lehet. Ez az extrm aszimmetrit
jelezn, amikor is a medin rtke valamelyik szls kvartilisvel (Q3 vagy Q1) egyezik meg.
A ferdesg mrsre szolgl S mutat, amely meghatrozhat a centrlis momentumok alapjn:
S=
m 23 (c)
m32 (c)
A S -mutat rtke 0, ha az eloszls szimmetrikus, pozitv eljel esetn jobb oldali, mg negatv eljel
esetn bal oldali aszimmetrira kvetkeztethetnk. Hasonlan az A-mutathoz ez a mutatszm sem korltos.
A gyakorisgi eloszlsok vizsglata kiterjed az empirikus eloszlsok tovbbi alak-vizsglatra, a cscsossg-lapultsg elemzsre is. Cscsossgon az eloszlst jellemz grbe meredeksgt rtjk a mdusz
krnyezetben. A cscsossg mrszmai is a normlis eloszlshoz viszonytva vizsgljk az eloszls relatv lapultsgt, vagy erteljes meredeksgt. Trgyi rtelmt tekintve a szimmetrikus, de lapult eloszls
az egyenletes eloszls fel kzelt, mg a cscsos eloszls jelzi az tlag krli tmrls erteljes voltt.
A cscsossg mutatszma:
m 4 (c)
m 22 (c)
A K-mutat rtke 3, normlis eloszls esetn. Ennl kisebb rtk esetn lapultnak, nagyobb rtk esetn
cscsosnak tekinthetjk az eloszlst.
A koncentrci vizsglata
A gyakorisgi sorok adatai alapjn vizsglhat a sokasg x vltoz szerinti koncentrcija. Az elzekben bemutatott empirikus eloszlsok vizsglatnak nem szerves rsze a koncentrci elemzse. Azrt trgyaljuk egytt, mert ugyanabbl az adatbzisbl a gyakorisgi sorokbl mindkt vizsglat elvgezhet. Koncentrci vizsglatot akkor vgznk, ha rtelmezhet a sokasg x vltoz szerinti koncentrcija,
vagyis a gyakorisgi sor mellett kpzett rtksszeg-sor adatainak trgyi rtelme van. Pl. a npessg jvedelem szerinti koncentrcijt vizsglva, a jvedelem eloszlsa mellett a megszerzett jvedelmek szszege, az sszjvedelembl val rszeseds is rtelmezhet. Beszlhetnk a gazdlkodsi egysgeknek a
termelsi rtk, a ltszm, a beruhzs, a forgalom, az rbevtel s a nyeresg szerinti koncentrcijrl; a
npessg jvedelem, vagyon szerinti koncentrcijrl.
Koncentrcin a gazdasgi-trsadalmi jelensgekben megfigyelhet tmrlseket, sszpontosulsokat
rtjk. A koncentrci fogalma mind a gazdasgi folyamatokat, mind azok eredmnyeknt ltrejtt llapotokat jellemzi. Koncentrcinak nevezzk azt a jelensget, amikor a sokasghoz tartoz rtksszeg jelents rsze a sokasg kevs egysgre sszpontosul. A koncentrci jelensgt a mennyisgi sorok alapjn jellemezhetjk (mrhetjk) gy, hogy egy adott X ismrv gyakorisgi s rtksszeg eloszlst hasonltjuk ssze. Ha a teljes rtksszeg megoszlsa nem egyenletes, azaz a teljes rtksszeg nagy rsze a sokasg egysgeinek kis rsznl sszpontosul, relatv koncentrcirl beszlnk. Az egyenletes eloszls
az az elmleti hatreset, amely a koncentrci teljes hinyt jelezn. A msik elmleti hatreset a legersebb fok az abszolt koncentrci, amikor a teljes rtksszeg egyetlen sokasgi egysghez tartozik. A relatv koncentrci elemzse elvgezhet a koncentrcis tbla alapjn, a relatv gyakorisgi s
relatv rtksszeg sor sszehasonltsval. A koncentrci megltt az jelzi, hogy az alacsonyabb xi rtkeknl a relatv gyakorisgok rendre nagyobbak a relatv rtksszegek rtkeinl. A nagyobb xi rtkeknl fordtott helyzetet tapasztalunk.
A koncentrci brzolsra s elemzsre szolgl specilis grafikus brt, megalkotjrl 39 Lorenzgrbnek hvjuk. A Lorenz-grbe egysgoldal ngyzetben elhelyezett bra, amely a kumullt relatv
F
39
Max Otto Lorenz (1880-1962) amerikai statisztikus 1905-ben publiklta elszr az ltala elssorban jvedelemegyenltlensgek illusztrlsra javasolt brt.
33
a grbe kzel van az tlhoz, akkor gyenge a koncentrci. Ha a relatv gyakorisgok s relatv rtkszszegek igen jelentsen eltrnek egymstl, a grbe a tengelyekhez ll kzel, ez mutatja az ers koncentrcit. A grbe s az tl ltal bezrt terlet teht, a koncentrci relatv nagysgt jellemzi. Ezt a terletarnyt kzelti az n. Gini-fle koncentrcis arnyszm.
n
K=
f f
j=1 i =1
i j
xi x j
2xn ( n 1)
A fenti kplettel meghatrozott koncentrcis arnyszm rtke egyenl a Lorenz-grbe s az tl ltal
bezrt terletnek s a tengelyek s az tl ltal bezrt hromszg terletnek az arnyval. A mutatszm
hatrai: 0 K 1 .
Az empirikus eloszlsok elemzse parancsfjl t munkalapbl ll. Az adatok-szmtsok munkalap rszben megegyezik az elemi mveletek parancsfjl azonos nev munkalapjval. A munkalap tovbbi rszben az egyszer gyakorisgi sor kpzst s az empirikus eloszlsok jellemzit kzli a parancsfjl. Az 1.
s 2. munkalap az adatok s szmtsok munkalapon szerepl adatbzisbl osztlykzs gyakorisgi sorokat kpez s hisztogramot kszt. A 3. munkalap az empirikus eloszlsok elemzsre szolgl abban az
esetben, amikor az egyedi adatok nem llnak rendelkezsre, s gy a kiindul adatbzis egy osztlykzs
gyakorisgi sor. A mkdst bemutat szemlltet plda: egy benzinkt egyik ktoszlopnl egy adott
idszak 4 ra alatt kiszolglt benzin mennyisge literben, amit az esemnyek sorrendjben jegyeztek
fel, ld. xi srga mezben lv oszlopot.
F
Momentumok
Elsrend
37,65
Msodrend
1661,016667
Harmadrend
81014,25
Negyedrend
4241460,617
Centrlis momentumok: az x rtkre vonatkoz r-ed rend momentumok, r=1,2,3, s 4
Centrlis momentumok
Elsrend
1,30266E-15
Msodrend
243,4941667
Harmadrend
141,86175
Negyedrend
139775,4399
Empirikus eloszlsok jellemzi
A mutat (aszimmetria): az aszimmetria Pearson-fle mrszma
x Mo 37, 65 36
=
= 0,11
15, 6
F mutat (aszimmetria): az aszimmetria kvartilisekbl szmtott mrszma
(Q Me) (Me Q1 )
F= 3
= 0, 20
(Q3 Me) + (Me Q1 )
S mutat (aszimmetria), amely meghatrozhat a centrlis momentumok alapjn:
A=
40
34
m32 ( c )
= 0, 037
m32 ( c )
Az Excel ltal alkalmazott kplet:
S=
xi x
S =
=
( n 1)( n 2 ) i=1
n
'
[(27 37,65)
60
( 60 1)( 60 2 )
15,60
= 0,038
=FERDESG(xi) = 0,038
K mutat (cscsossg):
K=
m 4 (c)
m 22 (c)
3 = -0,64
x
xi
2
n(n +1)
3 (n 1)
'
i
1
=
K=
=
4
(n 1)(n 2)(n 3)
(n 2)(n 3)
60(60 +1)
[(27 37,65) 2 + (537,65) 2 +...+ (2837,65) 2 ]4
=
3 (60 1)
= 0,59
(60 2)(60 3)
=CSCSOSSG(xi) = -0,59
Az 1. munkalap az adatok-szmtsok munkalapon szerepl xi adatsor, illetve az egyszer gyakorisgi
sor alapjn olyan osztlykzs gyakorisgi sort kpez, ahol az els s az utols osztlykz nyitott. Az
1. munkalapon minden szmts automatikus, az adatok-szmtsok munkalapon meghatrozott egyszer
gyakorisgi sorbl (xi, fi) kpezi az osztlykzs gyakorisgi sort. Az 1. munkalapon csak az els osztlykz (a pldban: xa) s az utols osztlykz (a pldban: xf) hatrt lehet mdostani, amit a srga
szn is jelez. A 2. munkalapon ugyanezt vgzi el, azzal a klnbsggel, hogy az osztlykzk szma s
az osztlykzk fels hatra is tetszs szerint vltoztathat (a srga szn jelzse szerint), gy akr tbbszri prblkozssal lehet a tnyleges eloszlst legjobban ler gyakorisgi sort megkeresni. Ehhez ad informcit a tnyleges rtksszeg-sor megjelentse, a becslt sorok mellett.
Az osztlykzs gyakorisgi sorbl kpezhet tovbbi sorok mindegyikt kzli a parancsfjl, gy az rtksszeg, relatv s kumullt sorokat is.
A kvetkez jellseket hasznlja a program:
fi = a (felfel) kumullt gyakorisgok
fi = a lefel kumullt gyakorisgok
gi = a relatv gyakorisgok
gi = a (felfel) kumullt relatv gyakorisgok
gi = a lefel kumullt relatv gyakorisgok
si = a tnyleges rtksszeg
si = a felfel kumullt tnyleges rtksszeg
si = a lefel kumullt tnyleges rtksszeg
zi = a relatv tnyleges rtksszeg (%)
zi = a felfel kumullt relatv tnyleges rtksszeg (%)
35
A program megadja a klnbz sorokat tartalmaz tblban az fi*-gal jellt korriglt gyakorisgokat, amelyek a mdusz becslshez s a hisztogram szerkesztshez szksgesek.
Az 1. s 2. munkalap zr rsze a koncentrci elemzsre megadja a koncentrcis tblt, a Lorenzgrbt s a Gini-mutatt, a munkalapokon szerepl adatbzis alapjn. A szmtsokat ktfle mdon tudja elvgezni a program, a tnyleges, illetve a becslt rtksszeg-sor adatai alapjn, melyek kzl vlaszthatunk a legrdl mensor hasznlatval. Az 1. s 2. munkalapon szerepl bemutat plda nem alkalmas a koncentrci elemzsnek bemutatsra, mivel itt az rtksszeg-sor adatainak (a vsrolt szszes benzin mennyisgnek) nincs informci tartalma, nehezen rtelmezhet a vsrlknak a vsrolt
benzinmennyisg szerinti koncentrcija. Itt jra hangslyozzuk, hogy, ha empirikus eloszlsok elemzse a clunk, s adatbzisunk alapjn nem rtelmezhet a koncentrci akkor a program ltal megadott, a koncentrcira vonatkoz szmtsi eredmnyeket figyelmen kvl kell hagynunk.
A 3. munkalap amint mr utaltunk r az empirikus eloszlsok elemzsre szolgl abban az esetben,
amikor az egyedi adatok nem llnak rendelkezsre, s gy a kiindul adatbzis egy osztlykzs gyakorisgi sor. Az adatok bevitelt az osztlykzk szma srga mezben kitltsvel kell kezdeni. Ha az utols osztlykz fels hatra nyitott, akkor az osztlykzk szma eggyel tbb, mint a berand fels hatrok. Az osztlykzk bevitelre az osztlykzk fels hatra (Fels oszlop), mg a gyakorisgok bevitelre az fi oszlopa szolgl a srga mezben. Ha n. nyitott osztlyos a gyakorisgi sorunk, akkor az xa s
xf srga mezbe berhatjuk az ltalunk vlasztott als s fels osztlykz hatrt. Amennyiben az emltett
srga cellkat nem tltjk ki, a program mechanikusan elvgzi az osztlykzepek szmtst. A kiindul
adatbzisunk tartalmazhatja az rtksszeg-sort is (si oszlop), ebben az esetben az adatainkat a srga cellkban rgzthetjk s gy a tovbbi szmtsok a tnyleges rtksszegekbl trtnnek. Ha a tnyleges
rtksszegek nem ismeretesek, akkor a program az osztlykzepek segtsgvel becslt rtksszegeket
szmt.
A 3. munkalapon ugyanazok az elemzsi eredmnyek jelennek meg, mint az 1. s 2. munkalapon. Rszletesebb magyarzatot csak a koncentrci elemzse ignyel. A koncentrcis tbla adatai alapjn sszehasonlthatk a kumullt relatv gyakorisgok a kumullt relatv rtksszegekkel. Ezen adatok alapjn a
program megrajzolja a Lorenz-grbt s kzli a kiszmtott Gini-mutat rtkt.
Az Excel felhasznlsval meghatrozhatjuk a Lorenz-grbe s az tl ltal bezrt terletet (A) gy is,
hogy meghatrozzuk a Lorenz-grbn kvli terlet nagysgt (B), felhasznlva azt, hogy a trapz terlete:
(a + b)h
T=
2
A trapz kt alapjt a-val s b-vel, magassgt h-val jelltk. sszegezzk a terletek nagysgt, ami az
albbi brban a trapz terlete. A B terlet ismeretben a Lorenz-grbe: (A=-B) a Gini mutat pedig
(A/2)
36
0,3
0,2
0,1
b
h
0
0
0,2
0,4
0,6
0,8
1. A Demogrfiai vknyv 2005. s 2006. KSH, Budapest, kzli Excel formtumban (A_3_1_2 2205.xls
[3.1.2. A NPESSG SZMA VROSONKNT]) a magyarorszgi vrosok npessgszmt vrosonknti bontsban az 1970 s 2007 kztti (1970, 1980, 1990, 2001, 2002, 2003, 2004, 2005, 2006, 2007)
idszakban. Vizsglja meg a vrosi npessg koncentrcijnak a vltozst Budapest nlkl. Az adatbzis az eredeti formjban nem alkalmas a szmtsok elvgzsre. A Gyakorisgok fggvny felhasznlsval csoportosthatjuk a vrosokat a npessgszm alapjn. A npessgszmvrosonkntrendezve19702006.xls fjlban nyomon kvethet a programozs a Gyakorisgok fggvny felhasznlsval. (Gyakorisgok: a gyakorisgi vagy empirikus eloszls rtkt fggleges tmbknt adja eredmnyl. A gyakorisgi eloszls adott rtkhalmazbl s adott szm osztlynl [intervallumnl] az egyes intervallumokban
elfordul rtkek szmt mri.)
A megoldshoz segtsg: 1970-ben a Gini-mutat 0,518, 2006-ban 0,512 volt.
2. A jvedelemkoncentrci vltozsa Magyarorszgon az SzJA bevallsok alapjn. Rendelkezsre ll
adatok: 2004, 2005 s 2006. Vgezze el a szmtsokat az elemimveletek.xls fjl segtsgvel, s rtkelje a kapott adatokat.
3. Egy kereskedelmi gazat vllalkozsainak ves rbevtel adatait az albbi tblzat tartalmazza rbevtel-svok szerint. Vgezze el a koncentrci elemzst elemimveletek.xls fjllal s rtkelje a kapott adatokat.
4. Egy wellness hotel brjnak elz napi forgalmrl (az eurban kibocstott szmlk alapjn) rendelkezsnkre ll adatsor (szmhalmaz). rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) a kapott adatokat.
5. Hrom trsashz 132 laksnak havi tlagos vzfogyasztsa (m3/laks), amit a Pcsi Vzm az elz
egy ves fogyaszts alapjn llaptott meg, mint havi tlagmennyisget a kvetkezkppen alakult.
rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) az adatait.
6. Ipoly Erd Zrt. Kemence WS 3600 lloms napi (01, 09, 13, 19 rakor s kzp) hmrskleti menete.
2007 mrcius. rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek,
szrdsi mutatk, az empirikus eloszls alakjnak vizsglata) az adatait.
7. Egy kereskedelmi bankban egy adott hten (5 munkanap) lekttt ( rvid, 1, 2, 3, 4 illetve 6 hnapos
futamidej ) bettek rtkei, (eFt), nvekv sorrendben 257 adatot tartalmaz.
rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi mutatk, az empirikus eloszls alakjnak vizsglata, koncentrci, Gini-mutat) az adatait.
41
Lsd www.apeh.hu.
37
8. Egy iparvllalat dolgozinak havi brutt tlagkeresetre vonatkozan az albbi adatokkal rendelkeznk. rtelmezze az elemi mveletek (elemimveletek.xls fjllal) szmtsainak (kzprtkek, szrdsi
mutatk, az empirikus eloszls alakjnak vizsglata, koncentrci, Gini-mutat) az adatait.
3 Az idsorok elemzsi mdszerei
42
43
38
y=
t =1
y
y1
+y 2 +...+y N-1 + N
2
yt k = 2
N-1
A dekompozcis idsorelemzs statisztikai mdszerei azt felttelezik, hogy a vizsglt idsorok ltalban
ngy f, egymstl fggetlen s elklnthet tnyezbl tevdnek ssze. Ezek a kvetkezk: a trend
vagy hossz tv alapirnyzat, az ettl szablyos (ltalban havi vagy negyedves) ingadozsokkal eltr
rvid tv (szezonlis) ingadozst ler sszetev, a szablytalan hosszabb tv ingadozsokat ler ciklikus sszetev (konjunktraciklus) s a vletlen vltoz. A kvetkezkben ezen tnyezk kimutatsra
szolgl mdszereket mutatjuk be.
3.1.1 Az idsorok sszetevi s kapcsoldsi mdjai
1. A trend vagy a hossz tv alapirnyzat
A trend az idsorban tartsan az ingadozsokon keresztl hossz tvon rvnyesl tendencia, amely
az idsor alakulsnak f irnyt jelenti. A trendet tbb, a vizsglt jelensg alakulst alapveten meghatroz tnyez alaktja. Ha az adott idintervallumon becslt tendencit extrapollssal ki akarjuk terjeszteni a vizsglt intervallum hatrain kvlre, ezt csak azzal a felttelezssel tehetjk, hogy ott is rvnyesl
ez a stabilits. Az idsorokban rvnyesl trendek meghatrozsra kidolgozott mdszerek tbbsge jelents adatmennyisg ismeretben is csak rvid illetve kzptv prognzisok ksztsre hasznlhat.
Hosszabb tv prognosztizlsra val felhasznlsukat korltozza az a tny, hogy hosszabb tvlatban ritkn felttelezhet a vizsglt jelensgre hat tnyezk krnek s irnynak vltozatlansga. Ugyanakkor,
ha hossz, 100-200 ves, vagy ennl hosszabb idsorokkal rendelkeznk, akkor a hossz tv, n. megatrendeket is azonostani tudjuk, ami megalapozottabb trend extrapolcit eredmnyezhet. A megatrendek
nem az egyik naprl a msikra alakulnak ki s enysznek el. Ezek az tfog trsadalmi, gazdasgi, politikai s mszaki vltozsok lassan bontakoznak ki, de ha egyszer mr kialakultak, akkor befolyst gyakorolnak rnk egy ideig, ht-tz vig, vagy mg tovbb. Megvan a hatkrk s alakt erejk egy-egy vtized vltozsspektrumnak a meghatrozshoz. 46
2. A szablyos rvid tv (szezonlis) ingadozst ler sszetev
A szezonlis vagy idnyszer ingadozs lland peridushossz, olyan hullmzs, melynek a peridushossza egy vnl rvidebb idszak.
3. A szablytalan hosszabb tv ingadozsokat ler ciklikus sszetev (konjunktraciklus)
F
44
39
ahol:
yij = a megfigyelt idsor rtke, az i-edik peridus j-edik szezonjban
c*l = az l-edik becslt (*) konjunktra ciklus, aminek a peridusa klnbz (3-60 v) lehet.
vij* = a vletlen hats, az i-edik peridus j-edik szezonjban
Az jonnan bevezetett jellsekhez nhny megjegyzst fznk. Idsorunk ltalnos elemnek jellsre
eddig az y t (t=1,...,N) mdot hasznltuk s eszerint, idsorunk N szm adatbl ll. Ha az idsorban szezon-komponenst is megklnbztetnk, a bevezetett j jells szerint az idsor ltalnos eleme:
y ij (i=1,2,...,n; j=1,2,...,m) , s az idsor adatainak szma: n*m=N . Az lland szezonalts egyben azt is jelenti, hogy ha brmely peridus (pl. v) ugyanazon szezonjrl (pl. hnapjrl) van sz, a szezoningadozs eltrt hatsa standard, a vizsglt t=1,...,N idtartam alatt. Ez azt jelenti teht, hogy a vizsglt
sszes peridusban pldaknt az elmlt t vben -, negyedves adatokkal lert szezonalts esetn ngy
szezontnyezvel, havi adatok esetn tizenkt szezontnyezvel jellemezzk a szezon-ingadozst. Ezrt
kell teht az s j (j=1,2,...,m) jellst a szezon-komponensre bevezetni (negyedves adatoknl m=4 , havi
adatoknl m=12 ), s ilyenkor a peridusok (pl. vek) jellsre az i=1,2,...,n mdot hasznlni.
Multiplikatv modell esetn felttelezzk, hogy az idsor megfigyelt rtkei, a trend, a szezon, a konjunktra ciklus s a vletlen komponens rtkeinek szorzataknt (jele: *) llthat el.
Ennek alapjn ha kapcsolds mdja multiplikatv:
y ij = y ij * s j * c l * v ij
ahol, a mr ismert jellsek mellett,
47
40
A mozgtlagols alapgondolata, hogy a trendet az eredeti adatsor dinamikus tlagaknt lltjuk el. A
gyakorlatban igen elterjedt trendszmtsi mdszer, mert egyszer s gyorsan szmthat. Htrnya viszont, hogy a kiegyenltett sor rvidebb, teht kevesebb adatot tartalmaz, mint az eredeti, gy a nagyon
rvid idsor esetben szinte lehetetlen a trendet e mdszerrel egyrtelmen jelezni. A mozgtlagols
trendszmts sorn az idsor rtkeibl ltalunk vlasztott tagszm (jele: k) tlagokat szmtunk
gy, hogy az idsor elejrl indulva az tlagoland rtkek kzl az elst elhagyva, s az utols rtket
kvett hozzvve az eljrst addig folytatjuk, mg az utols adatot is felhasznltuk. Minden kiszmtott
tlagot az tlaggal jellemzett idszak kzephez rendeljk. Az gy nyert mozg tlagok sora az alapirnyzat rtkeit, azaz a mozg tlagols trendrtkeket adja, melyek szma kevesebb, a megfigyelt idsor
adatainl. Pldul k=3 tag mozg tlagolsnl 2 adattal rvidl az idsorunk, az els s az utols megfigyelt idszakhoz nem kapunk trendrtket. A nagyobb tagszm tlagols, jobban kiszri a vletlen hatst, de tbb adattal rvidl a trendrtkek sora. Ha az idsorban szezonhats van, a mozg tlag tagszmt gy vlasztjuk meg, hogy tfogjon legalbb egy, vagy tbb teljes peridust.
Pldul negyedves szezonalts esetn 4, 8, 12, ... tag, havi szezonalts esetn 12, 24, 36, ... tag tlagokat kell vlasztani. A trendrtkek sora ekkor 4, 8, 12, ... , illetve 12, 24, 36, ... adattal rvidl. A megfelel tagszm-vlaszts a szezonhats kiszrst clozza.
Ha k pros, akkor az sszeget szolgltat idszak kzepe kt tlagolt rtk kz esik. Ez esetben egy ismtelt k=2-es mozgtlagolst, ms nven centrrozst vgznk, gy a ktszeri eltolds miatt az y t s y t
rtkek mr egymsnak megfelelhetk.
Az elzek alapjn a mozg tlagols trendszmts lpsei:
1. A peridus alapjn eldntjk, hogy hny tag mozgtlagot szmtunk. (tagszm=k)
2. Kiszmtjuk az els k adat egyszer szmtani tlagt. Ezt az rtket az tlag ltal lefedett idszak
kzephez rendeljk. Ez pratlan k esetn a (k+1)/2-dik idszak, pros k esetn a k/2 s a (k/2)+1edik idszak kz rendeljk. Ez utbbi esetben ahhoz, hogy az eredeti idsor idszakaihoz rendelhessnk adatot, szksg van a centrrozsra.
3. Ezutn elhagyjuk az els adatot, s helyette a k+1-edik adattal bezrlag szmtjuk ki a k-tag
egyszer szmtani tlagot, s az gy add idszak kzephez rendeljk az tlagot.
4. A 3. lpst ismteljk az elemzend idsor utols adatig.
3.1.2.2 Analitikus trendszmts
A lineris s a linerisra visszavezethet trendfggvnyek esetben a legkisebb ngyzetek mdszert alkalmazzuk, vagyis olyan fggvnyt keresnk, amely esetben a megfigyelt s a modell ltal szmtott rtkek kztti eltrs ngyzetsszege minimlis. 50
F
48
41
A legjobb kzeltst teht az a fggvny adja, melyiknl a reziduumokbl ( yi - y i ) szmtott eltrsngyzetsszeg a legkisebb:
n
i=1
i=1
A kvetkezkben bemutatsra kerl lineris s linerisra visszavezethet trend fggvnytpusok logaritmikus transzformcikkal, illetve j vltozk bevezetsvel linearizlhatak, s klasszikus legkisebb
ngyzetek mdszervel a paramtereik becslhetk.
A kvetkezkben nhny vizsglati szempontot sorolunk fel:
I. A lineris s a linerisra visszavezethet trendfggvnyek a fggvnyt ler egyenlet alapjn vizsglhatk:
monotonits szempontjbl:
1. nvekvek: pl. lineris, parabolikus, fl-logaritmikus, hatvny alak s parabolikus (ha az
egytthatk pozitvak), exponencilis, ha b1 >1
2. monoton cskkenek: pl. hiperbolikus, parabolikus (ha az egytthatk pl. pozitvak, de a
legnagyobb fokszm idtnyeznl a paramter negatv), hatvny alak ha b1<0 s exponencilis, ha 0< b1<1
3. vegyes fggvnyek: pl. parabolikus trendek, (az idvltoz, a t egytthati kztt tallhat
pozitv s negatv is) ahol a monoton nvekeds monoton cskkensbe vagy fordtva a
monoton cskkens monoton nvekedsbe megy t.
teltds szempontjbl:
1. teltdsi fggvnyek: pl. fllogaritmikus, hiperbolikus, ahol a fggvny egy vgs hatrrtk fel tart,
2. teltds nlkli fggvnyek: pl. lineris, parabolikus, hatvny alak, exponencilis, ahol a
nvekedsnek vagy a cskkensnek nincsenek korltai.
inflexis pont szempontjbl:
1. a fggvnyek rendelkezhetnek inflexis ponttal: pl. harmadfok parabolikus
2. a fggvnyeknek nincs inflexis pontjuk: pl. lineris, fllogaritmikus, hatvny alak, exponencilis.
Egy fggvny inflexis pontjn azt rtjk, hogy ebben a pontban az rint tmetszi a grbt. Az inflexis
pont ltezsnek szksges felttele ha a fggvnynek az inflexis pontban a harmadrend derivltja is
ltezik az, hogy a fggvny msodik derivltja ebben a pontban nulla legyen, az elgsges felttel pedig
az, hogy a harmadik derivlt az inflexis pontban ne legyen egyenl nullval. Termszetesen felttelezzk, hogy a fggvny az inflexis pont krnyezetben hromszor differencilhat. Az inflexis pont ltezsnek szksges s elgsges felttele az is, ha a msodik derivlt a zrus pontjban eljelet vlt, ami
azt mutatja, hogy a konvex (konkv) vet konkv (konvex) kveti.
a fggvnyek nevezetes pontjait is vizsglhatjuk, pl. melyek a trend kezdeti, (az rtelmezsi tartomny t=0 pontjban mekkora az y rtk) s hatrfelttelei, van-e a fggvnynek maximuma (pl. a
parabolikus trend, ha a paramterek eljele klnbz) vagy nincs (a legtbb vizsglt fggvny esetben, pl. lineris, fllogaritmikus, hatvny alak, exponencilis). Vizsglhat tovbb, ha t ,
akkor mekkora az y rtk.
51
42
a fggvny nvekedsnek irnyra azaz, hogy monoton nvekv (a t idtengely mindegyik pontjban az els derivlt f(t) nem negatv) vagy monoton cskken, (a t idtengely mindegyik pontjban az els derivlt f(t) nem pozitv):
a nvekeds mrtkre (gyorsan vltozik-e a fggvny vagy lassan). A differencia hnyados az
idsorok trend vizsglatnl a kvetkez kplettel kzelthet, felhasznlva az analzisben tanult
sszefggst:
dy
y
y(t + t) - y(t)
(y t - y t-1 )/(t -[t -1]) = (y t - y t-1 )
= lim
= lim
t =
dt t 0 t t 0
t
esetleges szlsrtkre (van-e abban a pontban a fggvnynek maximuma vagy minimuma), az
albbi sszefggs szerint, ahol a msodik derivlt t szerint f(t):
f ' (t max ) = 0
f " (t max ) < 0
f ' (t min ) = 0
f " (t min ) > 0
Lineris (lin - lin 52) trendszmts
F
53 54 55
F
Az idsorban a vltozs tendencija egyenes vonallal jl lerhat, ha a szomszdos idszakok kztti abszolt vltozs (nvekeds vagy cskkens) viszonylag lland az idben.
A fggvnyt ler formula:
y t = b0 + b1t
Ahol: b1 0 mert ha b1 =0 akkor a trendfggvny konstans: b0 .
Regresszis modellnl 56 (pl. Excel) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, N 57) 58
F
52
43
Azt felttelezzk, hogy a mltbeli folyamatok folytatdnak a jvben. A lineris trend az extrapolcinl
llandnak veszi az tlagos abszolt nvekmnyt, ami hosszabb tvon ritkn teljesl felttel, mivel a lineris trendfggvny a vgtelenbe tart, ha az id is a vgtelenbe tart.
Ha: t + s ha b1 > 0
y t (t + ) +
Ha: t + s ha b1 < 0
y t (t + )
y t
b1 >0
y t = b 0 + b1t
b0
b1 <0
y t =1 = b 0
44
y t
y t = b0 + b1lnt
b1 >0
b0
b1 <0
Sok esetben hasznlhatjuk elemzsre s elrejelzsre a polinomilis trendet, amely ltalban felttelezi,
hogy a nemlineris folyamatok alakulsban fordulpont van, pl. az idsorban tendenciavlts tapasztalhat, vagyis az idsor nvekedsbl, hullmhegybl cskkensbe, hullmvlgybe vagy fordtva - megy
t, akr ismtlden is. rtelemszer, hogy a fokszm nvelse egyre jobb illesztst ad, de megllapthat, hogy a 3 fokszmnl magasabb fokszm alkalmazsa mr igen nehezen indokolhat. A trendszmtsnl az elfogadott gyakorlat szerint a polinom fokszma 2 vagy 3 lehet. A polinom fokszmnak nvekedsvel ugyan n az illeszts pontossga, de egyre inkbb elvesztjk a valdi tarts irnyzatot s a polinom kveti a szezonlis, a ciklikus s a vletlen komponenseket is. A msodfok polinomilis trend azt
felttelezi, hogy az idsorban maximum egy fordulpont (egy hullmhegy s egy hullmvlgy) van.
A fggvnyt ler formula:
y t = b0 + b1t + b 2 t 2
Ahol: b 2 0 mert ha b 2 =0 akkor a trend lineris.
Ha b 2 =0 s b1 =0 akkor pedig a trendfggvny konstans b0 .
Regresszis modellnl ( EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t t 2 (pl. t = 1, 2, 3, N)
Legyen: b 0 > 0, b1 > 0, b 2 < 0
y t = b0 + b1t + b 2 t 2 teht a fggvny fordtott U ( ) alak.
Akkor a fggvny maximuma:
dy
= b1 - 2b 2 t = 0
dt
b
t max = 1
2b 2
A tmax helyen a msodik derivlt t szerint negatv (-2b2), teht a fggvnynek maximuma van.
45
y t
b1
2b2
y t = b0 + b1t + b2 t 2
b0 > 0, b1 > 0, b 2 < 0
b0
t max
A harmadfok polinomilis trend azt felttelezi, hogy az idsorban maximum egy vagy kt fordulpont
(egy vagy kt hullmhegy s egy vagy kt hullmvlgy) van.
A fggvnyt ler formula:
y t = b0 + b1t + b 2 t 2 + b3 t 3
Ahol: b3 0, b 2 0 mert ha b3 =0, b 2 =0 akkor a trend lineris. rtelemszeren b1 0 .
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: y t
Bemeneti X tartomny: t t 2 t 3 (pl. t = 1, 2, 3, n)
Legyen:
b0 > 0, b1 > 0, b 2 > 0, b3 < 0
Akkor:
y t = b0 + b1t + b 2 t 2 + b3 t 3
46
y t
y t = b0 + b1t + b2 t 2 + b3 t 3
b0 > 0, b1 > 0, b2 > 0, b3 < 0
b0
t
y t (t + ) +
Ha: t + s ha b1 < 0
y t (t + ) 0
y t
b1 >1
y t = b0 t b1
b1 =1
0<b1 <1
b1 <0
b0
47
Az exponencilis trendnl a relatv vltozsok (a lncviszonyszmok) mutatnak viszonylagos llandsgot (stabilitst). ltalban a kzp s hossz tv gazdasgi s trsadalmi folyamatok jellemzsnek
alapmodellje. Akkor alkalmazzuk, ha felttelezhet, hogy egysgnyi idvltozs hatsra a folyamat vltozsa relatve lland, azaz a vizsglt idszakban a megfigyelsek az elz rtkhez kpest rendre megkzelten azonos szzalkos nvekedst vagy cskkenst mutatnak.
A fggvnyt ler formulk:
y t = b 0 b1t
lny t = lnb 0 + tlnb1
Az Excel diagram trend ltal szmolt exponencilis trend formulja:
y t = b 0 e ct
y t = b 0 b 1t
b1 = e c
A fggvny helyettestsi rtke a t=0 helyen (y0):
y t =0 = b0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: lny t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, n)
A szomszdos rtkek hnyadosa, teht a nvekeds tlagos teme lland.
y t
b 0 b1t
=
= b1
y t 1 b0 b1t 1
y t
y t = b0 b1t
b1 >1
b0
b1 =1
0<b1 <1
Az extrapolcinl figyelembe kell vennnk, hogy nem biztos az, hogy a mltat jl ler trend a jvben
is igaznak bizonyul. Pl. a fejlds hosszabb tvon [50-200 v] nem rhat le lineris vagy exponencilis
trenddel, mivel rvnyeslnek az vszzados trendek s hossz ciklusok. Rvidebb tvon [7-30 v], ha a
fejlds exponencilis, meghatrozhat a duplzdsi id 59:
y t = b 0 (1 + p) t
Ahol:
F
59
48
b0=a bzisrtk,
p = az ves nvekedsi/cskkensi tem,
b1=1+p,
gy a duplzdsi id (t) a
2b0 = b0 (1+ p )
formulbl becslhet, ha p>0 illetve b1>1, akkor a duplzdsi id:
ln(2) = tln(1+ p)
t = ln(2)/ln[1+ p].
A felezsi id ha -1<p<0 illetve 0<b1<1
t
0,5b0 = b0 (1+ p )
t
t = ln(0,5)/ln(1+ p)
Plda 60:
ha p=0,05 akkor b1=1,05 a duplzdsi id: t=14,2
ha p=0,1 akkor b1=1,10 a duplzdsi id: t=7,27
Az ves nvekedsi tem ktszeresre ntt, aminek eredmnyekppen a duplzdsi id kzel felre
cskkent.
Plda:
ha p=-0,05 akkor b1=0,95 a felezsi id: t=13,51
ha p=-0.1 akkor b1=0,90 a felezsi id: t=6,57
Az ves nvekedsi tem ktszeresre cskkent, aminek eredmnyekppen a felezsi id kzel felre
cskkent.
Hiperbolikus trend
Gyakran elfordul, hogy az idsor aszimptotikusan kzelt egy adott rtket. Ekkor trendfggvnyknt
valamelyik bemutatsra kerl hiperbolikus fggvny alkalmazhat. Az nkltsget, az rak alakulst
jellemz folyamatok gyakran modellezhetk e mdon.
F
b1 >0
b0
b1 <0
y t = b 0 + b1
1
t
49
1
= b0 + b1t
y t
1
b0
1
Ha t = 1 akkor y t=1 =
b0 + b1
Ha t akkor y t 0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: 1/y t
Bemeneti X tartomny: t (pl. t = 1, 2, 3, n)
Ha t = 0 akkor y t =0 =
y t
1
b0
y t =
1
b 0 + b1t
1
b0
Ha t = 1 akkor y t=1 =
1
b0 + b1 + b 2
Ha t akkor y t 0
Regresszis modellnl (pl. EXCEL) a
Bemeneti Y tartomny: 1/y t
Bemeneti X tartomny: t t2 (pl. t = 1, 2, 3, n)
50
y t
1
b0
y t =
1
b 0 + b1t + b 2 t 2
Ha a szezonlis hullmmozgs kitrsei, amplitdi abszolt rtelemben vagy relatv (a trendhez viszonytva) rtelemben llandsgot mutatnak, akkor lland szezonalitsrl beszlnk.
Ha a peridus (i) hossza az v, ezen bell a szezontnyez (j) hossza lehet pl. 4 negyedv, 12 hnap, 52
ht, 365 nap, 230-252 munkanap, 250-252 tzsdenap.
Ha a peridus (i) hossza a hnap ezen bell a szezontnyez (j) hossza lehet 4 ht, 28-31 nap.
Ha a peridus (i) hossza a ht ezen bell a szezontnyez (j) hossza lehet 7 nap, 5 munkanap.
Ha a peridus (i) hossza a nap ezen bell a szezontnyez (j) hossza lehet 24 ra.
Az additv modell esetn teht azt tapasztaljuk, hogy a klnbz peridusok azonos szezonjban, a
trendtl mrt eltrsek nagysga megkzeltleg ugyanakkora. Mivel a szezonlis hullmzst az alapirnyzathoz kpest jelentkez szisztematikus pozitv s negatv eltrsekknt definiltuk, elvrhat kvetelmny, hogy egy teljes periduson bell kiegyenltsk egymst. Ezrt additv modell esetn a szezonlis
eltrsekre vonatkoz kvetelmny gy rhat fel, hogy
m
s
j=1
=0.
*
j
v*t = v*ij = 0
t =1
i =1 j=1
s
j=1
=1
m
A vletlen komponensre hasonl kvetelmny rhat fel, eszerint
N
v = v
t =1
i =1 j=1
ij
=1
sszefoglalan megllapthat, hogy a szezonalits eltrt hatsa a megfelel szezonoknl additv modellben abszolt llandsgot, multiplikatv modellben a trendhez mrt relatv llandsgot mutat.
A szezontnyez meghatrozsa kt lpsben trtnik:
a trendhats levlasztsval, s
a vletlen hats kiszrsvel
51
A szezonlis hats szmszerstst multiplikatv s additv modell esetn egytt mutatjuk be s most eltekintnk a konjunktra ciklusok modellezstl. Kiindulva a modellekbl
yij =y ij +s*j +v*ij
yij =y ij *s j *vij
elszr a mr elzetesen szmszerstett trendhatst szrjk ki a megfigyelt idsorunkbl. Ez a kt alapmodellnek megfelelen az albbiak szerint trtnik:
1. A megfigyelt s trend-rtkek hnyadosai, illetve klnbsgei, felttelezseink szerint mr csak a
szezon- s vletlen hatst tartalmazzk.
2. A msodik lpsben a vletlen hats kiszrst kvnjuk elvgezni, az elbbiekben nyert hnyadosok, illetve klnbsgek, azonos szezonra es rtkeinek tlagolsval.
A kt alap-modellbl gy a szezonok szmnak megfelelen m szm nyers szezonindexekhez az Excel parancsfjlban a jele: Index, illetve nyers szezonlis eltrsekhez a jele Eltrs jutunk.
sj =
s*j =
1 n yij
n i=1 y ij
1 m
( yij -y ij )
n i=1
s
s=
m
m
s* =
j=1
*
j
j=1
ami nem ms, mint az m szm nyers szezonindex, illetve -eltrs egyszer szmtani tlaga.
A tiszttott szezonindexeket (A jele: Korr. Index) gy nyerjk, hogy a nyers szezonindexeket a korrekcis
tnyezjkkel rendre elosztjuk. Hasonlan nyerjk a tiszttott szezonlis eltrseket (A jele: Korr. Elt.), a
nyers szezonlis eltrsekbl rendre levonva korrekcis tnyezjket. Az alap-modellekbl szmszerstett szezonkomponens rtelmezse: brmely peridus j-edik szezonjban a szezonalits a trendhez kpest
mdostja az idsori rtkeket. A mdosts a multiplikatv modellben s j -szeres nvelst, illetve cskkentst jelent; a szezonindexeket szzalkban kifejezve, a 100% feletti rsz a szzalkos nvelst, a
100%-nl kisebb szezonindexek esetn a 100%-ra kiegszt rtk a szzalkban kifejezett cskkens
mrtkt adja meg. A mdosts additv modellben az s*j -nek megfelel mrtk nvelst, vagy cskkentst jelenti az idsor rtkeinek, az s*j eljeltl fggen, az idsor adatainak nagysgrendjben s
mrtkegysgben.
3.1.4 A ciklikus (periodikus) mozgs modellezse.*
A ciklikus (periodikus) mozgs smjt az albbi bra mutatja. Ez az bra a konjunktraciklus elmleti
alapjt, a harmonikus rezgmozgst mutatja be, s a fizikbl ismert harmonikus rezgs modelljre pl,
melyben az
1. szakasz a pangs, (depresszi),
2. szakasz a meglnkls, (expanzi),
3. szakasz a fellendls, (prosperits),
4. szakasz pedig a vlsg (recesszi vagy hanyatls) idszaka.
Ha csak egy fellendl s egy visszaes fzist klnbztetnek meg, gyakran a kvetkez terminolgit
hasznljk: felszll g s leszll g, alacsonyabb fordulpont vagy hullmvlgy (mlypont), fellendls
vagy nvekeds, magasabb fordulpont (cscs), s visszaess vagy cskkens. A gyakorlati tapasztalatok
szerint a ciklusok peridusa s amplitdja vltozik.
52
cscspont
A
1
mlypont
A hullmhossz egy teljes hullmnak a hossza, pl. a cscsponttl a cscspontig, vagy a mlyponttl a
mlypontig:
v
= = vT
f
Ez a megkzelts teht a Newton-fle akci egyenl reakci, illetve hats egyenl ellenhats elvbl
indul ki, vagyis azt felttelezi, hogy a gazdasgi letben ppen gy, mint a fizika hullmjelensgeiben
az egyenslyi helyzetbl val kilengst az abba val visszatrs jelensge kveti, majdnem mechanikus
mdon. Ez a fizikai modell termszetesen elmleti, s gy egy idelis megvalsulst r le, a gyakorlatban a
ciklus kpe eltr a fenti szablyos minttl.
Ahol:
y = kitrs, az egyenslyi helyzettl mrt tvolsg,
A = amplitd, a nyugalmi helyzettl mrt legnagyobb kitrs (mlypont, illetve cscspont),
T = peridus (rezgsid),
= krfrekvencia, a frekvencia 2-szerese,
f = frekvencia (gyakorisg), a rezgsek szmnak s idtartamnak hnyadosa, amely megadja az egysgnyi id alatt trtnt rezgsek szmt:
1
f= =
T 2
v = sebessg:
2
2
v = A cos( t) = A ( ) cos(
t)
T
T
A nemzetkzi szakirodalom a kvetkez t konjunktra-ciklust felttelezi s klnbzteti meg: 61
F
1.
2.
3.
4.
5.
A ciklusok peridusa teht duplzdhat, pl. egy Kondratyev ciklus [57 v] tartalmazhat 6 Juglart [9,5 v]
s egy Juglar tartalmaz 3 Kitchint [3,16 v]. Ha pldul a Kondratyev ciklus hosszt [peridust] tlagosan 54 vnek vesszk, s a Kuznets ciklust 18 vesnek lltjuk, a Juglar ciklust 9 vesnek, a Kitchin ciklust 4,5 vesnek vesszk, akkor a kapcsolat teljesen tiszta:
1 Kondratyev ciklus = 3 Kuznets ciklus = 6 Juglar =12 Kitchin.
Egyszer technikai eljrsokkal a ciklusokat rszmozgsokra oszthatjuk, egyiket-msikat kiszrhetjk a
vizsglni kvnt mozgs kimutatsa rdekben. A trend a ciklus kikszblsvel felfedhet (pldul
mozgtlagolssal, grafikus becslssel, vagy a szoksos legkisebb ngyzetek mdszernek alkalmazsval). Kondratyev vizsglati mdszernek az a lnyege, hogy az rakat egyszer statisztikai indexszel brzolja, egyes pnzgyi (kamatrta, brek), vegyes jelleg (klkereskedelmi forgalom), illetve tisztn naturlis sorok esetben a trendtl val eltrs szmtsi mdszert alkalmazza. Az utbbiaknl (klkeres61
53
kedelem s termels, valamint fogyaszts) mindig egy fre jut adatokat hasznl, s a legkisebb ngyzetek mdszervel szmtott trendtl val eltrseket vizsglja gy, hogy 9 ves mozgtlagolssal megprblja kiszrni a rvidebb ciklus mozgsokat. Ennek a megkzeltsnek az a lnyege, hogy ne az
egyedi, hanem a hossztvon rvnyesl sszetett hatsokat ragadjuk meg, s ezltal tudjunk a mltban
rvnyeslt, s rszben a jvre is vrhat tendencik segtsgvel hozztenni valamit a rvid tv szakmai elemzsekhez. A trtnelem folyamn a modernkori Eurpban a Kondratyev - ciklusok a kvetkezk szerint alakultak 62 63:
F
Peridus
260
230
156
134 ?
Lthattuk, hogy a ciklusok idtartama (peridusa) duplzdik. Ugyanakkor a klnbz idtartam ciklusok egyidejek, keverednek, mozgsukkal cskkentik, vagy nvelik az egsz hullmzs amplitdjt.
Ha pldul az vszzados trend felszll ga tallkozik a Kondratyev ciklus leszll gval, akkor ez a
vlsgot mrskli, ellenkez esetben ersti. Itt is rvnyesl a fizikbl ismert interferencia jelensge, illetve trvnye. Egyszer technikai eljrsokkal a ciklusokat rszmozgsokra oszthatjuk, egyiket-msikat
kiszrhetjk a vizsglni kvnt mozgs kimutatsa rdekben.
A hossz ciklus kimutatsa:
Az idsor elemei a hossz ciklus vizsglatnl a kvetkezk lehetnek:
1.
2.
3.
4.
vszzados trend
3-9-27 ves Kitchin-, Juglar-, s a Kuznets- ciklusok
Kondratyev ciklus
Vletlen hats
Az idsor hossza legalbb 100 v, ebben az esetben egy vszzados trend s kt hossz-ciklus mutathat
ki. A hossz ciklusok vizsglatnl elszr az eredeti idsor 9 vagy 27 tag mozgtlagt vesszk. A 9
tag mozgtlagolssal a 3 ves peridus Kitchin- s a 9 ves peridus Juglar-, illetve 27 tag mozgtlagolsnl a Kuznets-ciklust is kikszbljk. A rvidebb ciklusok termszetesen az elzekben ismertettek szerint klnbz peridusak lehetnek, pl. 4-8-16 vesek, ebben az esetben 16 tag 64 mozgtlagolssal kszblhet ki a Kitchin, a Juglar s a Kuznets-ciklus. A mozgtlagolssal a vletlen hatst is kiszrjk. A mozgtlagols csak akkor kszbli ki a periodikus hullmzst, ha a mozgtlag tagszma a peridus hosszval vagy egszszm tbbszrsvel egyenl. Ha nagyobb tagszmot vlasztunk,
akkor a hullmzs ellenttes lesz a ciklussal, ha kisebb tagszmot vlasztunk, mint a ciklus peridusa,
akkor csak tomptjuk a hullmzst. A grafikus brt ezrt alaposan kell elemezni, hogy a megfelel mozgtlag tagszmot kivlasszuk. Ezt kveti a trend kikszblse. Additv kapcsolat esetn a trendet az
eredeti idsorbl kivonjuk, multiplikatv kapcsolat esetn az eredeti idsort a trenddel osztjuk. EljrhaF
62
54
tunk gy is, hogy elszr a trendet kszbljk ki, s ezt kveti a mozgtlagols. A kt eljrs [sorrend],
azonos eredmnyre vezet.
Feltteleztk, hogy a rendelkezsre ll empirikus idsorban ( yi i = 1, 2...N ves adatokkal dolgozunk,
gy nincs szezonlis hats az idsorban) a kvetkez tnyezk klnbztethetk meg:
1. y i = az vszzados trendrtk
2. c*l = a becslt (*) konjunktra ciklus
3. k *m = a Kondratyev fle hossz ciklus
4. vij* = a becslt (*) vletlen hats.
Ahol:
i = 1, 2,.... ,N = az vek szma, legalbb 100 v
m = 1, 2,... .,p = a Kondratyev fle hossz ciklus peridusa (pl. 45-50 v)
l = 1, 2, ,o = a rvidebb konjunktra ciklusok peridusa (3-27 v)
A * index additv kapcsolatot jelez, ha nincs * index, akkor a kapcsolat multiplikatv.
A kapcsolds mdja lehet additv:
y i = y i + c*l + k *m + v ij*
1.
2.
3.
4.
y ij = y ij * s j * c l * v ij
c l = y ij /(y ij * s j * v ij )
fggvnyek sajtossgait s kivlasztsuk mdszereit. Vizsglnunk kell tbbek kztt: a trend fggvnyt
ler formult, annak sajtossgait 65.
Additv kapcsolat esetn a trendet az eredeti idsorbl kivonjuk, ( y ij y ij ) multiplikatv kapcsolat esetn
F
az eredeti idsort a trenddel osztjuk ( yij / y ij ), gy kikszbljk a trendhatst. Ezt kveten, ha havi adatokkal rendelkeznk, 12 tag mozgtlagt vesszk a klnbsgeknek (additv kapcsolat) vagy a hnyadosoknak (multiplikatv kapcsolat). gy mivel havi adatokkal rendelkeztnk kikszbltk a szezonlis
hullmzst s a vletlen hatst is. A kapott adatsor illetve grafikus bra a konjunktra ciklust mutatja. Eljrhatunk gy is, hogy elszr mozgtlagolssal (pl. napi adatoknl, ha 252 munkanap van egy vben,
akkor a mozgtlag tagszma 252, havi adatoknl 12, negyedves adatoknl pedig 4) a szezonlis hullmzst s a vletlen hatst kszbljk ki, majd ezt kveten szrjk ki a mozgtlagols adatsorbl a
trendhatst, az elzekben ismertetett mdn. Azt, hogy a trend s a szezonhats kapcsoldsa additv,
vagy multiplikatv egyszer mdszerrel megllapthatjuk: ha a trend nvekv (pl. a lineris trend b1
egytthatja pozitv vagy az exponencilis trend b1 egytthatja nagyobb, mint 1) s additv a kapcsolat,
akkor a komponensek sszegzdnek, teht az amplitdk nem vltoznak, nem fggnek a trend nagysgtl. Multiplikatv kapcsolat esetn viszont a tnyezk szorzdnak s a nvekv trend miatt az amplitdk
nnek.
Cskken trendnl (pl. a lineris trend b1 egytthatja negatv vagy az exponencilis trend b1 egytthatja
kisebb, mint 1, de nagyobb mint 0) additv kapcsolatot jelez, ha nincs vltozs az amplitdkban, mivel
sszegzdnek a tnyezk. A multiplikatv kapcsolatot viszont az jelzi, hogyha az amplitdk az idben
elrehaladva cskkennek, teht csillapod a rezgs.
A ciklusok peridusnak becslse deduktv mdszerrel 66:
F
67
F
A mozgtlag az egyik legismertebb s legknnyebben hasznlhat indiktor. Kisimtja az rfolyam hullmzsait s knnyebb teszi a trendek felismerst, mely nagy segtsg a gyorsan mozg rszvnyek ese65
.asp
56
tben. A tzsdeindexek tlagolsra kt mdszert mutatunk be, amelyekre Excel parancsfjlt dolgoztunk
ki 68:
Az egyszer (aritmetikai) mozgtlag (Simple Moving Average, SMA): egy adatsor (A) egyszer
szmtani tlagt jelenti. A formula:
1 j
SMA ( j) =
Ai
N i = j N
Ahol:
SMA ( j) a j idpontban szmtott mozgtlag,
F
57
Exponencilis mozgtlag (Exponential Moving Average, EMA): a technikai elemzk gyakran hasznljk azrt, hogy cskkenteni tudjk az egyszer mozgtlag lemaradst. Az EMA esetben az idben
hozznk kzelebb ll rfolyamok nagyobb, mg a rgebbi adatok kisebb sllyal szerepelnek a kalkulciba, a kapott rtket sszeadjuk, majd a slyok sszegvel elosztjuk. Az egyszer mozgtlaggal szemben az exponencilis mozgtlag rzkenyebb az jabb adatokra, ezrt gyorsabban mutatja a trendfordulkat.
Pldul, egy 20 napos exponencilis mozgtlag az j rak legfeljebb 9,524 %-at slyozza
[2/(20+1)*100=9,524 %], mg egy 200 napos EMA az j rak legfeljebb 0,995-%-t
[2/(200+1)*100=0,995 %] slyozza. Fontos megjegyezni teht, hogy az EMA tbb slyozst hajt vgre
az j rakon, mint az SMA. Az exponencilis mozgtlag elterjedt formja a peridus alap EMA, ahol a
paramter az EMA idtartamt reprezentlja. Az EMA szmtsa sorn alkalmazott kplet, amit a
tzsdeindiktorok.xls parancsfjl kidolgozsa sorn hasznltuk:
EMA ( jelenlegi) = r( jelenlegi) EMA elz * X + EMA (elz)
EMA t = [ (1 ) rt i ] + (1 ) t r0
i
i =0
Lthat, hogy az j rtk kialaktsban a legutols (rt-0 = rt) teht t idpontban megfigyelt adat
sllyal, az azt megelz, (t-1) idpontban megfigyelt (rt-1) adat (1-), mg az i-edik idszakot megelz
adat (r[t-(i-1)]), (1-)i sllyal jrul hozz az EMAt rtk kiszmtshoz. Az idsor legrgebbi adatnak
(rt-t = r0) slya pedig (1-)t. A kt szomszdos EMA adat kztt a klnbsg (1-) szoros. Az idsor a mozg tlag tagszmnak (N) megfelelen rvidl. Ha N pros, a rvidls N adat, ha pratlan a rvidls (N-1). Az exponencilis mozgtlag is a tzsdei trendfordulk meghatrozsban lehet a befektetk segtsgre. Hasznlata megegyezik az egyszer mozgtlagval, de nagyobb sllyal veszi figyelembe a friss rfolyamadatokat. Vannak idszakok, amikor az exponencilis mozgtlag figyelse nagyobb
58
1. a hossz mozgtlag emelkedik s a rvid mozgtlag alulrl flfel metszi a hossz tlagot
2. a hossz mozgtlag cskkensbl emelkedsbe vlt s a rvid mozgtlag a hossz fltt helyezkedik el
Az indiktor eladsi jelzst ad, amikor:
1. a hossz mozgtlag cskken s a rvid mozgtlag fllrl lefel metszi a hossz tlagot
2. a hossz mozgtlag emelkedsbl cskkensbe vlt s a rvid mozgtlag a hossz alatt helyezkedik el
Minl rzkenyebb egy indiktor, annl tbb jelzst fog adni. Ezek a jelzsek idben rkezhetnek, de a
meg nvekedett rzkenysggel a hibs jelzsek szma is megntt. Minl rzketlenebb egy indiktor,
annl kevesebb jelzst produkl. Azonban ez a kevesebb jelzs sokkal megbzhatbb is. Habr ezek a jelzsek nha ksve rkeznek. A mozgtlagok esetben hasonl a dilemma. Rvidebb mozgtlagok sokkal rzkenyebbek s tbb jelzst generlnak. Az EMA, mely tulajdonkppen rzkenyebb, mint az SMA,
tbb jelzst generl. Azonban a hibs jelzsek szma is megn. A hosszabb mozgtlagok lassabban mozognak, s kevesebb jelzst adnak. Ezek a jelzsek sokkal megbzhatbbak, de ksve kvetkeznek be.
Minden befektetnek tapasztalatot kell szereznie a klnbz mozgtlagok hasznlatban, hogy megtallja a kzputat az rzkenysg s a megbzhatsg kztt. Szmos befektet rvidtvon az exponencilis mozgtlagot hasznlja, hogy gyorsan tudjon reaglni az rvltozsokra. A befektetk msik fele viszont jobban preferlja az egyszer mozgtlagot, hogy hosszabb tv trendeket talljon.
A rszvnyek kivlasztsa utn a kvetkez feladat a mozgtlag peridusnak s tpusnak megvlasztsa. Minl mozgkonyabb egy rszvny, annl tbb finomtst ignyel, vagyis hosszabb mozgtlagot rdemes hasznlni. Azoknl a rszvnyeknl, melyek nem mutatnak ers trendet, szintn a nagyobb mozgtlagok hasznlata clszer. Nincsen meghatrozott paramter, de a legismertebbek a 20, 50, 89, 150 s
a 200 napos, valamint a 10, 30 s 40 hetes mozgtlagok. A rvidtvon kereskedk 2-3 htben gondolkodnak, s 21 napos mozgtlagot hasznlnak, mg a hosszabb tvban gondolkodk a 3-4 hnapos trendeket preferljk, mihez 50 hetes mozgtlagot hasznlnak.
A szakemberek tbbsge a kvetkez intervallumokat ajnlja a helyes rtk megvlasztshoz:
Adatok forrsa:
BUX:
http://www.mnb.hu/Statisztika/statisztikai-adatok-informaciok/adatok-idosorok
http://www.bet.hu/magyar_egyeb/dinportl/nonrealtimehistdata
Dow-Jones-index
http://uk.finance.yahoo.com/q/hp?s=%5EDJI
Regionlis belltsokat eltte USA-ra vltani, utna vissza Magyarra
3.2 Az elrejelzsek hibinak a mrse (A hibakpletek Excel parancsfjl mkdse)
F
59
Az alkalmazott jellsek:
A hiba (e = Error):
ei = Xi Fi
Fi = elrejelzett vagy illesztett rtkek,
Xi = megfigyelt rtk.
Az egyszersg miatt a tesztperidus idszakot (amikor tnyleges s prognosztizlt rtkekkel is rendelkeznk) jelljk gy:
i= 1, 2, ,T.
1. tlagos hiba. [ME=Mean Error]
T
ME =
e
i =1
T
Az a kedvez ha a hiba mrtke 0 krli rtk. Flbecsls esetn a hiba negatv, albecsls esetn pozitv. Az eljel vltsok miatt az tlagos hiba mutat a hiba valsgos mrtkrl nem tjkoztat. Ezt a
problmt gy lehet kikszblni, hogy a hiba abszolt rtkvel vagy ngyzetvel szmolunk. A msik
problma az, hogy a klnbz egysgben mrt (pl. kg, Ft, $ stb.) prognzisokat nem lehet sszehasonltani, ezrt clszer relatv hibt is szmtani.
2. tlagos abszolt hiba. [MAE = MEAN ABSOLUTE ERROR 72]
F
MAE =
e
i =1
T
3. tlagos ngyzetes hiba. [MSE = MEAN SQUARE ERROR 73]:
F
MSE =
e
i =1
2
i
T
4. A hiba szrsa [SDE = STANDARD DEVIATION OF ERRORS 74]:
F
69
60
SDE =
e
i =1
2
i
T 1
5. tlagos relatv [%-os] hiba [MPE = MEAN PERCENTAGE ERROR]
Relatv [%-os] hiba [PEi = PERCENTAGE ERROR]:
X F
PE i = i i 100
Xi
T
MPE =
PE
i =1
T
Az eljel vltsok miatt az tlagos relatv hiba mutat a hiba valsgos mrtkrl nem tjkoztat. Ezt a
problmt gy lehet kikszblni, hogy a hiba abszolt rtkvel vagy ngyzetvel szmolunk.
6. tlagos relatv [%-os] abszolt hiba [MAPE = MEAN ABSOLUTE PERCENTAGE ERROR]:
T
MAPE =
PE
i =1
Fi +1 X i +1
Xi
i =1
U=
2
T 1
X i +1 X i
Xi
i =1
T 1
Ha U =0, akkor Fi=Xi, vagyis az elrejelzs megegyezik a valsggal. Klnben U rtke 0-tl klnbzik. A nevezben az a relatv ngyzetes hiba van feltntetve, amikor az elrejelzett rtk az utols tnyadattal egyenl, ezt naiv elrejelzsnek hvjuk. A szmll az idsorkutatsi mdszerrel elksztett elrejelzs relatv ngyzetes hibjt tartalmazza. Ha ez utbbi jobb elrejelzst adott mint a naiv elrejelzs,
akkor a szmll rtke (a hiba) kisebb mint a nevez rtke, teht az U-statisztika rtke egynl kisebb.
rtelemszeren, ha a naiv s az idsorkutatsi modellel ksztett elrejelzs azonos rtket ad, akkor a
szmll s nevez megegyezik, gy az U-statisztika rtke eggyel egyenl. Ha a naiv elrejelzs ad jobb
eredmnyt, akkor az U-statisztika rtke egynl nagyobb.
8. MBA. [McLaughlin Batting Averages]
MBA = [ 4 U ] 100
U=0 esetn, MBA = 400
U=1 esetn, MBA = 300
U>1 esetn, MBA < 300
A Theil- fle U statisztika egy msik kplete az MBA mutat.
3.3 Trendszezon-hibaszmts parancsfjl mkdse
A program lehetv teszi a korbban ismertetett 9 fle lineris illetve linerisra visszavezethet trend
vizsglatt. Megadhat a mozg tlag tagszma, ahol a korlt csak az idsor hossza. Vizsglhatjuk tovbb az adatbzis fggvnyben a szezonlis hatst s a konjunktra ciklusokat.
A trendek megbzhatsgnak ellenrzse.
75
Theil, H. [1961].
61
A becslsi idszak megadsval a rendelkezsre ll idsort kt rszre bontjuk, becslsi s teszt idszakra. A becslsi idszak felhasznlsval a trendbecslst vgezzk el, a teszt idszak adatai alapjn a becslsek pontossgt lehet ellenrizni, a megadott hibakpletek felhasznlsval. Az idsor hosszt felismeri a program, a srga mezbe (Ebbl becslsre felhasznlt:) be kell rni a becslsre felhasznlt idsor
hosszt, ami az idsor fele vagy annl nagyobb rtk. Ha tesztelni kvnjuk a trendeket, akkor a becslsre
felhasznlt idsor hossznak legnagyobb rtke az idsor hossza mnusz egy. Az extrapolci hosszt is
meg lehet adni. Az bra felett lehet vlasztani a trendtpusok kztt. A trendek paramtereit s a tbbszrs determincis egytthatt (R2), valamint az eredeti adatok s a trend brjt kzli a program. A 9
trend extrapolcija s a hibakpletek szmtsai szmszeren is megtallhatk az eredeti adatokat (y)
kvet oszlopokban. Clszer azonos becslsi idszak felhasznlsval mind a 9 trendtpusra elvgezni a
szmtsokat s kivlasztani azt a trendtpust, amelyik esetben a legkisebb a hiba, pl. a MAPE. Ugyancsak clszer a becslsi idszak hosszt vltoztatni. Ki lehet vlasztani a legjobban illeszked becslst,
vagyis a mlt idszak alapjn legjobb elrejelzst ad trendtpus s informcit kapunk a trend - extrapolcik megbzhatsgrl is. A program teht rzkenysgvizsglatokat is vgez. Ha a tesztperidus kezdetnek vltoztatsval a hibakpletek alapjn kivlasztott "legjobb trend tpusa is vltozik, akkor az
idsor nem stabil, az idsorban vizsglt trend tendencija vltozik. Az elemzs gy bizonytalan, s az
elrejelzs sem lesz megbzhat. Hasonl mdon a magas hibartkek (pl. a MAPE 10 % - nl nagyobb)
is a bizonytalan becslst jelzik. A becslsi idszak nvelsvel ltalban a hibk is cskkennek.
A szezonalts vizsglata.
A Peridus megadsnl meg kell adni az adatbzis fggvnyben a srga mezben a peridus szmt,
aminek rtke 2-24 lehet, ha nem adunk adatot, akkor nem szmol a szezonalitssal. Ha fl ves adatokkal dolgozunk, akkor a peridus rtke 2, negyedves adatoknl 4, havi adatoknl 12. Megadand a Kezd peridus sorszma is, lehetsges rtkei: 1-12, pl. ha havi adatokkal dolgozunk s az els vben, csak
a 7-ik hnaptl vannak adataink, akkor a berand rtk 7. Ha viszont teljes az idsor akkor a Kezd peridus sorszma 1. (0 rtket nem szabad megadni) A program kiszmtja a szezonlis eltrseket s a
szezonindexeket. Elvgzi a korrekcit is s brzolja a kivlasztott trendet s szezon modellt (additv
vagy multiplikatv). Ha nincs szezonalits az idsorban akkor vlasztani lehet a szezonalts nlkl opcit
(pl. ves adatsorok esetn). A program brzolja a vletlen sszetevt is a kivlasztott trend-szezon modell alapjn.
Konjunktra-ciklusok elemzse
Az Adatok-bevitele munkalapon kivlaszthatjuk a 9 trend kzl azt, amit vizsglni kvnunk (termszetesen egyenknt mind a 9 trendfggvny konjunktra ciklusait vizsglhatjuk s sszehasonlthatjuk) s
meg kell adni a mozgtlag tagszmt. A mozgtlag tagszma az adatbzistl fgg. Rvid ciklusok
vizsglata esetben a szezonalitst kszbljk ki, ha havi adatok llnak rendelkezsre a mozgtlag tagszma 12, negyedves adatok esetben 4. (Megjegyezzk, hogy a szezonlis hullmzs kiszrse utn,
ha ezt kveten kiszrjk a trendhatst, akkor a Kitchin-fle rvid ciklus becslst kapjuk meg.) Ha a
hossz ciklusokat vizsgljuk ves adatokkal, akkor ltalban 8 vagy 9 tag mozgtlagot vlasztunk a
rvidebb peridus (pl. 4-8 vagy 3-9 ves) ciklusok kiszrsre. (Megjegyezzk, hogy a rvidebb ciklusok kiszrse utn, ha ezt kveten kiszrjk a trendhatst, akkor a Kondratyev-fle hossz ciklus becslst kapjuk meg.) Vizsglni lehet az idsorokat abbl a szempontbl is, hogy hogyan reaglnak a mozgtlag tagszmnak megvltoztatsra. Vlaszthatunk az additv s a multiplikatv modell kztt. Az
adatok bevitele utn a program brzolja az eredeti adatokat s a trendet s a msodik brban a ciklust.
Kiszmtja multiplikatv kapcsolatot felttelezve az eredeti idsor s a trend hnyadost ( y i / y i ) valamint
additv kapcsolatot felttelezve az eredeti idsor s a trend klnbsgt ( y i y i ). gy mindkt felttelezs
mellett kikszbli a trendhatst. A ciklikus mozgsokat a trendtl megtiszttott idsoroknl a felhasznl ltal megadott mozgtlag tagszm alapjn mozgtlagolssal kszbli ki s szmtja, valamint brzolja.
A rvid ciklusok tlagos peridushossznak becslsre a ciklusfordlpontokszmtsa Excel parancsfjl hasznlhat:
A szmtsokat elszr pl. a trend szezon - hibaszmts Excel parancsfjllal vgezhetjk el. Kivlaszszuk az 5 legjobb modellt a trendfggvnyek alapjn. Elszr az eredeti sort s az idvltozt msoljuk
62
be, utna az eredeti adatoknak a trendrtkektl val eltrst (additv modell) vagy hnyadost
(multiplikatv modell). Zrjelben a kivlasztott trendek - illesztsi pontossgt jelz - tbbszrs determincis egytthatit (R2) is feltntettk, amit a trend szezon - hibaszmts Excel parancsfjl kiszmtott.
t=N
(y
y t )
(y
yt )
R 2 = 1 tt==N1
t =1
Mivel azonos adatoknl a megfigyelsek szma (t) megegyezik, ezrt az tlagtl val
eltrsngyzetsszeg azonos, gy a R2 kizrlag az eredeti s becslt adatok eltrs ngyzetsszegtl
fgg.
Egy futtatsnl sszesen 5 vltozval dolgozhatunk.
A mintafeladat:
vek: 1800-2007. A megfigyelsek szma N= 208
x1= a rz (copper) rak 2000-es $-ban, $/libra (1 libra=0,454 gramm).
x2= eredeti adatok-lineris trend becslt rtkei (R2= 0,647)
x3= eredeti adatok-msodfok parabolikus trend becslt rtkei (R2= 0,649)
x4= eredeti adatok-harmadfok parabolikus trend becslt rtkei (R2= 0,676)
x5= eredeti adatok- exponencilis trend becslt rtkei (R2= 0,635)
A program megkeresi az als s fels fordulpontokat, a fels fordulpontot (amikor a nvekeds utn
cskkens kvetkezik) + jellel, az als fordulpontot (amikor cskkens utn nvekeds kvetkezik)
jellel jelli. A hullmhossz egy teljes hullmnak a hossza, ami becslhet a cscsponttl a cscspontig
(+tl a kvetkez +ig), vagy a mlyponttl a mlypontig (-tl a kvetkez -ig). A program megkeresi a
legels + illetve rtket s az eredmnyek munkalapon ezeket a fordulpontokat bejelli. A kvetkez
tblzat sorszmokkal ltja el a fordulpontokat, pl. az els + rtk kapja az egy rtket, a ciklushosszt
innentl szmtjuk, a kvetkez megfigyelsek addig kapnak 1 rtket, amg a program meg nem tallja
a kvetkez + jellel jellt fordulpontot, innen a jells 2. Ennek alapjn megllapthat hny fordulpont van az idsorban. A kvetkez tblzatok kzlik a fordulpontok tlagos tvolsgt idegysgben
(pldnkban vekben) majd a ktfle fordulpont tlagt, egsz szmra kerektve. A rvidebb ciklusok
kikszblsre ezt az rtket vagy egsz szm tbbszrst hasznljuk mozg tlag tagszmknt.
A trend szezon - hibaszmts Excel parancsfjl felhasznlsval, most mr megadhatjuk a mozg tlag tagszmt, ami pldnkban 4 vagy 8 vagy 12 stb. lehet. A kziknyv tartalmazza a klnbz ciklusok kikszblsnek a mdszert. Pldnkban az analitikus trendet kivontuk az idsorbl, mert additv
trendet feltteleztnk, a rvidebb ciklusokat s a vletlent pedig 4 tag mozgtlagolssal kszblhetjk ki.
A megfelel modell
(trendszezonteszt.xls)
kivlasztsa.
Trend-szezonteszt
Excel
parancsfjl
mkdse
A program mkdse: Mdosthatk a trendek paramterei s a szezon ersge (ahol a nagyobb szm nagyobb amplitdj szezonkomponenst generl). A kvetkez trendek modellezhetk: lineris,
fllogaritmikus, msodfok parabolikus, harmadfok parabolikus, exponencilis, elsfok hiperbolikus
s S-alak logisztikus. A program elkszti a trendek s a szezonkomponensek brjt az additv s a
multiplikatv modell esetben, tovbb csak a trendet, ha felttelezzk, hogy nincs szezonlis hats. A
program clja az, hogy felismerjk azt, hogy egy idsor grafikus brja alapjn milyen trendtpusok s
szezonlis (periodikus) kapcsolatok (additv vagy multiplikatv) jhetnek szmtsba. A trend paramtereinek s a szezon ersge vltoztatsval nyomon kvethetk a grafikus brk vltozsai.
Gyakorl feladatok. Konjunktra ciklusok modellezse, a trendszezon - hibaszmts Excel parancsfjl mkdse)
Mutassa ki a konjunktra ciklusokat a magyar mezgazdasg sorai alapjn:
A MAPE alapjn a 9 analitikus trend kzl melyik adta a legjobb kzeltst. Alkalmazza a 9 tag mozg
tlagot a rvidebb ciklusok kikszblsre.
F
63
A teltdsi, a logisztikus s az letgrbe trendfggvnyek olyan folyamatok, jelensgek lersra alkalmasak, amelyeknek a nvekedse korltos. A tarts fogyasztsi cikkek (pldul tv, rdi, telefon, aut
stb.) forgalmnak alakulsa a piac korltozottsga miatt teltdsi trendet kvet, mert van egy szint,
ami fl a kereslet nem emelkedik. Az ipari termkek letgrbje is hasonl tendencit mutat az els felszll szakaszban, az eltrs azonban az, hogy a cscspont elrse utn leszll szakasz kvetkezik, elbb
cskken s vgl megsznik a gyrts s a forgalom. Gyakran elfordul, hogy az els felszll szakaszban a fejlds hrom szakaszt klnthetjk el: 1. a ksrletezs stdiuma, amit a gyrts beindtsa, a
lass nvekeds jellemez; 2. a nagy felfuts idszaka, n a kereslet, a gyrts ezrt tmegszerv vlik;
3. a piac teltdse, amikor mr csak az elhasznlds ptlsra van lehetsg 76 A piaci rettsg, a teltds szakaszt a kereslet s a gyrts hanyatlsa (tbbnyire j, korszerbb termk jelenik meg a piacon), s
vgl a gyrts megszntetse kveti. A termkletgrbe konkrt alakjnak meghatrozsa a tervezs
idszakban nem egyszer feladat. Az lettartam a termktl fggen lehet nhny hnap (a divat ltal
ersen befolysolt termkek), nhny v (informatikai eszkzk) vagy tbb vtized (mezgazdasgi termnyek). A teltdsi fggvnyeket (elssorban a Gompertz- s Johnson-fggvnyeket) a demogrfusok
s a biztostsi szakemberek a npesedsi s tllsi folyamatok lersra s kzeltsre hasznljk. Az
inflexis pont jelzi a vizsglt jelensg fejldsben bekvetkez jelentsebb vltozst s annak vrhat
idpontjt is. Az inflexis pont kifejezi, hogy a fejlds hajteri kifulladtak, vrhat, hogy a fejlds
jellege is megvltozik s lelassul. Tulajdonkppen a fejlds egyik kritikus pontja ppen az inflexis
pontnl van. A teltdsi fggvnyek monoton nvekv fggvnyek, ahol az idvltoz (t) nvekedsvel
a nvekedsi rtkek a nullhoz tartanak. Ms megfogalmazsban a fggvnyrtkek K teltdsi paramterhez, szaturcis szinthez, vagyis egy konstans rtkhez tartanak, ha az idvltoz a vgtelenbe tart:
lim f ( t ) = K
F
76
64
ltdsi pontok. 80 A Descartes-i mdszertani szablyokat figyelembe vve elszr a legegyszerbb teltdsi fggvnyeket ismertetjk, amelyek inflexis ponttal nem rendelkeznek. A bemutatsra kerl kvetkez ht S-alak trendfggvnynek egy inflexis pontja van. Az letgrbe- s a Hubbert-fle trendfggvny kt inflexis ponttal rendelkezik. Az letgrbe trenddel tbbek kztt a termkletgrbk alakulst
lehet modellezni, ahol a nvekedsi szakaszt egy cskken szakasz kveti. A logisztikus fggvnyek rgta foglalkoztatjk az idsor modellezs kutatit. A XIX. szzad els felben Gompertz s Verhulst munkssgt lehet kiemelni. A logisztikus fggvny a XX. szzad els felben az konometriai modellezs
egyik fontos eszkze volt s szmos modell kerlt kidolgozsra. Npszersge bizonyos terleteken az
elmlt vszzadban sem cskkent, klnsen a piaci s demogrfiai folyamatok gyakori jellemzje, hogy
egy ideig gyors temben nnek, majd ksbb rvnyeslnek a nvekeds korltai, cskken a nvekedsi
tem. A folyamat jellegtl fggen a nvekeds bizonyos id utn a nullhoz tart, illetve az is elkpzelhet, hogy a tendencia megfordul.
F
3-1. tbla: Inflexis ponttal nem rendelkez teltdsi grbk fbb jellemzi
Fggvny
Formula
y 0
d 2 y t
dt 2
lim y t
Mitscherlich
y t = K (1 e rt )
Kr 2 e rt
Bertalanffy
y t = K (1 be rt
K (1 b )
Kbr 2 e rt
y t = K ae rt
K a
ar 2 e rt
Kt
t+a
2aK
(a + t)3
K (t + a)
t+b
Ka
b
2K(a b)
(b + t)3
Egyszeren
modifiklt exponencilis
fggvny
Trnquist 1.
Trnquist 2.
(a<b)
y t =
y t =
80
81
82
65
y t
y t = K (1- e-rt )
Bertalanffy trendfggvny
y t = K 1- be-rt
y t = K - ae-rt
Trnquist 1. trendfggvny
y t =
Trnquist 2.trendfggvny
y t =
Kt
t+a
K(t + a)
(t + b)
3.4.2 Egy inflexis ponttal rendelkez trendfggvnyek
A logisztikus trendfggvnyek kezdetben konvex, ksbb konkv fggvnygrbt rnak le. Ezeket a logisztikus trendfggvnyeket, alakjuk miatt S-alak fggvnyeknek is hvjk a szakirodalomban. A kvetkezkben a logisztikus, a ksleltetett logisztikus, a ngyzetesen logisztikus, a Gompertz-fle, a 63 szzalkos, a Johnson-fle s az ltalnostott Richards-fle trendfggvnyeket mutatjuk be.
A logisztikus trendfggvny
Az egyik els logisztikus trendfggvnyt (npessg nvekedsi modellt) Verhulst 84 1838-ban publiklta:
K
Kect
= cm ct
y t =
1 + e c( t m ) e + e
ahol
K a teltettsgi szint, K > 0 ;
m az inflexis pont helyt adja meg, m > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 , akkor logisztikus nvekedsrl, ha
c < 0 , akkor logisztikus cskkensrl van sz.
F
84
Pierre-Francois Verhulst belga matematikus, statisztikus (18041849). Ld.: Verhulst, P. F. [1838]: 113121.
66
2 c( m + t )
ecm ect )
(
d 2 y t Kc e
=
= 0,
3
dt 2
( ecm + ect )
ect = ecm ,
t w = m,
K
.
2
A harmadik derivlt ebben a pontban nem egyenl 0-val, mivel:
d 3 y t
= 0,
dt 3 t
y t w =
4e 2cm + e 2cm = 0,
2cm
2e 2cm 0.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K
y 0 =
,
(1 + ecm )
lim y t = K.
t
K
Kect
=
,
1 + be-ct ect + b
ahol:
K a teltettsgi szint, ha K > 0 ;
b a helyzetparamter, ha b > 0 ;
c nvekedsi sebessget jellemz paramter, ha c > 0 logisztikus nvekedsrl, ha c < 0 , akkor
logisztikus cskkensrl van sz.
y t
K
K
2
y t =
K
1+ b
tw =
K
1+be -ct
lnb
c
Raymond Pearl (18791940) amerikai biolgus, Lowell J. Reed (18861966) matematikus, biostatisztikus.
Ld.:Pearl-Reed [1920] 275288. s FarnumStanton [1989] 189191.
67
2
ct
ct
d 2 y t bc Ke ( b e )
=
= 0,
3
dt 2
( ect + b )
ln b
,
c
K
y t w = .
2
A harmadik derivlt ebben a pontban nem egyenl 0-val, hiszen b > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
tw =
e 4beln b + b 2 = 0,
b = 0.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K
y 0 =
,
1+ b
lim y t = K.
2ln b
Az elzekben bemutatott logisztikus trendfggvnynek az inflexis pontra val szimmetrija sok esetben modellezsi szempontbl nem helytll. Ha a kezdeti nvekeds gyorsabb tem, s a grbe az inflexis pontot a teltettsgi szint felnl korbban ri el, akkor hasznlhatjuk a ksleltetett logisztikus trendfggvnyt. Az inflexis pont utn a ksleltetett logisztikus trendfggvny konkv szakasza hosszabb s
elnyjtottabb, mint a logisztikus trend hasonl konkv szakasza, teht ksleltetett hats rvnyesl a teltdsi szint elrsben. A 3-13. bra a ksleltetett logisztikus trendfggvny alakjt s nevezetes pontjait
mutatja be.
A fggvnyt ler formula:
K
,
y t =
a
T
1+
t
Ahol
T-a helyzetparamter, ha T > 0 ;
a nvekedsi sebessget jellemz paramter, ha a > 1 .
Amennyiben t = T , gy:
K
y T = .
2
A fggvny inflexis pontjnak koordinti
a
T
aK ( a 1) a 1
a
t
d 2 y t
T
=
= 0,
3
a
dt 2
t
2 T
t + 1
t
68
a 1
,
a +1
K ( a 1)
y t w =
.
2a
tw = T a
A teltdsi szint:
lim y t = K .
t
y t
K
2
y t =
K(a 1)
2a
= a
a -1
a +1
1+
t
4 2
9K
y t =
(1+ be )
-ct
K2
(1+ b )
tw =
ln2b
c
A ngyzetesen logisztikus fggvny, mint a neve mutatja, a logisztikus trendfggvny ngyzete. A fggvnyt ler formula:
2
K 2 e 2ct
K
=
,
y t =
2
ct
1 + be ( ect + b )
ahol
b a helyzetparamter, ha b > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 logisztikus nvekedsrl, ha c < 0 , akkor logisztikus cskkensrl van sz.
69
2ln 2b
7beln 2b + 4b 2 = 0,
4b 2 14b 2 + 4b 2 = 6b 2 = 0,
b = 0.
Az inflexis ponttal jellemzett irnyvlts teht a ngyzetesen logisztikus fggvny esetben ksbb kvetkezik be, mint a logisztikus trendfggvnynl ugyanis:
ln b ln 2b
<
.
c
c
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
K2
y 0 =
,
2
(1 + b )
lim y t = K 2 .
t
Gompertz-fggvny
Benjamin Gompertz 87 mr a XIX. szzad elejn felfedezte azt a halandsgi trvnyt, amit az llatokon
vgzett vizsglatok is megerstenek. Az emberi halandsgi rta a nemi rettsg elrse idejn a legkisebb, utna exponencilisan emelkedik. Az id ebben az esetben az letkor. Valkovics Emil 88 pldul az
eredeti Gompertz-formula megfelel talaktsval jradefinilta a halandsgi tbla fggvnyeit, s pldkkal szemlltette a Gompertz-fggvny megnvekedett felhasznlsi lehetsgeit a demogrfia egyes
terletein.
A Gompertz-fggvny eredeti alakja 89:
t
y = Kbc ,
F
ln y = ln K + c t ln b.
A Gompertz-fggvny az elbbi fggvny tovbbfejlesztse alapjn egy ketts exponencilis fggvny (a
kitevben is egy exponencilis kifejezs szerepel). Az eredeti modell s levezetse alapjn a nemzetkzileg leginkbb elterjedt s elfogadott forma jelenleg a kvetkez:
ct
y t = Ke be ,
ln y t = ln K + ( be ct ) .
Ahol
87
70
ln b
e 3be2ln b + b 2 e3ln b = 0,
b = .
y t
yt = Kebe
ct
K
e
K
eb
t
lim y t = K.
t
A 63 szzalkos trendfggvny
71
y t
y t = K
0,63K
e
K
t
T
K
1
1
a
tw = T a 1
1
a
y t = K
e
ahol
t
T
T a helyzetparamter, ha T > 0 ;
a a nvekedsi sebessget jellemz paramter, ha a > 1 .
A fggvny nevt ad pont, t=T esetn a fggvny a teltdsi rtk 63%-t veszi fel.
K
1
y T = K = K 1 = 0, 632K .
e
e
A fggvny inflexis pontjnak koordinti:
a
2 t 2a
t
a
Ka (1 a )
t Ka
d 2 y t
T
T = 0,
T
= e
+
2
2
2
dt
t
t
1
tw = T a 1 ,
a
K
y t w = K 1 .
1
e a
A harmadik derivlt ebben a pontban csak akkor egyenl 0-val, ha a = 1 , viszont az a > 1 , teht az inflexis pont ltezsnek elgsges felttelt is bizonytottuk:
d 3 y t
= 0,
dt 3 t
w
1
1
1
a 1 + 3a(1 a) 1 + (a 1)(a 2) 1 = 0.
a
a
a
A kt emltett nevezetes pont ( yT , ytw ) , azaz a 63%-os s az inflexis pont koordinti alapjn jl lthat,
2
hogy az a paramter nvekedse esetn a kt pont egyre kzelebb kerl egymshoz, azaz lim t w = T s
a
lim y t w = y T .
a
72
y 0 = 0,
lim y t = K.
t
Johnson-trendfggvny
b
c+ t
ln y t = K
ahol
b
,
c+t
b a helyzetparamter, ha b > 0 ;
c a nvekedsi sebessget jellemz paramter, ha c > 0 .
d 2 y t ae
=
dt 2
K a / ( b + t )
d 2 y t be
=
dt 2
a 2 ( b + t )
= 0,
4
(b + t)
K b / ( c + t )
b 2 ( c + t )
= 0,
4
(c + t )
b
c,
2
y t w = e K 2 .
tw =
A harmadik derivlt ebben a pontban nem egyenl 0-val, hiszen b > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
w
b 0.
2
y t
eK
yt = e
b
c +t
eK-2
e
b
c
tw =
b
c
2
y 0 = e
b
c
lim y t = e K .
t
Richards 90 kiegsztette egy v paramterrel a logisztikus Verhulst - fggvnyt, ezzel az inflexis pontban
aszimmetrikuss tve azt:
K
,
y t =
1/ v
1 + ve c( t m )
F
ahol
v szablyozza az inflexis pontban felvett fggvnyrtket, v > 0 ;
c nvekedsi sebessget jellemz paramter, c>0;
m az inflexis pont, m>0.
A fggvny inflexis pontjai:
t w = m,
y t w =
(1 + v )
1v
(K A) .
1/ v
(1 + v )
A harmadik derivlt ebben a pontban nem egyenl 0-val, mivel v > 0 , teht ebben a pontban inflexis
pont van:
d 3 y t
= 0,
dt 3 t
w
v = 1.
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
90
91
74
y 0 = A +
(K A)
(1 + ve )
cm 1/ v
lim y t = K.
t
c( t m )
.
y t = Ke e
Ha A = 0 , m = 0 s v = 1 a Richards-fggvny Mitscherlich-trendfggvnny alakul:
.
K
= K (1 e ct )
y t =
1
c( t 0 )
1 e
y t
ytw = A +
A
y 0 = A +
( K A)
(1 + v )1/ v
yt = A +
( K A)
(1 + ve
c( t m )
1/ v
( K A)
(1 + ve )
cm 1/ v
tw = m
Az egy inflexis ponttal rendelkez teltdsi grbk bemutatsa utn a kt inflexis ponttal rendelkez
trendek kzl az letgrbe 93 s Hubbert-fggvnyeket ismertetjk.
F
letgrbe trendfggvny
Az letgrbe trendfggvny a termkletgrbe alakulst mutatja, nevt is innen kapta, mivel a termk
piaci forgalmnak (volumennek) alakulst brzolja az id fggvnyben. A kvetkez a marketing
szakirodalmban ismert szakaszokat lehet megklnbztetni: keletkezs, bevezets, nvekeds, rettsg
(teltds, itt ri el a forgalom a maximlis rtket), teht eddig egy S-alak trenddel lerhat a folyamat
alakulsa, s ezt kveten trtnik a vltozs, a teltdst kveti a hanyatls. A termk kereslete egy bizonyos id utn drasztikusan cskkenhet. Dnteni kell a termk gyrtsnak lelltsrl, a piacrl val kivonsrl. A 3-19 bra mutatja be az letgrbe fggvny alakjt s nevezetes pontjait. A vllalatgazdasgi
szakemberek 94 ltalnosan elfogadjk a termkletgrbk lerst a kvetkez trendfggvnnyel
2
2
a
y t = ae ( t ) = 2 2 ,
( t )
e
ahol a termk letgrbe alakulsnak megfelelen:
F
92
93
75
A fggvny maximuma, mivel ebben a pontban az els derivlt nulla s a msodik derivlt a pontban
negatv 1:
2
2
dy t
= 2a2 ( t ) e ( t ) = 0 ,
dt
t max = ,
y t max = a.
A fggvny inflexis pontjai:
2
2
d 2 y t
2
2 ( t )
=
2a
e
22 ( t ) 1 = 0 ,
2
dt
t w1 ;w 2 =
y t w ;w =
1
1
,
2
a
.
e
e( )
lim y t = 0.
t
2
y t = ae
e
=
2 2
a vrhat rtk, 2 variancij normlis eloszls srsgfggvnye.
F
y t
a
t
y t = ae ( )
2
a
e
1
2
1
2
76
Hubbert-trendfggvny
A Hubbert-fle trendfggvny alapjn olajhozamcscsnak nevezzk a kolaj kitermelsnek idbeli tetzst. Az olajhozamcscs az n. Hubbert-fle cscselmlet alapjn szmthat, amelyet Hubbert, a Shell
Oil Kutatlaboratrium geofizikusa 1956-ban alkotott meg. Az elmlet az Egyeslt llamok kolajkitermelsnek maximumt 19651970 idszakra becslte. Ezzel mindssze egy vet tvedett, az Egyeslt llamok kitermelsi cscsa 1971-ben volt. A fldgz, a kszn, a vasrc, valamint ms nyersanyagok
rendelkezsre ll mennyisge hasonlan a kolajhoz vges, gy termelsk hossz tvon a Hubbertfggvnnyel prognosztizlhat.Hubbert 96 matematikai modelljt egy olajmez vrhat lettartamnak
modellezsre dolgozta ki. A modell alkalmazhat egyes terletek vagy akr az egsz Fld kszleteire
is. 97 A 3-20 bra mutatja be a Hubbert-trendfggvny alakjt s nevezetes pontjait.
A fggvnyt ler formula 98
F
y t =
bUeb( t )
(1 + e ( ) )
b t
bUeb(t + ) ,
2
( ebt + eb )
ahol
( ) b
2
e e bt )
(
dy t b Ue
=
= 0,
b
bt 3
dt
(e + e )
b t +
t max = ,
y t max = bU/ 4
y t
bU
4
y t =
bU
6
t t w1 =
ln(2 3)
+
b
t tw 2 =
bUe b( t )
(1 + e b( t ) ) 2
ln( 3 + 2)
+
b
77
d 2 y t
=0
dt 2
e
2bt
4e
t w1 ;w 2 =
b ( t + )
+e
ln 2 + 3
b
2b
=0
) 1,317 ,
b
bU
.
1 2
6
A fggvny helyettestsi rtke a t = 0 helyen s a teltdsi szint:
bUe b
y 0 =
,
2
(1 + e b )
y t w ;w =
lim y t = 0.
t
A logisztikustrendekbecslse.xls Excel parancsfjl a bemutatott tizenkt logisztikus trendfggvny illesztst knnyti meg a felhasznlk szmra. Tizenkt olyan munkalapot tartalmaz, melyek a klnbz
fggvnyformk nevei alapjn kerltek elnevezsre, valamint egy Ciklus nev munkalapot, mely a klnbz illesztett trendek alapjn a rvid s hossz tv ciklusok vizsglatt teszi lehetv. A fjlban a
cellk sznezse jelentsggel br: a halvnysrga cellk szabadon vltoztathatk, a zld cellk az egyes
paramterek javasolt kezdeti rtkeit adjk meg, mg a fehr cellk szmtsi (rsz)eredmnyeket tartalmaznak. A sznezs alapjn lthat, hogy a fjl maximlisan 1000 hosszsg idsor feldolgozsra kpes. Az egyes munkalapok kztt nincs sszefggs, azaz amennyiben tbb trendet kvn a felhasznl
illeszteni ugyanarra az adatsorra, gy az adatokat valamennyi kivlasztott lapra be kell msolnia. j adatbevitel esetn mind a 12 munkalapon trlni kell az adatokat, az adatok trlse ikonra kattintva, utna pedig bemsolni az j adatllomnyt. A fjl az adatok beillesztst kveten azonnal brzolja az idsort,
valamint az aktulisan bevitt paramterek alapjn a trendfggvnyt is. Az Id oszlop kitltse opcionlis,
amennyiben kitltsre kerl, gy az brzols esetn ezt figyelembe veszi a fjl az idtengely felirataknt.
A javasolt kezdeti paramterek az egyes fggvnyek nevezetes pontjai (maximlisan felvett rtk, els
idszak megfigyelsnek rtke, inflexis pont stb.) alapjn kerltek meghatrozsra. A PearlReed-fle
logisztikus fggvny pldjn keresztl mindez azt jelenti, hogy a K paramter javasolt rtke az idsorban tallhat maximlis rtkkel egyezik meg ( K = y max ) . A b paramter kezd rtknek meghatrozsa
az
y 0 =
K
y1
1+ b
sszefggs alapjn
K
1
y1
mdon trtnik, ahol ~-mal az adott paramter kzelt, kezdeti rtkt jelljk. Az inflexis pont nyjt
segtsget a harmadik paramter kzelt meghatrozshoz. A fjl megkeresi az inflexis pontban felvett
K 2 fggvnyrtkhez legkzelebb es, de annl kisebb tnyleges idsori rtket, amibl t w felttelezett
rtke kvetkezik. Ekkor
ln b
c=
tw
alapjn kvetkeztethetnk c kzelt rtkre. A tbbi trend esetn az ajnlott kezdrtkek teljesen hasonl mdon kerltek meghatrozsra. Az indul paramterek ilyen mdon trtn meghatrozsa azt
okozhatja, hogy amennyiben olyan jelensget vizsglunk, amely mr lefutott, s az illeszteni kvnt
fggvny alkalmas, gy a kezd paramterek megadsval jl illeszked fggvnyt kapunk. Amennyiben
egy teltdsi, vagy letciklus-folyamat elejn tart jelensget vizsglunk, gy a feltntetett paramterek
helyett szakrti, elemzi tapasztalatra kell tmaszkodni. Az indul paramterek termszetesen nem minb
78
den esetben adnak tkletes javaslatot, gy lehetsg van a paramterek kzi vezrlsre is. Valamennyi
munkalap tartalmaz olyan parancsgombokat, melyek a paramterek finomhangolst vgzik el (Opt.
mind). A parancsgombok az Excel beptett Solver funkcijt hvjk meg, a clfggvny pedig az R 2
maximalizlsa az egyes paramterek iteratv vltoztatsval. Lehetsg van arra is, hogy a Solver a
(kzzel, szakrti becsls alapjn belltott) teltdsi paramter rtkn ne vltoztasson, ekkor csupn a
tbbi paramter nagysgt fogja a program meghatrozni (Opt. K nlkl). Az Excel beptett Solver csomagja nem kpes minden esetben globlis optimumot tallni, 100 gy rdemes az illesztst tbb klnbz,
kzzel belltott indulrtkkel elvgezni. Fknt az letgrbe s Hubbert fggvnyek esetn problmt
okozhat a paramterek nagysgrendjnek jelents eltrse. A Solver ebben az esetben a tlsgosan nagy
paramtert nem mozdtja el kezdeti rtkrl. A megolds az eredeti adatsor dimenzijnak vltoztatsa
(pl. 1000-rel val oszts). A fjl
2
( y t y t )
SSE
R2 = 1 t
= 1
2
SST
( yt yt )
F
mdon szmt, ahol SSE (Sum of Squared Errors) a reziduumok ngyzetsszege; SST (Sum of Squares
Total) a teljes eltrs ngyzetsszeg.
A kielgtnek tlt paramterek megtallsa utn az extrapolci belltsval lehetsg van a trend mechanikus kiterjesztsre (a megfigyelsek szma az extrapolcival egytt sem lpheti t az 1000 darabot). A Ciklus munkalapon az illesztett trendek tovbbi vizsglatra (reziduumok brzolsa, mozgtlagolsa), s sszehasonltsra nylik lehetsg. A Ciklus munkalap valamennyi esetben az adott fggvny munkalapjn belltott paramterezs alapjn dolgozik.
A ciklus munkalapon kivlaszthatjuk a 12 trend kzl azt, amit vizsglni kvnunk (termszetesen egyenknt mind a 12 trendfggvny konjunktra ciklusait vizsglhatjuk s sszehasonlthatjuk) s meg kell adni a mozgtlag tagszmt. A mozgtlag tagszma az adatbzistl fgg. Rvid ciklusok vizsglata esetben a szezonalitst kszbljk ki, ha havi adatok llnak rendelkezsre a mozgtlag tagszma 12, negyedves adatok esetben 4. (Megjegyezzk, hogy a szezonlis hullmzskiszrse utn, ha ezt kveten
kiszrjk a trendhatst, akkor a Kitchin-fle rvid ciklus becslst kapjuk meg.)
Ha a hossz ciklusokat vizsgljuk ves adatokkal, akkor ltalban 8 vagy 9 tag mozgtlagot vlasztunk
a rvidebb peridus (pl. 4-8 vagy 3-9 ves) ciklusok kiszrsre. (Megjegyezzk, hogy a rvidebb ciklusok kiszrse utn, ha ezt kveten kiszrjk a trendhatst, akkor a Kondratyev fle hossz ciklus becslst kapjuk meg.) Vizsglni lehet az idsorokat abbl a szempontbl is, hogy hogyan reaglnak a mozgtlag tagszmnak megvltoztatsra. Vlaszthatunk az additv s a multiplikatv modell kztt. Az
adatok bevitele utn a program brzolja az eredeti adatokat s a trendet s a msodik brban a ciklust.
Kiszmtja multiplikatv kapcsolatot felttelezve az eredeti idsor s a trend hnyadost ( y ij / y ij ) valamint
additv kapcsolatot felttelezve az eredeti idsor s a trend klnbsgt ( y ij y ij ). gy mindkt felttelezs
mellett kikszbli a trendhatst. A ciklikus mozgsokat a trendtl megtiszttott idsoroknl a felhasznl
ltal megadott mozgtlag tagszm alapjn mozgtlagolssal kszbli ki s szmtja valamint brzolja.
Ciklus munkalapon: Vlassza ki a trend tpust, a mozgtlag tagszmt (ha 1 akkor nincs mozgtlagols) a trend s a periodikus hullmzs kapcsolds mdjt: additv vagy multiplikatv. A srga kockkban
lev szmok cserlhetk. Ha a mozgtlag tagszma 1, akkor az eredeti adatok s a trend klnbsgvel
illetve hnyadosval szmol a program.
Ha az Id oszlopba bemsoljuk a tnyleges idt, pl. veket, akkor az bra X tengelye ezt veszi figyelembe, ha az Id oszlop resen marad, akkor a sorszmok jelennek meg az X tengelyen. Ha a kt tengelyt
egyenknt egrmvelettel kijelljk (bal gomb) akkor a jobb gomb lenyomsval a skla mrtke vltoztathat. Az adatok bevitele utn a program kzli a trend paramtereket, az illeszts pontossgt, az R2 t
s elkszti a trend brt. Kzli tovbb az SSE s SST rtkeket is, amibl az R2 t szmtja.
Gyakorl feladatok. Dekompozcis idsormodellek
100
A piacon elrhetk globlis optimumot meghatroz, Excelbe bepl Solverek is, m ezek nem ingyenesek.
79
101
80
6. Grafikusan brzolja az Amerikai Egyeslt llamok (USA) rendelkezsre ll hossz idsorait, elemezze a hossztv tendencikat, az vszzados trendeket, s vgezzen trendextrapolcit a legjobban illeszked trend alapjn Az USA albbi hossz idsoraival rendelkeznk.
6.1 Rvid lejrat kamatlb (%) 1831-2006 kztt. 108
6.2 Fogyaszti rindex (CPI = Consumer Price Index, CPI =1982-84=100) 1774-2007 kztt. 109
6.3 A szinarany $/uncia v vgi r alakulsa 1786 s 2006 kztt. 110
6.4 brzolja s elemezze a Dow-Jones index napi zrrtknek az alakulst 1885.02.17 s 2007.04.03
(33739 adat!) kztt.
6.5 Egy fre jut aranytermels 1860-2005 kztt.
6.6 Egy fre jut kolajtermels 1866-2005
6.7 Egy fre jut kszntermels 1860-2005
6.8 Egy fre jut lomtermels 1830-2005
6.9 Egy fre jut acltermels 1867-2005
6.10 Egy fre jut vasrctermels 1880-2004
6.11 Egy fre jut aluminiumtermels 1896-2004
6.12 USA kolajtermelse naponta 1900-2007
7. Grafikusan brzolja a vilg sszesen rendelkezsre ll hossz idsorait, elemezze a hossztv tendencikat, az vszzados trendeket, s vgezzen trendextrapolcit a legjobban illeszked trend alapjn A
vilg sszesen albbi hossz idsoraival rendelkeznk.
7.1 Egy fre jut aranytermels 1876-2005 kztt.
7.2 Egy fre jut ezsttermels 1870-2005 kztt
7.3 Egy fre jut kolajtermels 1860-2005
7.4 Egy fre jut kszntermels 1860-2005
7.5 Egy fre jut barnaszntermels 1890-2005
7.6 Egy fre jut acltermels 1890-2005
F
A naiv szablyok 111 112 113 egyszer, de potencilisan hatkony idsor elrejelzsi mdszerek. Szablyok
abban az rtelemben, hogy elre meghatrozottak, gy nincs szksg paramterrtkek becslsre, mint
pl. a dekompozcis vagy az exponencilis simtsi mdszereknl. A naivits azt a tnyt jelenti, hogy az
idsor brmely naiv elrejelzsnek alapja az idsor nmaga. Az idsort hasznljuk nmaga elrejelzsre, azaz az idsor trtneti rtkeit hasznljuk ugyanazon idsor jvbeni rtkeinek kpzsre vagy ltrehozsra. A naiv szablyok egyszersgkben viszonylag alacsony kltsg elrejelzsi mdszerek, de
ha egy mdszer hatkony, nem kell hezitlni az alkalmazsval egyszersge vagy naivitsa miatt. A naiv
szablyok hatkonyabbak rvidtv, mint hossz tv elrejelzsre. Amint a prognzistv hosszabbodik,
a naiv elrejelzs valsznleg kevsb pontos, s nagyobb az ilyen elrejelzseken alapul dntsek velejr kockzata. Minden idsor vltozst mutat az egyes megfigyelsek s a kvetkezk kztt az idsor
teljes hosszn. Brmely idsor felteheten egy vagy tbb tpus hullmzst tartalmaz, amint korbban
bemutattuk: a trendet, a konjunktra ciklust, a szezonlis hullmzst s a vletlent. Az elemzsi mdszer
megprblja figyelembe venni az idsorban lev hullmzs minden tpust. A kvetkezkben lert egyszer naiv szablyok kszthetk gy, hogy figyelembe vegyk az idsorban lev trend s szezonlis tnyezket, de a naiv szablyok ritkn kpesek figyelembe venni a sorban lev ciklikus viselkedst. Az
egyszer, naiv szablyoknak ngy csoportja van:
1. azok, amelyek sem a trendet, sem a szezonalitst nem veszik figyelembe (alaprtelmezett elrejelzsi szablyok),
F
108
http://www.measuringworth.com/datasets/interestrates/result.php
http://www.measuringworth.com/uscpi/
110
http://www.measuringworth.com/datasets/gold/result.php
111
Farnum Nicholas R., - Stanton LaVerne W. [1989]: 15-17. 105-108.
112
http://facweb.furman.edu/~dstanford/forecast/h3.htm
113
Theiss Ede: szerk. [1958]: 220-221.
109
81
2. azok, amelyek a trendtnyezt figyelembe veszik, de felteszik, hogy a szezonalits nem szignifikns,
3. azok, amelyek figyelembe veszik a szezonlis tnyezt, de felteszik, hogy a trend nem szignifikns,
4. azok, amelyek megprbljk figyelembe venni az idsor trend s szezonlis komponenseit is.
Racionlis emberek gyakran hoznak dntseket anlkl, hogy elszr brmilyen elrejelzsi mdszerrel
foglalkoznnak. Amikor gy tesznek, azt felttelezik, hogy a jvbeli llapot hasonl lesz a jelenhez vagy
a kzelmlthoz. Az alaprtelmezett elrejelzs megfelel lehet a mindennapi let sok minimlis kvetkezmnnyel jr dntsvel kapcsolatban. Ezrt az alaprtelmezett elrejelzs nem szksgszeren irracionlis. Formalizlni lehet az alaprtelmezett elrejelzsi mdszert, amely a kvetkez formban rhat:
1.1 Szably:
y t+1 = y t
ahol:
t = az az idpont, melyen a prognzis alapul, rendszerint a legutbbi elrhet megfigyels,
y t+1 = a kvetkez megfigyels elrejelzse a sorban.
A szably ltalnosthat i prognzistvval, trva a kvetkezkppen:
1.2 Szably:
y t+ i = y t
Az 1.2 szably rtelme az, hogy a sor llapota nhny, i, peridusban a jvben vrhatan hasonl a megfigyelshez, melyen az elrejelzs alapul. Ezek az elrejelzsek azonban sem a trendet, sem a szezonalitst nem veszik figyelembe.
Az 1.1 s 1.2 szably olyan naiv s egyszer, hogy ktelkedni lehet formalizlsuk clszersgben. Hrom clt szolglnak: (a) feltrjk a szimbolikus jellsek hasznlatt a legegyszerbb formban; (b) kiindulpontknt szolglnak a kvetkez szablyok kifejlesztshez; s (c) sszehasonltsi alapszablyt
hoznak ltre, melyhez a tbbi elrejelzsi szably teljestmnynek hatkonysga hasonlthat.
2. Szablyok, amelyek figyelembe veszik a trendtnyezt.
A trend a hossz tv vltozs jelensge egy gyjttt adatsorban ltalban azonos irnyban az idsor teljes hosszban rvnyeslhet. A trend jelenlte lehet, hogy nem felismerhet az idsorban nhny egymst
kvet megfigyelsbl, klnsen ha egyb tpus hullmzs (szezonlis, ciklikus vagy tiszta vletlen) is
van benne. Az idsor brzolsa feltrhatja a trend jelenltt. Felfel emelked trend nvekedsi jelensget mutathat; lefel lejt irny cskkenst jelezhet.
A szablyok 2. osztlyban, melyet a kvetkezkben ttekintnk, az a feltevs, hogy nincs ms tpus (pl.
szezonlis s ciklikus) szignifikns tnyez a sorban, mint a trend. A 2. osztlyban hasznlt elrejelzsi
mdszer ltrehoz egy trendkiigaztsi tnyezt, melyet a megfigyelt sorhoz kapcsol, amely az elrejelzs
alapjt kpezi.
A legegyszerbb mdszer, amely megprblja a vltozst figyelembe venni egy elrejelzsi szablyban,
a legutbbi kt megfigyels kztti abszolt vltozst, a klnbsgkpzst (elsfok differencit) (yt - yt1) hozzadja a sor legutbbi megfigyelshez yt-hez, annak rdekben, hogy ltrehozza a sor kvetkez
yt+1 rtknek elrejelzst. Ezt a prognzis mdszert naiv lineris trendnek is hvhatjuk. Ha az elemz
tbb, peridus rtkt kvnja elrejelezni, a legutbbi megfigyelsen tl, mindssze meg kell szorozni a
szmtott vltozst i-vel, melyet ezutn prognzistvnak neveznk. Ez algebrailag a kvetkezkppen rhat:
2.1 Szably:
y t+i = y t + i(y t y t 1)
Ez nagyon leegyszerstett trenddel foglalkoz mdszer, mivel csak az adatok legutbbi vltozsnak informcijt tartalmazza. Ha ezt a szablyt sszehasonltjuk a tbbivel, gy tekinthet, kielgt eredmnyt adhat. Tegyk fel, okunk van azt felttelezni, hogy a vizsglt idsorban a nvekedsi tem lland, ezrt a relatv vltozs sokkal kifejezbb mint az abszolt vltozs. A 2.2 szably a 2.1 szably m82
dostsa, vagyis a prognosztizlt rtket a legutbbi relatv vltozs yt/yt-1 hozzkapcsolsval kpezi figyelembe vve a legutbbi megfigyelst:
2.2 Szably:
y t+i = y t (y t /y t 1) i
Ez az alkalmazs multiplikatv mveletet tartalmaz, a 2.1 szably additv mvelete helyett. Ha az i prognzistv egy peridusnl nagyobb, a relatv vltozs tnyezt i-szer kell alkalmazni a legutbbi megfigyelsre, ezrt alkalmazzuk az i hatvnykitevt, melyre a relatv vltozst emeljk. A 2.2 szably trenddel kapcsolatos fogalmi nehzsgei azonosak a 2.1 szablyival.
2.3 Szably:
A 2.3 szably kpviseli az erfesztst a hossz tv vltozs kpletbe foglalsa problmjnak megoldsra. A legutbbi abszolt vltozs hasznlata helyett kiigaztsi tnyezknt, 2.3 az sszes egymst kvet megfigyels nvekmny medinjt hasznlja a sorban, s ezltal alkalmazza a teljes adatsorra kiterjed informcit. A szmtani tlag nagysga kizrlag az idsor legrgebbi (k=2) s legjabb (m) adattl fgg, s ha ez a kt adat eltr az ltalnos tendencitl, akkor az tlagos nvekmny nem ad pontos rtket. A medin, mint helyzeti kzprtk alkalmazsa ezrt indokolt, ugyanis a medin mint korbban
mr bemutattuk - egy biztosan kzepes, meglehetsen robusztus (azaz viszonylag rzketlen a kiugr rtkekre) kzprtknek bizonyult. A medin robusztus tulajdonsgt knny megrteni, ha arra gondolunk, hogy a rangsorba rendezett adatok szls rtkei nagysgt nem befolysoljk. A medin, a sz legszorosabb rtelmben kzepes rtk, a mennyisgi ismrvrtkek kzl az az rtk, amelynl ugyanannyi
kisebb, mint nagyobb rtk fordul el.
Meghatrozsa igen egyszer, mivel rtke a rangsorba rendezett ismrvrtkek kzps tagja, teht, ha
az elsrend differencikat jelljk:
k = (y k - y k-1 )
m = a megfigyelsek szma az idsorban.
k=2..m
- pratlan elemszm adathalmaz esetn:
Me = k (m 1) +1
- pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor, konvencionlisan a
k (m 1)+1 + k (m 1) +1+1
2
Me = 2
2
kplettel hatrozhat meg.
A szably algebrai formulja:
y t+i = y t + i ( Me )
2.4 Szably
A 2.3 szablyhoz hasonlan a 2.4 szably a teljes adatsorra kiterjed informcit hasznlja. A 2.4 szably
a 2.2 mdostsa gy, hogy a peridusrl peridusra szmtott relatv vltozs medinjt hasznlja a teljes
sorra (a legutbbi egyperidus relatv vltozs helyett) trendkiigaztsi tnyezknt. Az tlagos nvekmnyi vltozst gy szmtjuk, hogy az egymst kvet egyperidus nvekmnyi vltozsok medinjt
hatrozzuk meg. Az elrejelzs kplete: a legutols megfigyelt rtket meg kell szoroznunk a szmtott
trendkiigaztsi tnyez (Me) (i)-ik hatvnyval. Mivel a 2.3 szably a teljes adatsorra kiterjed informcit hasznlja, helyesebben tekinthet trendet becslnek, mint a 2.1 szably.
k = (y k /y k-1 )
m = a megfigyelsek szma az idsorban.
k=2..m
83
- pros szm adat esetn a medin nem esik egybe egy konkrt megfigyelssel, gy ilyenkor, konvencionlisan a
k (m 1) +1 + k (m 1)+1+1
2
Me = 2
2
kplettel hatrozhat meg.
A szably algebrai formulja:
y t+i = y t ( Me )
Ennek a ngy egyszer naiv szablynak az a clja, hogy figyelembe vegye a trendvltozst az adatsorban;
ez nem az egyetlen lehetsges md a trendvltozs figyelembevtelre, csak a legegyszerbb.
3. Szablyok, melyek figyelembe veszik a szezonalits tnyezt.
A szezonalits kapcsoldhat a mezgazdasgi munkkhoz, a szezonlis idjrs vltozsokhoz, szoksokhoz s hagyomnyhoz, vallsi vagy vilgi nnepekhez. Fontos megjegyezni, hogy az egyik idsor
szezonlis smja lehet, hogy hasonlt, lehet, hogy nem ms idsorok szezonlis smjhoz.
3.1 Szably.
A 3.1 szably szemllteti a legegyszerbb mdszert a prblkozsra hogy figyelembe vegyk a szezonalitst az idsorban:
havi adatok esetben:
y t+i = y t +i 12
negyedves adatok esetben:
y t+i = y t +i 4
Ez a szably nem tesz erfesztst a trend figyelembevtelre. Alapfeltevse hasonl az alaprtelmezett
szablyokihoz, kis kiigaztssal: a sor rtke az elrejelzett hnapban (negyedvben) valsznleg azonos lesz az elz v azonos hnapjval (negyedvvel). Ha t a legutbbi megfigyelsi rtk hnapja s i
a prognzistv, a t+i peridus elrejelzst az elz v megfelel hnapjnak (negyedvnek) megtallsval (visszaszmolunk a sorban) kapjuk a (t+i-12 illetve t+i-4) peridusnl. Ez a viszonylag egyszer
mdszere a szezonalitsnak a legutbbi tizenkt hnap (ngy negyedv) informciit hasznlja, s valjban elhagy minden korbbi informcit.
4. Szablyok, melyek figyelembe veszik a trendet s a szezonalitst is.
A 3.1 szablyban alkalmazott mdszer, lehetv teheti a 2.3 s 2.4 szably trendkiigaztsi tnyezjnek
mdostst. Ezeket a szablyokat teht trhatjuk a kvetkezkppen.
4.1 Szably:
y t+i = y t +i 12 + i ( Me )
4.2 Szably.
Havi adatoknl:
y t+i = y t +i 12 ( Me )
84
y t+i = y t +i 4 ( Me )
Az exponencilis kiegyenlts 116 117 a szmtani illetve a mozg tlagols tovbbfejlesztett vltozata. Kikszbli a mozg tlagols azon hibjt, hogy az minden adatot azonos sllyal vesz figyelembe. A legjabb adatok ltalban nagyobb szerepet jtszanak a jvbeli adatok alakulsban, mint a rgebbi adatok.
Ezrt a legfrissebb adatoknak a megelznl relatve nagyobb slyt kell adnunk. Elnye, hogy egyszeren
kezelhet, nem kvn nagyobb matematikai elmlylst. Az alkalmazhatsg feltteleit is meg kell emlteni: megfelel hosszsg idsor [20-90] szksges a kiegyenltshez.
Az alapkplet szerint a legfrissebb rtk -sllyal, mg az sszes korbban megfigyelt rtk (1-) sllyal
jrul hozz a becslt rtk kialaktshoz, gy az becslse alapvet fontossg.
F
Az elrejelzs:
Ft +1 = X t + (1 ) Ft
ahol:
F = az exponencilis kiegyenltssel nyert rtk
X = megfigyelt rtk
t = idszak
= reakciparamter, 0 1
Elrejelzs idszaka: m.
114
85
A kezd simtott rtket meg kell adni (inicializls) ami ltalban, az idsor els rtke. Az els simtott
rtk lehet tovbb az els nhny adat valamilyen tlaga, vagy egyb becslssel nyert rtk.
Legyen:
F0 = X 0
Ez utbbi kpletet a szmtsok sorn clszer hasznlni. Ennek alapjn, ha:
F0 = X 0
F1 = X1 + (1 )X 0
F2 = X 2 + (1 )F1 = X 2 + (1 )[X1 + (1 )X 0 ] = X 2 + (1 )X1 + (1 ) 2 X 0
F3 = X 3 + (1 )F2 = X 3 + (1 )[X 2 + (1 )X1 + (1 ) 2 X 0 ] =
= X 3 + (1 )X 2 + (1 ) 2 X1 + (1 )3 X 0
t 1
Ft = [ (1 ) X t i ] + (1 ) t X 0
i
i =0
Lthat, hogy az j rtk kialaktsban a legutols (Xt-0 = Xt) teht t idpontban megfigyelt adat slylyal, az azt megelz, (t-1) idpontban megfigyelt (Xt-1) adat (1-) , mg az i-edik idszakot megelz
adat (X[t-(i-1)]), (1-)i sllyal jrul hozz az Ft rtk kiszmtshoz. Az idsor legrgebbi adatnak (Xt-t =
X0) slya pedig (1-)t. Ha =0 akkor a legrgebbi adat slya 1.
A slyok geometriai sorozat szerint cskkennek, ahol a kt szomszdos tag hnyadosa: q=(1-) s a sorozat els tagja q0= -val. A slyok sszege gy 1-t ad, vagyis a vrhat rtket hatroztuk meg. A geometriai sorozat sszegkplett (s) felhasznlva ugyanis:
qn 1
(1 ) t 1
s = q0
=
+ (1 ) t = 1
(1 ) 1
q 1
A slyok alakulst mutatja az albbi 3-2. tbla s 3-21. bra, ha = 0,1, 0,2, 0,4, 0,6, 0,8.
3-2. tbla: Az slyok vltozsa
Slyok
=0,1
=0,2
=0,4
=0,6
=0,8
Xt
0,1
0,2
0,4
0,6
0,8
Xt-1
0,09
0,16
0,24
0,24
0,16
Xt-2
0,081
0,128
0,144
0,096
0,032
Xt-3
0,0729
0,1024
0,0864
0,0384
0,0064
Xt-4
0,06561 0,08192 0,05184 0,01536 0,00128
Xt-5
0,059049 0,065536 0,065536 0,006144 0,000256
0,9
0,8
0,7
0,6
=0,1
0,5
=0,2
0,4
=0,4
=0,6
0,3
=0,8
0,2
0,1
0
Xt
Xt-1
Xt-2
Xt-3
Xt-4
Xt-5
86
Ha nagy -t vlasztunk [pl . = 0,8], akkor az utols v adatai nagy slyt kapnak [az utols v 0,8, eltte lev 0,8[1-0,8] =0,16 majd: 0,032, 0,0064, 0,00128 stb.]. Ha a vletlen ersen befolysolja ezek nagysgt, az elrejelzs kevsb megbzhat lesz. Ha kis reakciparamtert vlasztunk [pl.: = 0,2], akkor a
rgebbi adatoknak is nagyobb szerepe lesz (a slyok: 0,2, 0,2 [1-0,2]=0.16, majd: 0,128, 0,1024 stb.), a
vletlen hatsokat jobban kikszblhetjk. A legjobb reakciparamtert ksrletezssel lehet meghatrozni felhasznlva a teszt idszak adta lehetsgeket. A megfigyelt idszakot kt rszre bontjuk, az els
idszak alapjn becslnk illetve a msodik teszt idszakra elvgzett becsls alapjn (felhasznlva a hibakpleteket pl. a MAPE-t) vlasztjuk ki a legjobb mdszert, -t kezdrtket stb.
A kvetkez exponencilis simtsi mdszereket programoztuk:
Ft +1 = X t + (1 ) Ft
A msodik mdszer: ktszeres simts, a Brown egyparamteres lineris mdszere. Ktszeres exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , mivel lineris
trendet feltteleznk az idsorban:
(S1t - S2t )
1-
= a t + bt m
A Brown egyparamteres lineris mdszert akkor hasznljuk, ha lineris trendhats van az idsorban, viszont szezonlis hats nincs az idsorban.
118
87
1
1
S t = X t + (1 - )S t -1
2
1
2
S t = S t +(1 - )S t -1
3
2
3
S t = S t + (1 - )S t-1
1
2
3
a t = 3S t - 3S t + S t
Ft+m = a t + b t m + 1/2c t m 2
A Brown egyparamteres kvadratikus mdszert akkor hasznljuk, ha msodfok parabolikus trendhats
van az idsorban, viszont szezonlis hats nincs az idsorban.
A negyedik mdszer: ARRSES 119 adaptv reagls egyszer exponencilis simtsi mdszer. Ennl a
mdszernl t rtke vltozik peridusrl peridusra, amint az adatsma [minta, pattern] vltozik. A mdszer alapegyenlete
Ft +1 = t X t + (1 t ) Ft
F
Ahol:
t+1 =
Et
Mt
E t =e t +(1-)E t-1
M t = e t +(1-)M t-1
e t =X t -Ft
Az s 0 s 1 kz esik, et a hiba Et a simtsi hiba Mt az abszolt simtsi hiba rtke.
Az adaptv reagls egyszer exponencilis simtsi mdszert akkor alkalmazzuk, ha tbb szz vagy
tbb ezer hasonl adatsort kell feldolgozni s az rtk automatikusan vltozik, ahogy vltozik az adat
sma.
Tancsok a gyakorlati alkalmazshoz.
Az igazn megalapozott rvidtv elrejelzs ksztshez az idsor hossza lehetleg legyen legalbb hat
v, ha negyedves vagy havi adatokkal rendelkeznk. Az els hrom v adata lehet a szmtsi idszak, a
msodik hrom v adata pedig a tesztperidus. Ebben az esetben ha van szezonalits az idsorban, akkor
a szezonalits becslsre hrom a tesztelsre szintn hrom v ll rendelkezsre. Ha negyedves adatokkal dolgozunk, akkor ez azt jelenti, hogy 6*4 = 24 megfigyelt adatra van szksg, ha pedig havi adatokat
hasznlnnk, akkor 6*12 = 72. 120 Ez utbbi esetben a tesztperidus kezdete 72/2 + 1, azaz 37, mg a negyedves adatok esetben a tesztperidus kezdete 24/2 + 1, azaz 13. idpontban trtnhet. Keresst krve,
a simtsi paramterek rtkt az Excel program gy szmtja ki, hogy megkeresi azt a paramterkombincit, ahol a hiba (MAPE) a legkisebb.
F
rzkenysgvizsglatok.
Az alkalmazott mdszerek stabilitst ellenrizni kell. Ezt gy vgezhetjk el, hogy a tesztperidus kezdett vltoztatjuk, pl. az idsor -nl hatrozzuk meg, vagy az utols v adatait tekintjk tesztperidusnak. Negyedves adatok esetn az elz pldt folytatva a tesztperidus kezdete az albbi lehet. 6*4=24
megfigyels esetn a hromnegyed-idszak utni els negyedv a 19. negyedv; az utols vtl kezdd
tesztperidus esetn a 21. negyedv. Ha ugyanazt a mdszert vlasztja ki legjobbnak a program, s a paramterek sincsenek nagyon tvol egymstl (az eltrs a 10-20%-ot nem haladja meg) akkor az idsor
119
120
88
Az USA lakossgi teljes villamosenergia fogyaszts (millird kWh/hnap) idsora 1973 janur s 2010
november kztt rendelkezsnkre ll. Vgezze el a szmtsokat a simit.xls parancsfjllal.
F
89
matematikai kpletek s a szmtgpes feldolgozshoz, az adatok trolshoz biztostott kedvez felttelek segtik. Tovbbi elny, hogy, kevs az elmleti feltevs s a frisebb adatoknak nagyobb slyt lehet
adni. Az indul paramterek dnt fontossgak lehetnek. Gyakran jelents mrtkben vltoztathatjk az
eredmnyeket mind pozitv, mind negatv irnyban. A szmtgpek rvid id alatt sok szmtst kpesek
elvgezni, ezrt lehetsgess vlik egy optimlis megolds kiksrletezse. Egy megfelel itercis eljrs
segtsgvel ki lehet vlasztani a legjobban illeszked becslst, azonban meg kell adni a lehetsgt tetszleges paramterek megadsnak is. Az ExpS, exponencilis simtsi program ksrletet tesz arra, hogy
mindt problmra megoldst adjon. Egy megfelel itercis eljrs segtsgvel lehetv vlik tizenkt
mdszer kzl a legjobbnak a kivlasztsa. Az adott mdszeren bell ezutn lehetv vlik a legjobb paramter-egyttes meghatrozsa.
A program futtatsa:
A program futtatsa a kvetkez parancssorral trtnik:
exps Fnev
ahol az "Fnev" az adatbzis neve
Szmos lehetsg van a program paramterezsre.
[/o nev] [/k KE] [/a Alfa] [/lIL][/e] [/t tipus][/p peridus]
[/m peridus] [/1 1. paramter] [/2 2. paramter] [/f oszlop]
ahol :
/o nev = Eredmnyek, alaprtelmezs: *.out
/k KE = Kezd rtk (F1), msklnben kiszmolja
/a Alfa = Alfa, msklnben kiszmolja
/l IL = Az U statisztika javulsnak hatra, %-ban
alaprtelmezs:0.01
/h IH = Az itercik szmnak fels hatra.
alaprtelmezs: 30
/e Az egyedli output a kpernyre rkezik.
alaprtelmezs: Output llomny.
/p A teszt peridus kezdete
alaprtelmezs: 10, ha az esetek szma nem kevesebb mint 11.
/1 Az els, nem alfa paramter rtke. (szezonalits). p2
alaprtelmezs: 0.1, 0.15, 0.2
/2 A msodik, nem alfa paramter rtke. (trend). p1
alaprtelmezs: 0.1, 0.15, 0.2
/m Az elrejelzett rtkek szma
alaprtelmezs: 1, vagy a szezonbeli peridusok szma
/f Az adatbzis neve, ha az mtrixalakban van (szveges file)
oszlop = a vltoz sorszma a mtrixon bell
alaprtelmezs: Csak egy adatsor van
/s A paramterek sklja (szezonalits s trend), amelyek rszt vesznek az iterciban.
1 : (alaprtelmezs) : 0.1, 0.15, 0.2
2 : 19-es skla, 0.05-tl 0.95-ig.
3 : 190-es skla, 0.005-tl 0.95-ig.
/c A szezonalits felttelezett esetszmai (0, 4, 5, 7, 12, 24)
alaprtelmezs : Automatikus keress
/t A simts tpusa
A simts tpusait az albbi Tblzat tartalmazza
Az exponencilis simts alkalmazott tpusai
T- 1 Egyszer exponencilis simts
T- 2 Szezonalits - additv, Trend nincs
T- 3 Szezonalits - multiplikatv, Trend nincs
90
A fkperny als rszn vannak a megfelel paramterek, melyeket ki lehet tlteni. Az Input adatllomny neve mezt felttlenl ki kell tlteni, mivel ezzel trtnik meg az adatllomnyra val hivatkozs.
A program ezutn fogja megtallni a fenti Bemen adatok gombbal az input adatokat. Ez egy ellenrzsi lehetsg is arra, hogy az adatllomny nevt jl adtuk - e meg. Az Eredmnyek llomnyneve mez
automatikusan kitltdik az llomnynv alapjn, amely .out vgzdst kap. Ez a mez trhat, mdosthat, amennyiben az adott adatsor tbb eredmnyt is szeretnnk lementeni. Az eredmnyek szvegfjlban lementhetk.
Az Aktivizls gomb elindtja a segdprogramot, amely a belltott paramtereknek megfelelen ltrehozza az eredmnyeket.
Ezek az eredmnyek az Eredmnyek gombra val rkattintssal tekinthetk meg. Az rzkenysgvizsglat. rsz gyorsabb munkt tesz lehetv a megfelel modell kialaktsa sorn.
Ezutn lehet lltani a megfelel paramtereket.
A Szezon meznl a kperny kzps, als rszn lehet lltani a szezonalits esetszmt (a mozgtlag
tagszmt). Automatikus keress esetn 4-tl 24-ig a feltntetett rtkeknek megfelelen keresi az optimlis mozgtlag tagszmot. Amennyiben tudjuk hogy nincs az adatsorban szezonalits, gy ez az rtk 0-ra
91
llthat. Ha nem akarunk ksrletezni a szezon tagszmmal, akkor azonnal bellthat egy konkrt rtkre, pl. negyedves adatok esetn 4-re.
A Kezd rtk, Alfa, Szezon s Trend paramtereknl amennyiben nem adunk meg konkrt rtket, gy a
program iterl egyet. Az Alfa utni Nv. (nvekmny) mez tartalmazza azt az rtket, hogy az alfa-rtk
milyen lpskzzel menjen 0-tl 1-ig. Az alaprtelmezs 0,05.
A Trend, Szezonparamter-skla azt jelzi, hogy a trend- s szezon-paramterek milyen rtkeket vesznek
fel az iterci sorn, ha nem adunk meg konkrt rtket a trend s szezon paramtereire.
Az eredmnyeknl par1 (p1) a trend paramter, par2 (p2) szezonparamter rtke.
A kperny kzepn lv sor nem ms, mint az a parancssor, melyet a DOS vltozatban kellene kiadni,
hogy a megfelel paramterezst hajtsuk vgre.
A Szerkeszt mez tartalmazza a szvegszerkeszt nevt, amellyel az eredmnyeket illetve az adatokat
elhvjuk. Amennyiben nagy az adatllomny s az alaprtelmezs szerinti Notepad nem alkalmas erre a
clra, gy vltsunk szerkesztt, pl. hasznljuk a WINWORD-t. A bemen adatok szerkesztsnl vigyzzunk, hogy az adatok mentse mindig szveges llomnyba trtnjen!
A Windows vltozat jellegzetessge, hogy a felhasznl kvetni tudja a ngy, taln legfontosabb statisztiknak (U statisztika, D-W statisztika, MAE s SDE, lsd az Elmlet rszt) alakulst. Az Utols s az
Elz gomb mindig cserli az utbbi (legutols modell) s az elz (az elz modell) eredmnyeket,
hogy lehessen kvetni a vltozst. Amennyiben elzleg ms adatsorra kerestnk modellt, gy az Elz
gomb annak az eredmnyeit fogja mutatni!
A felhasznlt mdszerek algoritmusai:
Az egyes mdszerek (t =1, 2, ...12) egyenletei a kvetkezk:
Az exponencilis kiegyenlts ltalnos alakja:
St = P + (1- )Q
Ahol:
Q = a trend
P = a szezonlis tnyez
Q s P a trend s a szezonalits tpusa szerint vltozik.
Ezt mutatja az albbi tblzat:
A szezonalits s a trend sszefggsei.
Szezonalits
nincs
Szezonalits additv
Trend nincs
P=Xt
Q=St-1
P=Xt - Ct-L
Q =St-1
Szezonalits
multiplikatv
P=Xt /Dt-L
Q =St-1
Trend additv
P = Xt
Q = St-1 + At-1
P=Xt - Ct-L
Q = St-1 + At-1
P=Xt /Dt-L
Q =St-1 + At-1
Trend multiplikatv
P = Xt
Q = St-1 Bt-1
P=Xt - Ct-L
Q =St-1 Bt-1
P=Xt /Dt-L
Q =St-1 Bt-1
ahol:
Xt = megfigyelt (tnyleges) adat
St =simtott adat:
St = P + (1- )Q
A Q (trend) s a P (szezonalits) helybe az albbi egyenleteket lehet helyettesteni:
Additv trend:
A t = (St - St-1 ) + (1- )A t-1
Multiplikatv trend:
Bt = (St /St-1 ) + (1- )Bt-1
Additv szezonalits:
C t = (X t - St ) + (1 )C t-L
92
Multiplikatv szezonalits:
D t = (X t /St ) + (1- )D t-L
L = a szezonalits peridusnak a hossza, pl. 4 negyedves adatok esetben, mg havi adatoknl 12.
Az , , ,, (alfa , bta, gamma, delta, thta) paramterek 0 s 1 kz esnek.
A kvetkez tblzat a prognzist (Ft+m) mutatja m idszakra elre
A prognzis kpletei.
Trend
nincs
nincs
Ft+m = St
Szezonalits
additv
Ft+m = St + C t-L+m
multiplikatv
Ft+m = St D t-L+m
additv
multiplikatv
Ft+m = St Bm
t
m
Ft+m = St Bm
t + C t-L+m Ft+m = St D t-L+m B t
93
( x 2 x1 ) + ( x 3 x 2 ) + ( x 4 x 3 )
3
St =
X t (1 )
+
I t L
St
F t + m = (St + b t m) I t L + m
It =
94
Ennl a mdszernl t rtke vltozik peridusrl peridusra, amint az adatsma [minta, pattern] vltozik.
A mdszer alapegyenlete:
Ft+1 = t X t + (1- t )Ft
Ahol:
t+1 =
Et
Mt
E t =e t +(1-)E t-1
M t = e t +(1-)M t-1
e t =X t -Ft
124
95
Ktszeres exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , mivel lineris trendet feltteleznk az idsorban:
S1t = X t + (1 - )S1t -1
S 2t = S1t -1 + (1 - )S 2t -1
a t = 2S1t - S 2t
bt =
Ft + m
(S1t - S 2t )
1-
= a t + btm
A Brown egyparamteres lineris mdszert akkor hasznljuk, ha lineris trendhats van az idsorban, viszont szezonlis hats nincs az idsorban.
A 12. mdszer: Brown egypramteres kvadratikus mdszere.
Hromszoros exponencilis kiegyenlts, az egyszer mr kiegyenltett rtkeket, S1t mg egyszer kiegyenltjk S 2t , majd a ktszeresen kiegyenltett idsort mg egyszer, teht harmadszor is S3t kiegyenltjk,
mivel msodfok parabolikus (kvadratikus) trendet feltteleznk az idsorban:
1
1
S t = X t + (1 - )S t -1
2
1
2
S t = S t +(1 - )S t -1
3
2
3
S t = S t + (1 - )S t -1
1
2
3
a t = 3S t - 3S t + S t
Ft+m = a t + b t m + 1/2c t m 2
A Brown egyparamteres kvadratikus mdszert akkor hasznljuk, ha msodfok parabolikus trendhats
van az idsorban, viszont szezonlis hats nincs az idsorban.
A kezd rtkek megadsa, az inicializils:
Az 1. s 10. mdszernl:
F1 = X1
A 11. mdszernl:
2
1
St = St = X1
a1 = X1
b1 =
(X 2 - X1 ) + (X 4 - X3 )
2
A 4. mdszernl:
96
S1 = X1
(X 2 - X1 ) + (X 4 - X3 )
2
A 12. mdszernl:
b1 =
S1 = S1 = S1 = X1
2
a1 = X1
(X - X ) + (X3 - X 2 ) + (X 4 - X3 )
b1 = 2 1
3
(X - X )
c1 = 3 1
2
A szezonalitst tartalmaz modellek (Winters s 2. 3. 5. 6. 8. 9.) esetben:
SL+1 = X L+1
Ahol:
L= a szezonalits hossza (negyedves adatok: L=4, havi adatok: L=12, tzsdenapok: L=252)
_
I1 = X1/ X
_
I2 = X 2/ X
_
I3 = X3/ X
.
.
.
_
IL = X L/ X
Ahol:
_
Xi
i=1 L
X=
b L+1 =
rzkenysgvizsglatok.
A SABL 125 126 eljrst a Bell Laboratrium munkatrai 1979-ben publikltk 127. A SABL eljrs a szezonlis illetve periodikus idsorok simtst vgzi el. Additv komponensekre bontja az eredeti vagy a
transzformlt adatokat: trend, szezonlis [periodikus] s irregulris [fehr zaj] sszetevket klnbztet
meg, rezisztens [ellenllkpes] lineris vagy nemlineris simtsi mdszerek alkalmazsval. A rezisztens fogalma ebben az sszefggsben azt a tulajdonsgot jelenti, hogy a mdszer nem rzkeny nhny
adat kiugran nagy eltrse [az gynevezett outlierek] ltal okozott ers zavarhatsra, torztsra. Azokat
az rtkeket tekintjk szlssges, extrm rtkeknek, outlier-eknek, amelyek nagyon tvol vannak az eloszls kzeptl, jelentsen klnbznek a tbbi rtkektl. Elklntsk mind elemzsi, mind elrejelzsi illetve modellalkotsi szempontbl fontos feladat. Feltrsukat a grafikus brzols is segti. A szezonlis illetve periodikus illeszts clja ltalban a mltbeli s a jelenbeli adatok szezonlis illetve periodikus hullmzsnak meghatrozsa elrejelzsi clbl. Fontos, pldul rpolitikai s beruhzs-politikai
clbl, hogy az zleti vllalat tisztban legyen azzal, vltozik-e az zleti aktivits adott idszakban s a
F
125
98
128
99
Ha p=0,5
Y2 = (T + S + I) = T2
2
Y = ( Y2 )
0.5
= (T + S + I)
) = (T )
2 0.5
2 0.5
=T
Ha p=0,33
Y3 = ( T + S + I ) = T3
3
Y = ( Y3 )
0.33
= (T + S + I)
3 0.33
= ( T3 )
0.33
=T
Ha az eredeti adatok [pl. relatv nvekedsi tem] negatv, akkor a p is negatv (p<0), gy a D[0] pozitv
lesz.
Elszr simtsi eljrst alkalmazunk az els rezisztens simtott trend meghatrozsnak rdekben. A
simtott trendet kivonjuk az adatokbl: [D-T] = [S+I] alapjn gy kapjuk az [S+I] sort. Ezutn az [S+I]
cskken slyozs [tapered] mozgmedinjainak s mozgtlagainak szmtsa kvetkezik, gy nyerjk
a kezdeti rezisztens szezonlis komponenst. Ezutn a kapott kezdeti szezonlis komponens a [mr transzformlt] eredeti adatsorbl trtn kivonsa utn a msodik simtott trendet hatrozzuk meg. Ezt kveti az
irregulris komponens szmtsa: [D-T-S=I].
A SABL eljrs vzlata 129
A cskken slyozs [tapered] mozgtlag s mozgmedin szmtsa sorn hasznlt slyok meghatrozshoz a slyok olyan sorozatra van szksgnk, ahol a slyok az adott idszaktl [hnaptl, vtl,
naptl, stb. attl fggen, hogy milyen adatokkal dolgozunk] val tvolsg arnyban cskkennek. Ilyen
tulajdonsggal rendelkezik a duplangyzet [bisquare] fggvny:
B(u) = (1 u 2 ) 2 u 1
F
B(u) = 0 u > 1
Ttelezzk fel, hogy havi adatokkal rendelkeznk s kis trendsimitsi paramter (nts) hasznlunk, aminek
az rtke: (12/2)+1=7. Legyen teht ht - peridus ablak a duplangyzet slyok [W(t)] meghatrozshoz.
W(t) = B[t/(T+1)] = B(u)
u = t/(T+1)
t = -T,0,T
Pldnkban: t = -3, -2, -1, 0, 1, 2, 3
T+1=4
A slyok W(t):
W(-3)=B(-3/4)=[1-(-3/4)2]2 = 0,191
W(-2)=B(-2/4)=[1-(-2/4)2]2 = 0,563
129
A SABL programozs lpseinek rszletes ismertetstl annak bonyolultsga miatt eltekintnk. Ld.: Levenbach, H. - Cleary, J. P. [1982]: 215-220. s 248-274.
100
W(-1)=B(-1/4)=[1-(-1/4)2]2 = 0,879
W(0)=B(0)=[1-0)2]2 =1,000
W(1)=B(1/4)=[1-(1/4)2]2 = 0,879
W(2)=B(2/4)=[1-(2/4)2]2 = 0,563
W(3)=B(3/4)=[1-(3/4)2]2 =0,191
A tbbi sly 0, pl.: T=5, mert u = 5/4 > 1
Ha u>1 akkor B(u)=0
A cskken slyozs (tapered) tlag szmtst mutatja a 3-3. tblatbla.
3-3. tbla: Cskken slyozs (tapered) tlag szmtsa prilis hnapban
Hnap
Adat
Jan.
5,831
Febr.
5,84
Mrc.
5,849
pr.
5,856
Mj.
5,861
Jun.
5,863
Jl.
5,864
sszesen
Sly
0,191
0,563
0,879
1
0,879
0,563
0,191
4,266
Slyozott
=Adat*Sly
1,114
3,288
5,141
5,856
5,152
3,301
1,120
24,972
5,854
azaz, ha az irregulris adat nagyobb, mint az irregulris sor szrsnak var-szorosa, akkor azzal az rtkkel helyettestjk. A Var megadsval az outlierek hatst mrskelni lehet.
A Var szoksos rtkei: 2 s 3.
Az eljrs lpseit foglaljuk ssze a kvetkez tblban.
A SABL teht elsdlegesen az adatllomny transzformcijt vgzi el, eredeti formjban kzvetlen elrejelzsre nem alkalmas. A helyesen transzformlt adatok additv kapcsolat trend s peridus [szezon
vagy konjunktra] komponenseket tartalmaznak, az irregulris rszt viszont nem. A SABL ltal transzformlt sor felhasznlhat a klnbz idsorkutatsi mdszerekkel [pl. trend-extrapolci, exponencilis
simts, stb.] trtn becslsekhez. A mdszer alkalmazsra szmtgpes program kszlt 130, amely a
kvetkezkppen mkdik:
F
INPUT
Y=Eredeti adatok
MVELET
OUTPUT
Adatok transzformlsa D [ 0] = Y p p > 0
D [ 0] = lgY p = 0
D[0]=transzformlt adatok
D [ 0] = -Y p p < 0
T[1]=D[0] adatok els trend
simtsa
S[1]=D[0]-T[1] simtott
szezonalitsa
S[2]=S[1] - S[1] trend simtsa
130
131
Lehetsges rtke
Kruzslicz Ferenc-Kiss Tibor-Sipos Bla: SABL Decomposition of Time Series 1997 PTE Version 2.1.
Cleveland, W. S.-Dunn, D. M.-Terpenning, I. J.[1979] Table 1, p. 206.
102
sbl, out
ndp
nts
nss
ndd
Az "in" "out" s "ndp" paramter megadsa ktelez, az sszes tbbi nem, mivel a szoftver a tbbi paramtert becsli az nts s nss rtkekre kzepes simtsi rtket ad.
ndt
niter
p
var
Eredmny
az idsor hossza (az adatok szma), a program kiszmolja, nem kell megadni
az algoritmus sorn vgrehajtand itercis lpsek szma
a be- s kimeneti adatok transzformcis paramtere:
Meg kell adni, 0, 0.5, 0.33 stb.
116384
065535
brmely
vals szm:
1 az alapeset
pozitv vairregulris rsz levgsa, az albbi sszefggs szerint
ls szm:
irregulris adat var szrs (irregulris sor)
2, 3
Alapeset: 1.
az Eredmny munkalapban a szmtsok paramterei s D, T, S, I
eredmnyei lthatk:
D: eredeti adatok
T: trend komponens
S: szezonlis komponens
I: irregulris rsz
A D, T, S, I adatsorokat Excelbe msoljuk, a tizeses .-t
cserljk ,-re s az adatokat pl. T, S, I, T+S brzolhatjuk elemezhetjk.
A SABLSHEL.EXE szoftver alkalmazsnak bemutatsa.
Szmols utn:
103
104
400
300
D
T
S
I
PJ
200
100
0
2007,01
vek-negyedvek 1991.01-2007.04
2006,01
2005,01
2004,01
2003,01
2002,01
2001,01
2000,01
1999,01
-100
Az USA energiafelhasznlsa 132 esetn a szmtsokat elvgezve a T+S az albbi brt mutatja:
F
Millird kWra/hnap
2005,01
2003,01
2001,01
1999,01
1997,01
1995,01
1993,01
1991,01
1989,01
1987,01
1985,01
1983,01
1981,01
1979,01
1977,01
1975,01
1973,01
Id1973.01-2007.11
Ha az adatok transzformcija s=0, akkor a trend s szezontnyez kztti multiplikatv kapcsolatot additvv alaktjuk.
Az USA lakossgi villamosenergia fogyasztsa (millird
kwra/hnap)
SABL (p=0): T+S
Millird kWra/hnap
400
300
200
100
0
200
200
200
200
199
199
199
199
199
198
198
198
198
198
197
197
197
197
Id:1973.01-2007.11
132
105
1. A SABL szoftver felhasznlsval vlassza szt a trend (T), a peridikus (S) s az irregulris (I) tnyezket s brzolja a T+S sszeget az Amerikai Egyeslt llamok (USA) rendelkezsre ll hossz idsorai alapjn. A peridus hossznak vegyen 9 s 18 vet.
1.1 Egy fre jut aranytermels 1860-2005 kztt.
1.2 Egy fre jut kolajtermels 1866-2005
1.3 Egy fre jut kszntermels 1860-2005
1.4 Egy fre jut lomtermels 1830-2005
1.5 Egy fre jut acltermels 1867-2005
1.6 Egy fre jut vasrctermels 1880-2004
3.8 Az ARIMA modellezs menete
George E. Box s Gwilym M. Jenkins npszerstette az autoregresszv/mozgtlag modellek alkalmazst idsor prognosztizlsi feladatokra. Mikzben ezt a mdszert eredetileg az 1930-as vekben fejlesztettk ki, nem volt szleskren ismert, amg Box s Jenkins nem publiklta rszletes lerst knyv formban 1970-ben133. A Box s Jenkins ltal ajnlott ltalnos mdszer, ARIMA modellek alkalmazsa
idsorelemzsre, prognosztizlsra s ellenrzsre az idsorelemzs Box-Jenkins mdszertanaknt lett
ismert.
Az
ARIMA
(AUTOREGRESSIVE-INTEGRATED-MOVING-AVERAGE=
AUTOREGRESSZV INTEGRLT MOZGTLAG) modellezs menett a kvetkezkben foglaljuk
ssze. 134
A szochasztikus idsori modellek integrlt autoregresszv s mozgtlag (rvidtve ARIMA) modellcsaldjnak elnevezsben , az AR az autoregresszv, az MA a mozgtlag jelzre, az I bet
(INTEGRATED) pedig az sszegzsre utal. Az autoregresszv (AR) modell, az idsor jelenlegi rtkt,
sajt elz rtkeinek fggvnyben fejezi ki, termszetesen, mint sztochasztikus modell, kiegszlve a
vletlen ingadozst reprezentl vltozval. Az autoregresszi a regresszi olyan formja, melyben az
eredmnyvltoz ms magyarz vltozk helyett sajt klnbz ksleltets mltbeli rtkeihez kapcsoldik. Statisztikai szempontbl teht egyvltozs idsorelemzst vgznk.
ARIMA (p, 0,0):
Yt = 0 + 1Yt-1 + 2 Yt-2 + ... + p Yt-p + t
vagy:
Yt = 1Yt-1 + 2 Yt-2 + ... + p Yt-p + t
ahol: p az autoregresszivits rendjt jelli.
A mozgtlag (MA) modell az idsor jelenlegi rtkt, a jelenlegi s a mltbeli vletlen vltozk fggvnyben fejezi ki.
ARIMA (0,0,q)
Yt = t + 1 t-1 + 2 t-2 + ... + q t-q
ahol: q a mozgtlag folyamat rendjt jelli.
(thta= , =epszilon, f= )
Mozgtlag. Kt klnbz jelentse van ennek a kifejezsnek. Elszr: idsoroknl a k- tag mozgtlagot k egymst kvet megfigyelsi rtk tlagaknt definilhatjuk. Ezt felhasznlhatjuk simtsra vagy
elrejelzsre. Msodszor: a Box - Jenkins modellezsben az MA a mozgtlag rvidtse az ARIMA-ban,
s az jelenti, hogy az idsor rtkt a t idpontban befolysolja a jelenlegi hibatag s a mltbeli hibatagok
slyozott kombincija.
133
Box, G.E.P. - Jenkins, G.M. [1970]: Time Series Analysis. Forecasting and Control. Holden-Day, San Francisco, CA.
134
Herman-Pintr-Rappai-Rdey: Statisztika II. [1994] Pcs. 8.6. Sztochasztikus idsori modellek. felhasznlsval s kiegsztsvel.
106
ARMA modell Az ilyen tpus idsori modell formja lehet autoregresszv (AR) vagy mozgtlag (MA)
vagy a kett kombincija (ARMA, vagy ms nven vegyes modell).
A vegyes (ARMA) modell az idsor jelenlegi rtkt, sajt elz rtkeinek, s a jelenlegi, illetve a mltbeli vletlen vltozk fggvnyben fejezi ki.
ARIMA(p,0,q):
Yt = 1Yt-1 + ... + p Yt-p + t + 1 t-1 + ... + q t-q
Az autoregresszv integrlt mozgtlag (ARIMA) modell, a differencia- vagy klnbzet- kpzssel stacionriuss transzformlt, n. d-ed rend integrlt [I(d)] idsorokra felrt ARMA modell. Ha pldul az
idsor els differencii (az Yt Yt-1 rtkek) stacionriusak, az eredeti idsor elsrend integrlt [I(1)].
Az ARIMA modellezs kiindulpontja annak megllaptsa, hogy a vizsglni kvnt idsorunk stacionrius-e, illetve, ha nem, akkor az, hogy alkalmas transzformcival stacionriuss tehet-e. Ezzel eldntttk azt, hogy az adott idsorhoz illeszthet-e ARIMA modell, ha igen milyen (d) dimenzival (fokkal)
rendelkezik. A kvetkez krds annak megvlaszolsa, hogy milyen tpus ARMA modell illesztsvel
prblkozzunk, illetve, milyen legyen az autoregresszivts (p) s/vagy, a mozgtlagols (q) rendje. Erre
a krdsre a vlaszt a tapasztalati, vagy a transzformlt idsor ACF s PACF rtkei (autokorrelcis- s
parcilis autokorrelcis egytthatk) alapjn adjuk meg. A modellezs ezen fzist, modell azonostsnak (identifikcinak) nevezi a szakirodalom.
Ezutn a modellezs lpsei alapveten megfelelnek a mr ismert lineris regresszis modellezsnek. A
vlasztott modell paramterbecslse utn a modell ellenrzse kvetkezik. A modell ellenrzse sorn
vizsgljuk azt, hogy paramterei szignifiknsak-e, illetve vletlen vltozik fehr zaj folyamatot kvetnek-e. Specilisan az ARMA modelleknek van stacionartsi (az idsor jellemzi idben llandak, azaz
fggetlenek a t idvltoztl) s invertibilitsi (azaz a becslt paramterek abszolt rtke kisebb mint
egy) felttele is, melyek a modell paramtereinek rtkre vonatkoz megszortsokknt jelennek meg.
Ezutn dntnk arrl, hogy felhasznlhat-e az illesztett modell elemzsre, elrejelzsre, vagy ms modell vlasztsval kell prblkoznunk. A modellkszts menett illusztrlja az albbi folyamatbra.
Az ARIMA modellek dimenziit a kvetkez mdon adjuk meg: ARIMA (p, d, q). A gyakorlati alkalmazsok szerint az idsorok nagy rsze jl kzelthet olyan modellekkel, melyeknl az autoregresszivits
s a mozgtlag folyamat rendje (p s q), illetve a differenciakpzs foka (d) alacsony. ltalban mindhrom dimenzi - a (p), a (d), s a (q) is 0, vagy 1, vagy 2 rtket vesz fel. Olyan idsorok elemzsre, melyek szezonlis ingadozst is tartalmaznak, az n. szezonlis ARIMA modellek alkalmasak, melyekkel pl.
havi adatsorok (s=12), vagy negyedves adatsorok (s = 4) elemezhetk. A szezonlis modellek ltalnos
jellse: ARIMA (p, d, q) (P, D, Q)s.
A paramterek fggvnyben az idsor hossza rvidl, a kies adatok szma=p+d+q+s(P+D+Q)
Az ARIMA modellezs feltevse szerint teht, az idsorok ltal reprezentlt sztochasztikus folyamatok,
viszonylag egyszer lineris modellekkel lerhatk. A modellezsi technika kidolgozsnak alapvet clja, megbzhat rvidtv elrejelzsek ksztse.
A modellezs sorn a megfigyelt idsorban tapasztalhat bels sszefggsek alapjn kvetkeztetnk a
sztochasztikus folyamat jellegzetessgeire. E jellemzk hatrozzk meg a vlasztott modell tpust. A
modell paramtereinek segtsgvel - melyeket a megfigyelt idsorbl becslnk, - lerhat az a "szisztma", aminek alapjn az idsor jelen idszaki rtke elllthat, az idsor mltbeli rtkeinek s/vagy az
elmlt idszakban realizldott vletlen eltrseknek a lineris kombincijaknt. A modellek alkalmazsnak vgs soron az a clja, hogy vlasztott megbzhatsgi szint mellett az idsor jvbeni rtkeire intervallumbecslst tudjunk adni. Az idsorokban tapasztalhat bels sszefggsek megllaptsa az idsorok korrelcis struktrjnak feltrst jelenti, ez indokolja a modellkszts nagy adatignyt. ltalban 100-120 elem megfigyelt idsorra van minimlisan szksg, mivel clszer minl nagyobb ksleltetsig elmenni, ami azt jelent, hogy ltalban a K= 20-25. Az ltalnosan alkalmazott sszefggs K<(n/4)
alapjn 25 idszakkal trtn ksleltetshez legalbb 100 elem idsorra van szksgnk. Nem szezonlis, teht ves adatok esetben a K lehet kisebb, pl. 12 (ez 48 ves adatot ignyel), de szezonalitst tartalmaz, pl. havi adatoknl a tendencia feltrshoz 3*12=36 havi ksleltetsre is szksg lehet, itt az n>144
havi adat. A hossz idtvot tfog, sszehasonlthat adatsor megfigyelse sokszor megnehezti a modellezst, amihez hozzjrul mg az alkalmas, lehetleg ingyenes, szoftverek beszerzse. (pl. JMulti,
[http://www.jmulti.de/] Gretl, [http://gretl.sourceforge.net/] R+ interneten mkd szoftver)
R+ interneten elrhet: Free Statistics Software (Calculator).
107
Adatcsere utn paramtereket be kell lltani s szmol, hibs paramterezs esetben zenetet ad, Excelbe is lehet exportlni, a vesszket ki kell cserlni, ha az adatokkal tovbbi szmtsokat vgznk az Excelben, pl. diagram ksztse.
(Partial) Autocorrelation Function - Free Statistics Software (Calculator):
http://www.wessa.net/rwasp_autocorrelation.wasp#output
ACF s PACF szmtsa s tesztelse.
ARIMA Backward Selection - Free Statistics Software (Calculator)
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
ARIMA paramtereinek becslse, backward elimincis mdszer alkalmazsa.
ARIMA Forecasting - Free Statistics Software (Calculator) :
http://www.wessa.net/rwasp_arimaforecasting.wasp
Elrejelzs s tesztels (teszt peridus megadsa).
Az elmleti idsort jelent sztochasztikus folyamat jellemzi (vrhat rtke, szrsngyzete s
autokorrelcis egytthati) azonban, csak akkor becslhetk a tapasztalati idsorbl, ha ezek a jellemzk idben llandak, azaz fggetlenek a t idvltoztl. Az ilyen tulajdonsgokkal rendelkez idsorokat stacionrius idsoroknak nevezzk.
Stacionrius idsor az Y1, Y2, . . . , Yt, . . . , YT elmleti idsor ha :
1. E (Yt ) =
3. k =
2. Var (Yt ) = 2
Cov (Y t ,Y t k )
2
k = 1, 2,
A stacionarts biztostsa
Az ARIMA modellezs kiindulpontja annak megllaptsa, hogy a vizsglni kvnt idsorunk stacionrius-e, illetve, ha nem, akkor az, hogy alkalmas transzformcival stacionriuss tehet-e. Ezzel eldntttk azt, hogy az adott idsorhoz illeszthet-e ARIMA modell, ha igen milyen (d= DIFFERENCE,
DIFFERENCIA) dimenzival (fokkal) rendelkezik.
1.a Stacionrius idsor. Az elzekben definiltuk a stacionrius idsor kritriumait. Ennek alapjn a sor
stacionrius, ha a statisztikai jellemzi fggetlenek a konkrt idperidustl a megfigyels folyamn.
1.b Nem stacionrius idsor. A tapasztalati idsor nem stacionrius jelleget mutat, ha az alapjul szolgl
folyamat tlaga s/vagy variancija nem konstans. A gyakorlatban az idsor brjnak tanulmnyozsa,
illetve az idsor autokorrelciinak sorozata felhasznlhat annak megllaptsra, hogy az egyik, vagy
mindkt felttel fennll-e. Az els lps teht stacionarts biztostsa.
108
Start
NEM
Stacionrius-e
az idsor?
Transzformcik
(differencia
kpzs,
logaritmizls
IGEN
Modell azonostsa
(identifikci) a p,q rtknek
magllaptsa
ARMA (p,q)
Paramterbecsls
NEM
Modellellenrzs
A modell
mdostsa
IGEN
Elemzs,
elrejelzs
Stop
135
109
16000
12000
14000
10000
12000
10000
9000
8000
8000
7000
8000
6000
6000
10000
6000
5000
8000
4000
4000
4000
6000
4000
2000
2000
92
94
96
98
00
02
04
3000
2000
2000
0
92
94
96
AUSTRALIA
98
00
02
04
1000
92
94
96
CANADA
24000
45000
20000
40000
98
00
02
04
92
94
96
CHINA
98
00
02
04
02
04
00
02
04
00
02
04
00
02
04
00
02
04
GERMANY
50000
7000
6000
40000
35000
16000
5000
30000
30000
4000
12000
25000
8000
3000
20000
20000
2000
10000
4000
15000
1000
10000
0
92
94
96
98
00
02
04
0
92
94
96
HONGKONG
98
00
02
04
0
92
94
96
JAPAN
00
02
04
92
94
96
KOREA
7000
30000
12000
6000
25000
10000
20000
8000
15000
6000
10000
4000
1000
5000
2000
5000
98
98
00
MALAYSIA
60000
50000
40000
4000
3000
30000
2000
92
94
96
98
00
02
04
92
94
96
SINGAPORE
98
00
02
04
20000
10000
92
94
96
TAIWAN
98
00
02
04
92
94
96
UK
98
USA
6000
4000
6000
6000
4000
3000
4000
2000
2000
2000
1000
-2000
-2000
-4000
-4000
-1000
-4000
-6000
-6000
-2000
4000
2000
0
-2000
92
94
96
98
00
02
04
92
94
96
AUST
98
00
02
04
-6000
92
94
96
CAN
98
00
02
04
92
94
96
CHI
12000
12000
12000
8000
8000
8000
4000
4000
4000
98
GERM
2000
1000
-1000
-4000
-4000
-8000
-8000
-8000
-12000
-12000
-12000
92
94
96
98
00
02
04
-4000
92
94
96
HONG
98
00
02
04
-2000
-3000
92
94
96
JAP
3000
98
00
02
04
92
94
96
KOR
12000
98
MAL
5000
30000
4000
2000
8000
20000
3000
1000
2000
4000
10000
1000
0
0
0
-1000
-1000
-2000
-4000
-2000
-10000
-3000
-8000
-3000
92
94
96
98
SING
00
02
04
-4000
92
94
96
98
TWN
00
02
04
-20000
92
94
96
98
00
02
04
92
94
UKK
96
98
US
ltalban megllapthat, hogy a gazdasgi, trsadalmi idsorok tbbsge jelents fejldst mutat, ltalban jellemz rjuk az emelked, vagy cskken tendencia. Ilyen esetekben mondhatjuk, hogy az idsor
vrhat rtkben nem stacionrius, s ezrt kpezzk a sor els differencijt, azaz kpezzk az idsor
(Yt Yt-1) rtkeit. Az els differencik, az eredeti sorbl szmtott vltozsokknt rtelmezhetk.
Yt = Yt - Yt-1
Vegyk az albbi lineris idtrendet:
= b +b t
Y
t
0
1
Az idtrend els differencija:
136
110
dy
Y
Y(t + t) - Y(t)
(Yt - Yt-1 )/(t -[t -1]) = (Yt - Yt-1 )
= lim
= lim
dt t 0 t t 0
t
A lineris trend t-szerinti derivltja:
dY
= b1
dt
Mivel teht a kzeltleg lineris idtrend esetn az egymst kvet tnyadatok kztt konstans rtk a
klnbsg, vagyis a nvekmny vagy cskkens, gy az egysgintervallum szerinti differenciakpzssel a
idtrendhatst tekintve konstans rtken tarthat a folyamat.
Amennyiben az els differencik nem stacionriusak, akkor msodszor is differencilni kell, mgpedig az
els differencikat [(Yt Yt-1) - (Yt-1 Yt-2)]. Ilyenkor az idsor msodrend integrlt [I(2)]. Az elsfok
differencia-sornak n-1, a msodfok differencia-sornak n-2, a mg a tizenketted fok differencia-sornak
[tizenkettedrend integrlt I(12)] pedig n-12 adata lesz.
Yt = ( Yt - Yt-1 )
2 Yt = ( Yt - Yt-1 ) - ( Yt-1 - Yt-2 ) = Yt - 2Yt-1 + Yt-2
Yt = b 0 + b1t + b 2 t 2 + b3 t 3
d3Y
t
= (b1 + 2b 2 t + 3b3 t 2 )' = (2b 2 + 6b3 t)' = 6b3
dt
Y
Trend-stacionarts esetben: Y
t
trend Az idtrend lehet hiperbolikus, hatvnykitevs stb. szmtsa
trend-szezon-hiba.xls parancsfjllal is trtnhet. Az idtrend-stacionarts azt jelenti, hogy a trendtl val
eltrsek stacionriusak. Kiszmtsa esetben, beilleszts utn az I.1 0 nincs transzformcit lehet vlasztani.
A gyakorlati alkalmazsokban a nem szezonlis differenciakpzsnl a differenciakpzs foka (degree of
non-seasonal differencing=d) legtbbszr d=0,1,2.
Ha az az idsor stacionrius, akkor nullad rend integrlt [I(0)] sornak is nevezzk.
111
A Box-Cox transzformci137:
(Y -1) , 0
Y() =
=0
ln(Y),
Y>0
1/
= 2 Y 2
Y(2) = (Y 2 -1) 2
1
1
= Y2 = Y
2
Y(1/2) = (Y1/2 -1) (1/2)
1
= 1 Y 1 =
Y
Y(-1) = (Y -1 -1) (-1)
137
138
Chan N. H. [2002]:
112
2.
Az ln-transzformcit (=0) akkor hasznljuk, ha hibatnyez szrsa () az Y nvekedsvel
szintn n (pl. exponencilis idtrend, amikor az tlagos nvekeds teme lland, mint pldnkban 6
%/v vagy ha nvekv az idtrend s multiplikatv szezonalits, teht az idben elrehaladva az amplitud n) vagy ha a hiba (t) eloszlsa jobbra ferdlt, (jobboldali asszimetria, balra hosszan elnyul
eloszls)
Legyen:
Yt = 10*1, 06 t * ee
ln(Yt ) = ln(10) + t *ln(1, 06) + e
Ebben az esetben ln-transzformcit (=0) hasznltunk, igy a relative (%-os) nvekeds abszolutt
(ln(1,06) vlt s elsfok differencia (d=1) alkalmazsval stacinriuss alakitottuk a sort.
113
3.
Ngyzetes transzformcit (=2) akkor hasznljuk, ha a hibatnyez variancija (2) arnyos a
vrhat rtkkel () vagy ha a hiba (t) eloszlsa balra ferdlt, (baloldali asszimetria, jobbra hosszan elnyul eloszls) Ha az adatsor gyks formt kvet, akkor a =2 transzformcival linearizlhat az
idsor s d=1 differencilssal stacionriuss tehet.
Yt = 1, 05* t
(Yt ) 2 = 1, 052 * t
Y(2) = (1, 052 -1) 2
4.
A ngyzetgyks transzformcit (=1/2) akkor hasznljuk, ha a hibatnyez variancija arnyos
a vrhat rtkkel. Ezt hasznljuk msodfok parabolikus idtrendnl.
A mintaplda:
Yt = 1, 01* t 2
(Yt )1/ 2 = 1, 01* t
Y(1/2) = (1, 011/2 -1) (1/2)
114
5.
A reciprok transzformcit (=-1) akkor hasznljuk, ha a hibatnyez variancija (2) cskken,
amikor a vltoz (Y) rtke cskken. Ezt hasznljuk hiperbolikus idtrendek linearizlsnl.
A mintaplda:
1
Yt = 5500*
t
1
(Yt ) 1 =
*t
5500
Y(-1) = ([1/5500]-1 -1) (-1)
115
Egy tovbbi eset, amikor gyakran elfordul a stacionarts hinya: a szezonalits. A peridusid szerinti
differencilssal a szezonlis ideltols mellett tapasztalhat hatsok, a peridikus mozgsok szrhetk
ki. Negyedves s havi idsorokban a stacionarts hinya gyakran eltntethet a megfelel differencilssal.
Negyedves adatoknl:
4 Yt = ( Yt Yt 1 ) ( Yt 1 Yt 2 ) ( Yt 2 Yt 3 ) ( Yt 3 Yt 4 ) =
Yt 2Yt 1 + Yt 4
Havi adatoknl:
12 Yt = Yt 2Yt 1 + Yt 12
Tovbbi problma lehet, hogy az ingadozs intenzitsa lland-e vagy nem, ha nem ln-transzformcit
lehet alkalmazni.
Ha szksges, mindkt transzformci elvgezhet, elszr a logaritmizls illetve Box-Cox transzformci, majd a transzformlt adatok differencia-kpzse. Az ARIMA szmtsok elvgzse utn vissza
kell transzformlni az adatokat. A szoftverek, pl. az ARIMA.xls vagy a GRETL elvgzi a differencilst
s a becslsnl visszaalakitja az adatokat eredeti formtumukba, de pl. az ln transzformlt adatokat nem,
mivel ezekkel szmoltunk. Ilyenkor a becslt rtkeket e hatvnyra kell emelni (Excelben kitev (Y becslt)) Elszr a szezonlis, esetnkben a havi differencilst kell elvgezni, majd ezt kveti ha szksges
az ves adatoknl mr bemutatott differencils.
Szezonlis differencia kpzs:
D=1 (yt-yt-12), az idsor 12 adattal rvidl.
D=2 (yt-yt-24), az idsor 24 adattal rvidl.
Nem szezonlis differencia kpzs:
d=1 (yt-yt-1), az idsor 1 adattal rvidl.
d=2 (yt-yt-2), az idsor 2 adattal rvidl.
3.8.1 Az autokorrelcis- s parcilis autokorrelcis egytthatk s az ACF s PACF rtkek becslse s tesztelse
Az idben lejtszd folyamatok mindegyike sztochasztikus folyamatknt definilhat, mely valsznsgi vltozk sorozataknt jelenik meg. Ezt elmleti idsornak nevezzk.
Y1 , Y2 , . . . , Yt , . . . , YT ,
Az Yt (t = 1, 2, , T) valsznsgi vltozk mindegyikre vonatkozan egy megfigyelssel rendelkeznk, ez a modellezs adatbzist jelent tapasztalati idsor,
y1 , y2 , . . . , yt , . . . , yn
Mind az elmleti idsort alkot valsznsgi vltozknak, mind a tapasztalati idsor klnbz idpontokhoz (idtartamokhoz) tartoz megfigyelt rtkeinek a felsorolsa kttt. Az idsori sztochasztikus modellezs ezt, az adatok sorrendisgben rejl informcit hasznlja fel az idsor jvbeni rtkeinek becslsre.
A megfigyelsek sorrendjben rejl informci lersval, a tapasztalati idsorban lv szisztma megllaptsval az elmleti idsor jellegzetessgeire kvnunk kvetkeztetni, azaz arra a sztochasztikus folyamatra, amelybl a mintnk szrmazik.
Az egymst kvet megfigyelsek kztt fennll sszefggsek megllaptsa az idsorok korrelcis
struktrjnak lerst jelenti, mely az autokorrelcis s a parcilis autokorrelcis egytthatk szmtsval trtnik.
A mintbl az autokorrelcis egytthatk becslse k ksleltetssel, a kvetkezkppen trtnik:
nk
rk =
( y t y)( y t k y)
t =1
( y t y)
k = 1,2,..., K
t =1
1
r2
2
r3
K
rK
Az autokorrelcis egytthatk becslt rtkei, az Y idsor k idegysggel ksleltetett rtkei kztti lineris korrelcis kapcsolat szorossgt mrik. Az r1 az egymst kvet, az r2 , az egymstl kt idegysgre lv rtkek kztti kapcsolat intenzitst jelenti, stb. Az rk egytthatk a ksleltets fggvnyben
(k = 1, 2, , K), az autokorrelcis fggvnyt, rvidtve az ACF-et (Autocorrelation function) alkotjk.
Az autokorrelcis fggvny rtkeit mtrixba foglalhatjuk:
1
r
1
R k = r2
rk 1
r1
1
r1
r2
r1
1
rk 2
rk 3
rk 1
rk 2
rk 3
Az autokorrelcis egytthatk esetben tesztelhetjk, hogy vajon van-e kapcsolat az yt s az yt-k kztt.
Hipotzisrendszernk:
H 0 : ryt yt-k = 0
H1 : ryt yt-k 0
A nullhipotzis rtelmben az yt s az yt-k vltozk kztt nincs szignifikns autokorrelci, ennek elvetse az autokorrelcis kapcsolat szignifikns voltt igazolja.
A becslt autokorrelcis egytthatra pl prbafggvnynk:
ry y
n2
t = t t-k
1 ry2t yt-k
t =
ryt yt-k n 2
1-ry2t yt-k
> t 0,025(n 2)
1.
R*k
Rk
Ahol:
K=1,2,,K
R*k =gy kapjuk meg, hogy az Rk mtrix utols sort (ld. az albbi mtrixot), vagy oszlopt az (r1,r2,,rk)
sorral (vektorral) helyettestjk.
Rk*
1
r
1
= r2
r1
r1
1
r1
r2
r1
1
r2
r3
rk 1
rk 2
rk 3
rk
1
11
2
22
3
33
K
KK
R *2
R2
r2 r12
=
1 r12
Ahol: R2=
1
r1
s
1
r1
r1
1
R *2 =
r1
r2
118
Ha k=1
11 = r1
ha: k > 1
k 1
kk =
rk k 1, j * rk j
j=1
k 1
1 k 1, j * rj
j=1
k, j = k 1, j k,k k 1,k j
j = 1, 2,..., k 1
Pldul:
r2 11 * r1 r2 r12
22 =
=
1 11 * r1 1 r12
ha: k = 2
11 = r1
33 =
r3 ( 21 * r2+ 22 * r1)
1 ( 21 * r1+ 22 * r2)
ha: k = 3
21 = 11 2211 = r1 22 * r1
Lthat, hogy ez az eljrs a parcilis autokorrelcis egytthatkat, az alacsonyabb rend folyamatra
mr kiszmtott parcilis autokorrelcis egytthatk segtsgvel lltja el.
3.
rk 1
r1
1
r2
r1
r1
rk 2
rk 3
rk 1
rk 2
rk 3
r1
r
1
.
.
rk
=epszilon
Ha = 0 , akkor a vletlen folyamatot n. fehr zajnak (white noise) nevezzk, mely a legegyszerbb
sztochasztikus folyamat.
Yt = t
A fehr zaj folyamat jellemzi:
1. E ( t ) = 0
2. Var ( t ) = 2
3. k = 0
k = 1, 2,
A fenti hrom kvetelmnyt teljest vltoz teljesen vletlen folyamatot kvet, s a modellezsben
ilyen rtelemben hasznljuk az t vletlen vltozt. A fehr zaj folyamat teht, nulla vrhat rtk, lland szrs s korrellatlan vltozkbl ll stacioner sztochasztikus folyamat. Felttelezzk tovbb,
hogy az idsor adatai normlis eloszlst kvetnek.
Az ACF s PACF rtkek szignifikancijnak tesztelst a fehr zaj folyamat rk autokorrelcis egytthatinak ismert mintaeloszlsa alapjn vgezhetjk el. Elmletileg a teljesen vletlen t , fehr zajt kvet vltozk minden autokorrelcis egytthatjnak nullnak kellene lennie. Vges mintbl becslve,
nem szmthatunk arra, hogy minden ACF s PACF rtk zrus lesz. Bizonythat, hogy a fehr zaj folyamat autokorrelcis egytthatinak mintaeloszlsa nulla vrhat rtk s (1 n ) szrs normlis
eloszlst kvet. Ezrt az ACF s PACF rtkeknek, a ksleltets fggvnyben ksztett grafikus brjn,
melyet korrelogramnak neveznk -, a 95 %-os valsznsgi szinthez tartoz 1,96 n hibahatrt is
fel szoktk tntetni. A gyakorlati szmtsokban ltalban a 2 n kplettel szmolnak. A korrelogram
gy kzvetlenl alkalmass vlik az autokorrelcik zrus voltra vonatkoz nullhipotzis tesztelsre, 5
%-os szignifikancia szinten. A 2 n hibahatr (+2Se: -2Se:) ltal meghatrozott svon belli
autokorrelcis egytthatk 5 %-os szignifikancia szinten, zrusnak tekinthetk. A svon kvli, azaz nulltl szignifiknsan klnbz autokorrelcis egytthatk, szisztma jelenltre utalnak az idsorban,
teht meg kell keresni az alkalmas ARMA modellt.
Ha az idsor els differencia sora egy nem nulla vrhat rtk krl lland variancival ingadozik, s az
ACF s PACF rtkei nem klnbznek szignifiknsan a zrustl, akkor a az idsor n. vletlen bolyongsi folyamatot kvet:
Yt Yt 1 = + t vagy talaktva Yt = Yt 1 + + t
A fenti modell a vletlen bolyongsi folyamat azon vltozata, mely a lineris trend sztochasztikus megfelelje. E szerint az idsor rtke egyik idszakrl a msikra egy lland-, s egy vletlen rtkkel vltozik. A vletlen bolyongsi modell magasabb fok differencikra is felrhat.
A stacionrius, vagy azz transzformlt idsorok ACF s PACF rtkei ltalban tartalmaznak nulltl
szignifiknsan klnbz rtkeket, s ez az idsorban valamilyen szisztma jelenltre utal. A szisztma megkeresse gy trtnik, hogy a klnbz tpus ARMA folyamatok kzl kivlasztjuk azokat,
amelyeknek az ismert elmleti ACF s PACF smjra leginkbb hasonltanak a vizsglt idsor tapasztalati autokorrelcis s parcilis autokorrelcis egytthati. A kivlasztott ARMA folyamatoknak megfelel modellek lesznek azok, melyek illesztsvel megprblkozunk.
A klnbz tpus ARMA folyamatok elmleti ACF s PACF rtkeinek alakulst rendszerezve, - a
gyakorlati alkalmazsokhoz knnyen hasznlhat formban -, a szakirodalom s a szmtgpes szoftverlersok is tartalmazzk. A normalitst ltalban a Jarque-Bera fle teszttel ellenrzik.
Autokorrellt hibk Ha a modell hibatagjai autokorrelcit mutatnak, ez azt jelzi, hogy a modell nem tvoltott el minden smt az adatokbl. Sok hipotzis ellenrzs van az autokorrelcis hibk tesztelsre.
A Box Pierce -, s a Ljung-Box - teszt ellenrzi, hogy az autokorrelcik sorozata szignifiknsan klnbzik-e zrusok sorozattl; a Durbin - Watson teszt csak az elsrend autokorrelcikat ellenrzi a
regresszis modell illesztse utn.
A szoftverek ltalban, gy az XLSTAT-TIME a ler statisztika (Descriptive analysis) menpontban
szmtjk ki az ARIMA modellezshez szksges statisztikkat (ACF, PACF rtkek s brk,
korrelogramok s hibahatrok, Jarque-Bera fle teszt, Box Pierce -, a Ljung-Box - teszt).
Az autokorrelcis egytthatk (Autocorrelation) (rk) esetben a standard hiba (Standard error) (s(rk)) a
kvetkez kplettel kzelthet:
120
1
1 + 2 ( r12 + r22 + r32 + ...rk21 )
n
k = 1, 2,3...., K
A konfidencia-als s fels hibahatr (Lower bound (95%)-Upper bound (95%)) ltal meghatrozott sv
kiszmtsa 5 %-os szignifikancia szinten az albbi kplettel trtnik:
1,96s(rk )
A parcilis korrelcis egytthatknl (pk) (Partial autocorrelation) a standard hiba (Standard error)
(s(pk)) :
s(p k )=1 n
A konfidencia-als s fels hibahatr (Lower bound (95%)-Upper bound (95%)) ltal meghatrozott sv
kiszmtsa 5 %-os szignifikancia szinten az albbi kplettel trtnik:
1,96 n
s(rk ) =
A 1,96 n hibahatr, illetve 2 n (+2Se: -2Se:) ltal meghatrozott svon belli autokorrelcis
egytthatk 5 %-os szignifikancia szinten, zrusnak tekinthetk.
Q = n rk2
k =1
Ahol:
rk = a t reziduumok k-ad rend autokorrelcis egytthatja,
n = megfigyelsek szma,
K = a szmtott autokorrelcis egytthatk elre megvlasztott szma, pl. 21 vagy tbb.
Ha a reziduumok sora fehr zaj, akkor a Q 2-eloszlst kvet (K-p-q) vagy (K) szabadsgfokkal. Ha a Q
szmtott rtke nagyobb, mint a 2-eloszls kritikus rtke, akkor arra a kvetkeztetsre jutunk, hogy a
reziduumok nem fehr zajok. (Q>K-p-q20,05) Fordtott esetben elfogadjuk a nullhipotzist, hogy a
reziduumok fehr zajok (Q<K-p-q >20,05).
Ennek alapjn a hipotzis rendszer:
H0 =a reziduumok fehr zajok,
H1 =a reziduumok nem fehr zajok,
A H0-t elfogadjuk, ha:
Q<K-p-q20,05
A H1 alternatv hipotzist fogadjuk el, ha:
Q>K-p-q20,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a reziduumok fehr zajok.
Hasznlatos a Q-teszt, msik formja is, ahol a d-fokt is figyelembe veszik:
k =K
Q1 = (n d) rk2
k =1
Ahol:
n-d, az idsor d szm differencilsa utn felhasznlhat megfigyelsek szma.
A kritikus rtk: K-p-q20,05
Dnts az elz mdon.
139
121
A msik teszt a Ljung - Box teszt (Q*), amely a Box Pierce Q-teszt tovbbfejlesztett vltozata.
k =1 n k
Ahol:
n, = n-d, az idsor d szm differencilsa utn felhasznlhat megfigyelsek szma.
A tesztelsi eljrs az elzhez hasonl mdon trtnik.
Maddala vlemnye szerint a Q-prbknl vannak jobb eljrsok, de nagy K-rtk mellett hasznlata
megfelel eredmnyt adhat.
3.8.2 Az ARIMA modell azonostsa
A kvetkez krds annak megvlaszolsa, hogy milyen tpus ARMA modell illesztsvel prblkozzunk, illetve, milyen legyen az autoregresszivts (p) s/vagy, a mozgtlagols (q) rendje. Erre a krdsre a vlaszt a tapasztalati, vagy a transzformlt idsor ACF s PACF rtkei alapjn adjuk meg. A modellezs ezen fzist, modell azonostsnak (identifikcinak) nevezi a szakirodalom. A mintbl becslt
autokorrelcis s parcilis autokorrelcis egytthatk grafikus brja, a korrelogram (ACF s PACF)
alapjn lehet a legknnyebben az autokorrelcis egytthatk viselkedst - a ksleltets (k) fggvnyben - tanulmnyozni. Ugyanis a rk becslt autokorrelcis egytthatk konfidencia intervalluma alapjn
kzvetlenl megllapthatk a nulltl szignifiknsan klnbz rk rtkek. Ezek a konfidencia svon kvl helyezkednek el.
ARIMA modellek jellemzse
Modelltpus
ARIMA (p,d,q)
(1, d, 0)
AR(1)
Autokorrelcis egytthatk
Parcilis autokorrelcis
ACF (pk)
egytthatk (kk)
11 ha k = 1
0 ha
ha 1 < 0
(2, d, 0)
AR (2)
k >1
1 1 h a
k =1
2 2
ha
k = 2
ha
k > 2
140
122
(0, d, 1)
MA(1), ha d = 0
vagy IMA (d, 1)
(0, d, 2)
MA(2), ha d = 0
vagy IMA (d, 2)
ha k = 1
ha k > 1
1 ha k = 1
2 ha k = 2
0
(1, d, 1)
ARMA (1, 1) ha d = 0, vagy
ARIMA (1, d, 1)
(1, d, 2)
ARMA (1, 2) ha d = 0
vagy ARIMA (1, d, 2)
(2, d, 1)
ARMA (2, 1) ha d = 0
vagy ARIMA (2, d, 1)
(2, d, 2)
ARMA (2, 2) ha d = 0
vagy ARIMA (2, d, 2)
ha k > 2
0 = 1
Exponencilisan s/vagy
11 = 1 s
22 utn
exponencilisan cskken
0 = 1 utn exponencilisan
11 = 1 utn exponencilisan
cskken
Autokorrelcis egytthatk
Parcilis autokorrelcis
ACF (pk)
ARIMA (0,0,0) Nem szignifikns mindegyik k-ra
ARIMA (0,1,0) Linerisan cskken, mindegyik kra szignifikns
egytthatk (kk)
Nem szignifikns mindegyik k-ra
Csak a k=1 szignifikns
ARIMA (0,0,1) Csak a k=1 szignifikns, negative Exponencilisan cskken, az els kett
k, vagy tbb is szignifikns.
cscs
1>>0
123
ARIMA (0,0,1)
-1< < 0
Mindezek mellett specilis tesztelsi eljrsok alkalmazsra is sor kerl, amelyeket a szmtgpes programok is tartalmaznak. Amennyiben a vlasztott s szmszerstett modellnk megfelel mindazon feltteleknek, melyekkel az illesztett modell "jsgt" ellenrizhetjk, a modell felhasznlhat elemzsre s a
tulajdonkppeni legfontosabb felhasznlsi terletre, az elrejelzsek ksztsre. Ha modellnk nem felel meg a fenti feltteleknek (nem szignifiknsak a paramterei, vagy az t idsora nem vletlenszeren
alakul) a modellazonosts fzistl jra indulva, ms modelltpusok alkalmazsval prblkozhatunk.
(hasznlhat a regresszio.xls parancsfjl.)
Az ARIMA modellek igen szles vlasztkbl, most csak az alacsonyabb rend tiszta, valamint vegyes
modellek legfontosabb jellemzit ismertetjk.
Az els- (p=1) s msodrend (p=2) autoregresszv modell felrhat az albbi formban:
ARIMA (1, 0, 0) vagy AR (1) modell
Y t = 1 Y t 1 + t
ARIMA (2, 0, 0) vagy AR (2) modell
Y t = 1 Y t 1 + 2 Y t 2 + t
Az autoregresszv folyamat mindenkori rtke kifejezhet sajt ksleltetett rtkeinek lineris kombincija s egy fehr zaj folyamat sszegeknt.
A stacionartsi felttel teljeslse rdekben az autoregresszv paramterekre specilis korltok rvnyesek. p=1 esetn 1 1 , mg p=2 esetn a kvetkez hrom felttelt kell kielgteni:
2 1
2 + 1 1
2 1 1
ltalban az AR (p) folyamatok elmleti ACF rtkei p 2 esetn exponencilis cskkens s/vagy csillapod szinusz grbe szerint alakulnak, a 1 s 2 paramterek eljeltl fggen. Az AR (1) folyamat
elmleti ACF rtkei exponencilisan cskkennek, ha 1 eljele pozitv, s csillapod szinusz grbe szerint cskkennek, ha 1 negatv.
Az AR (p) folyamatok elmleti PACF rtkei p ksleltets utn zrusok, teht p=1 esetn csak az els,
p=2 esetn az els kett parcilis autokorrelci nem nulla.
A kt legegyszerbb sztochasztikus modell, nevezetesen a fehr zaj, illetve a vletlen bolyongsi modell,
az autoregresszv modellek specilis eseteknt is felrhat. Ha 1 = 0 , az Yt rtkei fehr zaj folyamatot
kvetnek, melyet ARIMA (0,0,0) modellnek lehet tekinteni. Ha 1 = 1, az Yt rtkei vletlen bolyongs
szerint alakulnak, akkor a folyamatot ARIMA (0,1,0)-knt lehet osztlyozni.
Az els- (q=1) s msodrend (q=2) mozgtlag modell felrhat az albbi formban:
124
2 + 1 1
2 1 1
Az ACF s PACF smja pontosan a fordtottja annak, amit az autoregresszv folyamatoknl lttunk.
Az MA (q) folyamatok elmleti ACF rtkei q ksleltets utn zrusok, teht q=1 esetn csak az els, q=2
esetn csak az els kett autokorrelci nem nulla.
Az MA (q) folyamatok elmleti PACF rtkei q 2 esetn exponencilis cskkens s/vagy csillapod
szinusz grbe szerint alakulnak, a 1 s 2 paramterek eljeltl fggen. Az MA (1) folyamat elmleti
ACF rtkei exponencilisan cskkennek, ha 1 eljele pozitv, s csillapod szinusz grbe szerint cskkennek, ha 1 negatv.
Az AR s MA modellek kombinlsval a modellek igen sok varicija llthat el. Az alacsonyabb
rend vegyes ARMA modellek az albbi mdon rhatk fel:
Yt = 1Yt 1 + t 1 t 1
ARIMA (1, 0, 1)
Yt = 1Yt 1 + 2Yt 2 + t 1 t 1
ARIMA (2, 0, 1)
Yt = 1Yt 1 + t 1 t 1 2 t 2
ARIMA (1, 0, 2)
Yt = 1Yt 1 + 2Yt 2 + t 1 t 1 2 t 2
ARIMA (2, 0, 2)
Az autoregresszv mozgtlag folyamat mindenkori rtke kifejezhet sajt ksleltetett rtkeinek s klnbz ksleltets fehr zajok lineris kombincija sszegeknt.
Amennyiben a vegyes modellek valamelyikt az idsor differenciira rjuk fel, ARIMA (p, d, q) modellhez jutunk. A legegyszerbb ARIMA (1, 1, 1) modell az albbi mdon rhat fel:
Yt Yt 1 = 1 (Yt 1 Yt 2 ) + t 1 t 1
A paramterekre vonatkoz megszortsok s az elmleti ACF, PACF smk ltalnosan a vegyes modellekre vonatkoznak, mivel fggetlenek a differencilis foktl.
A vegyes modellek paramtereire vonatkoz megszortsok megegyeznek a modellek tiszta AR s MA
rszeire megllapthat korltozsokkal.
Az elmleti ACF s PACF smk is nagyon hasonlak a tiszta AR s MA modellekre jellemzkhz.
A szezonlis ARIMA (p, d, q) (P, D, Q)s modellek, a szezonlis ingadozst is tartalmaz idsorokban
meglv ketts fggsgi rendszer lersra kt ARIMA modell ptenek egymsra. Az egyms utn kvetkez idsori rtkek sszefggst a modell (p, d, q) dimenziival rendelkez rsze mutatja, hasonlan
a szezonaltst nem tartalmaz modellekhez. Az egyes vek azonos szezonjai kztti sszefggseket a
modell n. szezonlis rsze kpviseli, (P, D, Q)s dimenzikkal, ahol s a szezonok szmt jelenti. A szezonalts kezelst az egyik leggyakrabban alkalmazott ARIMA (0, 1, 1) (0, 1, 1)12 modell pldjn mutatjuk be. Az egyenlet bal oldaln a ktszeres differenciakpzst gy vgezzk, hogy elszr a D=1
szezonlis els differencikat a klnbz vek azonos hnapjainak adatai alapjn szmtjuk, s gy s=12
adattal (az els v teljes adatsorval) rvidl az adatsorunk. Ezutn jabb d=1 els differencikat szmtunk, most az egyms utn kvetkez szezonlis differencikbl, gy egy tovbbi adattal rvidl az adatsorunk. A ktszeres differenciakpzs kvetkeztben sszesen (d+sD) (estnkben 13) taggal rvidl az
adatsorunk. Az egyenlet jobb oldaln ktszeres mozgtlag folyamatot runk fel az t vletlen vltozra. Elszr a k=1 ksleltetsnek megfelelen a paramterrel, majd ebbl az s=12 szezonlis ksleltets vletlen vltozra paramterrel.
(Yt Yt 12 ) (Yt 1 Yt 13 ) = t t 1 ( t 12 t 13 )
A magasabb rend modellek, s klnsen a szezonlis modellek, a fenti mdon mr igen nehezen kezelhetk, ezrt ltalban az ARIMA modelleket az n. opertor jellsmddal szoks felrni. A ksleltet
(visszalptet) opertort, B-t, a kvetkezkppen hasznljuk: BYt = Yt 1
125
A B mvelet hatsa Yt -re, az adat visszalptetse egy peridussal. A B mvelet ktszeres alkalmazsa Yt re, kt peridussal lpteti vissza az adatot: B (BYt ) = B 2Yt = Yt 2
Havi adatok esetn az elz v azonos hnapjnak adata a B12 jellssel rhet el, B12Yt = Yt 12 .
A differencia kpzs egyszeren lerhat a B opertor segtsgvel. Pldul az elsfok differenciakpzs
a kvetkezkppen jellhet: Yt Yt 1 = Yt BYt = (1 B )Yt , ahol (1-B) jelli az els differencit. Hasonlan a msodfok differencikat (az els differencik differenciit) az albbi mdon jellhetjk:
(Yt Yt 1 ) (Yt 1 Yt 2 ) = Yt 2Yt 1 + Yt 2 = (1 2 B + B 2 )Yt = (1 B )2 Yt
( )
(
)
(1 B)(1 B12 )Yt = (B) (B12 ) t
( )
( )
( )
( )
B12 Yt = t
2. modell: (0, d, 0) (1, D, 0)12
Szignifikns ACF a 12 , 24, , exponencilisan, vagy csillapod szinusz grbe szerint cskkenve.
( )
( )
( )
( )
( )
( )
( )
1 , 2 , 10 , 11 , 12 , 13 , (13 = 11 ), 14 , (14 = 10 ) ;
A szezonlis modellek PACF smjrl ltalnosan elmondhat, hogy a szezonlis s nem szezonlis
mozg tlagols komponens behozza az exponencilis s csillapod szinusz grbe szerinti cskkenst, a
szezonlis s nem szezonlis ksleltetsnl is. Az autoregresszv folyamatok PACF-je pedig vges sok
rtket tartalmaz.
JMulti ingyenes, bonyolult sztochasztikus idsorkutatsi mdszereket (ARCH, ARIMA, VAR, VECM,
stb) becsl szoftver:
http://www.jmulti.de/
JMulTi egy nylt forrskd interaktv szoftver, ami az konometriai elemzs s a tbbvltozs idsorok elemzse cljbl kszlt. Ez egy Java grafikus felhasznli fellet.
126
r
$1095
$1075
Free
$1895
$1095
$1395
Lite version (Free),
Professional edition ($300)
Free
$500
Free
$6000
$1600
$595
$1495
$695
$150
$1599
$1299
$1200
$895
Free
EXCEL megoldsok
http://forecast.umkc.edu/ftppub/BDS545/
juk a reziduumokat, hogy az ARIMA modell eleget tesz-e a lineris regresszis modell szoksos feltteleinek. A felttelek a vletlen vltozra vonatkoznak, gy a modell ellenrzse az et reziduumok vletlen
jellegnek a vizsglatt jelenti. A kivlasztott ARIMA modell esetben ez azt jelenti, hogy az et vletlen
vltoz fggetlen vletlen folyamatot, fehr zaj folyamatot kvet, normlis eloszlssal, nulla vrhat rtkkel s konstans szrssal. Ezeket a teszteket kzli az ARIMA.xlsm parancsfjl, viszont a fehr zaj
tesztelsre (pl. az autokorrelcis egytthatk nem szignifiknsak) ismt az ACF-PACFQszmtsa.xlsm parancsfjlt kell hasznlnunk.
d = 3 = 3 Yt = Yt - 2Yt-1 + Yt-3
Box-Cox transzformci. A -t meg kell adni s a clszer intervallum:
(Y -1) , 0
Y() =
Y>0
ln(Y),
=
0
2 2
A Box-Cox transzformci utn az adatok visszatranszformlsa:
Y = ( Y() +1)
1/
141
Forrs: Kidolgozta Lu Wang PHD 2007. UCDAVIS University of California, Department of Statistics
anson.ucdavis.edu/~luwang1/acf_pacf.xls Mdositotta s kiegszitette Kehl Dniel s Sipos Bla.
128
( T m ) k
rk =
(y
t =1
y )( y t k y )
T m
(y
t =1
y)
k = 1, 2,..., K
1
r
1
R k = r2
rk 1
r1
1
r1
r2
r1
1
rk 2
rk 3
rk 1
rk 2
rk 3
rk 1
r1
1
r2
r1
r1
rk 2
rk 3
rk 1
rk 2
rk 3
r1
r
1
.
.
rk
Ahol:
k = a szmtott autokorrelcis egytthatk elre meghatrozott szma, pl. 36.
A becslsre hasznlt adatok szma sszesen T-m (t=1,2,.T-m),
H0 =a reziduumok fehr zajok,
H1 =a reziduumok nem fehr zajok,
Q* 2-eloszlst kvet (K) szabadsgfokkal.
Ennek alapjn a hipotzis rendszer:
A H0-t elfogadjuk, ha:
Q*<K20,05
A H1 alternatv hipotzist fogadjuk el, ha:
Q*>K20,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a reziduumok fehr zajok.
Az ACF s PACF munkalapokon a tesztels:
A konfidencia als s fels hibahatr ltal meghatrozott sv kiszmtsa 5 %-os szignifikancia szinten
az albbi kplettel trtnik:
1,96 T m
129
j adatllomny bevitele:
Az adatsor kivlasztsa. A program elvgzi a differencia-kpzst, de ha ln-transzformcira, vagy BoxCox transzformcira van szksg, azt el kell vgezni s a transzformlt adatokkal kell a tovbbiakban
dolgozni. Erre szolgl a stacionarits - biztostsa Excel parancsfjl. A megfelel ARIMA modell (paramterek belltsa) kivlasztsra szolgl az ACF-PACF-Q* Excel parancsfjl. (Ld. ARIMA modellek
jellemzse tblt) Ellenrizni kell, hogy a transzformlt adatsor stacionrius-e, mert csak ebben az esetben lehet alkalmazni az ARIMA modellt. Ha nem stacionrius az idsor, akkor gyakran valamelyik paramter vagy paramterek 1 vagy -1 rtket vesznek fel.
Az s rtk belltsa. Elszr az ARIMA munkalapon a szezonok (s) szmt kell berni. Lehetsgek: 1,
4, 7, 12. Ha nincs szezonalits, s=1, pl. ves adatok vagy napi tzsdeindexek, ha negyedves a szezonalits, s=4, negyedves adatok, ha havi a szezonalits, s=12 havi adatok, s=4 s s=12 esetben a peridusok
az vek, heti szezonalits, s=7 napi adatok, ahol a peridusok a hetek. Ha rnknti adatok vannak, akkor
s=1 ahol a peridus a nap.
Adatbevitel: Ctrl+a,
Megfigyelsek szmnak mdostsa. ? x
142
130
A kvetkez szveg jelenik meg: A munkalap jelenleg . hosszsg adatsort tmogat. Adja meg, hogy
hny megfigyelst kvn illesztsre felhasznlni! (36 megfigyelsnl tbbnek kell lennie!)
Be kell rni az j idsor becslsre felhasznlt adatainak a szmt. Ezt kveten a kvetkez szveg jelenik meg:
A munkalap jelenleg elrejelzsi megfigyelst tmogat. Adja meg, hogy hny elrejelzsi peridust
kvn hasznlni. (Legalbb 1 peridusnl tbbnek kell lennie) Ha nem kzli a korbbi belltsokat, akkor
solver hiba van, s a solvert az elzekben lertak szerint jra be kell lltani.
A Ctrl+a teht kzli a jelenlegi becslsre felhasznlt idsor hosszt, a korbbi szmts alapjn s kri az
j becslsre szolgl idsor adatainak a szmt (az argumentumban, egy oszlopban szerepl cellk maximlis sorszmt, ami elmletileg 1048576 sor lehet. A program akr 35 ezer adat, pl. DJA napi index
1896-2011 esetben is mkdik kb. 10 perc alatt megoldst ad).
Megfigyelsek szmnak mdostsa. ? x
Ezt kveten kri az elrejelzs hosszt, kzlve a jelenlegi, korbbi szmts rtkt, aminek csak szakmai korltja van, ha ex-post ellenrzst illetve ex-ante elrejelzst krnk. Ebben az esetben az idsort
becslsi s teszt idszakokra bontjuk. Lehet pl. ex-post ellenrzsnl a becslsi idszak az idsor fele, (a
teszt idszak akkor szintn az idsor fele) ktharmada, (a teszt idszak akkor az idsor egyharmada)
ngytde (a teszt idszak akkor az idsor egytde) vagy becslsi idszak az idsor hossza mnusz az
utols v, ami havi adatoknl pl. 12, negyedves adatoknl pedig 4. Hibakpleteket akkor szmol a program, ha azt megadjuk, teht az sszes bemsolt adat szmnak s a becslsre szolgl adatok szmnak a
klnbsge egy vagy egynl nagyobb rtk.
Ex-post ellenrzsnl az ARIMA illesztst (becslst) vgzi el a program a becslsi idszak adatainak az
alapjn s kiszmtja az illesztett hibkat a becslsi idszakra, tovbb az ARIMA modell elrejelzseket
kszt, ha megadtuk a megfelel elrejelzsi idszakot, vagyis a teszt idszak adatainak a szmt s mivel
a tnyadatokat is megadtuk a teszt idszakra, a program hibakpleteket tud szmtani, amit az elrejelzett
hibk nven kzl. A hibakpletek az ARIMA munkalapon a szmtsok elvgzse (Ctrl+b s Ctrl+k)
utn a szmsorok utn az O (Illesztett hibk) s R (Elrejelzett hibk) oszlopban jelennek meg.
Az adatok mdostsa (Ctrl+a) utn a rgi adatsort trli a parancsfjl s be lehet msolni az j adatsort.
Ha az idsort megosztjuk becslsi s teszt idszakra, akkor clszer gy megadni az adatokat, pl. a teszt
idszak hossza megegyezik az elrejelzs hosszval. (pl. havi adatok, az idsor hossza 456 hnap adata,
az elrejelzs hossza 12 hnap, akkor az j idsor hossza krdsre a vlasz 444 hnap, s ebbl szmol,
az idsor bevitel elrejelzs celliba be lehet msolni a tesztidszak 12 adatt. Az elrejelzs hossznak
lehet krni 24-t, ebbl 12 adat az ex-post elrejelzs ellenrzshez szksges s 12 lesz az ex-ante elrejelzs, amikor mr tnyadatokkal nem rendelkeznk. A hibakpleteket a program kiszmolja az illesztett
(becslsi) s ebben az esetben az elrejelzett (teszt) idszakokra is.
Hibazenetnl Debug-t kell vlasztani s a srga mezben lv utastsnl shift 1, aposztrfot () kell berni s menteni. A msik lehetsg a solver belltsa az elzekben lertak szerint.
Clszer elszr ex-post elemzst vgezni s a legjobb ARIMA modell ismeretben ex-ante elrejelzseket kszteni.
A (theta) s (phi) koefficiens korltai, kisebbek, mint 1, de nagyobb, mint 0, kivve a 0-t (theta 0-t)
amely brmely vals szm lehet.
ARIMA modellek jellemzse tbla segt a modell kivlasztsban.
Az ARIMA modell paramtereinek becslse a felttelezses maximum likelihood (ML) (conditional maximum likelihood ~ felttteles legnagyobb eslyessg) mdszervel trtnik. Ennek lnyege, hogy a
becslfggvny ksztje ismerettel rendelkezik az alapsokasg eloszlsra vonatkozan, pontosabban
ismeri az alapsokasgi eloszls tpust, de nem ismeri a konkrt alapsokasgi paramterek rtkt. Ez a
felttelezs az ARIMA modellek esetben az, hogy a megfigyelsek normlis eloszlst kvetnek s eleget
tesznek a stacionaritsi kvetelmnyeknek.143 A kezdrtkek szmtsnl a felttelezses (conditional)
ML mdszert hasznlja, vagyis a kezdrtkek nullk. Pldul a paramter maximum likelihood (ML)
becslse az a = (Y ) paramterrtk, amelyre f (Y ) (teht a likelihood-fggvny) maximlis. Te
Y =
2
1 T m
Yi Y )
(
T m t =1
Hibangyzet-sszeg (SSE):
Tm
SSE =
( Y Y )
t =1
s=
( Y Y )
SSE
t =1
=
df
(T-m)-[p+d+s(P+D)] - (p+q+P+Q)
( Y Y )
t =1
s
(T-m)-[p+d+s(P+D)] - (p+q+P+Q)
R = 1
= 1
2
1 Tm
Y
Yi Y )
(
T m t =1
2
Az R negatv is lehet, ha s > Y , de a megfelel modell kivlasztsa esetn egyhez kzeli rtk, klnsen ha sok magyarzvltoz szerepel a modellben.
2
143
132
d=
(e
t =2
e t 1 )
e
t =1
2
t
A program, a tbbi szoftverhez hasonlan kzli a DW statisztika rtket, ami nem hasznlhat az AR
modelleknl, ahol a magyarzvltozk valamelyike az eredmnyvltoz egynl tbb ksleltetettje,
vagyis Yt-1, Yt-2 alak.144 Ha a ksleltets 1, (Yt-1) akkor viszont hasznlhat a DW statisztika.
Az alkalmazott hibakpletek.
Kiszmtja a hibakpleteket a becslt ( t=1,2 T-m) rtkekre minden esetben, a becslsre szolgl
) alapjn.
megadott adatok ( Yt ) s az ARIMA modell alapjn becslt adatok ( Y
t
Kiszmtja tovbb a hibakpleteket az ex-post elrejelzett (T, T-1, T-2,...T-(m+1)) rtkekre is, ha az
idsort megosztottuk becslsi (cellk szma: T-m) s teszt (cellk szma: m) idszakra s megadtuk a
teszt idszak rtkeit.
Ex-ante elrejelzst kszt az M-m idszakra, amikor mr megfigyelsekkel nem rendelkeznk: (T+1,
T+2, T+M-m). Ellenrzse akkor lehetsges amikor az ex-ante idszak bekvetkezik s gy ex-post
idszakk vlik.
Az alkalmazott jellsek:
A hiba (e = Error):
et = Yt Y
t
Yt = az illesztsre (becslsre) felhasznlt megfigyelt rtkek (1,2,.T-m) s az ex-post becslsre (T, T1, T-2,...T-m-1) hasznlt megfigyelt adatok.
= az illesztett (becslt) (1,2,.T-m) s az ex-post elrejelzett (T, T-1, T-2,...T-m-1) rtkek.
Y
t
Az illesztett hibk szmtsa a fenti jellsek felhasznlsval:
t=1,2,3,T-m
Y Y
ME =
t =1
Tm
A hibk (reziduumok) ngyzetsszege. SSE (SUM OF SQUARED ERRORS)
SSE =
T m
e
t =1
144
2
t
Tm
( Y Y )
t =1
Ramanathan i. m. 406.
133
PE t =
Yt Yt
100
Yt
e t = Yt Y
t
tlagos relatv [%-os] abszolt hiba szrsa, [RSE=ROOT SQUARE ERROR of MEAN ABSOLUTE
PERCENTAGE ERROR]:
Yt Yt
100
Yt
t =1
RSE =
(T-m)- p+d+s(P+D)
Tm
MAD =
Y Y
t =1
Tm
tlagos relatv [%-os] hiba [MPE = MEAN PERCENTAGE ERROR]
Tm
Yt Yt
100
Yt
t =1
MPE =
Tm
tlagos relatv [%-os] abszolt hiba [MAPE = MEAN ABSOLUTE PERCENTAGE ERROR]:
Tm
Yt Yt
100
Yt
t =1
MAPE =
(%)
Tm
Az ex-post elrejelzett (T, T-1, T-2,...T-m-1) rtkek hibaszmtsa hasonl mdn trtnik, csak az indexek klnbznek: T, T-1, T-2,...T-m-1 rtkeket vesznek fel.
Pl. az elrejelzett MAPE szmtsa a teszt peridusra:
m
Yt Yt
100
Yt
t = T (m +1)
MAPE =
(%)
m
Tbb ARIMA modell kzl azt vlasztjuk, amelyre a MAPE, a MAD, RSE hibk kisebbek.
Ramanathan i. m. 173-174..
134
T m
Tm
t =1
t =1
e2t =
Yt Y
t
Tm
s2 =
( Y Y )
t =1
(T-m)
AIC(P) = s 2 e T m
LN(AIC(P) ) = LN(s 2 ) +
2P
Tm
BIC(P) = s 2 (T m) T m
LN(BIC(P) ) = LN(s 2 ) +
P
LN(T m)
Tm
2P
Tbb ARIMA modell kzl azt vlasztjuk, amelyre az AIC-, BIC- a HQC - rtk a legkisebb. A szelekcis kritriumok mkdsk elve a kvetkez: a kisebb hibj modellt preferljk, de ezek kzl is azt
vlasztjk, amelyik a kevesebb paramtert hasznl. A ktfle kritrium egymsnak ellentmond eredmnyre is vezethet. A magyarz vltozk szmnak nvekedst a Schwartz-fle bayesi kritrium
(BICp) jobban bnteti. A szelekcis kritriumok kivlasztsa arra vonatkozik, hogy mely koefficienseket
hasznljuk (tartjuk meg) a modellnkben. Minl egyszerbb ARIMA modellel tudunk j prognzist kszteni, annl megbzhatbb prognzist tudunk kszteni.
Az (SSE/T-m), egy megfigyelsi idsor egysgre vettve az tlagos hiba. gy kezddik mind hrom mutat. A hiba minl kisebb annl jobb, teht ez a modell gy fog mkdni, hogy minl kisebb a hiba, annl
jobb a mutat, de a javulst ellenslyozza a paramterek szmnak nvekedse. Ezt fejezi ki az e a (T-m)
illetve ln(T-m) alap hatvny, amit bntetfaktornak neveznk.
135
Az ARIMA munkalapon az O oszlopban kzli a program a reziduum (et) rtkeket, ezekbl kell elszr
autokorrelcis egytthatkat szmtani pl. k=36 ksleltetssel.
Tm
rk (e t ) =
(e
t = k +1
t k e)
e)(e
T m
(e
t =1
2
e)
s[rk (e t )] =
Az elzek alapjn:
rk (e t ) = ACF
A rezidulis vltoz fggetlensge esetn az autokorrelcis egytthatk rk (e t ) (k=1,2,K) nem szignifiknsak. Clszer, a mr ismertetett Ljung-Box portmanteau-prba (LJB vagy Q*-teszt) hasznlni az
autokorrelcis egytthatk tesztelsre.
k =K
r 2 (e )
Q* = (T m)(T m + 2) k t
k =1 T m k
A reziduumok (et) az ARIMA.xls parancsfjl ARIMA munkalapjn az O oszlopban tallhatk, ezeket a
parancsfjl bemsolja a Modell ellenrzse munkalap B oszlopba, a sorszmokat az A oszlopba. Az
et reziduumokat bemsoljuk az ACF-PACF-Qszmtsa Excel parancsfjlba, a Reziduumok msolsa
cellra kattintva, ami kiszmtja az autokorrelcis egytthatkat a megadott K ksleltetseknek megfelelen, a parcilis autokorrelcis egytthatkat, a Q*-statisztikkat s a p-empirikus szignifikancia rtkeket. A szmitsok eredmnyt visszamsoljuk az ARIMA.xls fjl A modell ellenrzse munkalapjba. A rgi adatokat eltte kitrljk.
A becslt rezidulis vltoz tlagnak [M(et)] nullhoz kzel kell esni. A nullhipotzis ellenrzse:
A reziduumok (et) tlaga, a rezidulis szrsnegyzet [variancia s2(et)] s a rezidulis vltoz (et) standard
hibjnak s(et) becslse:
Tm
e t =
e
t =1
Tm
T m
2
(e t )
e
t =1
2
t
(T m) (p+q+P+Q)
=
s(e)
s (e2 t )
Tm
Az egymints t-prba, nem kveteli meg a sokasgi eloszls szrsnak ismerett, de annak normlis voltt tovbbra is kikti. :
t=
e 0
s(e)
H 0 : M(e t ) = 0
H1 : M(e t ) 0
A prbafggvny a nullhipotzis fennllsa esetn:
t=
e
<t
s(e) (1/ 2)( Tm1)
t=
e
>t
s(e) (1/ 2 )( Tm1)
A reziduumok szma:
Becslsre felhasznlt adatok szma (T-m)
Kies adatok szma k=p+d+s(P+D)
Reziduumok szma n = (T-m)- [p+d+s(P+D)]
JB =
n 2 1
2
S + ( K 3)
6
4
Ahol:
Reziduumok szma n = (T-m)- [p+d+s(P+D)]
S= a ferdesg mrsre szolgl S mutat:
3
e t et
S=
( n 1)( n 2 ) t =1
A S - mutat rtke 0, ha az eloszls szimmetrikus, pozitv eljel esetn jobb oldali, mg negatv eljel
esetn bal oldali aszimmetrira kvetkeztethetnk.
K = a cscsossg mutatszma:
n
n
4
[ei ei ]
2
n(n +1)
3 (n1)
=
t
1
K=
4
(n1)(n2)(n3)
(n2)(n3)
A (K-3) relatv cscsossg mutat rtke 0, normlis eloszls esetn. Ennl kisebb rtk esetn lapultnak,
nagyobb rtk esetn cscsosnak tekinthetjk az eloszlst.
A szabadsg fok (df) mindig az S s K paramterek miatt = 2
A tesztstatisztika 2 szabadsgfok 2-eloszlst kvet. Minl magasabb az rtke, annl biztosabban (alacsonyabb szignifikancia-szint mellett) tudjuk elutastani a nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek. Normlis eloszls esetn a JB=0, mert S=0 s (K-3) =0, teht alacsony rtke
normalitsra utal. Ha a p-rtk kisebb mint 0,05 akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek.
Ennek alapjn a hipotzis rendszer:
H0 = az adatsor normlis eloszlst kvet,
H1 = az adatsor nem kvet normlis eloszlst,
A H0-t elfogadjuk, ha:
2
JB<2 0,05
A H1 alternatv hipotzist fogadjuk el, ha:
2
JB>2 0,05
A szignifikancia-rtk (p-rtk) az a legkisebb szignifikancia szint, amin a H0 mr ppen elvethet a H1gyel szemben. Ha pl. 0,05-nl kisebb a p-rtk akkor 5 %-os szignifikancia szinten elutastjuk a
nullhipotzist, miszerint a megfigyelsek normlis eloszlst kvetnek.
Ez a munkalap bemutatja az ARIMA mdszert, amely kpes kezelni heti, havi negyedves adatokat.
Az ARIMA mdszerrel a modell 3 f komponenst tartalmaz, nevezetesen autoregresszis, differencia s
mozgtlag. Minden komponensnek kt alkomponense van, azaz egyszer s szezonlis alkomponens.
Az autoregresszis komponens ltalnos formja:
a szezonlis
az egyszer
( 1- 1S B1S- 2S B2S- - PS BPS) (1- 1 B1- 2 B2- - p Bp) Yt = et
ahol p-t s P-t az ARIMA paramter p s P rtke hatrozza meg
B jelli a visszalptet opertort s S jelli a szezonalitst
A differencia komponens ltalnos formja:
szezonlis egyszer
(1- BDS) (1- Bd) Yt = et
ahol d-t s D-t az ARIMA paramter d s D rtke hatrozza meg
B jelli a visszalptet opertort s S jelli a szezonalitst
A mozgtlag komponens ltalnos formja:
a szezonlis
az egyszer
konstans
4.
X [SDIFFt
SDIFFt-1
SDIFFt-2
SDIFFt-36 ] : = ARt
139
(Yt Yt s )
s
t =s +1
Tm
a 0 = Y b0 t
t=
T m
t
i =1
Trend kiszrve = Yt Tt
147
141
Felttelezzk, hogy a vizsglt idsor fehr zaj folyamatot kvet, (assuming a white noise time series (CI type = White Noise) Ez az alapeset.
Felttelezzk, hogy a vizsglt idsor egy MA (k-1) folyamatot kvet amikor az ACF (k) szmtsa ennek alapjn trtnik (CI type = MA) (assuming that the series is a MA(k-1) process when the CI of
ACF(k) is computed (CI type = MA) Ez flrevezet lehet.
A konfidencia intervallum (Confidence Interval=CI) alapesetben 0,95, teht 5%-os a szigifikancia szint.
Ezt lehet vltoztatni, pl. 0,99, akkor ez 1 %-os szignifikancia szint. A CI nagysgnak nvelsvel, a konfidencia intervallum is n. Az alapmodell esetben, ha nem alkalmazunk transzformcit, csak a CI rtkt vltoztatjuk, az albbi mdon vltozik a konfidencia intervallum, ha CI=0,95, 0,99 s 0,80:
143
Ugyanis: ha szignifikancia - szint () a ktoldal a standard normlis eloszls esetben, akkor, ha megkeressk a Z rtkeket a tblzatban, az albbi konfidencia intervallumokat kapjuk:
=0,05, CI=0,95, Z= 1,96, a konfidencia intervallum: 1,96 n = 1,96 144 = 0,163
=0,01, CI=0,99, Z=2,587, a konfidencia intervallum: 2,587
n = 2,587
144 = 0, 216
transzformlt adatok brit s a korrelogramokat is, ahol feltnteti a vlasztott paramtereket (lambda, d,
D, CI, type). Nem kzli viszont a transzformlt adatokat.
2.
ARIMA Backward Selection - Free Statistics Software (Calculator)
ARIMA becsls, az interneten. Backward elimincis mdszer, visszafel trtn vlaszts.
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
Kldje az eredmnyeket (Send output to:) a kivlasztott paramtereknek megfelelen:
Bngsz kk/fehr, grafikonok fehrek (Browser Blue Charts White) alapbellts, maradhat.
A paramterek (Lamda, d, D, s, CI type) belltsa, az 1. ponban kiprblt azon paramterek belltsval
trtnik, amelyek esetn a stacionarts legjobban biztosthat. Az ARIMA paramterek belltsnl, ha
a stacionarts biztostott, az ACF s PACF brk alapjn meg kell nzni, hogy milyen modellel [AR(p),
MA(q), SAR(P), SMA(Q)] clszer prblkozni, a lehetsgeket az ARIMA modellek jellemzse tblzat tartalmazza. Meg kell jegyezni az 1. pont legjobb paramtereit, (lambda, d, D, CI, type). s a becslsnl ezeket kell hasznlni.
A msik megolds. rdemes a legnagyobb megadhat paramterekkel indulni s kihagyni a nem szignifikns paramtereket, ahol pl. a p-empirikus rtk nagyobb, mint 0,05.
Minta terjedelem, Sample Range: (hagyja resen, hogy tartalmazza az sszes bemsolt adatot)
Benne legyen az tlag, Include mean? A vlasz alapesetben nem, fehr zajt (white noise) feltteleznk
(False), ha igen True, vletlen bolyongsi folyamatot (random walk) feltteleznk.
A stacionarts biztostsa paramterezssel, Box-Cox transzformci, Lambda () lehetsges rtkei: 2
s -2 kztt, =0, logaritmikus transzformci. (Box-Cox lambda transformation parameter (lambda).
Nem szezonlis (d=0,1,2) differenciakpzs (Degree of non-seasonal differencing, d=0,1,2)
A szezonlis (D=0,1,2) differenciakpzs, (Degree of seasonal differencing (D=0,1,2).
A szezonalits peridusa (Seasonality=s) s=1,2,3,4,6,12
AR(p) = p az autoregresszivits rendjt jelli (Maximum AR(p) order) lehet: 0,1,2,3.
Ha p=0, nem hasznljuk az AR modellt.
Ha p=1, akkor ARIMA (1, 0, 0) vagy AR (1) modellt becslnk:
Yt = 1Yt-1 + t
Ha p=2 akkor ARIMA (2, 0, 0) vagy AR (2) modellt becslnk:
Yt = 1Yt-1 + 2 Yt-2 + t
Ha p=3 akkor ARIMA (3, 0, 0) vagy AR (3) modellt becslnk:
Yt = 1Yt-1 + 2 Yt-2 + 3 Yt-3 + t
MA(q)= q a mozgtlag folyamat rendjt jelli. (Maximum MA(q)=order) lehet: 0,1.
Ha q=0, akkor nem hasznljuk az MA modellt.
Ha q=1 akkor: ARIMA (0, 0, 1) vagy MA (1) modellt becslnk:
Yt = t - 1 t-1
Az AR(p) s MA(q) kombinlsval a modellek igen sok varicija llthat el. Az alacsonyabb rend
vegyes ARMA modellek az albbi mdon rhatk fel:
ARIMA (1, 0, 1)
Yt = 1Yt-1 + t - 1 t-1
Yt = 1Yt-1 + 2 Yt-2 + t - 1 t-1
ARIMA (2, 0, 1)
Yt = 1Yt-1 + 2 Yt-2 + 3 Yt-3 + t - 1 t-1
ARIMA (3, 0, 1)
SAR(P) P az autoregresszivits rendjt jelli a szezonlis modell esetben (Maximum SAR(p) order) lehet: 0,1,2.
SMA(Q) Q a mozgtlag folyamat rendjt jelli a szezonlis modell esetben. (Maximum
SMA(Q)=order) lehet: 0,1.
Az eredmnyeket a kijellt paramterekkel s p-rtkekkel iterciknt adja meg. (ARIMA Parameter
Estimation and Backward Selection) A paramterek szignifikncijt kell vizsglni. Kzli a program a
reziduumokat (Estimated ARIMA Residuals) s az ACF s PACF brkat konfidencia intervallummal.
A paramterek (p, q, P, Q) kombinlsval ellenrizhet, hogy melyik paramter esetben kisebb a prtk pl. 0,05-nl (5 %-os szignifikancia szint), teht a paramter szignifiknsan klnbzik 0-tl, s
amelyik paramternl nem klnbzik szignifiknsan a becslt paramter 0-tl, mert a p-rtk nagyobb,
mint 0,05, ott vltoztatni rdemes s ki kell hagyni a paramtert vagy modstani kell, a megadott lehetsgeken bell. A szmtsok gyorsan elvgezhetk, az elmletileg lehetsges vltozatok szma
145
4*2*3*2=48, teht elmletileg 48 fle modell futathat le. A vals vltozatok szma ennl lnyegesen kisebb, ha figyelembe vesszk azt, hogy klnbz, stb. , d, D paramterek esetben megnzzk az ACF
s PACF kolleogrammokat (1. lps) s kivlasszuk azt a paramterkombincit, ami mellett a
stacionarits biztosthat. Ha nem biztosthat a stacionarits, akkor az ARIMA becslst mr nem clszer elvgezni.
3.
ARIMA elrejelzs, az interneten.
http://www.wessa.net/rwasp_arimaforecasting.wasp
Ugyanazon paramtereket [lambda, d, D, s, AR(p), MA(q), SAR(P) SMA(Q), include MEAN,
FALSE/TRUE] kell megadni, mint az 1 s 2 pontban ismertettnk, rtelem szeren a legjobb vltozatot
kell kivlasztani, ahol az elmleti felttelek biztostottak. Plusz adat a tesztperidus megadsa (Testing
Period=TP) maximlis rtke 24, lehet, clszer havi adatoknl 12-t vlasztani, ez egy v, negyedves
adatoknl 4-t megadni, ami szintn egy v.
A szmtsok elvgzse (compute) utn, kzli a becslt rtkeket, a konfidencia intervallumot, a prtket, a nullhipotzist: (H0: Y[t] = F[t]) s a valsznsgeket az albbi esetekre:
P(F[t]>Y[t-1])
P(F[t]>Y[t-s])
P(F[t]>Y[n-TP]
F a becslt s Y a tnyleges adat.
A teszt peridusra pl. t=1,2,24 megadja a hibakpletek nagysgt. Y(t) az eredeti adatok, F(t), a becslt
adatok.
Kies adatok szma, a korbban megadott kplettel szmol a program=p+d+q+s(P+D+Q)
PE: relatv hiba, PERCENTAGE ERROR:
PE =
Ngyzetes hiba: SQUARE ERROR:
(Y[t]-F[t])
F[t]
MSE =
e
i =1
2
i
t
e = (Y[t]-F[t]) 2
2
i
RMSE, a hiba szrsa, az tlagos ngyzetes hiba gyke, ROOT MEAN SQUARE ERROR:
t
RMSE =
i =1
2
i
t
e = (Y[t]-F[t]) 2
MAPE, tlagos relatv abszolt hiba, MEAN ABSOLUTE PERCENTAGE ERROR:
2
i
MAPE =
PE
i =1
t
(Y[t]-F[t])
PE t =
F[t]
Kzli vgl az elrejelzs grafikonjt is.
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/
146
4. A korrelci- s regressziszmts
A regresszis modell ksztsnek 148 els lpse a specifikci, amin a jelensget ler, modellben szerepl vltozk, az eredmny- s a magyarz vltozk kivlasztst, valamint a fggvny konkrt formjnak meghatrozst rtjk. Fontos szerepet jtszik a specifikci szakaszban az adatbzis, amelynek
minsge, szerkezete nagymrtkben befolysolja a specifikci eredmnyessgt. A gyakorlati munkban idsoros s keresztmetszeti adatokkal dolgozhatunk, ennek a modell felttelrendszernek ellenrzsekor lesz jelentsge. Panel adatbzisokkal jelen anyagunkban nem foglalkozunk.
A specifikci munkafzisnak lezrsa utn a szmtsokat a regresszio.xls parancsfjllal lehet elvgezni. Ennek fontosabb lpsei a kvetkezk:
A regresszis paramterek becslse a klasszikus legkisebb ngyzetek mdszervel, melynek felttelei:
1. A magyarz vltozk nem sztochasztikusak, teht mrsi hibt nem tartalmaznak s linerisan fggetlenek (multikollinearits hinya), a hibatnyezk (hibatagok, reziduumok) vrhat rtke 0, variancijuk konstans, normlis eloszlsak s nem autokorrelltak.
2. A modell felttelrendszernek ellenrzse. Ez a munkafzis visszahat mind a specifikcira, mind a
paramterbecslsre. Ebben a munkaszakaszban a modellez megllaptja, hogy egy adott megbzhatsg
mellett mennyire fogadhat el a modell. A fontosabb hipotzisellenrzsek: a regresszis modell paramtereinek globlis s parcilis tesztelse (a paramterbecsls pontossgnak vizsglata, a paramterek standard hibja, konfidencia intervalluma stb.), valamint a reziduumok vizsglata: az autokorrelci s a
homoszkedaszticits tesztelse, s a magyarz vltozk kztti kapcsolat szorossga, a
multikollinearits ellenrzse. A prbkkal nyert informcik alapjn dntst lehet hozni a modell esetleges megvltoztatsrl, vagy a becslsi mdszer mdostsrl. Ezek a dntsek termszetesen visszahatnak a specifikcira s indokolt esetben az egsz eljrs (specifikci, becsls, hipotzisellenrzs) megismtlst ignyelhetik.
3. A regresszis modellek felhasznlsa elemzsre s elrejelzsre.
4. A verifikls, aminek sorn a modellt szembestjk valsggal.
F
Az ltalunk vizsglt regresszis modellekben egy eredmnyvltoz s egy vagy tbb magyarz vltoz
van. A modell alapjn megllapthat, hogy a tnyezvltoz(k) milyen mdon s milyen trvnyszersg mellett fejti(k) ki hatst (hatsukat) az eredmnyvltozra.
A tbbvltozs regresszis modell ltalnos formja:
Y = f ( X1 , X 2 ,..., X i ,..., X k , )
ahol :
Y = az eredmnyvltoz,
Xj = az j-edik tnyez (magyarz) vltoz; (j=1,2,...,k),
= a vletlen vltoz ; maradktag ; reziduum,
n = a megfigyelsek szma, i=1,2n
f= fggvny tpusa, alapesetben lineris fggvny.
Felttelek az vletlen vltozra (hibatnyezre, rezidulis vltozra), az Y eredmny- s az Xj tnyezvltozkra vonatkozan:
1. Az vletlen vltoz vrhat rtke nulla, vagyis a modellben szerepl vltozk nem hoznak ltre
szisztematikus hatst a hibatnyezben, a pozitv s negatv rtkek kiegyenltik egymst.
2. A vletlen vltoz rtkei pronknt nem korrellnak egymssal (idsoroknl nincs autokorrelci);
ellenkez esetben autokorrellt a modell, ebben az esetben elemzsre s elrejelzsre nem hasznlhat.
148
147
A fent emltett felttelek teljeslse esetn a regresszis modellt multikollinearitstl mentes standard lineris regresszis modellnek tekinthetjk. Belthat, hogy ezek az igen "szigor" felttelek, a modellpts alapelvt kpezik, amire a munka sorn fokozottan figyelnnk kell. Mindez azt jelenti, hogy a modell konkretizlsa sorn a feltteleket folyamatosan kell ellenrizni, az eredmnyeket hipotetikus jellegeknek kell tekinteni. Amennyiben a mintabeli adatokkal nem igazolhatk empirikusan az elmleti vrakozsok, a specifikci mdostsra, vatos rtelmezsre, illetve sajtos, j becslsi mdszer megvlasztsra van szksg.
A felttelek teljeslse esetn a lineris regresszis modell paramter-becslsre a klasszikus legkisebb
ngyzetek mdszere (KLNM) alkalmazhat.
A modellalkots folyamatt az albbi bra mutatja.
A d a tb z is
E l ta n u lm n yo k
S p e c ifik c i
P a ra m te rb e c sl s
H ip o t z ise lle n rz s
D n t s
E le m z s,
e l re je lz s
D n t s
V e rifik c i
149
148
A program152 a bemutatsra kerl regressziszmtst maximum 16 magyarzvltoz s 2000 megfigyels esetben vgzi el 153. A programban megjelen szneknek kln jelentse van. A halvnysrga cellk vltoztathatk, itt trtnik meg az adatok bevitele, a kvnt szignifikancia-szint belltsa, valamint a
becsls/elrejelzs adatainak megadsa. A tesztek vgeredmnyei sznes szmokkal jelennek meg a fjlban. A modell ellenrzsnl hromfle sznt alkalmaztunk, a modellezst zavar eredmnyek piros, a
megfelel eredmnyek zld, a nem egyrtelm eredmnyek kk sznnel jelennek meg.
Tanulmnyunkban az elmleti httr rszletes ismertetstl eltekintnk (kivve a homoszkedaszticits
tesztjeit, ahol a felsoktatsban kevsb ismert teszteket alkalmazunk), mert ezek az ismeretek az irodalomjegyzkben is felsorolt szak-, illetve tanknyvekben, tanulmnyokban megtallhatk, clunk csupn a
szoftver bemutatsa, gyakorlati, oktatsi clokra val kzreadsa.
F
152
Az alaptletet adta: Kiss Tibor [1988-1992]: REGAL, Szakrti rendszer tbbvltozs regresszi- analzisre
(DOS program). Ld. mg lerst: Kiss Tibor Sipos Bla [1998]: REGAL.
153
A magyarzvltozkra vonatkoz korlt az Excel sajtja. A megfigyelsekre vonatkoz korlt igny szerint
bvthet, a korltozs oka a gyors szmtsi sebessg megtartsa.
149
A formtum teht kveti az Excel adatelemz menpontja ltal hasznltat, azzal a klnbsggel, hogy az
egyes cellk most Excel fggvnyeket tartalmaznak, gy az adatok megvltozsnak hatsa azonnal nyomon kvethet az alaperedmnyeken. Szintn eltrs a beptett funkcihoz kpest, hogy az eredeti adatok meghagysa mellett is kihagyhatunk, illetve jra bevonhatunk vltozkat a paramterek soraiban tallhat jellngyzetek segtsgvel.
A varianciaanalzis tbla segtsgvel a modell globlis prbjt vgezhetjk el. A hipotzisrendszerrl
val dnts didaktikai okokbl kt mdon is elvgezhet: tetszlegesen bellthat szignifikanciaszinthez tartoz kritikus rtk, valamint p-rtk alapjn is.
A gyors parcilis tesztels lehetsget biztost a backward elimincis mdszer alkalmazsra. A mdszer lnyege, hogy az els lpsben olyan regresszis fggvnyt hatrozunk meg, amely az sszes megfigyelt magyarz vltozt tartalmazza, majd az gy meghatrozott regresszi fggvnybl kihagyjuk lpsenknt azokat a vltozkat, amelyek nem jrulnak hozz szignifiknsan a rezidulis ngyzetsszeg
cskkentshez. A vltozk szelektlshoz a p-rtkeket hasznljuk: ha a p-rtk magasabb, mint amit
megengedtnk (pl. 0,05), akkor elfogadjuk azt a nullhipotzist, hogy a regresszis paramter nem klnbzik szignifiknsan a nulltl. Amennyiben tbb vltoz p-rtke is a kvntnl magasabb, gy a legmagasabb rtkkel rendelkez vltozt hagyjuk ki. Az elimincit addig folytatjuk, mg valamennyi bevont paramter szignifikns nem lesz.
A vltozk szelektlst termszetesen elvgezhetjk a multikollinearits, vagy a homoszkedaszticits
parcilis tesztjei, vagy szakmai ismeretek alapjn is.
A felhasznlt kpletek:
R=a korrelcis mtrix 154, amely ngyzetes s mrete (k+1)*(k+1), az els sor s oszlop az eredmnyvltoz, a tbbi sor s oszlop pedig a magyarz vltoz korrelcis egytthatit tartalmazza, a mtrix
szimmetrikus, a mtrix az egyszer, ktvltozs korrelcis egytthatkbl ll, szmtsukat a mtrix
alatt tntettk fel, a diagonlis elemek (adott vltoz nmagval szmtott korrelcija) 1-gyel egyenlk.
F
1
r
1y
R = r2 y
rky
ry1
1
r21
ry 2
r12
1
rk1
rk 2
ryk
r1k
r2k
(x
(x
x )(yi y )
n X Y
j
x ) ( xl x )
n xjxl
1
q yy
154
150
q yy
q
1y
= Q = q 2y
q ky
q y1
q y2
q11
q12
q 21
q 22
q k1
qk2
q yk
q1k
q 2k
q kk
A tbbszrs korrelcis egytthat (R) azt mri, hogy a magyarz vltozk az eredmnyvltozval
egyttesen milyen szoros kapcsolatban vannak.
R2 = a tbbszrs determincis egytthat (jele: R2) kifejezi, hogy mekkora hnyadban magyarzzk
meg egyttesen a magyarz vltozk az eredmnyvltoz variancijt (szrsngyzett). A kapcsolatok
jellegnek minstsn tl fontos szerepet tlt be a tbbszrs determincis egytthat a regresszis
modell megtlsben. A mutat nagyobb rtke egyben azt is jelenti, hogy jobban illeszkedik a modell.
1
R 2 =1
q yy
~2
R = a korriglt determincis egytthat: a tbbvltozs regresszis modellek esetben gyakran fellphet egy olyan jelensg, amely flreinformlhatja az elemzt. Az R2 ugyanis nagyobb magyarz ervel
br, ha tbb magyarz vltoz hatsa szerepel benne, fggetlenl attl, hogy valban relevns hatst
fejt-e ki mindegyik magyarz vltoz. (Pldul megtveszt lehet az R2 alapjn kt modell sszehasonltsa, ha az egyik hrom, a msik ht magyarz vltozt tartalmaz.) A modellek sszehasonltsa esetben a klnbz szm magyarz vltozbl ered problmt prblja feloldani az n. korriglt vagy a
szabadsgfokokkal korriglt determincis egytthat (jele: R~2):
n 1
R2 = 1
1 R2 )
(
n k 1
Az s = a modell ltalnos standard hibja, jelzi az illeszkeds jsgt, a modell annl pontosabban illeszkedik, minl kisebb az rtke. Meghatrozsra a regresszis paramterek ismeretben kerlhet sor, amikor kiszmtva az y eredmnyvltoz becslt rtkeit ( y ) kpezhetjk a reziduumokat ( e = y y ) .
s=
( y y )
n k 1
n k 1
151
sszetev
Regresszi
(SSR)
Maradk
(SSE)
Teljes
(SST)
Sy = (yi - y) 2
n-1
sy =
Sy
( n 1)
A prbafggvny:
F=
Sy / k
Se / ( n k 1)
A tbbszrs determincis egytthat segtsgvel is ellenrizhetjk a modell magyarz erejt, az
albbi mdon:
R2 / k
F=
(1 R 2 ) / ( n k 1)
Ha a szmtott F rtk nagyobb, mint a tblabeli rtk F0,05 [k, (n-k-1)] ahol a szignifikancia-szint 5%, a
szmll szabadsgfoka k, a nevez (n-k-1), akkor a regresszis modellt elfogadhatnak tljk. Ellenkez esetben elvetjk. Az F-prbval az egsz modellt teszteljk, mert arra a krdsre keressk a vlaszt,
hogy rdemes-e a regresszi-szmtst, mint elemzsi mdszert alkalmazni. Ha nem j a modell, teht
esetnkben a modellnk egszben rossz, akkor a regresszis modell alkalmazst elvetjk, s egyszerbb eljrsokkal, pl. tlagszmtssal kell dolgozni. Elfogadjuk teht a regresszis modellt pl. 5%-os
szignifikancia-szinten, ha:
R2 / k
>F
F=
(1 R 2 ) / ( n k 1) 0,05[k,(n k 1)]
Nem fogadjuk el a regresszis modellt pl. 5%-os szignifikancia-szinten, ha:
R2 / k
<F
F=
(1 R 2 ) / ( n k 1) 0,05[k,(n k 1)]
Az F-szmtott rtk nagysga az R2 nagysgtl fgg, pl. ha az R2= 0, az F-rtk is nulla, az R2 nvekedsvel, a szmtott F-rtk is n, ha az R2=1, akkor az F-rtk tart a vgtelenhez. (F)
A varianciaanalzis tbla segtsgvel teht a modell globlis prbjt vgezhetjk el. A hipotzisrendszerrl val dnts didaktikai okokbl kt mdon is elvgezhet: tetszlegesen bellthat
szignifikancia-szinthez tartoz kritikus rtk, valamint p-rtk alapjn is, ezrt mindkt eredmnyt kzljk..
Regresszis egytthatk:
-
Az alkalmazott kpletek:
A regresszis paramterek (egytthat: Ehat) konfidencia-intervallumait (Als 95%) (Fels 95%) kiszmtja a parancsfjl, alapesetben a konfidencia intervallum 95% s tkrit=5%.
155
152
Az ltalunk elre megvlasztott szignifikancia-szint alapesetben 5%-os (p=0,05) valsznsg (konfidencia intervallum 95%), ami vltoztathat a srga cellban: pl. 1% (konfidencia intervallum 99% s
tkrit=1%., p=0,01), 10 % (konfidencia intervallum 90% s tkrit=10%, p=0,1).
Az szignifikancia-szint valsznsgnek cskkentsvel illetve a konfidencia intervallum valsznsgnek nvelsvel az adott (n-k-1) szabadsgfok esetn a Student-fle t-eloszls kritikus rtkei is nagyobb szmok lesznek s gy a regresszis paramterek konfidencia intervallumai is nvekednek. Pl. ha
az alapeset 95%-os konfidencia intervallum valsznsgt 99%-ra nveljk. Ez fordtva is igaz, az
szignifikancia-szint valsznsgnek nvelsvel illetve a konfidencia intervallum valsznsgnek
cskkentsvel az adott (n-k-1) szabadsgfok esetn a Student-fle t-eloszls kritikus rtkei is kisebb
szmok lesznek s gy a regresszis paramterek konfidencia intervallumai is cskkennek. Pl. az alapeset
95%-os konfidencia intervallum valsznsgt 90%-ra cskkentjk.
Ezt a prbt parcilis t-prbnak, vagy rviden csak regresszis t-prbnak hvjuk. A prbt kln-kln
valamennyi regresszis becslt paramterre el kell vgezni, s ennek alapjn kpet kapunk arrl, hogy az
egyes vltozk lnyeges mrtkben jrulnak-e hozz az eredmnyvltoz magyarzathoz, vagyis az
eredmnyvltoz rezidulis variancijnak cskkentshez.
Az els lpsben teht minden vltozt bevonunk, s ha a p-rtkek (szignifikancia-szint 5%) mindegyike 0,05-nl kisebb akkor a regresszis fggvnyt optimlisnak tekintjk. Ha tallunk olyan paramtert,
ahol a p rtk nagyobb, mint 0,05, amit a piros szn is jelez, akkor dnthetnk a vltoz kihagysrl, ha
pedig tbb ilyen paramter tallhat, akkor clszer elszr azt a vltzt kihagyni, amelyiknl a p rtke
a legnagyobb. Ezt addig folytatjuk, amg a p rtkek mindegyike 0,05-nl kisebb lesz s a modell az elmleti feltteleknek is megfelel.
A fentiekben felsorolt mtrixok kzl tbb nmagban is fontos informcikat hordoz a regresszival
kapcsolatban, nhny kiszmtsa pedig a tovbbi vizsglatok miatt szksges. Didaktikai okokbl mindegyik mtrix bemutatst szksgesnek tartottuk.
Az alkalmazott kpletek:
R(teljes) az sszes vltoz bevonsa esetn kzli a korrelcis mtrixot s a vltozk neveit. Mellette
megtallhat a korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a
szignifikancia-szint, alapeset 5%, amit lehet vltoztatni.
Ha a kapcsolat ltrl kvnunk dnteni, az eredmnyvltoz (y) s brmelyik magyarz vltoz (xj)
kztt, akkor adott szignifikancia-szinten ellenrizhetjk, vajon van-e kapcsolat a kt ismrv kztt. Hipotzisrendszernk:
H 0 : ryj= 0
H1 : ryj 0
Hasonl mdn tesztelhetjk kt magyarzvltoz (xj s xl) kztti kapcsolatot.
H 0 : rjl= 0
H1 : rjl 0
x j xl
A nullhipotzis rtelmben a kt ismrv fggetlen, ennek elvetse a korrelcis kapcsolat szignifikns
voltt igazolja.
A becslt korrelcis egytthatra pl prbafggvnynk:
156
154
t =
ryj
n2
1 ryj2
Ahol:
n = mintaelemszm
k = magyarz vltozk szma
ryj = az y s xj kztti ktvltozs lineris korrelcis egytthatt jelli.
A nullhipotzis teljeslse esetn (n-2) szabadsgfok ktoldal t-eloszlst kvet. Ha a szmtott rtk
nagyobb mint a Student-fle t-eloszls tblabeli rtke, akkor adott szignifikancia-szinten a korrelcis
kapcsolat szignifikns.
A kapcsolat nem szignifikns, 5%-os szignifikancia-szinten, teht a H0-hipotzist elfogadjuk, ha:
ryj n 2
t =
< t 0,025(n 2)
1 ryj2
A kapcsolat szignifikns, 5%-os szignifikancia-szinten, teht a H1-alternatv hipotzist fogadjuk el, ha:
ryj n 2
t =
> t 0,025(n 2)
1 ryj2
Az R(bevont) a bevont vltozk esetn kzli a korrelcis mtrixot s a vltozk neveit. Mellette megtallhat a korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a
szignifikancia-szint, alapeset 5%, amit lehet vltoztatni.
Parc. korr. A parcilis korrelcis egytthatk mtrixa a bevont vltozk esetben, mellette a parcilis
korrelcis egytthatk felhasznlsval szmtott t-rtkek mtrixa, srga mezben a szignifikanciaszint, alapeset 5%, amit lehet vltoztatni.
A parcilis korrelcis egytthatk nulltl val klnbzsge, ugyangy, mint a korrelcis egytthatk esetben, t-prbval tesztelhet, br a prbafggvny nmikpp mdosul:
H 0 : ryj.12... j1, j+1,...k = 0
H1 : ryj.12... j1, j+1,...k 0
t=
< t 0,025(n k 1)
155
1
x
11
x
XTX= 21
.
.
x k1
1
... x1n
x 2n
... x kn
...
x12
x 22
xk2
n
n
x
1i
i =1
= .
.
.
n
x
ki
i =1
x1i
i =1
n
2
1i
i =1
x ki x1i
i =1
1 x11
1 x
12
.
.
1 x 1n
x 2i
i =2
n
x
i =1
1i
x 2i
ki
x 2i
x
i =1
x 21
x 22
x 2n
... x k1
... x k 2
... x kn
i=k
n
... x1i x ki
i =1
n
2
... x ki
i =1
...
ki
magyar nyelv sszefoglaljt adja Kovcs Pter 157. Az elvgezhet tesztek kzl nem hasznltuk valamennyit, csupn az oktatsban gyakran alkalmazott, ltalnosan elterjedt prbkat. Az albbiakban
nagyvonalakban bemutatjuk a beptett prbkat:
a multikollinearits globlis tesztelse:
o 2 prba;
o Kondciindex s kondciszm (gyks formula);
o Petres-fle RED mutat 158;
a multikollinarits lokalizlsa:
o parcilis korrelcis egytthatk tesztelse;
o F-prba;
o VIF-mutat (variancia infll faktor);
o tolerancia mutat;
a multikollinarits kikszblse. Fkomponens regresszi 159.
F
Az alkalmazott kpletek:
A multikollinearits jelenltre kvetkeztethetnk a magyarz vltozk korrelcis mtrixnak determinnsbl is. Igazolhat ugyanis, hogy amennyiben a magyarz vltozk linerisan fggetlenek egymstl a modellt ortogonlisnak (az ortogonlis mtrix kvadratikus, transzponltja egyenl inverzvel, a mtrix s a mtrix transzponltjnak a szorzata az egysgmtrixot adja s determinnsa: 1 ) tekinthetjk. Az
ortogonlis rendszert ler mtrix determinnsa 1-gyel, teljes multikollinearits esetn viszont 0-val
egyenl. Minl kzelebb van a determinns nullhoz, annl nagyobb mrv fggsg van a magyarz
vltozk kztt.
rvnyes teht az albbi relci:
0 Rk 1
ahol R k a magyarz vltozk korrelcis mtrixa determinnsnak abszolt rtke.
A multikollinearits szignifikancija az R mtrix determinnshoz kapcsoldva 2 -prbval tesztelhet.
Az gy kpzett prbafggvny annak a H0 hipotzisnek a tesztelsre szolgl, amely szerint a magyarz
vltozk linerisan fggetlenek.
A 2 -teszt teht azt vizsglja, hogy a vltozk az alapsokasgban korrellatlanok-e (nullhipotzis), azaz
azt teszteli, hogy a korrelcis mtrixnak a ftln kvli elemei csak vletlenl trnek-e el a nulltl.
A prbafggvny az albbi:
1
2 = - n -1- ( 2k + 5 ) log R k
6
A fenti fggvnyben a magyarz vltozk korrelcis mtrixa determinnsnak |Rk| tzes alap logaritmusval szmolunk. A prbafggvny szabadsgfoka:
1
sz.f . = k ( k 1)
2
ahol:
n = a megfigyelsek szma
k = magyarz vltozk szma
157
157
162
A multikollinearits mrszmnak egy csaldjt alkotjk a tnyezvltozk korrelcis mtrixnak sajtrtkeire pl mutatk. E mutatk htrnya, hogy rtelmezsk szubjektv, azaz nincs egy olyan egyrtelm kszbszm, ami mr ers multikollinearitst jelez. 163 A sajtrtkek meghatrozsnl felhasznljuk azt az sszefggst, hogy a standardizlt magyarz vltozk XX mtrixa egyenl a magyarz
vltozk korrelcis mtrixval. A kondciszm (vagy llapot mutat, CN=condition number) annak
mutatja, hogy milyen kzel van a magyarz vltozk mtrixa (XX), ahhoz, hogy szingulris legyen. A
becslsre vonatkozan, ha a becsl rtkek mtrixa kzel szingulris, teht az adatok kzel kollinerisak,
akkor nehz pontos vagy precz inverzt ellltani, s a lineris regresszi becslt paramtereinek nagy
standard hibja lesz.
A kondciindexek 164 (CI condition index) a magyarz vltozk korrelcis mtrixnak legnagyobb
( max ) s j-dik ( j ) j = 1, 2, , k sajtrtkei alapjn hatrozhatak meg:
F
max
.
j
CI =
Ha a legkisebb sajtrtket min -nel jelljk, akkor a kondciszm (CN condition number):
CN =
max
,
min
R ED(%) =
100
k 1
ahol = a magyarz vltozk korrelcis mtrixa (R) sajtrtkeinek () a szrsa s k a magyarz
vltozk szma.
Ha minden sajtrtk egy, akkor RED(%)=0%. Ez azt jelenti, hogy a sajt rtkek szorzata, vagyis a magyarz vltozk korrelcis mtrixnak a determinnsa 1-gyel egyenl. Ebben az esetben a mtrix orF
161
Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition. 2. ktet: 1239-1240
A SAS programja is gy szmol: http://www.ats.ucla.edu/stat/sas/ webbooks/reg/ chapter2/ sasreg2.htm (2010
01 14)
163
Kovcs Pter [2008]: 49.
164
Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition. 2. ktet: 1239-1240.
165
Kovcs Pter Petres Tibor Tth Lszl [2004]: 598.
166
Peter Kovacs Tibor Petres Laszlo Toth [2005]: 405-412.
167
Kovcs Pter [2008]: 57-58.
162
158
togonlis, teht nincs multikollinearits, mert a magyarz vltozk fggetlenek egymstl. Amennyiben a sajtrtkek tvolodnak ettl az esettl, akkor a RED-mutat rtke nvekszik.
A redundancia hinya esetn a RED-mutat rtke nulla szzalk, mg maximlis redundancia esetn
szz szzalk. Ha pl. RED(%)=30%, akkor ez azt jelenti, hogy az adott mret s minimlis redundancij adatllomnyhoz kpest a hasznos tartalmat hordoz adatok arnya 70%, azaz az adatok tlagos
egyttmozgsnak a maximlishoz viszonytott mrtke pedig 30%.
A RED-mutat kifejezhet a magyarz vltozk korrelcis mtrixnak ftln kvli elemeinek ngyzetes tlagaknt is. Ez azt jelenti, hogy a mutat nem csak a becslfggvny szempontjbl hasznos tartalmat hordoz adatok arnyt mutatja, hanem a magyarz vltozk egyttmozgsnak tlagos mrtkt
is.
A redundancia kritikus rtke, ha k=1,216 s a sajtrtkek szma 1, akkor a kritikus rtkek:
1
R ED k,1 =
*100
(k 1)(k 1)
120%
100%
80%
60%
40%
20%
0%
2
10
11
12
13
14
15
16
4.2. bra: A RED-mutat kritikus rtkei, mint 1 darab sajtrtk zr voltnak szksges felttele.
A k=a magyarz vltozk szma (k=2-16)
Ha:
RED(%) < RED k,1 (%) (zld szm)
Akkor a lineris regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az szszege illetve tlaga biztosan vges. (zld szm)
Ha:
RED(%) > REDk,1 (%) (piros szm)
Akkor a lineris regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az szszege illetve tlaga nem biztos, hogy vges. Ezrt a hatrpont kritikus rtkknt is rtelmezhet. (piros
szm)
A multikollinearits lokalizlsa
A korrelcis egytthatk vizsglata
A magyarz vltozk (xj s xl) kztti kapcsolat is tesztelhet, az a kedvez, ha nincs szignifikns kapcsolat a kt vltoz kztt, (ld. albb az els egyenltlensget, zld szm) de ha szignifikns a kapcsolat,
(ld. albb a msodik egyenltlensget, piros szm) mg ez mg nem jelenti felttlenl azt, hogy kros a
multikollinearits mrtke.
159
t =
t =
rjl n 2
1 rjl2
rjl n 2
1 rjl2
< t 0,025(n 2)
> t 0,025(n 2)
F-prba
A magyarz vltoz kztti kapcsolatokrl hasznos informcit nyerhetnk, ha kiszmtjuk az egyes
magyarz vltozknak a tbbi magyarz vltozra vonatkoz tbbszrs determincis egytthatit.
Ez azt jelenti, hogy a k magyarz vltozt tartalmaz regresszis modellben k jabb regresszifggvnyt s tbbszrs determincis egytthatt kell meghatrozni. Ebben az esetben mivel: y=xj ezrt
xj=1,2,k-1, teht a magyarz vltozk szma (k) eggyel cskken.
Regresszi-fggvnyek:
X1 = f ( X 2 , ..., X i, ..., X k , )
X = f ( X1, X3, ..., X i ,..., X k , )
. 2
.
X j = f ( X1, ..., X j-1, X j+1, ..., X k , )
.
.
X k = f ( X1, ..., X j , ..., X k-1, )
Az egyes felsorolt fggvnyek tbbszrs determincis egytthatit (R2j) megbecsljk, majd Fprbval, a varianciaanalzisnl lertaknak megfelelen teszteljk. Ha az F-prba alapjn szignifikns a
kapcsolat az adott magyarz vltoz s a tbbi magyarz vltoz kztti modellben, akkor a
multikollinearitst lokalizltuk.
Nullhipotzisnk az, hogy a magyarz vltozk regresszis egytthati mind 0-k, vagyis nincs
multikollinearits, az alternatv hipotzis szerint ltezik legalbb egy 0-tl eltr egytthat vagyis van
multikollinearits.
H 0 : 1 =2 =... j-1 = j+1 = ...=
. k =0
H1 : j 0
Az F-prba alapjn szignifikns a multikollinearits, ha:
R 2 /(k 1)
F=
>F
(1 R 2 ) / ( n k ) (0,05[k 1,n k ])
F=
R 2 /(k 1)
<F
(1 R 2 ) / ( n k ) (0,05[k ,n k ])
A variancit infll faktor (variancianvel tnyez VIFj mutat = Variance Inflator Factor)
A magyarz vltozk kztti determincis egytthatkra pl a variancit infll faktor (VIF) mutatja. A mutatszm melyet ltalban kettnl tbb magyarz vltoz esetn hasznlunk azt mri, hogy
a multikollinerits jelenlte milyen mrtkben nveli a becslt paramterek standard hibinak a ngyzett, vagyis a variancijt. Ez a mutat teht azt mutatja, hogy a j-edik vltoz becslt egytthatjnak
tnyleges variancija hnyszorosa annak, ami a multikollinearits teljes hinya esetn lenne kaphat. Kiszmtsa:
A variancit infll faktor (VIF)
1
VIFj =
1 R 2j
ahol R 2j a j-edik magyarz vltoz s a tbbi magyarz vltoz kztti tbbszrs determincis
egytthat.
A VIF mutat, knnyen meghatrozhat a reduklt (csak a magyarz vltozk kztti kapcsolatot mutat) korrelcis mtrix inverzbl, ugyanis az inverz mtrix diagonlis elemei a VIFj mutatkat adjk. 168
Ebbl hatroztuk meg az R 2j rtkeket, ugyanis:
F
R 2j =
VIFj 1
VIFj
A mutat hatrai:
1 VIFj
A j paramter standard hibangyzetnek, variancijnak becslse:
s
2
bj
(x
x)
1 R2
xj
(
Ahol:
s2 =
s2
) (x
( y y )
x)
(1 R )
2
xj
n2
Amennyiben a j-edik magyarz vltoz linerisan fggetlen a tbbitl, a VIF mutat rtke 1, mivel az
Rj2 rtke 0, ha viszont az Rj2 rtke 1, akkor nem lehet rtelmezni a mutatt, mert a vgtelenbe tart. Ha
valamelyik vltoz VIF mutatja 1 s 2 kztt van, akkor gyenge, (zld szm), ha 2-5 kztt van, akkor
ers, zavar, (kk szm) ha pedig 5 felett van, akkor nagyon ers, kros (piros szm) a multikollinearits.
A j paramter standard hibangyzetnek nagysga hrom tnyeztl fgg, akkor lesz nagyobb, ha:
1. s2, teht a rezidulis variancia nagyobb,
2.
(x
sebb,
3. R 2xj nagyobb.
Ha az s2 rtke kisebb s az
(x
A tolerancia mutat
A VIF mutat reciprokt tolerancia mutatnak (jele Tj ) hvjuk, amelynek hatrai:
168
161
0 Tj 1
A tolerancia mutat minl kzelebb van az 1-hez, annl kevsb zavar a multikollinearits.
Ha valamelyik vltoz Tj mutatja 0,5 s 1 kztt van, akkor gyenge, (zld szm), ha 0,2-0,5 kztt van
akkor ers, zavar, (kk szm) ha pedig 0 s 0,2 kztt van, akkor nagyon ers, kros (piros szm) a
multikollinearits.
170 171
F
A fkomponens-elemzs (PCA: Principal Components Analysis) az adatok leegyszerstst teszi lehetv, a kiindulsi adatmtrix dimenzijnak cskkentsvel. A rgi magyarz vltozk lineris kombincijval j vltozkat lltunk el a sajtrtk problma megoldsval. A fkomponenselemzs mgttes
gondolata az, hogy kisszm httrvltoz underlying factor segtsgvel a teljes mtrixot viszonylag
jl (adott hibval) reprezentlni lehet. Az j mestersges vltozk korrellatlanok (ortogonlisak, teht
egymstl linerisan fggetlenek), s cskken sajtrtkek (eigenvalue) sorrendjben szoks sorban rakni ket. Az eljrs az eredeti, egymssal szorosan korrell k szm vltozt azok ugyancsak k szm
fkomponensvel helyettesti, s ezek segtsgvel kszt immron j tulajdonsg becslseket. Az j regresszi az gy kpzett j vltozkra vonatkozik, gy a szoksos becslsi kritriumok nagy rsze (torztatlansg, konzisztencia) nem rtelmezhetk.
Alkalmas lehet becslsre, a fkomponens regresszi, ha:
a kevs szm fkomponens minimlis informci vesztssel kpes helyettesteni a vltozkat,
a mestersges vltozk szakmailag jl rtelmezhet tartalmak,
elssorban nem a regresszis paramtervektorra, hanem az y becslsre vagyunk kvncsiak
A fkomponens regresszi paramtereinek meghatrozsa XTX mtrix sajt rtkeinek () s sajt vektorainak, (faktorslyainak, loadings: a ij ) a meghatrozst jelenti.
ltalban klnbz mrtkegysg vltozkbl lltjuk el a mestersges vltozkat, ezrt a mrtkegysgeket ki kell kszblni. Ezt a standardizls mveletvel lehet biztostani:
x ij = - =
x ij - x
i=1,2n j=1,2,k
Az eredeti regresszi n*k mret X vltozmtrixot egy k*k mret A mtrixszal egy ugyancsak n*k mret Z = XA mtrixsz transzformljuk. E Z mtrix oszlopvektorait fkomponenseknek vagy
fkomponensvektoroknak nevezik. Az A mtrix teht az XTX mtrix sajtvektoraibl pl fel. Az A mtrix elemeit az xj standardizlt vltozk variancia-kovariancia mtrixnak sajt vektorai adjk. A standardizlt vltozk variancia-kovariancia mtrixa az eredeti vltozk korrelcis mtrixval (R) azonos, gy
ebbl a mtrixbl is meghatrozhatjuk a sajt rtkeket s sajt vektorokat. Az A mtrix teht becslhet
a korrelcis mtrixbl szmtott sajt rtkekhez tartoz sajt vektorokkal, s ezrt a program ennek
alapjn vgzi el a szmtsokat. Egy-egy sajt rtk azt mutatja, hogy a vizsglt fkomponens az X mtrix variancijnak hny %-t hatrozza meg. A sajt rtkek sszege a magyarz vltozk szmval (k)
egyezik meg. Ennek alapjn a sajt rtkekbl megoszlsi illetve kumullt megoszlsi viszonyszmokat
kpezhetnk. ltalban nhny fkomponens az X mtrix variancijnak igen jelents hnyadt kpviselheti, ezrt eljrhatunk gy is, hogy nem a multikollinearitst okoz Xj magyarz vltozt zrjuk ki a
modellbl, hanem az alacsony sajt rtkekkel rendelkez fkomponenseket. Arra nincs egyrtelm szably, hogy hny j fkomponens vltozt clszer a modellben tartani. Az egyik megkzelts az lehet,
hogy akkor jelents egy fkomponens, ha a sajtrtke nagyobb mint egy illetve ha nem nagyobb mint
egy, de a figyelembe vett sajt rtkek az sszes variancia legalbb 80% -t megmagyarzzk.
A szmtsokhoz szksges adatokat a Mtrix munkalapon kzljk.
A fkomponensek (sajt vektorok a ij i,j=1,216) s a magyarz vltozk kztti sszefggs 172:
F
169
162
trendezve az egyenletet:
172
A szmtsok a mtrix.xls mtrixok szorzsa munkalapon elvgezhet. A sajt rtkeket s a sajt vektorokat a
bevont vltozkra a regresszio.xls parancsfjl a a mtrix munkalapon kzli.
163
h kw = d ij2
j=1
1 w k
A kumullt fkomponenssly-ngyzetek azt fejezik ki, hogy az egyes fkomponenseknek milyen jelentsge, slya van a magyarzvltozk variancijban.
4.1.5
Az Autokorrelci munkalap
Amennyiben egy regresszis modellben nem teljesl a modellekkel szemben megfogalmazhat azon felttel, amely szerint a hibatnyez rtkei pronknt nem korrellnak egymssal, akkor a modell
autokorrellt. Az autokorrelci mrtkt a rezidulis autokorrelcis egytthatval mrhetjk. A p-ed
rend (p idegysggel ksleltetett, a parancsfjl esetben p=1,2,,12) elmleti autokorrelcis egytthatt az egymstl p idegysgnyi tvolsgra ll maradktagok korrelcis egytthatjaknt becslhetjk.
A gyakorlatban az els rend autokorrelcis egytthatt szoktk tesztelni. A fjlban kzltnk tbb ksleltetsre vonatkoz adatokat is, amire pldul szezonalitst mutat adatsorok esetn lehet szksg.
Az ltalunk hasznlt modell:
e t = p e t-p + v t
Ahol:
173 = a p-endrend autokorrelcis egytthat becslt rtke, ami az egymstl p tvolsgra lev rezidulis tagok kztti korrelcis egytthat
vt = 0 vrhat rtk, konstans szrs vltoz
t = 1, 2, n
F
Kpletben:
n
p = re t ;e t p =
(e
t = p +1
n
(e
t = p +1
et ) ( e t p et p )
et )
(e
t = p +1
tp
et p )
ee
t = p +1
n
t = p +1
tp
2
tp
Az Excel parancsfjlban az eredeti, s nem a kzelt p-ed rend rezidulis autokorrelcis egytthatval
szmoltunk. A p-ed rend autokorrelcis egytthatt a Student-fle t-prba felhasznlsval teszteltk.
A hipotzisrendszer az albbi:
H0 : = 0
H1 : 0
A tesztstatisztika szmtsi mdja:
t=
n - p -1
~ t n-p-1
1- 2
azaz a prbafggvny n-p-1 szabadsgfokt t-eloszlst kvet, ennek megfelelen kell a kritikus rtkeket
meghatrozni.
Ha p=1, elsrend rezidulis autokorrelcis egytthatrl beszlnk.
n
e e
t t-1
t =2
n
2
t-1
t=2
173
164
d=
(e
t =2
e t 1 )
e
t =1
2
t
174
Savin, N. E.-White K. J. [1977]: 1989-1996. alapjn az 1 s 5 %-os szignifikancia szinten meghatrozott kritikus
rtkekkel szmoltunk. Ld.: tovbb Ramanathan Ramu [2003]: Durbin-Watson-prba, az 5 %-os dL s dU rtkek
egyoldali prbhoz. 614-617.
165
sek ellenrzse jabb rtkek kiszmtst ignyli, amelyek d eloszlsnak szimmetrikus jellege miatt
nem okoznak klns gondot:
dL = 4 d U
dU = 4 d L
A prba lehetsges kimeneteleit, a dntsi svokat jl szemllteti az albbi bra:
bizonytalansgi
bizonytalansgi
autokorrelci tartomny
tartomny autokorrelci
elfogadsi
tartomny
4-d
4-d
A nullhipotzis:
H 0 : 12 = ... = n 2 .
Az alternatv hipotzis:
H1 : i2 2j (i j) ,
ahol i, j = 1, 2, , n .
A nullhipotzis azt fogalmazza meg, hogy a hibatnyez szrsngyzetei (variancii) llandak. A
nullhipotzis teljeslse egyben azt is jelenti, hogy a modell homoszkedasztikus, mg az alternatv hipotzis a heteroszkedaszticits felttelezst szimbolizlja. A heteroszkedaszticits jelensge esetn a regresz175
176
166
szis egytthatk becslse torztatlan, ugyanis tovbbra is feltesszk, hogy a hibatnyez vrhat rtke
nulla. Ugyanakkor a paramterek variancijra vonatkoz becsls nem lesz hatsos 177, a paramterek
standard hibi torztottak lesznek, hasznlatuk megkrdjelezhet, a segtsgkkel elvgzett prbk (pl. ts F-prbk) s becslsek flreinformlhatnak.
F
ahol:
h: a rezidulis vltoz fggvnye, a fggvny alakja lehet pl. lineris, hatvnykitevs, vagy exponencilis,
Z: a heteroszkedaszticitst magyarz vltozk n ( k+1) tpus mtrixa,
A Glejser-prba esetn a teszt lnyege 180 az, hogy lineris regresszis kapcsolatot ltest a hibatnyez
abszolt rtke s a heteroszkedaszticitst felteheten elidz magyarz vltozk kztt.
ei = 0 + 1x1 + 2 x 2 + ... + k x k + vi
A null- s - alternatv hipotzisek:
H 0 : 1 = 2 = ... = k = 0
F
H1 : j 0
Az F-prbval teszteljk a nullhipotzist, aminek elfogadsa esetn a modell homoszke- dasztikus, elutastsa esetn pedig heteroszkedasztikus.
A globlis prbk az albbiak:
Glejser 181-prba:
F
ei = 0 + 1x1 + 2 x 2 + ... + k x k + vi
177
Ez azt jelenti, hogy a klasszikus legkisebb ngyzetek mdszere (KLNM, angolul Ordinary Least Squares: OLS)
alkalmazsa esetn a becslsek ebben az esetben nem lesznek hatsosak, vagyis tallhat egy msik torztatlan lineris becsls, aminek kisebb a variancija, mint az KLNM (OLS)-becslsnek. Ld.: Ramanathan Ramu [2003]:
365-366. s 397-398.
178
Ld.: Glejser H. [1969]: 316-323. Godfrey, L. [1978]: 227-236. Breusch, T. S.; A. R. Pagan [1979]: 1287-1294.
tovbb: Ramanathan R. [2003]: 367-369. Pintr Jzsef [1991]: 21-24. Gujarati Damodar N. [2003]: 411-412.
Maddala G. S. [2004]: 244-246.
179
Ld.: Pintr Jzsef [1991]: 21.
180
Mundrucz Gyrgy [1998]: 178.
181
Glejser H. [1969]: 316-323.
182
Harvey A. C. [1976]: 461-466.
183
Godfrey, L. [1978]: 227-236.
167
ln(ei2 ) = ln 0 + 1 ln x1 + 2 ln x 2 + ... + p ln x p + vi
ei2 = 0 + 1 y i2 + vi
A regresszio.xls fjlban a ptllagos regresszi tbbszrs determincis egytthatjt
R 2 ( e 2 ; y 2 ) jellssel lttuk el.
A fenti kpletekben:
k = az eredeti regresszis fggvnyben a magyarz vltozk szma;
i=1,2,,n a megfigyelsek szma;
ei = az eredeti modell rezidulis vltozjnak abszolt rtke;
a becslt paramterek ( j ,
A regresszi paramtereinek egyttes szignifikancija a globlis F-prba segtsgvel mindegyik bemutatott teszt esetben vizsglhat. Ha a szmtott F-rtk nagyobb, mint a tblabeli rtk, akkor az alternatv hipotzist fogadjuk el, teht a modell heteroszkedasztikus, ellenkez esetben homoszkedasztikus.
BPG-prba esetn:
ei2 = 0 + 1x ji + vi
184
168
A regresszio.xls parancsfjl minden esetben kzli az Autokorrelci s a Homoszkedaszticits munkalapokon a szmtsokat. Az autokorrelci idsoros adatok esetn jelentkezik, ebben az esetben az adatok
sorrendje kttt. A keresztmetszeti adatok sorrendje vltoztathat, ebben az esetben a
homoszkedaszticitst szoktuk vizsglni. Megjegyezzk, hogy keresztmetszeti adatoknl is elfordul, hogy
a szomszdos hibatagok korrellnak egymssal, amit trbeli korrelcinak neveznek. Az autokorrelci
vizsglatnl az konometriai szakirodalomban 187 ettl eltekintenek s kizrlag az idsorok hibatagjainak vizsglata tartozik e tmakrbe. A maradkvltoz (rezidulis vltoz) vizsglatnl teht lnyeges
krds, hogy idsoros vagy keresztmetszeti adatokkal dolgozunk-e. Idsoros adatbzis esetn az
autokorrelcit, mg keresztmetszeti adatoknl a homoszkedaszticitst teszteljk. Ennek megfelelen kt
pldt mutatunk be, mindkt plda vals magyarorszgi adatokat tartalmaz.
F
1. Idsoros plda.
A cementtermels s a cementtermelst befolysol tnyezk vizsglata Magyarorszgon 1985 s 2008
kztt 188.
A regresszis modell vltozi:
F
x1
x2
x3
x4
pitanyagipar
(1985=100)
volumenindexe
A rendszervlts idejn a hazai cement elllts megkzeltette a ngymilli tonnt, ezt kvetn azonban
drasztikusan visszaesett s 2000-ig kzel egymilli tonnval alatta maradt a cscsvek termelsnek,
majd 2001-tl emelkedett ugyan a kibocsts, de 2008-ban is kzel flmilli tonnval maradt el az 1990es szinthez kpest.
A szmtsok megkezdse eltt clszer az adatokat brzolni, hogy feltrjuk az adatok tendenciit. A
cementtermels s a vizsglt magyarz vltozk alakulst az albbi bra mutatja, az brakszts sorn
a vizsglt mutatk arnyossgnak biztostsa rdekben mindegyik mutatt (teht a cementtermelst, az
ptett laksok szmt s a npessgszmot is) 1985-s bzison szmtottuk.
187
Ld.: Maddala G. S. [2004]: 273-274. Ramanathan Ramu [2003]: 361-363. s 399-400. Gujarati Damodar N.
[2003]: 401-403. s 441-443.
188
Az adatok forrsai: Polt Rita [2005]: 996. Hunyadi Lszl Vita Lszl [2008] II. ktet 204. Ipari s ptipari
statisztikai vknyv. KSH 1985-2005. Magyar statisztikai vknyv. KSH. 1985-2008.
169
180
160
140
1985=100%
120
100
80
60
40
20
0
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
1992
1991
1990
1989
1988
1987
1986
1985
vek
y=Cementtermels
x1=GDP volumenindexe
x3=pitanyagipar volumenindexe
x4=Npessg szma
Varianciaanalzis
df
SS
MS
Regresszi
4 4845009,2 1211252,3
Maradk
19 1347194,2
70905,0
sszesen
23 6192203,3
F
17,1
p-rtk
0,000004
A varianciaanalzis tbla alapjn a nullhipotzist elutastjuk, teht van legalbb egy olyan magyarz vltoz, amely szignifikns hatssal rendelkezik, ltezik legalbb egy nulltl eltr rtk regresszis paramter.
189
170
Regresszis egytthatk
Ehat
St hiba
-54913,67 22223,78
b0
49,15
20,68
b1
-0,01
0,01
b2
1,23
6,91
b3
5,16
2,04
b4
t-rtk
-2,47
2,38
-0,89
0,18
2,54
p-rtk
Als 95% Fels 95%
0,0231 -101428,57 -8398,77
0,0281
5,88
92,42
0,3820
-0,04
0,02
0,8606
-13,24
15,70
0,0201
0,90
9,43
A regresszis paramterek parcilis tesztelse: a backward elimincis mdszer alkalmazsa alapjn elszr mind a ngy magyarz vltozt bevontuk a modellbe, majd az gy meghatrozott
regresszifggvnybl szelektltuk azokat a vltozkat, amelyek nem jrulnak hozz szignifiknsan a
rezidulis ngyzetsszeg cskkenshez. 192 A vltozk szelektlshoz a p-rtkeket hasznltuk. Ennek
alapjn elszr az x3 = pitanyagipar volumenindexe vltozt, majd az x2 = ptett laksok szma magyarz vltozt hagytuk ki a modellbl. Meg kvnjuk jegyezni, hogy szakmailag indokolt lenne a kt
kihagyott vltoz modellben val szerepeltetse.
F
Regresszis egytthatk
Ehat
St hiba
-37518,27
5884,69
b0
38,65
4,62
b1
3,56
0,53
b4
t-rtk
-6,38
8,36
6,67
p-rtk
Als 95% Fels 95%
0,0000 -49756,15 -25280,39
0,0000
29,03
48,27
0,0000
2,45
4,67
A becslfggvny teht:
y = -37518, 27 + 38, 65x1 + 3,56x 4 .
A multikollinearits tesztjei:
A 2 globlis prba alapjn 5%-os szignifikancia szinten van multikollinearits.
Khi-ngyzet
8,18
Khi-szf
1
Khi_krit (5%)
3,84
p-rtk
0,0042
A parcilis korrelcis egytthatk alapjn szmtott t-statisztika rtke -11,66, a kritikus rtk pedig
2,08, a kt magyarz vltoz kztt van multikollinearits.
A p-rtkek is a multikollinearits ltt igazoljk. A VIF mutat rtke 2-5 kztt van, teht ers, zavar
a multikollinearits mrtke.
y
R2
p-rtk
VIFj
Tj
R2x
(x1)
0,584
30,86
0,0000
2,40
0,42
(x4)
0,584
30,86
0,0000
2,40
0,42
Rx
76,4%
100,0%
Ha minden sajtrtk egy, akkor Red ( % ) = 0% . Ez azt jelenti, hogy a sajtrtkek szorzata, vagyis a
magyarz vltozk korrelcis mtrixnak a determinnsa eggyel egyenl. Ebben az esetben a mtrix
ortogonlis, nincs multikollinearits, a magyarz vltozk fggetlenek egymstl. Amennyiben a sajtrtkek tvolodnak ettl az esettl, akkor a Red-mutat rtke nvekszik. A maximlis redundancia esetn a mutat rtke szz szzalk.
Ha a szmtott rtk a kritikusnl kisebb, akkor a lineris regresszis modell illesztse utn kapott becslt
paramterek szrsngyzeteinek az sszege illetve tlaga biztosan vges. Ellenkez esetben a lineris
regresszis modell illesztse utn kapott becslt paramterek szrsngyzeteinek az sszege illetve tlaga
nem biztos, hogy vges, az adatllomny redundns.
Esetnkben az adatllomny nem redundns a Petres-fle RED mutat alapjn.
192
171
Az autokorrelci tesztelse:
Az elsrend rezidulis autokorrelcis egytthat alapjn nincs szignifikns autokorrelci a modellben:
Autokorrelci rendje
tkrit
p-rtk
A npessg a vizsglt idszakban vgig cskkent, a GDP volumenindexe pedig a rendszervltst kvet
veket leszmtva nvekv trendet mutat, ezrt a kt magyarz vltoz egyttes alkalmazsa
multikollinearitst okoz. Az optimlis regresszis egyenes meghatrozshoz ezrt ms megoldst kereshetnk.
Szakmai indokok alapjn ptettnk j modellt, s azt kaptuk, hogy a modell globlisan s parcilisan is
elfogadhat, ha az x2 s x3 vltozkat vonjuk be a modellbe. Nyilvnval, hogy az ptett laksok szmnak s az ptanyagipar volumenindexnek vltozsa (nvekedse vagy cskkense) a cementfelhasznlst s gy a termelst is jelentsen befolysolja. Termszetesen befolysol tnyez a cement import volumene, de ennek vizsglattl az adatok hinya miatt eltekintettnk. Megllapthat tovbb, hogy a
multikollinearits mrtke s az autokorrelci nem zavar.
A varianciaanalzis F-prbjhoz tartoz p-rtk ebben az esetben 0,000002, teht a nullhipotzist elutasthatjuk.
Regresszis egytthatk
Ehat
St hiba
1476,00
285,95
b0
0,0204
0,00
b2
10,2928
2,58
b3
t-rtk
5,16
4,86
4,00
0,49
1
3,84
0,4821
A parcilis korrelcis egytthatk alapjn szmtott t-statisztika -1,77. 5%-os szignifikancia szinten a
kritikus rtk 2,08, teht a kt magyarz vltoz kztt nincs multikollinearits.
Az F-prba s a p-rtkek is a multikollinearits hinyt igazoljk. A VIF mutat rtke 1-2 kztt van,
teht nem zavar a hats.
y
R2
p-rtk
VIFj
Tj
R2x
(x2)
0,052
1,20
0,2860
1,05
0,95
(x3)
0,052
1,20
0,2860
1,05
0,95
Rx
22,7%
100,0%
A modell nem redundns. Re d ( % ) = 22, 7% , ami azt jelenti, hogy az adott mret s minimlis redundancij adatllomnyhoz kpest a hasznos tartalmat hordoz adatok arnya 77,3%, azaz az adatok tlagos egyttmozgsnak a maximlishoz viszonytott mrtke 22,7%.
Az autokorrelci tesztelse:
Az elsrend rezidulis autokorrelcis egytthat alapjn nincs szignifikns autokorrelci a modellben:
Autokorrelci rendje
1
tkrit
p-rtk
172
600
400
200
et
0
-600
-400
-200
200
400
600
-200
-400
-600
e t-1
A Durbin-Watson-fle teszt eredmnye: 1,27 ami a bizonytalansgi tartomnyba esik mindkt krhet
szignifikancia-szinten.
Durbin-Watson
D-W
dL (5%)
dU (5%)
dL' (5%)
dU' (5%)
1,271
1,188
1,546
2,454
2,812
Durbin-Watson
D-W
dL (1%)
dU (1%)
dL' (1%)
dU' (1%)
1,271
0,959
1,298
2,702
3,041
193
x1
KBCM
hengerrtartalom (cm3)
x2
TELJ
teljestmny (LE)
x3
NYOM
x4
GYORS
173
x5
VMAX
vgsebessg (km/h)
x6
TMEG
x7
MTMEG
x8
HOSSZ
hosszsg (mm)
x9
SZLES
szlessg (mm)
x10
MAGAS
magassg (mm)
x11
FOGYV
x12
FOGYVK
Az autrak s az autrakat befolysol 12 magyarz vltoz, az autk tulajdonsgai kztti regresszis kapcsolat vizsglata alapjn az albbi fontosabb megllaptsokat tehettk:
A modell minden szmtott teszt alapjn homoszkedasztikus.
A modellben minden szmtott teszt alapjn kros mrtk a multikollinearits. Ennek oka az,
hogy az autk tulajdonsgai kzl a teljestmny erteljesen befolysolja a tbbi magyarz vltozt, pl. a sebessget, a fogyasztst, a gyorsulst, a vgsebessget, a tmeget, stb.
A multikollinearits miatt a regresszis paramterek standard hibi nagyobbak (a VIF-mutat
pldul 10 magyarz vltoz esetben a kritikus rtknl nagyobb) s csak a b0 s b3 regresszis
paramter klnbzik a t-prba alapjn 5%-os szignifikancia szinten szignifiknsan 0-tl.
Figyelembe vve, hogy mind a 12 magyarz vltoznak a modellben val megtartsa indokolt,
clszer a fkomponens-elemzst (PCA: Principal Components Analysis) elvgezni.
A regresszio.xls program kzli a bevont vltozkra vonatkoz s a szmtsokhoz szksges sajtrtkeket s sajtvektorokat, tovbb a sajtrtkek megoszlsi s kumullt megoszlsi viszonyszmait.
A szmtsok lpsei:
1. A regressziszmts elvgzse a 12 magyarz vltoz bevonsval, konstans becslse nlkl. A regresszis paramterek:
b1
0,629
b2
b3
13,055 6,716
b4
b5
b6
-10,012 -0,112 2,317
b7
0,191
b8
b9
b10
b11
b12
0,499 -2,280 -0,404 68,313 39,852
2. Az eredeti regresszi n k mret X magyarz vltoz mtrixot egy k k mret A mtrixszal egy
ugyancsak n k mret Z = XA mtrixsz transzformljuk. E Z mtrix oszlopvektorait fkomponenseknek nevezik. Az A mtrix becslhet a magyarz vltozk korrelcis mtrixbl szmtott sajtrtkekhez tartoz sajtvektorokkal. A b0-t elhagyva az X magyarz vltozk 119 12 tpus mtrixt kell
szorozni, a magyarz vltozk korrelcis mtrixbl szmtott sajtvektorok 12 12 tpus A mtrixval. A szmtsokat a mtrix.xls program mtrixok szorzata munkalap felhasznlsval vgezhetjk el. A
szorzs eredmnyekppen megkapjuk a 119 12 tpus Z mtrixot.
3. A modellbe bevont fkomponensek kivlasztsa. Az egyik megkzelts az lehet, hogy akkor jelents
egy fkomponens, ha a sajtrtke nagyobb, mint egy, illetve ha nem nagyobb egynl, de a figyelembe
vett sajtrtkek az sszes variancia 198 legalbb 80%-t megmagyarzzk. A szmtsok eredmnyekpF
194
174
pen azt kaptuk, hogy az els hrom sajtrtk nagyobb, mint egy s ez a hrom sajtrtk kumullt megoszlsi viszonyszma alapjn az sszes variancia 87,84%-t megmagyarzza.
Az els hrom sajtrtk 199: 1 = 7, 44 2 = 1, 75 3 = 1,35
F
z1
0,348
0,348
0,280
-0,267
0,327
0,326
0,308
0,322
0,301
0,005
0,238
0,219
z2
-0,034
-0,126
0,273
0,310
-0,190
0,260
0,332
0,127
0,251
0,452
-0,429
-0,362
z3
-0,008
-0,030
-0,294
0,262
-0,254
0,084
0,093
-0,031
-0,026
0,579
0,390
0,524
5,476
-5,215
-1,656
Transzformlt paramterek
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
2,099
2,615
0,597
-3,513
3,204
0,290
-0,196
1,151
0,382
-3,290
2,894
2,218
A backward regresszival az albbi optimlis fggvnyt kaptuk, ahol az aut ra kt magyarz vltoztl (teljestmny s sajt tmeg) fgg. A becslfggvny:
y = -2793,878 + 28, 492x 2 + 3,877x 6
199
175
sszefoglals
A regresszio.xls program felhasznlsa nagymrtkben segti a modellezst. Igen gyorsan ki lehet rtkelni a klnbz magyarz vltozk kombinlsa, illetve a vizsglt adatllomny vltoztatsa (kiegsztse vagy cskkentse) esetn elll regresszis modelleket, teht azt, hogy az elmleti s szakmai
feltteleknek melyik vltozat felel meg leginkbb. Nem csak a modell globlis s parcilis tesztelsnek
az eredmnyt ltjuk azonnal, hanem idsorok esetn az autokorrelci tesztjeit, keresztmetszeti adatoknl pedig a homoszkedaszticits tesztjeit is rtkelhetjk, valamint a reziduum brkat is elemezhetjk.
Multikollinearits esetn, ha rtelemszeren kt vagy tbb magyarz vltoz van a modellben, akkor
tbb teszt elemzsre van lehetsg. A bevont vltozkat mint bemutattuk cserlhetjk a paramterek soraiban a Bevonjuk oszlopban a pipa jel bersval vagy trlsvel. A vltozk cserjnek hatsra azonnal
mdosulnak a teszt eredmnyek s azokat gyorsan ki lehet rtkelni. Klnsen segti a vizsglatot, ha
hrom vagy tbb magyarz vltozval rendelkeznk. Az sszes modellvarinsok szma ismtls nlkli
kombincik szmval hatrozhat meg, ahol k nagysgtl fggen a kombincikat ssze kell adnunk.
Hrom magyarz vltoz esetn a lehetsges modellvarinsok szma: 7, mert a k lehet, 1, 2 s 3. de
ngy vltoznl mr 15. Az idsoros plda ismertetse arra is alkalmas volt, hogy nem lehet mechanikusan alkalmazni a backward regresszit, a szakmai ismereteket, felttelezseket s a klnbz pl.
autokorrelci, multikollinearits tesztjeinek az eredmnyeit is rtkelni kell.
Vgl megemltjk, hogy a klnbz specilis regresszis modellalkalmazsokra, figyelembe vve a
tma szakirodalmt, szmos Excel parancsfjlt dolgoztunk ki 200, pl. Cochrane-Orcutt transzformci,
autokorrelci esetn, ksleltetett regresszi esetn ksleltetett mtrix elksztse (12 fle lag-modell, pl.
Koyck, Almon, Fisher s Alt mdszerei esetn), aminek felhasznlsval a becsls a regresszio.xls-sel
mr elvgezhet. Logisztikus regresszis fggvnyek becslse kt mdszerrel, CES-fggvnyek becslse
hrom mdszerrel, Cobb-Douglas termelsi fggvny paramtereinek, az tlag s hatrmutatknak 201 a
kiszmtsa. Homoszkedaszticits egyb tesztjei: Goldfeld-Quandt-prba s a Szroeter-Harrison-Kingfle prba.
F
t-1 = c0 + b1 ( x1t - x
1(t-1) ) + b 2 ( x 2t - x
2(t-1) ) + ... + b k ( x kt - x
k(t-1) ) + v t
y t - y
176
p =
e e
t t-1
t=2
n
2
t-1
t=2
177
t-1 = ( x1t - px
1(t-1) )( x 2t - px
2(t-1) ) ... ( x kt - px
k(t-1) )
y t - py
Az iterci indtsa parancs a CO1 munkalapon kiszmtott (transzformlt) mtrixot az Adat munkalapra
msolja s a CO1 munkalapon elvgzi a msodik CO transzformcit. Az idsor minden transzformci
utn egy megfigyelssel (a legrgebbi adattal) cskken. A transzformlt adatsorral elvgezzk a regreszszi szmtst a regresszi.xls fjllal, s ha teszt alapjn autokorrelcit kiszrtk, akkor elfogadjuk a
modellt. Ha van autokorrelci, akkor folytatjuk a szmtsokat. Az itercikat akkor fejezzk be, amikor
a paramterek az egyik itercirl a msikra gyakorlatilag mr nem vltoznak.
4.4 A Szroeter-Harrison-King-fle prba. (Szroetertesz.xls parancsfj mkdse) s a GoldfeldQuandt-prba (Goldfeld-Quandt-prba.xls parancsfj mkdse)*
4.4.1 A Szroeter-Harrison-King-fle prba
A heteroszkedaszticits felismersnek a Szroeter-fle prba 206 207 egy olyan eljrsa, amely ktdik
tbbek kztt az autokorrelcinak a d-statisztika segtsgvel trtn tesztelshez.
1. alternatv hipotzis. 208
A Szroeter-fle prbnl a szoksos lineris regresszis modellnl a H0 nullhipotzist, azaz:
H 0 : 12 = ...=n 2
F
H1 : 12 ... n 2
H1 alternatv hipotzissel szemben ellenrizzk, ahol legalbb egy esetben teljesl az egyenlsg. Ebben
az esetben egy nvekv szrs (variancij) alternatv hipotzist tesztelnk, de a hipotzis cskken sorozat esetre is felrhat. 209
A prbafggvny az albbi mdon definilhat:
F
h=
h e
i =1
n
i i
e
i =1
2
i
i 0
H1 : 12 ... n 2
A prbafggvny az elz mdon definilhat:
n
h=
h e
i =1
n
e
i =1
i i
2
i
206
178
ahol a hi slyszmokat az albbi kplet segtsgvel hatrozhatjuk meg s ahol a cos-fggvny eljele
vltozik + lesz:
h i = 2 1 + cos ( i /(n + 1) ) , i = 1, 2....n.
Vlaszts az 1. s 2. alternatv hipotzis (teszt) kzl.
Termszetesen felmerl a krds, hogy a kt alternatv hipotzis kzl melyiket vlasszuk. Ha brzoljuk
a rezidulis vltzk ngyzeteit (ei2 i=1,2n) az egyes magyarzvltozk (xj j=1,2 k) fggvnyben,
akkor lehet kvetkeztetseket levonni az brk alakulsbl. Amennyiben a rezidulis vltozk ngyzetei
sztnyl (n a rezidulis vltozk ngyzete a magyarz vltozk fggvnyben, teht valsznsthetjk az els alternatv hipotzist), vagy sszezrd (cskken a rezidulis vltozk ngyzete a magyarz
vltozk fggvnyben, teht valsznsthetjk a msodik alternatv hipotzist) svot mutatnak, gy
vrhatan a heteroszkedaszticits tnye ll fent. Amennyiben az brn a sv nem vltozik, gy valsznsthetjk, hogy a nullhipotzis igaz, s homoszkedasztikus a modell.
Figyelembe vve az Excel ltal nyjtott lehetsgeket, mindkt alternatv hipotzissel clszer a szmtsokat elvgezni. A H0-rl trtn dntsnl (elfogadom vagy elvetem) mindig meg kell fogalmazni, hogy
ez a dnts milyen alternatv hipotzissel szemben trtnt. Pl. ha az els esetben a nullhipotzist elfogadom, akkor lehetsges, hogy a rezidulis szrsngyzetek azonosak, de lehet az is, hogy cskkennek,
ugyanis a meghatrozott szignifikancia-szinten, ami ltalban 5%, csak azt az alternatv hipotzist utastottuk el, hogy a rezidulis szrsngyzetek nnek. Ha viszont a msodik esetben a nullhipotzist elvetjk, vagyis feltelezzk, hogy heteroszkedasztikus a modell, akkor azt felttelezzk, hogy a rezidulis
szrsngyzetek cskkennek. Ha mindkt alternatv hipotzist a Szroeter teszt elutastja pl. 5%-os
szignifikancia-szinten, akkor a homoszkedaszticitsra vonatkoz nullhipotzist elfogadjuk.
A Durbin-Watson tblzat felhasznlsa
A Szroeter-prbnl, teht elzen brzolni s vizsglni kell azt, hogy a rezidulis szrsngyzetek nvekv vagy cskken sorozatot alkotnak-e. A prba kritikus rtkeinek meghatrozsra tbbfle eljrs
ismert, amelyek kzl egyszersge miatt a Durbin-Watson tblzaton alapul mdszer rdemel els helyen emltst. A kt kritikus rtk, amely egy bizonytalansgi tartomnyt definil az albbi mdon hatrozhat meg:
h L = 4 d (Un +1,k +1)
h U = 4 d (Ln +1,k +1)
elfogadsi
tartomny
bizonytalansgi
tartomny
hL
visszautastsi
tartomny
hU
211
179
h=
h e
i =1
n
i i
e
i =1
2
i
Ha nincs konstans a lineris regresszis modellben (b0=0), akkor a Bta-eloszls alapjn szmtott kritikus rtk:
h = 4(1 )
Ahol a szignifikancia-szint, ltalban 5%
Ha h > h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h < h homoszkedasztikus.
Ha van konstans a lineris regresszis modellben 212 (b00), akkor a Bta-eloszls alapjn szmtott kritikus rtk:
h = 4
Ha h < h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h > h homoszkedasztikus.
F
h=
h e
i =1
n
e
i =1
i i
2
i
212
180
3.1 Ha nincs konstans a lineris regresszis modellben (b0=0), akkor a Bta-eloszls alapjn szmtott
kritikus rtk:
h * = 4(1 )
Vagyis az elzek alapjn:
h * = 4 1
1 + F(r,r )
*
Ha h > h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h < h* homoszkedasztikus.
3.2 Ha van konstans a lineris regresszis modellben 216 (b00), akkor a Bta eloszls alapjn szmtott
kritikus rtk:
h * = 4
Vagyis az elzek alapjn:
1
h * = 4
1 + F(r,r )
*
Ha h < h , akkor a nullhipotzist elvetjk, vagyis heteroszkedasztikus a modell, ellenkez esetben ha:
h > h * homoszkedasztikus.
F
4.4.2 A Goldfeld-Quandt-prba
A Goldfeld-Quandt-prba217 azon alapszik, hogyha a rezidulis vltozk variancija ( ei2 ) azonos a klnbz megfigyelsek (xi i=1,2n) esetn, teht ha homoszkedasztikusak, akkor ez a minta egyes rszeire
216
217
181
is igaz. Ezrt tesztelhet a rezidulis vltozk varianciinak egyenlsge F-prba segtsgvel. A tesztstatisztika a kt becslt variancia hnyadosa. A megfigyelt rtkeket (n), hrom rszre osztjuk s a kzps
megfigyelseket elhagyjuk. Ezutn a kt szls adathalmazra kln-kln elvgezzk a regresszis becslst s meghatrozzuk a reziduumok varianciit. F-prbval most mr tesztelhetjk azt, hogy ezek a variancik egyenlk-e (homoszkedasztikus a modell) vagy nem (heteroszkedasztikus a modell). Felttelezzk
tovbb, azt, hogy a magyarzvltoz rtknek nvekedsvel a reziduumok variancii nem vltoznak
vagy nvekednek. A teszt keresztmetszeti adatok esetn alkalmazhat.
A Goldfeld-Quandt-prba Excel parancsfjlt ktvltozs modellre dolgoztuk ki.
A hipotzisrendszer:
y = b0 + b1x j + e
H 0 : E(ei2 )=2
H1 : E(ei2 )=2 x 2j
A nullhipotzis azt fogalmazza meg, hogy a hibatnyez szrsngyzete (variancija) lland. A
nullhipotzis teljeslse egyben azt is jelenti, hogy a modell homoszkedasztikus, mg az alternatv hipotzis a heteroszkedaszticits felttelezst szimbolizlja, amely szerint a hibatnyez variancija arnyosan
vltozik a j-edik magyarz vltoz ngyzetvel. A k a magyarzvltozk szma, esetnkben 1.
A prba menete az albbi:
1. A heteroszkedaszticitsban felteheten meghatroz szerepet jtsz x1 magyarz vltoz nvekv sorrendbe rendezett rtkei szerint rjuk fel az eredmnyvltozt s a reziduumokat.
2. Kivlasztunk c szm kzpen elhelyezked rtket, amelyeknek megfelel vltozk megfigyelt rtkeit kihagyjuk a tovbbi szmtsokbl. (A kihagyand megfigyelsek szma nknyes, legalbb 0, ebben
az esetben kt rszre osztjuk az adatllomnyt s nem hagyunk ki megfigyelt rtkeket, a gyakorlatban
minimum a mintaelemszm (n) egyhatoda illetve maximum az egy harmada. Kisebb minta esetn, pl. ha
n=30, akkor clszer, hogy a c ne legyen nyolcnl nagyobb)
3. A klasszikus legkisebb ngyzetek mdszere segtsgvel az els (n-c)/2 s az utols (n-c)/2 megfigyelshez kln-kln regresszis fggvnyt illesztnk.
4. Kiszmtjuk a kt regresszis fggvny rezidulis ngyzetsszegt s elosztjuk a
nc
n-c-2(k+1)
(k + 1) =
2
2
szabadsgfokkal:
( n-c ) /2
(n-c-2k-2)
2
i=1
n
(n-c-k-2)
22 = ei 2 /
2
n+c
i=
+1
=
2
1
(n-c-4)
2
i=1
n
(n-c-4)
22 = ei 2 /
2
n+c
i=
+1
12=
182
5. A prbafggvny:
22
F= 2
1
ahol mind a szmll mind a nevez szabadsgfoka egyarnt:
(n-c-2k-2) (n-c-4)
=
2
2
Amennyiben a szmtott F-rtk nagyobb, mint egy szignifikancia szinthez tartoz F rtk a
nullhipotzist (homoszkedasztikus a modell) elvetjk, a modellt heteroszkedasztikusnak tekintjk.
A Goldfeld-Quandt-prba Excel parancsfjl adatok trlse ikonjra kattintva az adatok trldnek, majd az
j adatbzis bemsolsa utn meg kell adni a c-rtket.
A mintafeladat 218:
x=GDP/f 2005-es $-ban 2007-ben
y=Egy fre jut sszes energiafelhasznls olaj kg egyenrtkben kg/f
n=128, k=1
! Nvekv Excel paranccsal)
Az adatokat x szerint nvekv sorrendbe helyeztk. ( A
Z
F
kg/f
8000
6000
4000
Magyarorszg
2000
Zimbabwe
0
90000
80000
70000
60000
50000
40000
30000
20000
10000
$/f
A szmtsok eredmnye, a teljes minta esetben heteroszkedasztikus, ha a mintaelemszmot 76-ra cskkentjk, teht csak az els 76 adattal dolgozunk, akkor homoszkedasztikus lesz a modell. Ez jelzi, hogy a
218
Az adatok forrsa:
http://earthtrends.wri.org/searchable_db/index.php?step=countries&ccID%5B%5D=0&allcountries=checkbox&the
me=6&variable_ID=351&action=select_years
http://www.ers.usda.gov/Data/Macroeconomics/
183
lineris regresszi helyett ms tpus regresszival kell becslni, vagy a mintaelemszmot cskkenteni
kell.
c minimum 1/6 c maximum 1/3
n
c
2
1
128,00
21,00
360855,82
22
5759193,68
15,96
p
Fkrit
0,00
1,59
21,33
42,67
legalbb
2,00
0,05
Heteroszkedasztikus modell
c minimum 1/6 c maximum 1/3
n
c
2
1
76,00
13,00
230282,54
22
427074,77
1,85
p
Fkrit
0,05
1,86
12,67
25,33
legalbb
2,00
0,05
Homoszkedasztikusmodell
Fenti sszefggs szzalkosan is kifejezhet, ha b y1 -val illetve b y2 -val vgigosztjuk az egyenlet mindkt oldalt s szorzunk szzzal.
Ahol :
b yi = az y s x i (i = 1, i = 2) vltozkra vonatkoz egyszer ktvltozs totlis regresszis egytthat;
meghatrozsa az albbi kt fggvnybl trtnik:
y = b 01 + b y1x1 + e
y= b 02 + b y2 x 2 + e
x1
b y1.2
b 21
b12
x2
b y2.1
nem vgtelen kicsi, hanem vges, st gyakran igen hossz reakciidvel kell szmolni.
A modern fizika (Plank, Einstein, Heisenberg stb.) az id s mozgs fogalmt trtkelte s nem tekinti
folyamatosnak sem a mozgst, sem az idt.
219
Fisher I. [1937]
Distributed Lag
221
Koyck, L. M. [1954]
222
Nerlove, Marc, [1972]: 221-251
223
Almon, S. [1965]: 178-197.
224
Solow R. M.[1960]: 393-406.
225
Ramanathan Ramu [2003]: 452-456.
226
A klsleltetett regresszis modelleknl a nagy x s y betket hasznljuk a vltozk megnevezshez.
220
186
ugyanis ez nem ms, mint X marginlis hatsa Y-ra ugyanabban t. idpontban. A i regresszis egytthatt
i-ed rend ksleltetett multipliktornak nevezik, mivel azt mutatja meg, hogy az Xt-i vltoz egy t eltti i
idpontban bekvetkezett egysgnyi nvekedsnek hatsra mennyivel vltozott az Yt rtke, vagyis a foly idszaki eredmnyvltoz nagysga. Ha a gazdasg nyugalmi llapotban van, teht ms megfogalmazsban hossz tv egyenslyi llapot felttelezhet, akkor a regresszis paramterek sszegt hossz tv
multipliktornak hvjk, mivel megmutatja azt, hogy X vltoz egysgnyi nvekedse esetn, az Y menynyivel vltozik, a ksleltets idszaka alatt. Az gy megbecslt kumullt hats teht 227:
F
dY/dX = i = 0 + 1 + 2 X t 2 + k =
i=0
i =0
Mivel a paramterek nehezen becslhetk, illetve gyakori a multikollinearits s az autokorrelci jelensge, ezrt rjuk vonatkozan megszortsokat (ilyen lehet pl. a slyok ( t ) geometriai sor szerinti cskkentse) kell tennnk. Ebbl az tletbl, felismersbl szlettek meg a fent emltett osztott ksleltets
modellek.
A naiv osztott ksleltets modellek.
Fisher szmtani haladvny szerint cskken slyokat alkalmazott. Az alapjn, hogy hny idszakra viszszamenleg szmszerstette a hatst, beszlhetnk az ltala megalkotott egyenletekrl. A Fisher 1 egyenlet teht a magyarz vltoz jelenlegi, s eggyel ksleltetett rtkt veszi figyelembe, a Fisher 2 s Fisher
3 modellek pedig egyre hosszabb ksleltetst tteleznek fel.
Ennek alapjn Fisher 1. modellje:
Yt = + 1 ( 2X t + X t 1 ) + t ,
ahol F1 = ( 2X t + X t 1 )
helyettestst alkalmazva kapjuk a kvetkez egyenletet:
Yt = 1 + 1F1 + t
Hasonl mdon kpezhet a Fisher 2. s Fisher 3. egyenlet is:
Yt = 2 + 2 F2 + t
valamint
Yt = 3 + 3 F3 + t
ahol
F2 = ( 3X t + 2X t 1 + X t 2 ) s F3 = ( 4X t + 3X t 1 + 2X t 2 + X t 3 )
A Fisher egyenletek megoldsa utn az eredeti egyenletben a magyarz vltozk paramterei knnyen
szmszersthetk.
Alt mdszere. 229 230 231
Alt szintn tbb egyenletet llaptott meg, melyek sorszma az elzekhez hasonlan a ksleltets mrtkt mutatjk. A klnbsg Alt s Fisher mdszere kztt abban rejlik, hogy Alt nem alkalmazott megktst a magyarz vltozk rtkeire vonatkozan. Alt elszr az Yt rtket csak Xt rtkvel magyarzza,
majd a msodik becslsnl az Xt-1-t is bevezeti, s gy tovbb, mindaddig, amg az eredmnyl kapott regresszis egytthatnak rtelme van. Szmszerstsk a kvetkez Alt modellt:
F
227
187
Yt = + 0 X t + t
Yt = + 0 X t + 1X t 1 + t
Yt = + 0 X t + 1X t 1 + 2 X t 2 + t
Yt = + 0 X t + 1X t 1 + 2 X t 2 + 3 X t 3 + t
.......
Alt azt javasolta, hogy folytatni kell a ksleltetst mindaddig, amg a regresszis modell az elmleti feltteleknek eleget tesz. A tovbbi ksleltetett tag bevonsa feleslegess vlik pldul, ha a bevont regresszis
paramter nem klnbzik szignifiknsan a 0-tl.
ahol 0 i 1 s i = 1 .
i=0
=
i
ahol:
n
n!
=
k k!(n k)!
r + 2 1
r 2
=
(1 ) =
2
r 2
(r + 1) r
(1 )
2!
r 2
(r + 2 1)!
(1 ) =
2!(r 1)!
Y =+(1) {X + rX
t
t1
r r + 1 i
+(1) i X + t
t i
k=0
i
A slyok alakulst mutatja az albbi kt bra 233, ha =0,4 s =0,6, az eloszls rendje mindkt esetben r
= 1,2,3,4,5,6.
F
A nvelse =0,4-rl =0,6-ra a kvetkez vltozsokat eredmnyezi: r=1 esetben n a ksleltets hoszsza, az r= 2,3,4,5,6 eseteiben pedig a fordulpont amikor a nveked szakasz cskkenbe megy t ksbb kvetkezik be. Az r nvekedsvel a fordulpont ksbb kvetkezik be, teht n az emelked szakasz idtartama.
232
233
Solow R. M.[1960].
A fordtottW.xls felhasznlsval.
188
Sly
0,20
0,15
0,10
0,05
0,00
1
9 10 11 12 13 14 15 16 17 18 19 20
r=2
r=3
r=4
r=5
r=6
Sly
0,20
0,15
0,10
0,05
0,00
1
9 10 11 12 13 14 15 16 17 18 19 20
r=2
r=3
r=4
r=5
r=6
234
235
Koyck, L. M. [1954]
Gujarati Damodar N. [2003]: 665-667.
189
2 3
4 5
6 7
8 9 10 11 12 13 14 15 16 17 18 19 20
= + 0 X t + 0 X t 1 + 0 2 X t 2 + + 0 k X t k + + t
Ezt az sszefggst Yt 1 -re felrva, -val beszorozva s a kt egyenletet egymsbl kivonva, az albbi modellt kapjuk, ami Koyck els mdszereknt ismert a szakirodalomban:
Yt Yt 1 = (1 ) + 0 X t + ( t t 1 ) .
Az egyenlet rendezse utn a becslsre alkalmas fggvnyt kapjuk, ahol az eredmnyvltoz Yt, a magyarz vltozk Xt s Yt-1:
Yt = (1 ) + 0 X t + Yt 1 + ( t t 1 )
Yt = + 0 X t + Yt 1 + v t
Az eredeti konstans paramter az albbi sszefggsbl nyerhet:
(1 ) =
=
(1 )
t 1
t 2
t k
190
2 = 0 2
= 3
3
k = 0 k
i
i 1
1
i =0 (1+ + 2 +3 + ....) =0
i =0
1
Ugyanis:
A mrtani sorozat sszege legyen s, q0 a kezdrtk (esetnkben q0= 0), s q a kt szomszdos tag hnyadosa (esetnkben q= ), ami lland:
qn 1
n 1
1
1
s = q0
= 0
= 0
=1
= 0
1
1
1
q 1
0 = 1
Mivel:
lim n = 0
A kumullt ksleltets tlagos hosszt i az albbi kplettel hatrozhatjuk meg, ahol az tlagoland rtk a
ksleltets hossza (i=1,2,.) a sly pedig a regresszis paramterek becslt rtke i 238:
( )
i=
i
i =0
i =0
236
191
A fenti kpletben az elzek alapjn a nevezben lv szmnak, a paramterek sszegnek a kzgazdasgi jelentse az, hogy X tnyezvltoz egysgnyi nvelse k idszakon t mennyivel nveli tlagosan
az Y eredmnyvltoz rtkt.
A Koyck modell esetben a kumullt ksleltets tlagos hossza 239:
F
i=
tlagos ksleltets annak az idnek az tlagos hosszt jelenti, amg az X magyarz vltoz (egysgnyi)
vltozst tvisszk az Y fgg vltozra.
A Koyck modell esetben a kumullt ksleltets medinjt ( Mei ) az albbi kplettel lehet meghatrozni 240:
F
Mei =
log 2
log
A medin ksleltets az az id, ami az Y vltoz teljes vltozsa els felnek vagy 50%-nak X egysgnyi
tarts vltozsnak kvetshez szksges.
Az tlagos ksleltets (medin s szmtani tlag) a Koyck modell esetben klnbz rtki fggvnyben vltozik, a nvekedsvel az tlagos ksleltets idtartama is n, amit az albbi tblzat szemlltet.
A medin s az tlag =0,5 rtknl egyezik meg, nagysga 1.
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Mei
0,3010
0,4307
0,5757
0,7565
1,0000
1,3569
1,9434
3,1063
6,5788
i tlag
0,1111
0,2500
0,4286
0,6667
1,0000
1,5000
2,3333
4,0000
9,0000
Koyck msodik modellje 241 242abban klnbzik az elstl, hogy az Xt s az Xt-1 vltozknak tetszleges
slya van 243 a cskken geometriai sorozat tulajdonsg slyrendszer csak ezt kveten kezddik el. A
knnyebb rthetsg rdekben a Koyck 1. mdszernek lersnl alkalmazott jellstechnikt clszer
hasznlni. Koyck 2. mdszernek geometriai ksleltets alapkoncepcija miatt
F
Yt = + 0 X t + 1 ( X t 1 + X t 2 + 2 X t 3 +
+ k 1X t k ) + t
+ 1 k 1X t k + t
+ 1 k 1X t k 1 + t 1
+ 1 k X t k 1 + t 1
239
192
Yt Yt 1 = (1 ) + 0 X t + ( 1 0 ) X t 1 + ( t t 1 )
= (1 )
(1 )
1' = 1 0
1 = 1' +0
Az egyenlet rendezse utn teht a becslsre alkalmas fggvnyt kapjuk, ahol az eredmnyvltoz Yt, a
magyarz vltozk Xt, Xt-1 s Yt-1
Pascal eloszls esetn a becsls,
244 245
F
ha r=2
Yt = 2Yt 1 2 Yt 2 + (1 ) 2 X t + e t
Pascal eloszls esetn a becsls,
246 247
F
ha r=3
Yt = 3Yt 1 3 2 Yt 2 + 3 Yt 3 + (1 )3 X t + e t
249
F
sszevont formban:
k
Yt = + i X t i + t
i =0
A nyilvnval multikollinearits miatt nem kapunk megbzhat becslst a paramterekre, ezrt ismtelten
szksgnk van feltevsekre. Almon azt felttelezte, hogy a ksleltetett modell slyknt szerepl paramterei elre adott fokszm polinom szerint alakulnak. Az Almon-fle ksleltets jele PDL(k,r) 250, ahol k
(i=1,2,,3.k) a ksleltetsek hossza, mg r (r=2,3,m) a polinom felttelezett fokszma.
ltalnos formban:
i = 0 + 1i + 2i 2 + ... + mi m
gy r = 2 esetn:
i = 0 + 1i + 2i 2
Ekkor eredeti egyenletnk a kvetkez alakra mdosul:
F
i =0
i=0
Yt = + i X t i + t = + ( 0 + 1i + 2i 2 ) X t i + t
A zrjel felbontsa utn, valamint az X t sszegszer tagjainak megfelel helyettestsvel a kvetkez
egyenletet kapjuk:
244
Solow R. M.[1960]:397.
Kiss Tibor [1985]: 1004.
246
Solow R. M.[1960]:397.
247
Kiss Tibor [1985]: 1004.
248
G. S. Maddala [2004]: 465-472.
249
Gujarati Damodar N. [2003]: 687-693.
250
Polynomial Distributed Lag
245
193
Yt = + ( 0 + 1i + 2i 2 ) X t i + t =
i =0
k
i =0
i=0
i=0
= + 0 X t i + 1 iX t i + 2 i 2 X t i + t =
= + 0 Z0t + 1Z1t + 2 Z2t + t
Ugyanis:
k
Z0t = X t i
i=0
k
Z1t = iX t i
i =0
k
Z2t = i 2 X t i
i=0
A msodfok polinomlis ksleltets smjt az albbi bra mutatja, ahol lthat, a ksleltets nvekedsvel (i=1,2,3,k) a regresszis paramterek egy ideig nnek, majd a cscspont elrse utn cskkennek.
Gyakran alkalmazott mdszer az n. vgpontfelttelek alkalmazsa, amelyek azt ktik ki, hogy a ksleltetsnl figyelembe vett rtkek eltti s utni slyok 0 rtket vegyenek fel, ekkor a becsls tovbb egyszersdik.
A paramterek eloszlsa msodfok parabola esetben
194
4.7 A hatvnykitevs, Cobb-Douglas termelsi fggvny (A termelsi fggvny tlag s hatrmutati.xls parancsfjl mkdse)*
F
Az egy egyenletbe srtett regresszis modelleknek az gazati s a vllalati gyakorlatban egyarnt hasznlt formi a termelsi fggvnyek, melyek nagy szerepet jtszanak a termelsi folyamatok lersban. 251
252
A termelsi folyamat eredmnye (volumene) nagyszm mszaki, gazdasgi, termszeti s trsadalmi
tnyeztl fgg. Kzgazdasgi s mszaki elemzs tjn hatrozhatk meg azok a termelsi tnyezk,
melyek az adott gazdasgi egysgnl a legnagyobb hatssal vannak a kibocstsra. A matematikai, statisztikai elemzs e hatsok modellezsvel s mrtknek szmszerstsvel foglalkozik. A termelsi rfordtsokat termelsi tnyezknek hvjuk. A termelsi tnyezkhz tartozik pldul a fld, a tke, a
nyersanyag, az energia s a munkaer. A munkaer szemlyi termelsi tnyez, mg a tbbi termelsi tnyez trgyi tnyez. A tkejavakhoz tartoznak a termel- s szllt berendezsek, pletek, szmtgpek s egyb gpek. A tke fogalmt gyakran egy zleti vllalkozs beindtshoz vagy fenntartshoz
szksges pnzsszeg meghatrozsra hasznljk, amit mi pnztknek hvunk, mg a termelsben ellltott tnyezket fizikai tknek nevezzk. A fizikai tkt holt munknak is hvjuk megklnbztetve a
munkaertl, az lmunktl. A termelsi fggvnyek teht, valamely gazdasgi egysg termelsnek volument fejezik ki a vizsglt idszakban az lmunka rfordtsok, a fizikai tkerfordtsok s egyb
termelsi tnyezk fggvnyben. A termels eredmnye s a termelsi tnyezk kztti sszefggst
sztochasztikus formban, technikai (technolgiai) egyenletekkel rjk le. Az alapvet kt termelsi tnyez, az lmunka s holtmunka rfordtsok mellett, a termelsi fggvnyek tartalmazhatjk az anyag-, s
energiarfordtsokat s egyb tnyezket is. A termelsi fggvnyek segtsgvel a vllalat (ltalban a
gazdasg) viselkedsnek technolgiai korltait rhatjuk le. A technolgiai korltok azt jelentik, hogy egy
adott mennyisg kibocsts csak bizonyos rfordts (input) kombincik rvn valsthat meg, a vllalat a technolgiailag megvalsthat termelsi tervekre knytelen korltozni a tevkenysgt, vagyis mr
dnttt az optimlis termksszettel s technolgia krdsben.
A termelsi fggvnyek felrsnl felttelezik, hogy:
a vizsglt trvnyszersg idben lland, vagy csak lassan vltozik, vagy ismert a vltozsa;
az elemzs trgya, a termelsi eredmny kzvetlenl vagy kzvetve mrhet;
az elemzs trgyra lnyeges hatst gyakorl tnyezk elhatrolhatk azoktl a tnyezktl, amelyeknek szerepe elhanyagolhat;
az adatok hozzfrhetk s sszehasonlthatk.
F
251
Cobb, C.W. Douglas, P.H. [1928] volt az els publikci a termelsi fggvnyek tmakrben, a szerzk feltteleztk, hogy a kt magyarzvltozs, hatvnykitevs regresszis fggvnyben a kitevk sszege 1.
252
Kdas Klmn [1944] publikcija volt Magyarorszgon az els, amelyik a Cobb-Douglas termelsi fggvny
gazati alkalmazsval foglalkozott.
253
A sajt elllts eszkzk aktivlt rtkt mindig az elllts tnyleges kltsgeinek sszegvel kell szmtsba venni.
195
Anyagmentes termelsi rtk, vagyis a hozzadott rtk, (GDP vllalkozs szint megfelelje) a
brutt termelsi rtkbl kivonjuk az anyagkltsget s az ignybe vett anyagjelleg szolgltats
kltsgt.
Nett termelsi rtk, az anyagmentes termelsi rtkbl kivonjuk az lleszkzk rtkcskkensnek a kltsgt.
A brutt jelleg mutatszmok kzs jellemzje, hogy ha az egymst kvet termel folyamatok rtkeit
sszegezzk, akkor az sszegzett termelsi rtk tbbszrs szmbavtelt tartalmaz, ezt halmozdsnak
nevezzk. A nett jelleg termelsi mutatszmok a ltrehozott termkeknek csak azon rtkrszt tartalmazzk, melyet a vizsglt idszakban a megfigyelt termelegysg hozott ltre. gy a nett termelsi rtk az tvitt munka egyetlen elemt sem tartalmazza. A nett termelsi rtk megbzhatan jellemzi a
termelegysgnl ellltott j rtket, nagysga nem fgg sem az ipar szervezeti felptstl, sem az
egyes iparvllalatok bels tagozdstl. A nett termelsi rtk kiszmtsnl sok esetben problmt
okoz a vizsglt idszak termelst terhel amortizci megllaptsa, melyhez a fizikai kops mellett, az
erklcsi kops figyelembevtele is szksges lenne. Ezrt kerl sor a gyakorlatban az anyagmentes termelsi rtk meghatrozsra, mely a teljes termels, valamint az sszes anyagkltsg s egyb anyag jelleg kltsg klnbsge. Az anyagmentes termelsi rtk alkalmazsa leegyszersti a termelsi fggvnyt,
mivel a nyersanyag vltozkat nem szksges explicit mdon belefoglalni. Vllalati szinten vgzett elemzseknl ltalban megfelel a brutt termelsi mutatszmmal trtn mrs. Az gazati szint termelsi
fggvnyszmtsoknl viszont a jelents halmozds kikszblse rdekben clszerbb a nett termels mutatjt alkalmazni. A termels volumennek rtkbeli mrsekor, mivel a termelsi rtk idsorai
kpezik a vizsglat adatbzist nagyon fontos az sszehasonlthatsg biztostsa. Ez trtnhet rindexek
felhasznlsval. Az gy nyert idsorok, a termels volumennek vltozst mutatjk. gazati szinten alkalmazzk a termksorok alapjn szmtott indexeket, amely a termels mennyisgi vltozst jelzi. A
termksoros volumenindex valamely gazat termelsi volumennek vltozst, az adott gazat termel
tevkenysgt leginkbb jellemz termkek mennyisgi adataibl szmtott egyedi indexek slyozott tlagval mri. Slyknt ltalban a br s amortizci egyttes sszegt alkalmazzk. A termksoros volumenindexszel kzelthetjk a brutt termels alakulst, ha a brutt rtkkel slyozunk. Ha a munksok
teljestett rival slyozunk, akkor a nett termelst, ha a br plusz amortizcival slyozzuk, akkor az
anyagmentes termelst kzeltjk. A termksorok alapjn szmtott kzelt volumenindex eltrhet a termelsi mdszer alapjn szmtott nett termelsi indextl. Ennek okaknt a kvetkezk emlthetk meg: a
kzelt index nem tkrzi a fajlagos anyagfelhasznls vltozst; a szmts sorn alkalmazott slyok
arnya eltr a nett rtkek arnytl; eltekint bizonyos minsgi jellemzktl; reprezentatv jellege miatt
nem vesz minden termket figyelembe; s az j termkek ksve kerlhetnek be a mintba; eltekint a szolgltatsoktl, a flksz s befejezetlen termels llomnyvltozstl, stb.
Az lmunka-rfordtst az sszes foglalkoztatottak ltszmval mrve az lmunkt egynemnek tekintjk, br ez nyilvnvalan egyszerstst jelent. Ezt a megkzeltst az indokolja, hogy a termels volument nemcsak a fizikai foglalkozsak szma befolysolja, hanem kzvetetten a nem fizikai (alkalmazotti)
appartus is pl. a mszaki fejleszts, az irnyts sznvonala ltal. A fizikai foglalkozsak ltszmt tekintve, a termels s a kzvetlenl termel munkt vgz dolgozk kztti kapcsolat ltalban szorosabb,
mint a termels s a kzvetve termel munkt vgz dolgozk kztt. A kzvetve termel munkt vgzk
tevkenysge a kzvetlen termel munkhoz kapcsoldik, azt irnytja, ellenrzi, kiszolglja, elltja, pl.
kzvetlen termelsirnytk, anyagmozgatk, karbantartk. Clszer ezrt kln adatsorral kzelteni a
196
ahol:
y = a termels, a kibocsts, az output, mint eredmnyvltoz,
x1 , x 2 , , x k = a termelsi tnyezk (szemlyi s trgyi) 255, a rfordtsok, az inputok, mint magyarz
vltozk.
F
Ttelezzk fel, hogy a termels becslt volumene [ y ] kt tnyeztl; az lmunka (x1) s a holtmunka
(x2) tnyezktl fgg.
y =f ( x1 , x 2 )
Ttelezzk fel tovbb, hogy a fggvny (f) hatvnykitevs 256, vagyis az eredeti vltozk logaritmusai
kztt lineris kapcsolat van:
F
254
197
y = b 0 x1 1 x 2 2
ln y = ln b0 + b1 ln x1 + b 2 ln x 2
A modellspecifikci gy mg hinyos, mert a regresszis modell sztochasztikus, vagyis vletlen hatsok
is jelentkeznek, (olyan hatsok, amelyeket a modellbe bevont vltozkkal, x1 s x2 nem tudunk magyarzni). A vletlen hatst a rezidulis vltoz [u] testesti meg.
A modell ekkor 257:
F
b1
b2
y = b 0 x1 x 2 u
ln y = ln b 0 + b1 ln x1 + b 2 ln x 2 + ln u
A termelsi fggvny jellemzi, tlag- s hatrmutatk kt tnyezvltozs s hatvnykitevs fggvny esetn 258 259
F
Hatrtermelkenysg
Felttelezzk tovbb, hogy a termelsi fggvny x1 s x2 szerinti elsrend parcilis derivltjai lteznek
s a hatrtermelkenysgek 260 pozitvak, azaz
F
dy
>0
dx1
dy
MPx 2 =
>0
dx2
MPx1 =
Az elsrend parcilis derivlt pozitv volta azt fejezi ki, hogy a termelsi tnyezk nvekedsvel a kibocsts is n. Ez azt jelenti, hogy a munkatnyez vagy az lleszkz-tnyez rgztsvel mindig tallunk olyan befektetsi lehetsget vagy foglalkoztatsi lehetsget, amellyel az lleszkz-felhasznls
vagy a munkarfordts utols nvekmnye is elsegti a kibocsts nvekedst. Valamely termelsi tnyez hatrtermelkenysge teht megmutatja, hogy mennyi tbbletkibocstst hoz ltre a felhasznlt
termelsi tnyez tbbletkltsge, mikzben a termelsi fggvnyben szerepl msik termelsi tnyez
mennyisge vltozatlan marad. Termszetesen ezekkel a tulajdonsgokkal tbb termelsi tnyez esetn
is rendelkezik a termelsi fggvny, itt csak az egyszersg s a knnyebb rtelmezhetsg miatt rtuk fel
a kt tnyezvltozs fggvnyt. A termelsi fggvnyek kzgazdasgi-matematikai vizsglata lehetv
teszi szmos, a termels fggvny tartalmval s formjval sszefgg mutat felrst. Ezekbl a mutatkbl fontos kvetkeztetseket lehet levonni a tnyezk kztti sszefggs jellegrl.
257
A regresszio.xls Excel parancsfjllal elszr ellenrizni kell, hogy a modell eleget tesz-e a matematikaistatisztikai elmleti feltteleknek.
258
Ld.: Krist Zoltn [1979]: 13-23.
259
Ld.: Sipos Bla [1982]: 30-43.
260
MP=Hatrtermelkenysg (Marginal Productivity). Hasznlatos fogalom mg: hatrtermk: MP: Marginal
Product.
198
y2 =
y
x2
x2
x1
y
y x2
=
x 1 x 2 x1
b
dy
y
b 1
= b 0 x1 1 b 2 x 2 2 = b 2
= b 2 y2
x2
dx 2
Ugyanis:
b
y = b 0 x1 1 x 2 2
b 1
b
b 1
1
x11 = x11 x1 = x11 x
261
A zrjelben feltntettk azt, hogy az adott mutatt hogyan jelltk: a C-Dtermelsifggvnytlag s hatrmutati.xls Excel parancsfjlban.
262
tlagtermelkenysg (Average Productivity) vagy tlagtermk: Average Product, jele AP.
199
y dx
dy y
dy
e1 = d : x 1 = d x : x = x : y1 = MPx1 : y1
y
d
1
1
1
1
y dx
dy y
dy
e1 = d : 2 = x : x = x : y 2 = MPx 2 : y2
y x2 d 2 2 d 2
e 2 = (b 2 y) /(y) = b 2
A volumenhozadk (ev)
A volumenhozadk (volumenelaszticits) megmutatja, hogy hny szzalkkal n a termels a termelsi
tnyezk egy szzalkos nvekedse mellett. Ez a mutat teht az sszes termelsi tnyez egyidej arnyos relatv nvekedsnek hatst mri. A volumenhozadk az egyes termelsi tnyezk parcilis elaszticitsainak sszegvel egyenl:
e v = e1 + e 2
F
A volumen hozadk ev azt fejezi ki, hogy a termels relatv nvekedse nagyobb ( e v > 1) , vagy kisebb
( e v < 1) , mint a rfordtsok relatv nvekedse, illetve azzal egyenl-e e v = 1 . A gazdasgi fejlds
263
264
200
y = MPx1 * x1 + MPx 2 * x 2 / y
x1
x
+ MPx 2 * 2
y
y
Az Euler ttelbl kvetkezik, hogy elsfok homogn termelsi fggvny esetn a tnyezk parcilis rugalmassgainak sszege 1, ugyanis az tlagtermelkenysgek s a hatrtermelkenysgek szorzata egyenl eggyel.
1 = MPx1 *
A termelsi fggvnyben szerepl tnyezk bizonyos hatrokon bell helyettesthetik egymst. A helyettestsi hatrarny azt fejezi ki, hogy az egyik termelsi tnyez egysgnyi cskkentse esetn mennyivel
kell megnvelni a msik tnyezt ahhoz, hogy a kibocsts vltozatlan szinten maradjon.
s1 =
dy dy
y
= b1
:
dx1 dx 2
x1
s2 =
x
dy dy
= ( b 2 b1 ) 1
:
dx 2 dx1
x2
b2
x
y
= ( b1 b 2 ) 2
x1
x2
d(x 2 / x1 ) ds1
:
x 2 / x1
s1
Kedvez az, ha > 1 , ugyanis ebben az esetben a helyettestsi hatrarny 1%-os nvekedse esetn a
technikai felszereltsg 1%-nl nagyobb temben n. A helyettestsi rugalmassgra rvnyes, hogy:
0 .
Hatvnykitevs regresszis fggvny esetben a =1.
Akcelertorok.
Kzvetlen akcelertor (akc1 s akc2)
Valamely termelsi tnyez hatrtermelkenysgnek vltozst, valamint a termelsi tnyezk vltozsnak a kapcsolatt jellemz mutatkat akcelertoroknak nevezzk. A termels akcelertora az egyik termelsi tnyez hatrtermelkenysgnek a vltozsa, ha ennek a termelsi tnyeznek felhasznlt menynyisgt egysggel nvelik (kzvetlen akcelertor), vagy a msik termelsi tnyez felhasznlt mennyi265
201
sgt egy egysggel nvelik (keresztakcelertor). Valamely termelsi tnyez kzvetlen akcelertort a
termelsnek a megfelel termelsi tnyez szerinti msodrend parcilis derivltja adja meg. A vizsglt
termelsi fggvnyhez a kvetkez kzvetlen akcelertorok tartoznak:
,
d 2 y
b 2
b2
b1 1
b (b 1)
b
x
b
x
y
=
= b0 x 2b2 b1 (b1 1)x1 1 = 1 12
(
)
0 2
1 1
2
x1
dx1
,
b
d 2 y
b 2
b 2 1
b1
b (b - 1)
=
b
x
b
x
= b0 x11 b 2 (b 2 1)x 22 = 2 22
y
(
)
0 1
2 2
2
dx 2
x2
A kzvetlen akcelertorok eljeltl fggen a hatrtermelkenysgek viselkedsnek hrom esete klnbztethet meg:
1. A termelsi tnyez hatrtermelkenysge n a termelsi tnyez nvekedsvel, ha a kzvetlen
akcelertor pozitv. Felttele: b1>1 illetve b2>1
2. A termelsi tnyez hatrtermelkenysge vltozatlan marad a termelsi tnyez nvekedsvel,
ha a kzvetlen akcelertor nulla. Felttele: b1=1 illetve b2=1
3. A termelsi tnyez hatrtermelkenysge cskken a termelsi tnyez nvekedsvel, ha a kzvetlen akcelertor negatv. Felttele: 0< b1<1 illetve 0< b2<1
Keresztakcelertor (keresztakc)
A kzvetett akcelertor, a keresztakcelertor, amely megadja az egyik termelsi tnyez hatrtermelkenysgnek vltozst a msik termelsi tnyez egysgnyi vltozsa esetn. A differencils szablyai
szerint, elszr az x1, majd az x2 szerint vgezzk el a derivlst:
b
b 1
dy dy
b 1
bb
= b 0 x 2 2 b1x11 b 2 x 22 = y 1 2
dx1 dx2
x 1x 2
ami azt jelenti, hogy az egyik termelsi tnyez vltozsa ugyangy befolysolja a msik termelsi tnyez hatrtermelkenysgt, mint ez utbbi termelsi tnyez vltozsa az elbbinek a hatrtermelkenysgt. A fenti sszefggs azt mutatja, hogy a kt keresztakcelertor mindig egyenl egymssal, mivel a derivls szablyai szerint mindegy, hogy a parcilis derivlsokat milyen sorrendben vgezzk el. Mindegy teht, hogy a termelsi fggvnyt elszr az lmunka s azutn a holtmunka szerint, vagy elszr a
holtmunka s utna az lmunka szerint derivljuk.
A keresztakcelertorok felhasznlsval eldnthetjk, hogy kt termelsi tnyez helyettesti, vagy kiegszti egymst a termelsben. Ha kt termelsi tnyez keresztakcelertora pozitv, vagyis az egyik termelsi tnyez nvelse nveli a msik hatrtermelkenysgt, akkor a kt tnyez kiegszti egymst. Ha
kt termelsi tnyez keresztakcelertora negatv, vagyis az egyik mennyisgnek nvelse cskkenti a
msik hatrtermelkenysgt, akkor a kt tnyez egymst helyettesti. Ha kt termelsi tnyez
keresztakcelertora nulla, akkor fggetlenek egymstl. A helyettestsi viszonyban lev tnyezk jellegzetessge, hogy ezekbl tbbfle mennyisgi kombinci hasznlhat fel ugyanazon termkmennyisg
ellltshoz, azaz bizonyos keretek kztt az egyik a msikat helyettestheti a termelsben. Az egyik tnyez nvelse, a msik cskkentst vonja maga utn. Feltteleztk, hogy a termelsi fggvny parcilis
derivltjai pozitvak, gy a b1 s b2 egytthatk is pozitvak, teht a keresztakcelertorok is pozitvak.
Hozadkok, az tlagtermelkenysgek derivltjai (hozadkx1 s hozadkx2)
1 ) x1 szerinti derivltjt, felhasznlva a trtfggvnyekre vonatkoz derivlsi szablyt:
Kpezzk az (y/x
y
dy
y
d x1
x1
dy1
dx1
1 dy y 1 dy
=
=
=
=
y1
2
dx1
dx1
x1
x1 dx1 x1 x1 dx1
dy 2
dx 2
1 dy
y 1 dy
=
=
=
y
2
dx 2
dx 2
x 22
x 2 dx2 x 2 x2 dx 2
dx 2
dx 2
x 2 dx 2 x 2 x 2 x 2 x 2 x 2 x 2
A termelsi tnyez hozadka n, ha b1>1 illetve b2>1, nem vltozik, b1=1 illetve b2=1 s cskken, ha
0<b1<1 illetve 0<b2<1.
A termelsi fggvnyek becslhetk kettnl tbb magyarz vltoz esetben is, az elzekben bemutatott parcilis tlag s hatrmutatk hasonl mdn rtelmezhetk:
b
b
b
b
y = b 0 x1 1 x 2 2 x 3 3 ....x k u
ln y = ln b0 + b1 ln x1 + b 2 ln x 2 + b3 ln x 3 ....b k ln x k + lnu
267
Ld. Ramu Ramanathan (2003): 258. s Pintr Jzsef Rappai Gbor (2007): 464.
203
A
fggvny
meredeksge
A fggvny
Lineris
y = b0 + b1x
(lin-lin)
(log-log)
b1
ln y = ln b0 + b1 ln x
y = b0 b1x
Exponencilis
(log-lin)
Fllogaritmikus
y = b0 + b1 ln x
(lin-log)
Hiperbolikus
y = b0 + b1
(reciprok)
Msodfok parabolikus
b1
1
x
ln y = b0 + b1
Log- reciprok
y
x
1
x
x ln b1
1
x
b1
1
y
b1
1
x2
b1
1
xy
b1
y
x2
b1
1
x
y =b0 + b1x + b 2 x 2
b1 + 2b 2 x
(b1 + 2b 2 x)x
y
y (b1 + 2b 2 x)
x(b1 + 2b 2 x)
(kvadratikus)
Log- kvadratikus
x
y
b1
y ln b1
ln y = ln b0 + x ln b1
elaszticitsa
b1
b1
y = b0 x b1
Hatvnykitevs
A fggvny
A program kiszmtja elszr a hatvnykitevs (Cobb-Douglas) termelsi (regresszis) fggvny paramtereit a logaritmizlt fggvny alapjn, majd kzli a transzformlt b0 s ev volumenhozadk rtkeket, tovbb a becslt y vektort logaritmizlt (lny_becslt: ln y ) s termszetes formban (y_becslt: y ) Ezt
kveten kiszmtja az tlag- s a hatrmutatkat, a megfigyelseknek s a magyarzvltzknak (x1 s
x2) megfelelen a kvetkez sorrendben: tlagtermelkenysgek, technolgiai koefficiensek, technikai
felszereltsg, hatrtermelkenysgek, parcilis rugalmassgok, helyettestsi hatrarnyok, kzvetlen akcelertorok, keresztakcelertor, hozadkok. Az brk munkalapon pedig brzolja is a kiszmtott tlags hatrmutatkat. mutatkat.
A jellsek:
y/x1
y/x2
x1/y
x2/y
F=x2/x1
dy/dx1
dy/dx2
s1
s2
akc1
akc2
keresztakc
hozadkx1
hozadkx2
268
A regresszio.xls Excel parancsfjllal elszr ellenrizni kell, hogy a modell eleget tesz-e az elmleti statisztikai
feltteleknek. Regressziocipohatvanykitevos.xls parancsfjl tartalmazza a tesztels eredmnyeit. A modell eleget
tesz az elmleti feltteleknek, csak a multikollinearits zavar, viszont a b1 s b2 paramterek szignifiknsan klnbznek a nulltl. Az empirikus szignifikancia szint a p rtke: 0,0000231. A b1 s b2 paramter pozitv, teht a hatrtermelkenysg is pozitv, gy a modell a kzgazdasgi felttelnek is eleget tesz, elemzsre s elrejelzsre felhasznlhat.
204
vek (t)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Ahol:
y
1009
1099
1476
1488
1522
1568
1570
1701
1699
1667
1681
1594
1557
1560
1562
1589
1601
1588
1592
1538
1330
1208
1000
x1
1787
2178
2627
2611
2740
2723
2746
2882
2506
2792
2681
2559
2483
2403
2146
2098
2032
2010
1949
2032
1844
1651
1568
x2
1008
1111
1253
1218
1219
1208
1300
1647
1499
1741
2126
2544
2766
2654
2695
3702
4042
3930
4074
5278
4976
5314
5346
205
y/x1
y/x2
x1/y
0,564633
0,504591
0,561858
0,569897
0,555474
0,575835
0,571741
0,590215
0,677973
0,597063
0,627005
0,6229
0,627064
0,649189
0,727866
0,757388
0,787894
0,79005
0,816829
0,75689
0,721258
0,731678
0,637755
1,000992
0,989199
1,177973
1,221675
1,248564
1,298013
1,207692
1,032787
1,133422
0,957496
0,790687
0,626572
0,562907
0,587792
0,579592
0,429227
0,396091
0,404071
0,390771
0,291398
0,267283
0,227324
0,187056
1,77106
1,981802
1,77981
1,754704
1,800263
1,736607
1,749045
1,694297
1,474985
1,674865
1,594884
1,605395
1,594733
1,540385
1,37388
1,320327
1,269207
1,265743
1,224246
1,321196
1,386466
1,366722
1,568
dy/dx1
dy/dx2
s1
s2
akc1
akc2
0,588115
0,525576
0,585223
0,593597
0,578575
0,599783
0,595518
0,61476
0,706167
0,621893
0,65308
0,648804
0,653142
0,676186
0,758135
0,788885
0,82066
0,822905
0,850798
0,788366
0,751253
0,762106
0,664277
0,207296
0,204854
0,243947
0,252997
0,258566
0,268806
0,250102
0,21388
0,234721
0,198288
0,163744
0,129757
0,116573
0,121726
0,120028
0,088889
0,082027
0,083679
0,080925
0,060346
0,055352
0,047077
0,038737
2,837077
2,565614
2,398978
2,346257
2,23763
2,231282
2,381102
2,874318
3,00854
3,136307
3,988427
5,000138
5,602871
5,554978
6,316322
8,874954
10,00479
9,834033
10,51343
13,06414
13,57234
16,18861
17,14818
0,352475
0,38977
0,416844
0,426211
0,446901
0,448173
0,419974
0,347909
0,332387
0,318846
0,250725
0,199994
0,17848
0,180019
0,15832
0,112677
0,099952
0,101688
0,095116
0,076545
0,073679
0,061772
0,058315
1,37E-05
1E-05
9,26E-06
9,45E-06
8,78E-06
9,16E-06
9,02E-06
8,87E-06
1,17E-05
9,26E-06
1,01E-05
1,05E-05
1,09E-05
1,17E-05
1,47E-05
1,56E-05
1,68E-05
1,7E-05
1,82E-05
1,61E-05
1,69E-05
1,92E-05
1,76E-05
-0,000163
-0,000146
-0,000154
-0,000165
-0,000168
-0,000176
-0,000153
-0,000103
-0,000124
-9,03E-05
-6,11E-05
-4,04E-05
-3,34E-05
-3,64E-05
-3,53E-05
-1,9E-05
-1,61E-05
-1,69E-05
-1,58E-05
-9,07E-06
-8,82E-06
-7,02E-06
-5,75E-06
x2/y
0,999009
1,010919
0,848916
0,818548
0,80092
0,770408
0,828025
0,968254
0,882284
1,044391
1,264723
1,595985
1,776493
1,701282
1,725352
2,329767
2,524672
2,474811
2,559045
3,43173
3,741353
4,399007
5,346
F=x2/x1
0,564074
0,510101
0,47697
0,466488
0,444891
0,443628
0,473416
0,571478
0,598164
0,623567
0,792988
0,994138
1,113975
1,104453
1,255825
1,764538
1,989173
1,955224
2,090303
2,597441
2,698482
3,218655
3,409439
keresztakc
0,000120826
9,79674E-05
9,67232E-05
0,000100926
9,82915E-05
0,000102822
9,48662E-05
7,72987E-05
9,75588E-05
7,39737E-05
6,36155E-05
5,28149E-05
4,89007E-05
5,27625E-05
5,8257E-05
4,41304E-05
4,20462E-05
4,33628E-05
4,3248E-05
3,09328E-05
3,12655E-05
2,96998E-05
2,57324E-05
hozadkx1
1,314E-05
9,63465E-06
8,89448E-06
9,07702E-06
8,43078E-06
8,79437E-06
8,6587E-06
8,51668E-06
1,12509E-05
8,89322E-06
9,72586E-06
1,01228E-05
1,05024E-05
1,1235E-05
1,41051E-05
1,5013E-05
1,61249E-05
1,6346E-05
1,7429E-05
1,54904E-05
1,62661E-05
1,84301E-05
1,69146E-05
hozadkx2
-0,000787397
-0,000705981
-0,000745432
-0,000795302
-0,00081214
-0,000851993
-0,000736608
-0,000497211
-0,000599534
-0,000436075
-0,000294893
-0,000195289
-0,000161364
-0,000175609
-0,000170525
-9,19337E-05
-7,77002E-05
-8,15247E-05
-7,60544E-05
-4,37765E-05
-4,25907E-05
-3,39193E-05
-2,77438E-05
y = h A 2 x 2
+ (1 A 2 )x
P
1
ev
P
eu
ln y = ln h + e v [ ]ln A 2 x 2 -P + (1 A 2 )x1-P + u
p
1
p = 1
1
=
p +1
=
d(x 2 / x1 ) ds1
:
x 2 / x1
s1
270
Arrow, K. J. - Chenery, H. B. - Minhas, B. S. Solow, R. M.[ 1961]: 225-250. A szerzk vezetknevnek kezdbeti alapjn a CES - fggvnyt ACMS vagy SMAC fggvnynek is hvjk. Az lland helyettestsi rugalmassg fggvny angol rvidtse CES. (Constant Elasticity of Substitution).
271
Pintr Jzsef: [1987]: 187-206.
272
Mtys Antal [1973]: 305-310.
207
s1 =
Ahol:
dy dy
:
dx1 dx 2
Ha ismernnk az A 2 s a p rtkt, akkor egy hromvltozs lineris modellre vezetnnk vissza a CESfggvnyt s akkor a becsls megoldhat lenne. A CES-fggvny paramterei ugyanis csak a p s A 2 ismeretben becslhetk meg:
1
Legyen:
1
W = [- ]ln A 2 x 2 -P +(1-A 2 )x1-P
p
A2 s p ismeretben a kt hinyz (lnh illetve h s ev) paramter becslhet:
lny = lnh + e v W + u
A CES becslsnek hrom mdszere ismert.
1. Mdszer CES1.xls
Keress gombra kattintva az Opt W vektorban megkeresi azt a helyettests rugalmassg, illetve az ebbl
szmtott helyettestsi paramter rtket s az elosztsi paramtereket, A2 illetve az ebbl szmtott A1
rtket, amelyek esetben az illeszts a legjobb, teht a tbbszrs determincis egytthat (R2) a legnagyobb. Ha A2 s p ismert, amit az Excel parancsfjl kiszmt az elzekben lert mdon a hinyz
lnh s ev paramterek az albbi regresszis fggvnnyel becslhetk:
lny = lnh + e v W + u
Az optimlis regresszit, teht ahol az adott A 2 s p rtkek mellett az R 2 a legnagyobb, elfogadva a
CES-fggvny paramtereit a logaritmizlt egyenletbl (lnybecs) megkapjuk.
273
A munkatnyezt a nemzetkzi irodalomban ltalban L-vel, (Labor, munkaer) a holtmunka tnyezt K-val
(Capital assets, lltke) jellik. A feladatot regresszis modellknt rtelmezzk, ezrt a megfigyelt magyarzvltozkat xi-vel jelljk, az lmunka indexe 1, a holtmunk 2.
208
ln h
h = e transzformcival az eredeti fggvny (ybecs) felrhat, mert p, A 2 s e v paramterek ismertek.
Az bra munkalapon az eredeti s a becslt (CES) adatok brjt is meg lehet tekinteni.
A feldolgozhat legnagyobb adatllomny esetben a megfigyelsek szma 500.
2 Mdszer CES2.xls
A CES fggvny kidolgozi, abbl indultak ki, hogy a munka tlagos termelkenysge s a munkabr
kztti empirikus sszefggs magban foglal egy hatvnykitevs regresszis fggvnyt. Az albbi szszefggsbl kiindulva, mindkt oldalt logaritmizlva, a munkabr (v) kitevjt c-vel jellve, a kvetkez segd fggvnyhez jutottak.
y
x1
ln
= b1v c eu
y
x1
= ln b1 + c ln v + u
Ahol:
v = az egysgnyi munkaer-tnyez ra (pl. az sszes munkabr [vagy brkltsg, vagy relbr stb.]
osztva a figyelembe vett munkatnyez [x1] mennyisgvel)
A fenti sszefggsekben a b1 s c paramterek, a legkisebb ngyzetek mdszervel, az ln[y/x1] s lnv
idsorbl meghatrozhatk. Bizonytottk, hogy c lland volumenhozadk (ev) esetn a helyettestsi
rugalmassggal egyenl. A fenti sszefggsekben lthat, hogy a munkabr kitevje (c) azt fejezi ki,
hogy a munkabr (v) 1 szzalkos nvekedsvel a termelkenysg c %-kal vltozik. A c= sszefggst
felhasznlva a helyettestsi paramter (p) is meghatrozhat. Az egyenlet becslst gy vgezhetjk el,
hogy az A2 rtkt vltoztatjuk, s azt a vltozatot fogadjuk el, ahol az R2 a legnagyobb s a regresszis
modell, az elmleti feltteleknek eleget tesz. A p teht ismert, gy az A 2 rtkt kell vltoztatni a 0 s 1
intervallumban, s mindegyik A2 rtk esetben meg kell hatrozni a tbbszrs determincis egytthat (R2) rtkt, felhasznlva az albbi, korbban mr megismert determincis egytthat (R2) rtkt,
felhasznlva az albbi, korbban mr megismert sszefggseket. Amelyik A2 rtknl a legnagyobb a
tbbszrs determincis egytthat rtke (R2), azt a fggvnyt fogadjuk el. A szmts teht hasonlt az
1. mdszerhez, a klnbsg az, hogy csak az A 2 rtkt vltoztatjuk, a p viszont mr ismert. Az adatllomny viszont bonyolultabb, szksg van a munkaer rra is, hogy a p rtkt megbecsljk.
y = h A 2 x 2 -P + (1- A 2 )x1-P
ev
P
eu
A program kzli az A2 optimlis rtkt is, (ahol az R2 a legnagyobb) s ezt *-gal jelli, CES fggvny
logaritmizlt (lny_becs*) s transzformlt, eredeti (y_becs*) rtkeit, az eredeti adatok s a CESfggvny alapjn szmtott REZIDUUM NGYZET* rtkeket. A K oszlopban a CES paramtereket *
megjellssel msodikknt sorolja fel.
A feldolgozhat legnagyobb adatllomny esetben a megfigyelsek szma 500, ezrt a szmtott paramterek egy rsze az 501. sorban tallhat.
Az bra munkalapon az eredeti, s a becslt (CES) adatok brjt is meg lehet tekinteni.
3 Mdszer CES3.xls
A mdszer alkalmazshoz szksg van a munkaer (v) s az lleszkz (r) rra is. Felttelezzk, hogy
a CES fggvny folytonos s ltezik az elsrend s msodrend parcilis derivltja. Az elsrend parcilis derivlt [a hatrtermelkenysg] pozitv, ami azt jelenti, hogy a megfelel termelsi tnyez nvelsvel a termels is n. Ez a felttel a termelsi fggvny nvekv jellegre utal. A parcilis derivltakat
meghatrozva, bizonythat, hogy a CES termelsi fggvnynl, az lmunka s a holtmunka hatrtermelkenysgnek hnyadosa, a helyettestsi hatrarny s1:
p +1
1 A2 x 2
v
= s1 =
r
A 2 x1
A helyettestsi hatrarny nyeresg maximum esetn a tnyezvltozk rnak arnyval v/r egyenl.
Ahol a mg nem ismert jells:
r = az egysgnyi lleszkz-tnyez ra, ami pl. az lleszkz llomny megtrlsi rtja, annak a kamatlbnak a meghatrozsra szolgl, amely egyszeri megtrlst biztost az lettartamon bell, ez a bels kamatlb. A bels kamatlb megmutatja, hogy mekkora az a kalkulatv kamatlb, amely mellett a beruhzs egyszeri s a mkds folyamatos kltsgei a bevtelekbl ppen egyszer trlnek meg az lettartam alatt. Helyettesthetjk a bels kamatlbat az eszkzhatkonysg vagy a kibocsts (termels) nvekedsi temvel, vagy az lleszkzk nett rtkre jut amortizcival, vagy az lleszkzk nett
rtkre jut amortizcinak az egyb tiszta jvedelmi elemekkel nvelt tmegvel.
E felttelek mellett a CES termelsi fggvnyre a kvetkez segd fggvnyt rhatjuk fel. A fenti egyenletet logaritmizlva:
x
v
1 A2
ln = ln
+ ( p + 1) ln 2
r
A2
x1
az A2 s a p meghatrozhat.
Legyen:
1 A2
A2
e1 = p + 1
e0 = ln
Ekkor:
1
1 + e e0
p = e1 1
A2 =
1
W = [ ]ln A 2 x 2 -P + (1-A 2 )x1-P
p
lny = lnh + e v W + u
210
ev
P
SSE
R2 = 1 t
= 1
2
SST
( yt yt )
t
mdon szmt, ahol SSE (Sum of Squared Errors) a reziduumok ngyzetsszege; SST (Sum of Squares
Total) a teljes eltrs ngyzetsszeg.
K
,
1 + be-cx
ahol:
K a teltettsgi szint, ha K > 0 ;
b a helyzetparamter, ha b > 0 ;
y =
K
2
K
1+ b
tw =
K
1 + be-cx
lnb
c
(K A)
(1 + ve
c( x m )
1/ v
Ahol
x magyarz vltoz
rezidulis vltoz
v szablyozza az inflexis pontban felvett fggvnyrtket, v > 0 ;
c nvekedsi sebessget jellemz paramter, c>0;
m az inflexis pont, m>0.
y
K
y = A +
( K A)
ytw = A +
(1 + v )1/ v
y 0 = A +
(K A)
(1 + ve
c( x m )
1/ v
( K A)
(1 + ve )
cm
1/ v
tw = m
212
A homoszkedaszticits tesztelst a Glejser-prba alkalmazsval vgzi el a program, a korbban bemutatott mdon. A p-rtk zld rtke jelzi, hogy homoszkedasztikus a modell, a piros szm pedig a
heteroszkedaszticits jelenltre utal.
B ismrv vltozatai
vltozatai:
fab
B1
A1
A2
B0
f11
f1b
f1o
S1
f 21
f 2b
f 2o
S2
f ao
Sa
Aa
sszesen
Bb
f a1
f ab
As
f s1
f sb
fso
Ss
sszesen
O1
Ob
Oo
Ahol:
n az sszes elemszm,
f ab az A ismrv a-dik s a B ismrv b-edik vltozathoz rendelt gyakorisga,
Sa az a-dik sor (az A ismrv els vltozathoz tartoz) gyakorisgnak sszege,
O b az b-dik oszlop (a B ismrv els vltozathoz tartoz) gyakorisgnak sszege.
Belthat az albbi sszefggs:
274
213
f
a =1 b =1
ab
= S1 + S2 + + Ss = O1 + O 2 + + Oo = n
A sorok s oszlopok sszegeit peremgyakorisgoknak is hvjk. A tbla belsejben a ktszeres csoportosts eredmnyeknt keletkezett gyakorisgok, a tbla szlein kln-kln, az egyik, illetve a msik ismrv szerinti csoportostssal nyert gyakorisgok tallhatk, mg a tbla utols rovatban a gyakorisgok
sszege szerepel, mely a sokasg elemszmt mutatja.
Az adatokat az fab srga mezbe lehet berni, a maximlis mret s=15 s o=15, teht 15x15 mtrix, amelyik lehet nem szimmetrikus is. Az sszesen rtkeket (Sa s Ob s n) a program kiszmtja.
A kvetkez kt tbla amit a program kiszmt, a fggetlensg esetre felttelezett gyakorisgok ( f ab )
tblja, majd a 2 -rtkek szmtsi tblja. Ehhez a kvetkez lpsekben jutunk el.
A fenti kontingencia tbla belsejben lv gyakorisgok elhelyezkedse mr szolgltat bizonyos informcikat a sztochasztikus kapcsolat megltrl. Megllapthat ugyanis, hogy a kt ismrv mely vltozatai
jrnak gyakrabban egytt (vonzzk egymst), s melyek fordulnak el ritkbban (tasztjk egymst).
Ugyanez mg jobban ltszik, ha a 4.4 tbla gyakorisgaibl megoszlsi viszonyszmokat szmtunk.
B ismrv vltozatai
vltozatai
B1
Bb
B0
A1
p11
p1b
p1o
S1 / n
A2
p21
p2 b
p2 o
S2 / n
pao
Sa / n
Aa
pa 1
pab
As
szszesen
szszesen
ps 1
psb
pso
Ss / n
O1 / n
Ob / n
Oo / n
pab =
o
pab = Ob / n
b =1
s
p
a =1 b =1
ab
f ab
n
s
p
a =1
a =1
b =1
ab
= Sa / n
= Sa / n = O b / n = 1
Egy ktdimenzis kombincis tbla (4.4 tbla) gyakorisgaibl msmilyen, n. feltteles megoszlsi viszonyszmokat is szmolhatunk.
214
B ismrv vltozatai
vltozatai
B1
Bb
B0
A1
f 11 / O1
f 1b / Ob
f 1o / Oo
S1 / n
A2
f 21 / O1
f 2b / Ob
f 2 o / Oo
S2 / n
f ao / Oo
Sa / n
f so / Oo
Ss / n
Aa
f a 1 / O1
f ab / Ob
As
szszesen
f s 1 / O1
1
szszesen
f sb / Ob
1
B ismrv vltozatai
vltozatai
B1
Bb
B0
A1
f 11 / S1
f 1b / S1
f 1o / S1
A2
f 21 / S 2
f 2b / S2
f 2o / S2
f ao / Sa
Aa
f a 1 / Sa
f ab / Sa
As
szszesen
szszesen
f s 1 / Ss
f sb / Ss
f so / Ss
O1 / n
Ob / n
Oo / n
szesen sorban szerepl) megoszlstl, akkor megllapthat a sztochasztikus kapcsolat meglte. Ha a tbla minden sorban (s gy az sszesen sorban is) ugyanolyan lenne a megoszls, az a kt ismrv fggetlensgt jelezn. Ha a tblnak csak egyik tljban tallnnk nulltl klnbz gyakorisgot, s gy
minden sorban csak egy, 1 rtk, illetve 100% -os megoszlsi viszonyszmot, akkor a kt ismrv fggvnyszer kapcsolatban lenne. Termszetesen ez csak olyan tblval reprezentlt sszefggsek esetn
lehetsges, amikor a kt ismrv vltozatainak a szma megegyezik, azaz kvadratikus a tbla (pldul 22es, 33-as).
Termszetesen az elsknt bemutatott 4.4 tbla tbla logikjnak megfelelve is elemezhetjk a sztochasztikus kapcsolat megltt. A megoszlsi viszonyszmok segtsgvel tulajdonkppen az albbi azonossgokat vizsgljuk:
f ab Sa
=
Ob n
illetve
f ab O b
=
Sa
n
Amennyiben a fenti sszefggsek teljeslnek, a kt ismrv fggetlennek tekinthet. Ezzel eljutottunk tulajdonkppen az asszocicis kapcsolat mrsnek alapgondolathoz. A valsznsg-elmletbl ismeretes az a megfogalmazs, amely szerint a fggetlensg felttele, hogy a feltteles valsznsg legyen
egyenl a felttel nlkli valsznsggel. Mindezt reprezentljk a fenti azonossgok. Az ismrvek fggetlensgt megkzelthetjk abbl a kzismert valsznsgelmleti sszefggsbl is, amely szerint kt
esemny fggetlen, ha egyttes bekvetkezsi valsznsgk megegyezik a kt esemny valsznsgnek szorzatval:
P ( A B) = P ( A ) P ( B)
Mindez empirikus statisztikai jellsekkel is lerhat:
f ab O b Sa
=
n
n n
A tovbbiakban azt a gyakorisgot keressk, amely a fenti feltteleknek megfelel. Jelljk f ab* -gal a fggetlensg esetn felttelezett gyakorisgot. A fenti sszefggsbl kiindulva az ismrvek fggetlensgnek esetre felttelezett gyakorisgokat szmthatjuk ki az albbi mdon:
O S
OS
f ab* = n b a = n Pb(o) Pa(s) = b a
n n
n
ahol:
Ob
Sa
= Pb(o) s
= Pa(s)
n
n
a kt ismrv szerint kln-kln szmtott (a tbla peremn szerepl) megoszlsi viszonyszmok.
A felttelezett gyakorisgok szmtsa teht azt jelenti, hogy a sokasgot a peremeloszlsok alapjn osztjuk szt. Ha a tblt a felttelezett gyakorisgokkal tltjk ki, minden sor megoszlsa ugyanolyan lesz,
ami megfelel a kt ismrv fggetlensgnek. A sztochasztikus kapcsolat ltezst jelzi teht az, ha a tnylegesen megfigyelt s a fggetlensg esetre felttelezett gyakorisgok nem egyeznek meg. sszehasonltsukat a ngyzetes kontingencia mutatjval az n. 2 -rtkkel vgezhetjk el.
Kplete:
s
2 =
a =1 b =1
(f
ab
f ab* )
f ab*
2
n min [s 1, o 1]
216
A min jelli, hogy az s s o kzl a kisebbiket kell vlasztanunk, pl. s=3, o=2, akkor min=2.
A Cramer-egytthat rtke 0, ha a kt ismrv fggetlen egymstl, s 1 rtket vesz fel, ha fggvnyszer a kapcsolat. Az egytthat 0 s 1 kztti rtkeit hagyomnyosan hrom rszre osztjuk: gyenge, kzepes s szoros kapcsolatot mutat tartomnyra. (ltalban a 0,3 s 0,7 kztti rtket tekintjk kzepes rtknek, m meg kell jegyeznnk, hogy a feloszts inkbb csak tjkoztat jelleg, a mrszm megtlse
fgg pl. a sokasg nagysgtl, vagy a tbla mrettl is.) Az egytthat eljele (hiszen gykvonssal keletkezett) mindig pozitv, trgyi rtelme nincs.
A msik hasonl asszocicis mutatszm a Csuprovegytthat:
Csuprov-egytthat=
2
n
( s 1)( o 1)
s-1
0 Csuprov-egytthat
o 1
ahol : s o.
A Csuprovegytthat rtke az ismrvek fggetlensge esetn nulla lesz. Maximlis rtke egy, amit csak akkor
vehet fel, ha az ismrvek vltozatainak a szma azonos, teht s=o. Ebben az esetben minden oszlopban s minden
sorban csak egy helyen tallunk gyakorisgot (fab). A mrszm rtke minl kzelebb van a maximlis rtkhez,
annl ersebb, intenzvebb az asszocici.
Ha az ismrvek vltozatainak a szma klnbz, a Csuprovegytthat csak akkor veszi fel a maximlis rtket ha
vagy minden sorban, vagy minden oszlopban csak egy helyen tallunk gyakorisgot. A Csuprovegytthat ebben
az esetben:
1/ 4
s-1
o 1
ahol : s o
vagy:
1/ 4
o-1
ahol o s :
s 1
A Cramer-fle asszocicis egytthatt inkbb akkor hasznljuk, amikor az asszocicis sszefggsek
trbeni vagy idbeni sszehasonltsnl valamelyik ismrv vltozatainak szmban eltrs mutatkozik.
A Cramer-fle asszocicis egytthat tulajdonkppen a Csuprovegytthatt annak maximlis rtkhez viszonytja, vagyis a Csup rov Cramer . Ha az ismrvek vltozatainak a szma azonos, teht s=o, akkor a Cramers a Csuprov- egytthat rtke azonos lesz.
Cramer - egytthat =
Csuprov - egytthat
1/ 4
s-1
o 1
Vagy:
Cramer - egytthat =
Csuprov - egytthat
1/ 4
o-1
s 1
Tovbb:
1/ 4
s-1
Cramer - egytthat *
o 1
= Csuprov - egytthat
Vagy:
1/ 4
o-1
Cramer - egytthat *
s 1
A fggetlensg-vizsglat mdszere
= Csuprov - egytthat
217
A kapcsolat szignifikns voltra vonatkoz feltevsnket a fggetlensg-vizsglat mdszervel vlaszolhatjuk meg. A teszteljrs a ngyzetes kontingencia 2 mutatjra pl. A vizsglat sorn alkalmazott hipotzis-rendszer:
H 0 : 2 = 0
H1: 2 > 0
Teht a nullhipotzis szerint az ismrvek fggetlenek, mg az alternatv hipotzis elfogadsa a sztochasztikus kapcsolat szignifikns voltt jelenti.
A nullhipotzis teljeslse esetn a ngyzetes kontingencia 2-eloszlst kvet, (s-1)(o-1) szabadsgfokkal.
Vagyis:
2
empirikus
(f
a =1 b =1
ab
f ab* )
f ab*
2
kritikus
kritikus rtket,
A Yule-mutat.
Az els ksrletek az asszocicis kapcsolat szorossgnak meghatrozsra abbl az egyszerstsbl indultak ki, hogy a vizsgland mindkt ismrv alternatv, azaz csak kt ismrvvltozattal rendelkezik. A
vltozk minden esetben alternatvv transzformlhatk az ltalunk legfontosabbnak tartott ismrvvltozat
kivlasztsval s a tbbi vltozat sszevonsval; m ez lnyeges informcik elvesztshez vezet. (Plda
lehet erre a tantrgyak minstse: az t fokozat skla (jeles, j, kzepes, elgsges, elgtelen - alternatvv alakthat - megfelelt, nem felelt meg.)
Alternatv ismrveket tartalmaz kombincis tbla smja
A/B
A1
A2
B1
f11
f21
O.1
B2
f12
f22
O.2
S1.
S2.
n
A ktllapot (binris) vltozk kztti kapcsolat elemzse sorn hasznlhat els mutatszm kidolgozsa G. U. Yule nevhez fzdik. Mivel fggetlensg esetn:
Ha nincs kapcsolat, akkor
f11
f
= 21 ,
f12
f 22
azaz
f11f22 f12f21 = 0,
ha van kapcsolat, akkor
f11f22 f12f21 0
218
f11 f 22 f12 f 21
f11 f 22 + f12 f 21
Y rtke minl kzelebb van a 0-hoz, a kapcsolat annl lazbb, gyengbb s minl kzelebb van az 1-hez,
annl szorosabb, ersebb. Ha a kapcsolat olyan, hogy az A1 tulajdonsggal inkbb B1 tulajdonsg s az A2vel inkbb B2 jr egytt, az Y rtke "+" lesz, ellenkez esetben "" lesz. A Yule-fle asszocicis egytthat eljelre nem fordtunk kln figyelmet, ugyanis eljele attl fgg, hogy a a vizsglt ismrvek vltozatait milyen sorrendben rtuk fel, azaz melyik lesz az A- illetve B- vltozat, ezrt abszolt rtknek
nagysga a kapcsolat ersgt jellemzi.
A bemutat plda:
A szakmunkskpzt s szakiskolt, illetve kzpiskolt vgzett magyarorszgi foglalkoztatottak megoszlsa nemek szerint:
4-7. tbla: A foglalkoztatottak megoszlsa iskolatpus s nemek szerint (ezer f)
Yule - mutat =
Nem
fab
Szakmunkskpz s szakiskola
Kzpiskola
sszesen
Frfi
876
561
1 437
362
704
1 066
sszesen
1 238
1 265
2 503
A tbla adatai alapjn lthat, hogy az iskolatpus s a nemhez val tartozs kztt van sszefggs,
mivel a frfi nemhez val tartozs s a szakmunkskpz s szakiskola ismrvvltozat, illetve a ni
nemhez val tartozs s a kzpiskola ismrvvltozat jrnak gyakrabban egytt. Ha kiszmtjuk a
nemhez val tartozs (az ok) szerinti csoportokon bell az iskolatpus (az okozat) szerinti megoszlst, akkor a kvetkez tblban szerepl megoszlsi viszonyszmok megerstik az elz megllaptst.
Szakmunkskpz s szakiskola
Kzpiskola
sszesen
Frfi
61,0
39,0
100,0
34,0
66,0
100,0
sszesen
49,5
50,5
100,0
A frfiak s nk csoportjban az iskolatpus szerinti megoszlsi viszonyszmok jelentsen klnbznek egymstl s az sszes foglalkoztatottra jellemz megoszlsi viszonyszmtl. Mg a frfiak
39%-a vgzett kzpiskolt, a nknl ez az arny 66%, az sszes foglalkoztatottnl pedig, az elbbiek valamilyen kztes rtke, 50,5%. A kapcsolat szorossgnak mrsre a Cramer-egytthatt
hasznljuk, ezrt a kvetkez tblban az ismrvek fggetlensge esetre felttelezett gyakorisgokat szmtjuk ki.
Szakmunkskpz s szakiskola
Nem
Kzpiskola
sszesen
Frfi
711
726
1 437
527
539
1 066
sszesen
1 238
1 265
2 503
Pldaknt a szakmunkskpzt s szakiskolt vgzett frfiak felttelezett gyakorisga illetve a kzpiskolt vgzett nk felttelezett gyakorisga:
f11* = n
O1 S1
1238 1437
= 2503
= 711
n n
2503 2503
f12* = n
O 2 S1
1265 1437
= 2503
= 726
n n
2503 2503
f 21* = n
O1 S2
1238 1066
= 2503
= 527
n n
2503 2503
f 22* = n
O 2 S2
1265 1066
= 2503
= 539
n n
2503 2503
(f
*
ab
) (f
f ab* )
Megnevezs
f ab
Frfi-szakm.isk.
876
711
165
38,42
Frfi-kzpisk.
561
726
-165
37,6
N-szakm.isk.
362
527
-165
51,79
N-kzpisk.
704
539
165
50,69
sszesen
2 503
2503
178,5
ab
ab
f ab*
C=
2
=
n min [s 1, o 1]
178,5
= 0, 267 0,3
2503 ( 2 1)
ahol: s = o = 2
A szakmunkskpzt s szakiskolt, illetve kzpiskolt vgzett magyarorszgi foglalkoztatottak nemhez val tartozsa s a vgzettsgnek megfelel iskola tpusa kztt kzepesnl gyengbb sztochasztikus kapcsolatot szmszerstettnk.
A Csuprov-egytthat rtke ebben az esetben megegyezik a Cramer-egytthat rtkvel, mivel s=o=2:
220
Csuprov-egytthat=
2
n
( s 1)( o 1)
178,5
2503
( 2 1)( 2 1)
= 0, 267 0,3
A fggetlensg vizsglata:
s
2
empiriku
=
s
(f
ab
f ab*
a =1 b =1
( 2 1)( 2 1)
f ab* )
0,05 = 3,841
= 178, 5
A szmtott empirikus 2 rtk (178,5) nagyobb mint a 2 eloszls kritikus rtke (3,841) az 1
szabadsgfoknl s 5 %-os szignifikancia szinten, gy 5 %-os szignifikancia szinten a Ho hipotzist elutastjuk, az alternatv hipotzist fogasdjuk el, teht a kapcsolat szignifikns.
A p-rtk is ezt mutatja: 0.0000 275
F
A Yule-mutat.
A bemutatott pldban:
A1
A2
ssz.
Y=
Yule
B1
876
362
1 238
B2
561
704
1 265
ssz.
1 437
1 066
2 503
tk rangszma 1; a maximlis pedig n, a rangszmok pedig a termszetes szmokkal egyenlk 1-tl n-ig.
Ordinlis (sorrendi) skln sorrendisgre vonatkoz relcik alapjn rangsorba rendezzk a megfigyelt
objektumokat, egyedeket. A sorrendi skln az egyes egyedek egymstl nem felttlenl egyenl tvolsgban helyezkednek el. Ez mg nem tekinthet tiszta kvantitatv sklnak, habr hasznlja a numerikus
rtkeket, s gyakran tovbbi mveletek is vgezhetk a rangszmokkal.
Ha teljesen azonos a brlk vlemnye, gy az els egysghez 1m, a msodikhoz 2m, ...az n-ikhez nm
rangsszeg fog tartozni. Ha nem teljes az sszhang, ugyanahhoz az egysghez az egyik kisebb, msik nagyobb sorszmot rendel, gy az sszegek egyms kztt kiegyenltettebbek lesznek. Az egysgek kzti
vgs sorrend is kialakthat a rangszmsszegek segtsgvel, de ez akkor lesz megbzhat, ha nagy az
sszhang a brlk kztt (azaz m-hez kzeli a rangsszegek klnbsge).
Az egyes rangszmsszegek ( C j ) tlaguktl (C ) vett eltrs ngyzetsszege teljes sszhang esetn lesz a
legnagyobb:
m 2 (n 3 n)
12
Egymssal ellenttes sorszmozs, vagy sokfle sorszmozs esetn elfordulhat a sorsszegek kiegyenltdse, gy az tlagtl val eltrs 0 is lehet. Ebben az esetben a teljes egyet nem rts esete fordul el276.
C max =
275
221
Az egyetrtsi - mutat:
A dntst hozk vlemnyegyezst a W-mutatval jellemezhetjk.
0 W 1
12 (C j C )
m
W=
C
= j =21 3
Cmax
m n n
Az egyetrtsi mutat rtke teljes egyetrts esetn 1, teljes egyet nem rts esetn pedig nulla.
A rszleges egyetrts esetben a mutat nulla s egy kztt vesz fel rtkeket s minl kzelebb
van az egyhez, annl nagyobb az egyetrts a brlk kztt.
A Kendall-fle rangkonkordancia-mutat (W) szignifikanciavizsglata 277
F
A W szignifikancia vizsglata sorn a W=0 nullhipotzist vizsgljuk, vagyis azt, hogy nincs korrelci a
vizsglt rangsorok kztt. Az alternatv hipotzis esetn nem a vletlennek tekintjk a W adott s nullnl
nagyobb rtkt, hanem az egyetrtsnek.
A teszteljrs a W-mutat ngyzetes khi-ngyzet mutatjra (2) pl. A vizsglat sorn alkalmazott hipotzis-rendszer:
H 0 : 2 = 0
H1: 2 > 0
2
kritikus
ahol a szabadsgfok: (n-1) vagy meghatrozzuk a p-rtket, az empirikus szignifikancia rtket.
( n 1)
2
kritikus
( n 1)
2
kritikus
276
Kerkgyrt Gyrgyn Mundrucz Gyrgy [1995]: Statisztikai mdszerek a gazdasgi elemzsben. 2. tdolgozott kiads. Aula Kiad. Budapest. 65-67.
277
Kindler Jzsef-Papp Ott [1977]: Komplex rendszerek vizsglata. sszemrsi mdszerek. Mszaki Knyvkiad. 180-181.
222
Fggelk
F.1 Internetes ingyenes szoftverek s adatbzisok
Az Excel parancsfjlok s a kziknyv letlthet:
http://www.gmi.ktk.pte.hu/index.php?mid=33#SiposB
Ingyenes matematikai s statisztikai szoftverek.
http://www.statisticalconsultants.co.nz/links.html
http://www.statisticalconsultants.co.nz/statssoftware.html
Microsoft Mathematics 4.0
http://www.microsoft.com/downloads/en/details.aspx?FamilyID=9caca722-5235-401c-8d3f9e242b794c3a
Gnu Regression, Econometrics and Time-series Library:
http://gretl.sourceforge.net
Ycas:
http://yacas.sourceforge.net/homepage.html
Maxima:
http://maxima.sourceforge.net/
http://maxima.sourceforge.net/download.html
JMulti ingyenes sztochasztikus idsorkutatsi mdszereket (ARCH, ARIMA, VAR, VECM) becsl
szoftver:
http://www.jmulti.de/
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/
The R code is based on :
Borghers, E, and P. Wessa, Statistics - Econometrics - Forecasting, Office for Research Development and
Education, http://www.xycoon.com/
Lers:
http://www.stat.pitt.edu/stoffer/tsa2/R_time_series_quick_fix.htm
(Partial) Autocorrelation Function - Free Statistics Software (Calculator):
http://www.wessa.net/rwasp_autocorrelation.wasp#output
ARIMA Backward Selection - Free Statistics Software (Calculator)
http://www.wessa.net/rwasp_arimabackwardselection.wasp#output
ARIMA elrejelzs, az interneten, R code:
http://www.wessa.net/rwasp_arimaforecasting.wasp
Magyar adatbzisok.
A Statisztikai Szemlben megjelent tanulmnyok 1923-tl letlthetk:
http://www.ksh.hu/statszemle_archive/
Adatok keresse az interneten:
Nv filetype:xls (vagy doc, ppt, pdf stb.)
Plda: gold production statistics filetype:xls
A ROPStat prbaverzija letlthet: http://www.ropstat.com/
A statisztikai tevkenysg sszefogst s irnytst a legtbb modern llamban egy kln e clra szervezett hivatal ltja el. Ez Magyarorszgon az 1867 ta mkd Statisztikai Hivatal.
A fontosabb KSH adatok letlthetk a Kzponti Statisztikai Hivatalnak honlapjrl:
http://portal.ksh.hu/
Startlap: http://statisztika.lap.hu/
ECOSTAT Kormnyzati Gazdasg- s Trsadalom-stratgiai Kutat Intzet adat szolgl -tatsa:
http://www.ecostat.hu/
Magyar Nemzeti Bank (MNB):
http://www.mnb.hu/
223
- Statisztika:
BUX (A BUDAPESTI RTKTZSDE HIVATALOS INDEXE) (1991. janur 2.=1000)
Magyar tzsdeindexek, Bux s ms indexek:
http://www.mnb.hu/Statisztika/statisztikai-adatok-informaciok/adatok-idosorok
XII rtkpapirok-BUX
A jegybanki alapkamat s a monetris politikai eszkzkhz kapcsold kamatlbak idsora (2002. janur 1-jtl, szzalkpontban)
- Statisztika-statisztikai adatok-idsorok
Fogyaszti rindex
Klkereskedelem
Hztartsoknak nyjtott fogyasztsi hitelek
A lakscl hitelek llomnya szektor, lejrat s deviza szerinti bontsban
http://www.bet.hu/
Magyar tzsdeindexek, Bux s ms indexek:
Kereskedsi adatok-statisztikk
Historikus adatok letltse indexek historikus rtkei (visszafel lehet menni az idben, a napra r kel
klikkelni.) stb.
MTA KTI (MTA Kzgazdasgtudomnyi Intzet) adatbankja:
http://adatbank.mtakti.hu
Gazdasgi versenyhivatal:
http://www.gvh.hu:80/gvh/alpha?do=2&st=1&pg=54&m5_doc=5635&m251_act=4
Hazai szakirodalom, keressi lehetsg, ltalban pdf fjlban letlthet
http://www.matarka.hu/
Nemzetkzi adatbzisok.
Nominlis s rel GDP, GDP/f, npessgi, fogyaszti rindex, $rfolyama adatok 1969-2010 tnyadatok, 20112030-ig prognzis. Folyamatosan frisstik. 228- 230 orszg illetve rgi.
http://www.ers.usda.gov/Data/Macroeconomics/
age and sex) s az sszes vet (All years), utna kvetkezik, krdv elkldse (go) s megkapjuk szvegfjlban az adatokat ltalban 1990-tl 2050-ig venknti bontsban korfa s nemek szerint, korfnknt
sszestve s venknt sszestve is. (Egyes esetekben 1990 eltti adatokat is letlthetnk, pl. az USA-nl
1950-tl, Brazlinl 1970-tl, Pakisztnnl 1981-tl, Afganisztnnl 1979-tl, Nigritl 1953-tl tallhatk meg pldul az adatok.) A vilg sszesen adatai az albbi mdn rhetk el: World population World population by age and sex-select year (a lehetsgek: 1996-2050) - submit query. Ahhoz, hogy az
USA eredet DOS-os adatfjlokat (a szmoknl minden ezer utn vessz van) az Excel kezelni tudja a
kvetkez lpseket kell megtenni. Mentsk le a fjlt txt szvegfjlknt, gy, hogy jelljk ki az sszes
adatot (CTRL A) s utna: Szerkeszts - Az sszes kijellse - Msol) s msoljuk be a jegyzettmbbe
(notepad-ba) mentsk le text fjknt, a kiterjeszts txt. A Vezrlpult-Dtum-id-nyelvi s terleti belltsok-on bell a szmok, dtumok s az id formtumnak mdostsnl a magyart vltoztassuk angolra
(egyeslt llamokbelire). Ezt kveten a lementett fjlt nyissuk meg az Excelben: az Excel felismeri a
Fjl tpust: Fix szles s a Fjl eredett: Kzp-eurpai (DOS), vlasszuk a Tovbb-t s ahol szksges a
Trsvonal thelyezsvel jelljk ki a szmoszlopokat, ellenrizzk a legrdl sv oldalirny s lefel
val mozgatsval azt, hogy a szmoszlopok kijellse pontos volt-e, ha szksges mosstsunk, majd
tovbb. Az oszlop adattpusnl a korfa beosztsnl vlasszuk a szveget, a tbbinl maradjon az ltalnos adattpus s vlasszuk a befejezst. Ezt kveten a regionlis belltst (angol) vltoztassuk vissza
magyarra. Az adatllomnnyal most mr lehet Excelben dolgozni, le lehet menteni a Microsoft Office
Excel munkafzet formtumban. Angol windows esetn a lpsek: A Control Panelben a nyelv s regionlis (Regional and Language Options) belltsokat Hungary-rl vltoztassuk meg English (United
States) - re, majd, az excel fjl megnyitsa utn lltsuk vissza Hungary-ra.
2009 10 24 utn az adatszolgltats egyszerbb vlt: Country ki kell vlasztani az orszgot, Ctrl lenyomsval az sszes v kivlaszthat, utna Population Pyramids-t vlasztva, mindegyik orszgra elkszti
a korft s az utols korfa utn az adatok letlthetk Excel/CSV formtumban.
A korfk elmleti krdsei:
http://termtud.akg.hu/okt/10/2/103.htm
A vilg orszgainak klnbz statisztikai adatai:
http://www.nationmaster.com/graph/peo_pop-people-population
Napi s az idei v statisztikinak alakulsa pl.: npessgi adatok folyamatosan: szlets, hallozs, npessg abszolt nvekedse, megtermelt s elfogyasztott energia mennyisg vltozsa folyamatosan, a jelenlegi v adatai: kltsg adatok: oktatsi s fegyverkezsi- kiadsok milli dollrban, termelsi adatok:
aut- s kerkpr- termelse darabban, eladott szmtgpek darabszma, megsznt erdterlet nagysga
hektrban, egszsggyi statisztikk, stb. nyomon kvetse:
http://www.worldometers.info/
http://www.peterrussell.com/Odds/WorldClock.php
Regionlis adatok (Regional and Country Links:):
http://www.internetworldstats.com/
Az USA kormnynak hivatalos energiastatisztika szolgltat honlapja: Energy Information
Administration (EIA) a vilg orszgainak energiagazdlkodssal kapcsolatos adatai, idsorok, stb.:
http://www.eia.doe.gov/
USA hossz idsorok: (Excel fjlok letltsekor a regionlis belltst meg kell vltoztatni: angol USA
utna, ha megnyitottuk az Excel fjlt visszalltani Magyarra):
http://stats.bls.gov/data/home.htm
http://minerals.usgs.gov/minerals/pubs/
http://www.measuringworth.com/
http://www.economagic.com/
USA konjunktra ciklusok 1853-tl
http://www.nber.org/cycles/cyclesmain.html
Economic Report of the President. 278 Az amerikai elnk rszre ksztett gazdasgi jelents, vente kszl el, 1959-tl tallhatk meg az idsorok. A gazdasgi jelentsek (az Excel fjlok s szveges jelentsek pdf formtumban) megtallhatk 1997-tl 2008-ig vente, a gazdasg minden terletrl:
http://www.gpoaccess.gov/eop/download.html
F
278
The Economic Report of the President is an annual report written by the Chairman of the Council of Economic
Advisers.
225
Egysgmtrix (E): egy ngyzetes mtrix egysgmtrix ha a ftljban csak 1, ms helyeken a 0 szm
tallhat.
A kvadratikus mtrix rangjt definilhatjuk gy, mint az X mtrix linerisan fggetlen oszlopainak maximlis szmt. Igazolhat, hogy ez egy jl definilt termszetes szm s megegyezik a mtrix linerisan
fggetlen sorainak maximlis szmval (a sorrang teht egyenl az oszlopranggal). A lineris algebrban
vektorok egy halmazt linerisan fggetlennek nevezzk, ha egyikk sem fejezhet ki a tbbi vektor
lineris kombincijaknt. Ellenkez esetben linerisan sszefgg vektorokrl beszlnk. Ha egy kvadratikus mtrix rendje s rangja azonos, a mtrix nem szingulris, ebben az esetben van inverze. Ha egy
kvadratikus mtrix rangja kisebb a rendjnl a mtrix szingulris, s nincs inverze.
A kvadratikus mtrixokhoz egy olyan skalrt (szmot) rendelnk, amelynek az rtke fgg a mtrix elemeinek nagysgtl. Ezt a skalrt az adott mtrix determinnsnak nevezzk s az X mtrix esetben a
|X| szimblummal jelljk. Ha egy kvadratikus mtrix oszlopai (sorai) linerisan fggetlenek, a mtrix
nem szingulris (rang=rend) s ebben az esetben a mtrix determinnsa klnbzik nulltl. Ha egy
kvadratikus mtrix oszlopai (sorai) linerisan nem fggetlenek, a mtrix szingulris (rang <rend), akkor
a mtrix determinnsa nulla.
A program kzli a mtrix sajtrtkeit (a sajtrtkek szorzata a determinnssal egyenl) s a sajt vektorokat.
Az ltalnos sajtrtk problma:
Legyen az A s B kt kvadratikus (n,n) tpus mtrix. A feladat, a szmok s az x 0 hozztartoz
vektorok meghatrozsa.
Ax = Bx
Fejezi ki, az ltalnos sajtrtk problmt. A szmot sajtrtknek, az x vektort sajt vektornak nevezzk.
A B=E specilis eset, ahol E egy n-ed rend egysgmtrix, azaz:
Ax = x
(A E)x = 0
Legyen A=XX
Az albbi sajtrtk feladat Excelben megoldhat:
(X 'X)x = x
[(X 'X) E]x = 0
A magyarz vltozk korrelcis mtrixnak a determinnsa egyenl a sajtrtkek szorzatval.
R k = 1 2 .... k
Az Xmtrix munkalapon a mtrix 2000x15 (n=2000, x=15) tpus lehet. Az adatok trlse utn bemsolhat az X mtrix. Az Xmtrix standardizls munkalapon a kvetkez transzformcit vgzi el a
program:
A magyarz vltozkat (i=1,22000: j=1,215) standardizljuk az albbi mdn:
x ji x j
x ji =
j n
Az Xmtrix mveletek munkalapon kzljk az XX mtrixot s annak inverzt (XX)-1. Az XX mtrix
a tnyezvltozk korrelcis mtrixt adja. Az inverz mtrix diagonlis elemei pedig a VIFj mutatkat
adjk.
Ebben az esetben:
XX = R
A standardizlt magyarzvltozk esetn (XX)-1jj = R -1jj = VIFj
Teht az ismertetett mdn standardizlt magyarz vltozk XX mtrixa egyenl a magyarz vltozk korrelcis mtrixval, ugyanis az xi s xj vltozk kztti korrelcis egytthat:
rij =
( xi x ) ( x j x )
n i j
227
F3 Tudomnytrtneti sszefoglal
A matematikai statisztika (mathematical statistics) fogalma elsszr a kvetkez publikcikban jelent279 280 281 meg:
Nmet nyelven 1867-ben tallhat meg elszr a matematikai statisztika (mathematische statistik) kifejezs: T. Wittstein [1867]: Mathematische Statistik und deren Anwendung auf National-Oekonomie und
Versicherungs-Wissenschaft Forrs: (David, H. A. [1995]:"First (?) Occurrence of Common Terms in
Mathematical Statistics," The American Statistician 49:2, May.) Angol nyelven a matematikai statisztika
(mathematical statistics) fogalma elszr 1918-ban fordult el: a kvetkez knyvben: C. J. West [1918]:
Introduction to Mathematical Statistics Forrs: (David, H. A. [1998]: "First (?) Occurrence of Common
Terms in Probability and Statistics -- A Second List, with Corrections," The American Statistician 52:1,
February).
Statisztikai sokasg (population) s minta (sample) elszr Francis Galton and W. F. R. Weldon
munkjban 1877-ben jelent meg. Francis Galton and W. F. R. Weldon [1877]: "Typical laws of heredity," Nature, 15,, April 19th, p. 532.
Galton (1822-1911) 282
F
Maximum s minimum kifejezsek, mint rtkek sszehasonltsa elszr 1743-ban tallhatk meg: W.
Emerson, [1743]: Doctrine of Fluxions c. munkjban.
Mdusz (mode) fogalmt Karl Pearson (1857-1936) angol kutat vezette be 1895-ben. Karl Pearson
[1895]: "Contributions to the Mathematical Theory of Evolution. II. Skew Variation in Homogeneous
Material," Philosophical Transactions of the Royal Society of London, Ser. A, 186, 343-414.
Grbe illesztse (curve fitting) Karl Pearson emlti elszr [1902]: On the Mathematical Theory of
Errors of Judgment, with Special Reference to the Personal Equation. Philosophical Transactions of the
Royal Society of London. Series A, 198, 235-299.
Karl Pearson [1902]: On the Systematic Fitting of Curves to Observations and Measurements.
Biometrika, 1, 265-303.
Karl Pearson fiatalkori kpe 283
F
279
Forrs: http://members.aol.com/jeff570/mathword.html (2008. februr 7.) Earliest Known Uses of Some of the
Words of Mathematics. Azokban az esetekben amikor ms internetes forrsokat hasznltunk azt kln jelljk.
280
A szoftverek (mg a magyar nyelv Excel is sok esetben) ltalban az angol nyelv kifejezseket hasznljk.
281
http://www.maths.tcd.ie/pub/HistMath/People/RBallHist.html ttekintst ad a XVII.-ik s XVIII.-ik szzad neves matematikusainak a munkssgrl. (2008. februr 7.)
282
Forrs: http://galton.org/ (2008. februr 7.)
283
Forrs: http://en.wikipedia.org/wiki/Karl_Pearson Kzli letrajzt s publikcis jegyzkt. (2008. februr 7.)
228
Medin (median) fogalmt elszr Cournot (Antoine Augustin Cournot (1801 1877) francia kzgazdsz, filozfus s matematikus) emlti 1843-ban. Antoine A. Cournot [1843]: Exposition de la thorie
des chances et des probabilits (pp. 119-20). David, H. A. [1998]: "First (?) Occurrence of Common
Terms in Probability and Statistics -- A Second List, with Corrections," The American Statistician 52:1,
February).
A. Augustin Cournot 285
F
tlag (mean) Thomas Little Heath (1861 -1940) angol matematikus 1921-ben A History of Greek
Mathematics (Oxford: Clarendon Press, 1921, p. 85) c. mvben azt rta, hogy Pythagoras grg matematikus (i. e. 580-572 500-490) fedezte fel szmtani, a mrtani s a harmonikus tlagokat. Az tlagok
kztt a geometriai tlag (geometric mean) angol nyelven elszr megtallhat egy 1450 krl kszlt
kziratban, Mark Dunn [1450]: The Art of Numbering. A szmtani tlag (arithmetical mean) megtallhat 1697-ben a kvetkez publikciban: E. Halley "A Most Compendious and Facile Method for
Constructing the Logarithms, Exemplified and Demonstrated from the Nature of Numbers, without any
Regard to the Hyperbola, with a Speedy Method for Finding the Number from the Logarithm Given,"
Philosophical Transactions of the Royal Society of London, Vol. 19. (1695 - 1697), pp. 58-67.
Pythagoras 286
F
Az tlag hibja. (mean error) a XIX.-ik szzadban elfogadott kifejezs volt a hiba elmletben. Johann
Carl Friedrich Gauss (1777 - 1855) vezette be az tlag hibja fogalmat 1821-ben Theoria combinationis
observationum erroribus minimis obnoxiae (Theory of the combination of observations least subject to error) (1821, p. 7), c. munkjban.
Gauss fiatal korban. 287
F
284
229
Ngyzetes hiba (mean square) megtallhat 1838 ban a Augustus De Morgan An Essay on Probabilities, and Their Application to Life Contingencies and Insurance Offices cm knyvben.
Asszocicis kapcsolat vizsglata. (association relationship) W. R. Hamilton 288 [1848]: Researches
respecting Quaternions: First Series. (Transactions of the Royal Irish Academy, 21. 199-296). Dolgozatt
felolvasta a Felolvasta az r Kirlyi Akadmin 1843. nov. 13-n, de csak 1848-ban publiklta.
William Rowan Hamilton 289 (1805-1865)
F
Variancia (variance, mean square deviation) Ronald Aylmer Fisher (1890 - 1962) 290 1922 ben megjelent munkjban fordul el elszr. Ronald Aylmer Fisher [1922]: "On the mathematical foundations of
theoretical statistics" Philosophical Transactions of the Royal Society, A, 222: 309-368. Fontos knyve,
ami befolysolta a XX.-ik szzadi statisztikai irodalmat: Ronald Aylmer Fisher [1925]: Statistical Methods for Research Workers 291 Kiad: Edinburgh, Oliver s Boyd.
R. Aylmer Fisher 292
F
288
230
Kvantilis. (quantile) mint ltalnos fogalom, ami magban foglalja a kvartilist (negyedelt), percentilist
(szzadolt) stb. 1940-ben jelent meg elszr.
David, H. A. [2001]: First (?) Occurrence of Common Terms in Statistics and Probability, Appendix B
pp. 219-228. hivatkozott M. G. Kendall munkjra [1940 - 1941] "Note on the Distribution of Quantiles
for Large Samples," Supplement to the Journal of the Royal Statistical Society, 7, 83-85.
Kvartilis (quartile). Als s fels kvartilis elszr 1879-ben fordul el. Donald McAlister, The Law of
the Geometric Mean, Proc. R. Soc. XXIX, p. 374.
Als s fels kvartilis megjelenik ksbb 1881-ban F. Galton, [1881] "Report of the Anthropometric
Committee," Report of the 51st Meeting of the British Association for the Advancement of Science, p.
245-260 .
Maurice George Kendall (1907 - 1983) angol statisztikus.
M. G. Kendall 295
F
Momentum (moment) a mechanikban Newton hasznlta elszr 1704-ben. Isaac Newton [1704]: De
Quadratura Curvarum: "Momenta id est incrementa momentanea synchrona".
Momentum (moment) fogalmat a statisztikban a Karl Pearson vezette be, tvve a mechanikbl 1893ban, Karl Pearson [1893]: "Asymmetrical Frequency Curves," Nature October 26th
Cscsssg (kurtosis) fogalmt elszr Karl Pearson hasznlta 1905-ben: Karl Pearson [1905]: "Das Fehlergesetz und seine Verallgemeinerungen durch Fechner und Pearson. A Rejoinder, Biometrika, 4, 169212.
Ferdesg (skew curve) 1895-ben Karl Pearson munkjban jelenik meg elszr: Karl Pearson [1895]:
Contributions to the Mathematical Theory of Evolution. II. Skew Variation in Homogeneous Material,
Philosophical Transactions of the Royal Society A, 186, 343-414.
Kumulls (cumulation) R. A. Fisher hasznlta elszr 1929-ben s 1931-ben Wisharttal: R. A. Fisher
[1929]: Moments and Product Moments of Sampling Distributions," Proceedings of the London Mathematical Society, Series 2, 30, 199-238. s R. A. Fisher s J. Wishart, [1931]: "The Derivation of the Pattern Formulae of Two-Way Partitions From Those of Simpler Patterns," Proceedings of the London
Mathematical Society, Ser. 2, 33, p.195. Harold Hotelling (J. Amer. Stat Assoc., 28, 1933, 374).
Koncentrci (concentration) mrsre Lorentz dolgozta ki a Rla elnevezett grbt. Lorenz, M. O.
[1905]: Methods of measuring the concentration of wealth Publications of the American Statistical
Association. 9: 209-219.
Max Otto Lorenz (1880 1962) amerikai kzgazdsz. A Lorentz grbt elszr a kvetkez knyvben
publikltk: King, W. I. [1912]:. The Elements of Statistical Method. New York: Macmillan.
Lorenz, M. O. 296
F
294
295
296
231
Durbin - Watson teszt (Durbin - Watson test) kidolgozi: Durbin, J., and Watson, G. S., [1950]: Testing
for Serial Correlation in Least Squares Regression, I. Biometrika 37.
Benjamin Gompertz 297 (1779-1865)
F
A Gompertz logisztikus trend felfedezje. 298 Benjamin Gompertz 299 biztostsi matematikus 1825-ben
flfedezte azt a halandsgi trvnyt, amit az llatokon vgzett vizsglatok is megerstenek. Az emberi
halandsgi rta a nemi rettsg elrse idejn a legkisebb, utna exponencilisan emelkedik. Gompertz
ttele szerint az ember elhallozsi eslye harminc s nyolcvanves kora kztt ht vente megduplzdik, nyolcvanves kora fltt viszont jra cskkenni kezd. Az jabb vizsglatok alapjn a halandsg erejnek alakulst ler grbe csak a szletstl a korai kamaszkori mlypontjig s felnttkori monoton
jelleg emelkedsnek a legfiatalabb letkortl kezdden alakul gy, ahogyan azt Gompertz lerta. 300
Az egyre nvekv tapasztalati anyag elemzse kapcsn az is egyrtelmv vlt, hogy az orvostudomny
fejldse, az egszsggyi rendszablyok s a morbiditst s mortalitst befolysol egyb tnyezk a klnbz letkorakat eltr arnyban rintik, ezrt a klnbz nem s kor npessg halandsgnak
egymshoz viszonytott nagysga llandan vltozik. A nyolcvanvesnl idsebb korosztlyokban a nk
mr tlnyom tbbsgbe kerltek, gy a Gompertz - egyenlet 301 302 lnyegben csak a nket tmogatja.
F
A texasi San Saba-ban szletett. 306 Tanulmnyait Chicagoi Egyetemen folytatta, ahol geolgit, matematikt s fizikt tanult. B. S fokozatot 1926-ban, M. S.-t 1928-ban, PhD-t pedig 1937-ben szerzett. PhD tanulmnyai alatt az Amerada olajtrsasg geolgus asszisztenseknt dolgozott. 1943-tl 1964-ig a Shell
F
297
http://en.wikipedia.org/wiki/Benjamin_Gompertz
Gompertz, B., [1825].
299
http://en.wikipedia.org/wiki/Benjamin_gompertz
300
Ld. Valkovics Emil [2001] 121-141.
301
Gompertz, B., [1825]: 513-585.
302
Bartlett M. S. Cox F. R. S. [1975] 16.
303
http://hu.wikipedia.org/wiki/M._King_Hubbert
304
http://rsparlourtricks.blogspot.com/2005/10/m-king-hubbert.html
305
http://www.hubbertpeak.com/hubbert/
306
http://hu.wikipedia.org/wiki/M._King_Hubbert
298
232
Oil Company alkalmazottja, ezutn 1976-os nyugdjba vonulsig a United States Geological Survey kutat fizikusa volt. A Stanford Egyetemen geolgit s geofizikt tantott 1963-tl 1968-ig, a Berkeley
Egyetemen pedig 1973-tl 1976-ig. A technokrata mozgalom aktv tagja, a 30-as vekben alakult
Technocracy Incorporated szervezet egyik alaptja volt. Tbb fontos eredmnyt rt el a geolgia s a
geofizika terletn. Nevhez fzdik az olajtermels idbeli alakulst egy adott terleten modellez
haranggrbbe, az n. Hubbert-grbe, az olajhozam-cscs elmletnek egyik kzponti eleme.
F.4. Tblzatok
A Bta-eloszls kritikus rtkei 307 a Szroeter teszthez, 5 %-os szignifikancia szinten, ha a lineris regresszis egyenes konstanst is tartalmaz.
F
307
233
n
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
234
0
0,500
0,460
0,421
0,382
0,345
0,309
0,274
0,242
0,212
0,184
0,159
0,136
0,115
0,097
0,081
0,067
0,055
0,045
0,036
0,029
0,023
0,018
0,014
0,011
0,008
0,006
0,005
0,003
0,003
0,002
0,001
1
0,496
0,456
0,417
0,378
0,341
0,305
0,271
0,239
0,209
0,181
0,156
0,133
0,113
0,095
0,079
0,066
0,054
0,044
0,035
0,028
0,022
0,017
0,014
0,010
0,008
0,006
0,005
0,003
0,002
0,002
0,001
2
0,492
0,452
0,413
0,374
0,337
0,302
0,268
0,236
0,206
0,179
0,154
0,131
0,111
0,093
0,078
0,064
0,053
0,043
0,034
0,027
0,022
0,017
0,013
0,010
0,008
0,006
0,004
0,003
0,002
0,002
0,001
3
0,488
0,448
0,409
0,371
0,334
0,298
0,264
0,233
0,203
0,176
0,152
0,129
0,109
0,092
0,076
0,063
0,052
0,042
0,034
0,027
0,021
0,017
0,013
0,010
0,008
0,006
0,004
0,003
0,002
0,002
0,001
4
0,484
0,444
0,405
0,367
0,330
0,295
0,261
0,230
0,200
0,174
0,149
0,127
0,107
0,090
0,075
0,062
0,051
0,041
0,033
0,026
0,021
0,016
0,013
0,010
0,007
0,006
0,004
0,003
0,002
0,002
0,001
5
0,480
0,440
0,401
0,363
0,326
0,291
0,258
0,227
0,198
0,171
0,147
0,125
0,106
0,089
0,074
0,061
0,049
0,040
0,032
0,026
0,020
0,016
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,002
0,001
6
0,476
0,436
0,397
0,359
0,323
0,288
0,255
0,224
0,195
0,169
0,145
0,123
0,104
0,087
0,072
0,059
0,048
0,039
0,031
0,025
0,020
0,015
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,002
0,001
7
0,472
0,433
0,394
0,356
0,319
0,284
0,251
0,221
0,192
0,166
0,142
0,121
0,102
0,085
0,071
0,058
0,047
0,038
0,031
0,024
0,019
0,015
0,012
0,009
0,007
0,005
0,004
0,003
0,002
0,001
0,001
308
F
8
0,468
0,429
0,390
0,352
0,316
0,281
0,248
0,218
0,189
0,164
0,140
0,119
0,100
0,084
0,069
0,057
0,046
0,038
0,030
0,024
0,019
0,015
0,011
0,009
0,007
0,005
0,004
0,003
0,002
0,001
0,001
9
0,464
0,425
0,386
0,348
0,312
0,278
0,245
0,215
0,187
0,161
0,138
0,117
0,099
0,082
0,068
0,056
0,046
0,037
0,029
0,023
0,018
0,014
0,011
0,008
0,006
0,005
0,004
0,003
0,002
0,001
0,001
308
Egyoldal
Ktoldal
0,1000
0,2000
0,0500
0,1000
0,0250
0,0500
0,0225
0,0450
0,0100
0,0200
0,0050
0,0100
1,280
1,645
1,960
2,000
2,330
2,587
235
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
150
200
309
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,294
1,292
1,291
1,290
1,287
1,286
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,667
1,664
1,662
1,660
1,655
1,653
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,994
1,990
1,987
1,984
1,976
1,972
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,381
2,374
2,368
2,364
2,351
2,345
63,656
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,648
2,639
2,632
2,626
2,609
2,601
236
310
Szabadsgfok
Szinifikancia-szint
0,9900
0,9500
0,9000
0,1000
0,0500
0,0100
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
50
60
70
80
90
100
150
200
250
0,000
0,020
0,115
0,297
0,554
0,872
1,239
1,647
2,088
2,558
3,053
3,571
4,107
4,660
5,229
5,812
6,408
7,015
7,633
8,260
8,897
9,542
10,196
10,856
11,524
12,198
12,878
13,565
14,256
14,953
15,655
16,362
17,073
17,789
18,509
19,233
19,960
20,691
21,426
22,164
29,707
37,485
45,442
53,540
61,754
70,065
112,668
156,432
200,939
0,016
0,211
0,584
1,064
1,610
2,204
2,833
3,490
4,168
4,865
5,578
6,304
7,041
7,790
8,547
9,312
10,085
10,865
11,651
12,443
13,240
14,041
14,848
15,659
16,473
17,292
18,114
18,939
19,768
20,599
21,434
22,271
23,110
23,952
24,797
25,643
26,492
27,343
28,196
29,051
37,689
46,459
55,329
64,278
73,291
82,358
128,275
174,835
221,806
2,706
4,605
6,251
7,779
9,236
10,645
12,017
13,362
14,684
15,987
17,275
18,549
19,812
21,064
22,307
23,542
24,769
25,989
27,204
28,412
29,615
30,813
32,007
33,196
34,382
35,563
36,741
37,916
39,087
40,256
41,422
42,585
43,745
44,903
46,059
47,212
48,363
49,513
50,660
51,805
63,167
74,397
85,527
96,578
107,565
118,498
172,581
226,021
279,050
3,841
5,991
7,815
9,488
11,070
12,592
14,067
15,507
16,919
18,307
19,675
21,026
22,362
23,685
24,996
26,296
27,587
28,869
30,144
31,410
32,671
33,924
35,172
36,415
37,652
38,885
40,113
41,337
42,557
43,773
44,985
46,194
47,400
48,602
49,802
50,998
52,192
53,384
54,572
55,758
67,505
79,082
90,531
101,879
113,145
124,342
179,581
233,994
287,882
6,635
9,210
11,345
13,277
15,086
16,812
18,475
20,090
21,666
23,209
24,725
26,217
27,688
29,141
30,578
32,000
33,409
34,805
36,191
37,566
38,932
40,289
41,638
42,980
44,314
45,642
46,963
48,278
49,588
50,892
52,191
53,486
54,775
56,061
57,342
58,619
59,893
61,162
62,428
63,691
76,154
88,379
100,425
112,329
124,116
135,807
193,207
249,445
304,939
0,004
0,103
0,352
0,711
1,145
1,635
2,167
2,733
3,325
3,940
4,575
5,226
5,892
6,571
7,261
7,962
8,672
9,390
10,117
10,851
11,591
12,338
13,091
13,848
14,611
15,379
16,151
16,928
17,708
18,493
19,281
20,072
20,867
21,664
22,465
23,269
24,075
24,884
25,695
26,509
34,764
43,188
51,739
60,391
69,126
77,929
122,692
168,279
214,392
237
F-eloszls kritikus rtkei 5%-os egyoldal (10%-os ktoldal) szignifikancia-szint mellett 311
F
Nevez
szf
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
50
60
75
100
200
311
Szmll szabadsgfoka
1
2
3
4
5
18,5 19,0 19,2 19,2 19,3
10,1 9,55 9,28 9,12 9,01
7,71 6,94 6,59 6,39 6,26
6,61 5,79 5,41 5,19 5,05
5,99 5,14 4,76 4,53 4,39
5,59 4,74 4,35 4,12 3,97
5,32 4,46 4,07 3,84 3,69
5,12 4,26 3,86 3,63 3,48
4,96 4,10 3,71 3,48 3,33
4,84 3,98 3,59 3,36 3,20
4,75 3,89 3,49 3,26 3,11
4,67 3,81 3,41 3,18 3,03
4,60 3,74 3,34 3,11 2,96
4,54 3,68 3,29 3,06 2,90
4,49 3,63 3,24 3,01 2,85
4,45 3,59 3,20 2,96 2,81
4,41 3,55 3,16 2,93 2,77
4,38 3,52 3,13 2,90 2,74
4,35 3,49 3,10 2,87 2,71
4,32 3,47 3,07 2,84 2,68
4,30 3,44 3,05 2,82 2,66
4,28 3,42 3,03 2,80 2,64
4,26 3,40 3,01 2,78 2,62
4,24 3,39 2,99 2,76 2,60
4,23 3,37 2,98 2,74 2,59
4,21 3,35 2,96 2,73 2,57
4,20 3,34 2,95 2,71 2,56
4,18 3,33 2,93 2,70 2,55
4,17 3,32 2,92 2,69 2,53
4,12 3,27 2,87 2,64 2,49
4,08 3,23 2,84 2,61 2,45
4,03 3,18 2,79 2,56 2,40
4,00 3,15 2,76 2,53 2,37
3,97 3,12 2,73 2,49 2,34
3,94 3,09 2,70 2,46 2,31
3,89 3,04 2,65 2,42 2,26
6
19,3
8,94
6,16
4,95
4,28
3,87
3,58
3,37
3,22
3,09
3,00
2,92
2,85
2,79
2,74
2,70
2,66
2,63
2,60
2,57
2,55
2,53
2,51
2,49
2,47
2,46
2,45
2,43
2,42
2,37
2,34
2,29
2,25
2,22
2,19
2,14
7
19,7
8,89
6,09
4,88
4,21
3,79
3,50
3,29
3,14
3,01
2,91
2,83
2,76
2,71
2,66
2,61
2,58
2,54
2,51
2,49
2,46
2,44
2,42
2,40
2,39
2,37
2,36
2,35
2,33
2,29
2,25
2,20
2,17
2,13
2,10
2,06
8
19,4
8,85
6,04
4,82
4,15
3,73
3,44
3,23
3,07
2,95
2,85
2,77
2,70
2,64
2,59
2,55
2,51
2,48
2,45
2,42
2,40
2,37
2,36
2,34
2,32
2,31
2,29
2,28
2,27
2,22
2,18
2,13
2,10
2,06
2,03
1,98
9
19,3
8,81
6,00
4,77
4,10
3,68
3,39
3,18
3,02
2,90
2,80
2,71
2,65
2,59
2,54
2,49
2,46
2,42
2,39
2,37
2,34
2,32
2,30
2,28
2,27
2,25
2,24
2,22
2,21
2,16
2,12
2,07
2,04
2,01
1,97
1,93
10
19,4
8,79
5,96
4,74
4,06
3,64
3,35
3,14
2,98
2,85
2,75
2,67
2,60
2,54
2,49
2,45
2,41
2,38
2,35
2,32
2,30
2,27
2,25
2,24
2,22
2,20
2,19
2,18
2,16
2,11
2,08
2,03
1,99
1,96
1,93
1,88
15
19,4
8,70
5,86
4,62
3,94
3,51
3,22
3,01
2,85
2,72
2,62
2,53
2,46
2,40
2,35
2,31
2,27
2,23
2,20
2,18
2,15
2,13
2,11
2,09
2,07
2,06
2,04
2,03
2,01
1,96
1,92
1,87
1,84
1,80
1,77
1,72
20
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,10
2,07
2,05
2,03
2,01
1,99
1,97
1,96
1,94
1,93
1,88
1,84
1,78
1,75
1,71
1,68
1,62
25
19,6
8,63
5,77
4,52
3,83
3,40
3,11
2,89
2,73
2,60
2,50
2,41
2,34
2,28
2,23
2,18
2,14
2,11
2,07
2,05
2,02
2,00
1,97
1,96
1,94
1,92
1,91
1,89
1,88
1,82
1,78
1,73
1,69
1,65
1,62
1,56
30
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
2,01
1,98
1,96
1,94
1,92
1,90
1,88
1,87
1,85
1,84
1,79
1,74
1,69
1,65
1,61
1,57
1,52
50
19,5
8,58
5,70
4,44
3,75
3,32
3,02
2,80
2,64
2,51
2,40
2,31
2,24
2,18
2,12
2,08
2,04
2,00
1,97
1,94
1,91
1,88
1,86
1,84
1,82
1,81
1,79
1,77
1,76
1,70
1,66
1,60
1,56
1,52
1,48
1,41
100
19,5
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,88
1,85
1,82
1,80
1,78
1,76
1,74
1,73
1,71
1,70
1,63
1,59
1,52
1,48
1,44
1,39
1,32
200
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,32
4,30
4,28
4,26
4,24
4,23
4,21
4,20
4,18
4,17
4,12
4,08
4,03
4,00
3,97
3,94
3,89
238
Szmll szabadsgfoka
10
15
20
25
30
50
100
200
38,5
17,4
12,2
10,0
8,81
8,07
7,57
7,21
6,94
6,72
6,55
6,41
6,30
6,20
6,12
6,04
5,98
5,92
5,87
5,83
5,79
5,75
5,72
5,69
5,66
5,63
5,61
5,59
5,57
5,48
5,42
5,34
5,29
5,23
5,18
5,10
39,0
16,0
10,6
8,43
7,26
6,54
6,06
5,71
5,46
5,26
5,10
4,97
4,86
4,77
4,69
4,62
4,56
4,51
4,46
4,42
4,38
4,35
4,32
4,29
4,27
4,24
4,22
4,20
4,18
4,11
4,05
3,97
3,93
3,88
3,83
3,76
39,2
15,4
9,98
7,76
6,60
5,89
5,42
5,08
4,83
4,63
4,47
4,35
4,24
4,15
4,08
4,01
3,95
3,90
3,86
3,82
3,78
3,75
3,72
3,69
3,67
3,65
3,63
3,61
3,59
3,52
3,46
3,39
3,34
3,30
3,25
3,18
39,3
15,1
9,60
7,39
6,23
5,52
5,05
4,72
4,47
4,28
4,12
4,00
3,89
3,80
3,73
3,66
3,61
3,56
3,51
3,48
3,44
3,41
3,38
3,35
3,33
3,31
3,29
3,27
3,25
3,18
3,13
3,05
3,01
2,96
2,92
2,85
39,3
14,9
9,36
7,15
5,99
5,29
4,82
4,48
4,24
4,04
3,89
3,77
3,66
3,58
3,50
3,44
3,38
3,33
3,29
3,25
3,22
3,18
3,15
3,13
3,10
3,08
3,06
3,04
3,03
2,96
2,90
2,83
2,79
2,74
2,70
2,63
39,3
14,7
9,20
6,98
5,82
5,12
4,65
4,32
4,07
3,88
3,73
3,60
3,50
3,41
3,34
3,28
3,22
3,17
3,13
3,09
3,05
3,02
2,99
2,97
2,94
2,92
2,90
2,88
2,87
2,80
2,74
2,67
2,63
2,58
2,54
2,47
39,4
14,6
9,07
6,85
5,70
4,99
4,53
4,20
3,95
3,76
3,61
3,48
3,38
3,29
3,22
3,16
3,10
3,05
3,01
2,97
2,93
2,90
2,87
2,85
2,82
2,80
2,78
2,76
2,75
2,68
2,62
2,55
2,51
2,46
2,42
2,35
39,4
14,5
8,98
6,76
5,60
4,90
4,43
4,10
3,85
3,66
3,51
3,39
3,29
3,20
3,12
3,06
3,01
2,96
2,91
2,87
2,84
2,81
2,78
2,75
2,73
2,71
2,69
2,67
2,65
2,58
2,53
2,46
2,41
2,37
2,32
2,26
39,4
14,4
8,90
6,68
5,52
4,82
4,36
4,03
3,78
3,59
3,44
3,31
3,21
3,12
3,05
2,98
2,93
2,88
2,84
2,80
2,76
2,73
2,70
2,68
2,65
2,63
2,61
2,59
2,57
2,50
2,45
2,38
2,33
2,29
2,24
2,18
39,4
14,4
8,84
6,62
5,46
4,76
4,30
3,96
3,72
3,53
3,37
3,25
3,15
3,06
2,99
2,92
2,87
2,82
2,77
2,73
2,70
2,67
2,64
2,61
2,59
2,57
2,55
2,53
2,51
2,44
2,39
2,32
2,27
2,22
2,18
2,11
39,4
14,2
8,66
6,43
5,27
4,57
4,10
3,77
3,52
3,33
3,18
3,05
2,95
2,86
2,79
2,72
2,67
2,62
2,57
2,53
2,50
2,47
2,44
2,41
2,39
2,36
2,34
2,32
2,31
2,23
2,18
2,11
2,06
2,01
1,97
1,90
39,5
14,1
8,56
6,33
5,17
4,47
4,00
3,67
3,42
3,23
3,07
2,95
2,84
2,76
2,68
2,62
2,56
2,51
2,46
2,42
2,39
2,36
2,33
2,30
2,28
2,25
2,23
2,21
2,20
2,12
2,07
1,99
1,94
1,90
1,85
1,78
39,5
14,1
8,50
6,27
5,11
4,40
3,94
3,60
3,35
3,16
3,01
2,88
2,78
2,69
2,61
2,55
2,49
2,44
2,40
2,36
2,32
2,29
2,26
2,23
2,21
2,18
2,16
2,14
2,12
2,05
1,99
1,92
1,87
1,82
1,77
1,70
39,5
14,0
8,46
6,23
5,07
4,36
3,89
3,56
3,31
3,12
2,96
2,84
2,73
2,64
2,57
2,50
2,44
2,39
2,35
2,31
2,27
2,24
2,21
2,18
2,16
2,13
2,11
2,09
2,07
2,00
1,94
1,87
1,82
1,76
1,71
1,64
39,5
14,0
8,38
6,14
4,98
4,28
3,81
3,47
3,22
3,03
2,87
2,74
2,64
2,55
2,47
2,41
2,35
2,30
2,25
2,21
2,17
2,14
2,11
2,08
2,05
2,03
2,01
1,99
1,97
1,89
1,83
1,75
1,70
1,65
1,59
1,51
39,5
13,9
8,32
6,08
4,92
4,21
3,74
3,40
3,15
2,96
2,80
2,67
2,56
2,47
2,40
2,33
2,27
2,22
2,17
2,13
2,09
2,06
2,02
2,00
1,97
1,94
1,92
1,90
1,88
1,80
1,74
1,66
1,60
1,54
1,48
1,39
39,5
13,9
8,29
6,05
4,88
4,18
3,70
3,37
3,12
2,92
2,76
2,63
2,53
2,44
2,36
2,29
2,23
2,18
2,13
2,09
2,05
2,01
1,98
1,95
1,92
1,90
1,88
1,86
1,84
1,75
1,69
1,60
1,54
1,48
1,42
1,32
239
k=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k = 10
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,610 1,400 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,700 1,356 0,467 1,896 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,763 1,332 0,559 1,777 0,367 2,287 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,824 1,320 0,629 1,699 0,455 2,128 0,296 2,588 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,879 1,320 0,697 1,641 0,525 2,016 0,376 2,414 0,243 2,822 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,927 1,324 0,758 1,604 0,595 1,928 0,444 2,283 0,315 2,645 0,203 3,004 ----- ----- ----- ----- ----- ----- ----- ----0,971 1,331 0,812 1,579 0,658 1,864 0,512 2,177 0,380 2,506 0,268 2,832 0,171 3,149 ----- ----- ----- ----- ----- ----1,010 1,340 0,861 1,562 0,715 1,816 0,574 2,094 0,444 2,390 0,328 2,692 0,230 2,985 0,147 3,266 ----- ----- ----- ----1,045 1,350 0,905 1,551 0,767 1,779 0,632 2,030 0,505 2,296 0,389 2,572 0,286 2,848 0,200 3,111 0,127 3,360 ----- ----1,077 1,361 0,946 1,543 0,814 1,750 0,685 1,977 0,562 2,220 0,447 2,471 0,343 2,727 0,251 2,979 0,175 3,216 0,111 3,438
1,106 1,371 0,982 1,539 0,857 1,728 0,734 1,935 0,615 2,157 0,502 2,388 0,398 2,624 0,304 2,860 0,222 3,090 0,155 3,304
1,133 1,381 1,015 1,536 0,897 1,710 0,779 1,900 0,664 2,104 0,554 2,318 0,451 2,537 0,356 2,757 0,272 2,975 0,198 3,184
1,158 1,391 1,046 1,535 0,933 1,696 0,820 1,872 0,710 2,060 0,603 2,258 0,502 2,461 0,407 2,668 0,321 2,873 0,244 3,073
1,180 1,401 1,074 1,536 0,967 1,685 0,859 1,848 0,752 2,023 0,649 2,206 0,549 2,396 0,456 2,589 0,369 2,783 0,290 2,974
1,201 1,411 1,100 1,537 0,998 1,676 0,894 1,828 0,792 1,991 0,691 2,162 0,595 2,339 0,502 2,521 0,416 2,704 0,336 2,885
1,221 1,420 1,125 1,538 1,026 1,669 0,927 1,812 0,829 1,964 0,731 2,124 0,637 2,290 0,546 2,461 0,461 2,633 0,380 2,806
1,239 1,429 1,147 1,541 1,053 1,664 0,958 1,797 0,863 1,940 0,769 2,090 0,677 2,246 0,588 2,407 0,504 2,571 0,424 2,735
1,257 1,437 1,168 1,543 1,078 1,660 0,986 1,785 0,895 1,920 0,804 2,061 0,715 2,208 0,628 2,360 0,545 2,514 0,465 2,670
1,273 1,446 1,188 1,546 1,101 1,656 1,013 1,775 0,925 1,902 0,837 2,035 0,750 2,174 0,666 2,318 0,584 2,464 0,506 2,613
1,288 1,454 1,206 1,550 1,123 1,654 1,038 1,767 0,953 1,886 0,868 2,013 0,784 2,144 0,702 2,280 0,621 2,419 0,544 2,560
1,302 1,461 1,224 1,553 1,143 1,652 1,062 1,759 0,979 1,873 0,897 1,992 0,816 2,117 0,735 2,246 0,657 2,379 0,581 2,513
1,316 1,469 1,240 1,556 1,162 1,651 1,084 1,753 1,004 1,861 0,925 1,974 0,845 2,093 0,767 2,216 0,691 2,342 0,616 2,470
1,328 1,476 1,255 1,560 1,181 1,650 1,104 1,747 1,028 1,850 0,951 1,959 0,874 2,071 0,798 2,188 0,723 2,309 0,649 2,431
1,341 1,483 1,270 1,563 1,198 1,650 1,124 1,743 1,050 1,841 0,975 1,944 0,900 2,052 0,826 2,164 0,753 2,278 0,681 2,396
1,352 1,489 1,284 1,567 1,214 1,650 1,143 1,739 1,071 1,833 0,998 1,931 0,926 2,034 0,854 2,141 0,782 2,251 0,712 2,363
1,363 1,496 1,297 1,570 1,229 1,650 1,160 1,735 1,090 1,825 1,020 1,920 0,950 2,018 0,879 2,120 0,810 2,226 0,741 2,333
1,373 1,502 1,309 1,574 1,244 1,650 1,177 1,732 1,109 1,819 1,041 1,909 0,972 2,004 0,904 2,102 0,836 2,203 0,769 2,306
1,383 1,508 1,321 1,577 1,258 1,651 1,193 1,730 1,127 1,813 1,061 1,900 0,994 1,991 0,927 2,085 0,861 2,181 0,796 2,281
1,393 1,514 1,333 1,580 1,271 1,652 1,208 1,728 1,144 1,808 1,079 1,891 1,015 1,978 0,950 2,069 0,885 2,162 0,821 2,257
1,402 1,519 1,343 1,584 1,283 1,653 1,222 1,726 1,160 1,803 1,097 1,884 1,034 1,967 0,971 2,054 0,908 2,144 0,845 2,236
1,411 1,525 1,354 1,587 1,295 1,654 1,236 1,724 1,175 1,799 1,114 1,876 1,053 1,957 0,991 2,041 0,930 2,127 0,868 2,216
1,419 1,530 1,364 1,590 1,307 1,655 1,249 1,723 1,190 1,795 1,131 1,870 1,071 1,948 1,011 2,029 0,951 2,112 0,891 2,197
1,427 1,535 1,373 1,594 1,318 1,656 1,261 1,722 1,204 1,792 1,146 1,864 1,088 1,939 1,029 2,017 0,970 2,098 0,912 2,180
1,435 1,540 1,382 1,597 1,328 1,658 1,273 1,722 1,218 1,789 1,161 1,859 1,104 1,932 1,047 2,007 0,990 2,085 0,932 2,164
1,442 1,544 1,391 1,600 1,338 1,659 1,285 1,721 1,230 1,786 1,175 1,854 1,120 1,924 1,064 1,997 1,008 2,072 0,952 2,149
1,475 1,566 1,430 1,615 1,383 1,666 1,336 1,720 1,287 1,776 1,238 1,835 1,189 1,895 1,139 1,958 1,089 2,022 1,038 2,088
1,503 1,585 1,462 1,628 1,421 1,674 1,378 1,721 1,335 1,771 1,291 1,822 1,246 1,875 1,201 1,930 1,156 1,986 1,110 2,044
1,528 1,601 1,490 1,641 1,452 1,681 1,414 1,724 1,374 1,768 1,334 1,814 1,294 1,861 1,253 1,909 1,212 1,959 1,170 2,010
1,549 1,616 1,514 1,652 1,480 1,689 1,444 1,727 1,408 1,767 1,372 1,808 1,335 1,850 1,298 1,894 1,260 1,939 1,222 1,984
1,567 1,629 1,536 1,662 1,503 1,696 1,471 1,731 1,438 1,767 1,404 1,805 1,370 1,843 1,336 1,882 1,301 1,923 1,266 1,964
1,583 1,641 1,554 1,672 1,525 1,703 1,494 1,735 1,464 1,768 1,433 1,802 1,401 1,838 1,369 1,874 1,337 1,910 1,305 1,948
1,598 1,652 1,571 1,680 1,543 1,709 1,515 1,739 1,487 1,770 1,458 1,801 1,428 1,834 1,399 1,867 1,369 1,901 1,339 1,935
1,611 1,662 1,586 1,688 1,560 1,715 1,534 1,743 1,507 1,772 1,480 1,801 1,453 1,831 1,425 1,861 1,397 1,893 1,369 1,925
1,624 1,671 1,600 1,696 1,575 1,721 1,550 1,747 1,525 1,774 1,500 1,801 1,474 1,829 1,448 1,857 1,422 1,886 1,396 1,916
1,635 1,679 1,612 1,703 1,589 1,726 1,566 1,751 1,542 1,776 1,518 1,801 1,494 1,827 1,469 1,854 1,445 1,881 1,420 1,909
1,645 1,687 1,623 1,709 1,602 1,732 1,579 1,755 1,557 1,778 1,535 1,802 1,512 1,827 1,489 1,852 1,465 1,877 1,442 1,903
1,654 1,694 1,634 1,715 1,613 1,736 1,592 1,758 1,571 1,780 1,550 1,803 1,528 1,826 1,506 1,850 1,484 1,874 1,462 1,898
1,720 1,747 1,706 1,760 1,693 1,774 1,679 1,788 1,665 1,802 1,651 1,817 1,637 1,832 1,622 1,846 1,608 1,862 1,593 1,877
1,758 1,779 1,748 1,789 1,738 1,799 1,728 1,809 1,718 1,820 1,707 1,831 1,697 1,841 1,686 1,852 1,675 1,863 1,665 1,874
312
240
k = 11
k = 12
k = 13
k = 14
k = 15
k = 16
k = 17
k = 18
k = 19
k = 20
5%
n
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
6 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----7 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----8 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----9 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----10 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----11 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----12 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----13 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----14 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----15 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----16 0,098 3,503 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----17 0,138 3,378 0,087 3,557 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----18 0,177 3,265 0,123 3,441 0,078 3,603 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----19 0,220 3,159 0,160 3,335 0,111 3,496 0,070 3,642 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----20 0,263 3,063 0,200 3,234 0,145 3,395 0,100 3,542 0,063 3,676 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----21 0,307 2,976 0,240 3,141 0,182 3,300 0,132 3,448 0,091 3,583 0,058 3,705 ----- ----- ----- ----- ----- ----- ----- ----22 0,349 2,897 0,281 3,057 0,220 3,211 0,166 3,358 0,120 3,495 0,083 3,619 0,052 3,731 ----- ----- ----- ----- ----- ----23 0,391 2,826 0,322 2,979 0,259 3,128 0,202 3,272 0,153 3,409 0,110 3,535 0,076 3,650 0,048 3,753 ----- ----- ----- ----24 0,431 2,761 0,362 2,908 0,297 3,053 0,239 3,193 0,186 3,327 0,141 3,454 0,101 3,572 0,070 3,678 0,044 3,773 ----- ----25 0,470 2,702 0,400 2,844 0,335 2,983 0,275 3,119 0,221 3,251 0,172 3,376 0,130 3,494 0,094 3,604 0,065 3,702 0,041 3,790
26 0,508 2,649 0,438 2,784 0,373 2,919 0,312 3,051 0,256 3,179 0,205 3,303 0,160 3,420 0,120 3,531 0,087 3,632 0,060 3,724
27 0,544 2,600 0,475 2,730 0,409 2,859 0,348 2,987 0,291 3,112 0,238 3,233 0,191 3,349 0,149 3,460 0,112 3,563 0,081 3,658
28 0,578 2,555 0,510 2,680 0,445 2,805 0,383 2,928 0,325 3,050 0,271 3,168 0,222 3,283 0,178 3,392 0,138 3,495 0,104 3,592
29 0,612 2,515 0,544 2,634 0,479 2,755 0,418 2,874 0,359 2,992 0,305 3,107 0,254 3,219 0,208 3,327 0,166 3,431 0,129 3,528
30 0,643 2,477 0,577 2,592 0,512 2,708 0,451 2,823 0,392 2,937 0,337 3,050 0,286 3,160 0,238 3,266 0,195 3,368 0,156 3,465
31 0,674 2,443 0,608 2,553 0,545 2,665 0,484 2,776 0,425 2,887 0,370 2,996 0,317 3,103 0,269 3,208 0,224 3,309 0,183 3,406
32 0,703 2,411 0,638 2,517 0,576 2,625 0,515 2,733 0,457 2,840 0,401 2,946 0,349 3,050 0,299 3,153 0,253 3,252 0,211 3,348
33 0,731 2,382 0,668 2,484 0,606 2,588 0,546 2,692 0,488 2,796 0,432 2,899 0,379 3,000 0,329 3,100 0,283 3,198 0,239 3,293
34 0,758 2,355 0,695 2,454 0,634 2,554 0,575 2,654 0,518 2,754 0,462 2,854 0,409 2,954 0,359 3,051 0,312 3,147 0,267 3,240
35 0,783 2,330 0,722 2,425 0,662 2,521 0,604 2,619 0,547 2,716 0,492 2,813 0,439 2,910 0,388 3,005 0,340 3,099 0,295 3,190
36 0,808 2,306 0,748 2,398 0,689 2,492 0,631 2,586 0,575 2,680 0,520 2,774 0,467 2,868 0,417 2,961 0,369 3,053 0,323 3,142
37 0,831 2,285 0,772 2,374 0,714 2,464 0,657 2,555 0,602 2,646 0,548 2,738 0,495 2,829 0,445 2,920 0,397 3,009 0,351 3,097
38 0,854 2,265 0,796 2,351 0,739 2,438 0,683 2,526 0,628 2,614 0,575 2,703 0,522 2,792 0,472 2,880 0,424 2,968 0,378 3,054
39 0,875 2,246 0,819 2,329 0,763 2,413 0,707 2,499 0,653 2,585 0,600 2,671 0,549 2,757 0,499 2,843 0,451 2,929 0,404 3,013
40 0,896 2,228 0,840 2,309 0,785 2,391 0,731 2,473 0,678 2,557 0,626 2,641 0,575 2,724 0,525 2,808 0,477 2,829 0,430 2,974
45 0,988 2,156 0,938 2,225 0,887 2,296 0,838 2,367 0,788 2,439 0,740 2,512 0,692 2,586 0,644 2,659 0,598 2,733 0,553 2,807
50 1,064 2,103 1,019 2,163 0,973 2,225 0,927 2,287 0,882 2,350 0,836 2,414 0,792 2,479 0,747 2,544 0,703 2,610 0,660 2,675
55 1,129 2,062 1,087 2,116 1,045 2,170 1,003 2,225 0,961 2,281 0,919 2,338 0,877 2,396 0,836 2,454 0,795 2,512 0,754 2,571
60 1,184 2,031 1,145 2,079 1,106 2,127 1,068 2,177 1,029 2,227 0,990 2,278 0,951 2,330 0,913 2,382 0,874 2,434 0,836 2,487
65 1,231 2,006 1,195 2,049 1,160 2,093 1,124 2,138 1,088 2,183 1,052 2,229 1,016 2,276 0,980 2,323 0,944 2,371 0,908 2,419
70 1,272 1,987 1,239 2,026 1,206 2,066 1,172 2,106 1,139 2,148 1,105 2,189 1,072 2,232 1,038 2,275 1,005 2,318 0,971 2,362
75 1,308 1,970 1,277 2,006 1,247 2,043 1,215 2,080 1,184 2,118 1,153 2,156 1,121 2,195 1,090 2,235 1,058 2,275 1,027 2,315
80 1,340 1,957 1,311 1,991 1,283 2,024 1,253 2,059 1,224 2,093 1,195 2,129 1,165 2,165 1,136 2,201 1,106 2,238 1,076 2,275
85 1,369 1,946 1,342 1,977 1,315 2,009 1,287 2,040 1,260 2,073 1,232 2,105 1,205 2,139 1,177 2,172 1,149 2,206 1,121 2,241
90 1,395 1,937 1,369 1,966 1,344 1,995 1,318 2,025 1,292 2,055 1,266 2,085 1,240 2,116 1,213 2,148 1,187 2,179 1,160 2,211
95 1,418 1,930 1,394 1,956 1,370 1,984 1,345 2,012 1,321 2,040 1,296 2,068 1,271 2,097 1,247 2,126 1,222 2,156 1,197 2,186
100 1,439 1,923 1,416 1,948 1,393 1,974 1,371 2,000 1,347 2,026 1,324 2,053 1,301 2,080 1,277 2,108 1,253 2,135 1,229 2,164
150 1,579 1,892 1,564 1,908 1,550 1,924 1,535 1,940 1,519 1,956 1,504 1,972 1,489 1,989 1,474 2,006 1,458 2,023 1,443 2,040
200 1,654 1,885 1,643 1,896 1,632 1,908 1,621 1,919 1,610 1,931 1,599 1,943 1,588 1,955 1,576 1,967 1,565 1,979 1,554 1,991
241
1%
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
k=1
k=2
k=3
k=4
k=5
k=6
k=7
k=8
k=9
k = 10
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
dL
dU
0,390 1,142 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,435 1,036 0,294 1,676 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,497 1,003 0,345 1,489 0,229 2,102 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,554 0,998 0,408 1,389 0,279 1,875 0,183 2,433 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,604 1,001 0,466 1,333 0,340 1,733 0,230 2,193 0,150 2,690 ----- ----- ----- ----- ----- ----- ----- ----- ----- ----0,653 1,010 0,519 1,297 0,396 1,640 0,286 2,030 0,193 2,453 0,124 2,892 ----- ----- ----- ----- ----- ----- ----- ----0,697 1,023 0,569 1,274 0,449 1,575 0,339 1,913 0,244 2,280 0,164 2,665 0,105 3,053 ----- ----- ----- ----- ----- ----0,738 1,038 0,616 1,261 0,499 1,526 0,391 1,826 0,294 2,150 0,211 2,490 0,140 2,838 0,090 3,182 ----- ----- ----- ----0,776 1,054 0,660 1,254 0,547 1,490 0,441 1,757 0,343 2,049 0,257 2,354 0,183 2,667 0,122 2,981 0,078 3,287 ----- ----0,811 1,070 0,700 1,252 0,591 1,465 0,487 1,705 0,390 1,967 0,303 2,244 0,226 2,530 0,161 2,817 0,107 3,101 0,068 3,374
0,844 1,086 0,738 1,253 0,633 1,447 0,532 1,664 0,437 1,901 0,349 2,153 0,269 2,416 0,200 2,681 0,142 2,944 0,094 3,201
0,873 1,102 0,773 1,255 0,672 1,432 0,574 1,631 0,481 1,847 0,393 2,078 0,313 2,319 0,241 2,566 0,179 2,811 0,127 3,053
0,902 1,118 0,805 1,259 0,708 1,422 0,614 1,604 0,522 1,803 0,435 2,015 0,355 2,238 0,282 2,467 0,216 2,697 0,160 2,925
0,928 1,133 0,835 1,264 0,742 1,416 0,650 1,583 0,561 1,767 0,476 1,963 0,396 2,169 0,322 2,381 0,255 2,597 0,196 2,813
0,952 1,147 0,862 1,270 0,774 1,410 0,684 1,567 0,598 1,736 0,515 1,918 0,436 2,110 0,362 2,308 0,294 2,510 0,232 2,174
0,975 1,161 0,889 1,276 0,803 1,408 0,718 1,554 0,634 1,712 0,552 1,881 0,474 2,059 0,400 2,244 0,331 2,434 0,268 2,625
0,997 1,174 0,915 1,284 0,832 1,407 0,748 1,543 0,666 1,691 0,587 1,849 0,510 2,015 0,437 2,188 0,368 2,367 0,304 2,548
1,017 1,186 0,938 1,290 0,858 1,407 0,777 1,535 0,699 1,674 0,620 1,821 0,545 1,977 0,473 2,140 0,404 2,308 0,340 2,479
1,037 1,199 0,959 1,298 0,881 1,407 0,805 1,527 0,728 1,659 0,652 1,797 0,578 1,944 0,507 2,097 0,439 2,255 0,375 2,417
1,055 1,210 0,981 1,305 0,906 1,408 0,832 1,521 0,756 1,645 0,682 1,776 0,610 1,915 0,540 2,059 0,473 2,209 0,409 2,362
1,072 1,222 1,000 1,311 0,928 1,410 0,855 1,517 0,782 1,635 0,711 1,759 0,640 1,889 0,572 2,026 0,505 2,168 0,441 2,313
1,088 1,232 1,019 1,318 0,948 1,413 0,878 1,514 0,808 1,625 0,738 1,743 0,669 1,867 0,602 1,997 0,536 2,131 0,473 2,269
1,104 1,244 1,036 1,325 0,969 1,414 0,901 1,512 0,832 1,618 0,764 1,729 0,696 1,847 0,630 1,970 0,566 2,098 0,504 2,229
1,119 1,254 1,053 1,332 0,988 1,418 0,921 1,511 0,855 1,611 0,788 1,718 0,723 1,830 0,658 1,947 0,595 2,068 0,533 2,193
1,134 1,264 1,070 1,339 1,006 1,421 0,941 1,510 0,877 1,606 0,812 1,707 0,748 1,814 0,684 1,925 0,622 2,041 0,562 2,160
1,147 1,274 1,085 1,345 1,022 1,425 0,960 1,509 0,897 1,601 0,834 1,698 0,772 1,800 0,710 1,906 0,649 2,017 0,589 2,131
1,160 1,283 1,100 1,351 1,039 1,428 0,978 1,509 0,917 1,597 0,856 1,690 0,794 1,788 0,734 1,889 0,674 1,995 0,615 2,104
1,171 1,291 1,114 1,358 1,055 1,432 0,995 1,510 0,935 1,594 0,876 1,683 0,816 1,776 0,757 1,874 0,698 1,975 0,641 2,080
1,184 1,298 1,128 1,364 1,070 1,436 1,012 1,511 0,954 1,591 0,896 1,677 0,837 1,766 0,779 1,860 0,722 1,957 0,665 2,057
1,195 1,307 1,141 1,370 1,085 1,439 1,028 1,512 0,971 1,589 0,914 1,671 0,857 1,757 0,800 1,847 0,744 1,940 0,689 2,037
1,205 1,315 1,153 1,376 1,098 1,442 1,043 1,513 0,987 1,587 0,932 1,666 0,877 1,749 0,821 1,836 0,766 1,925 0,711 2,018
1,217 1,322 1,164 1,383 1,112 1,446 1,058 1,514 1,004 1,585 0,950 1,662 0,895 1,742 0,841 1,825 0,787 1,911 0,733 2,001
1,227 1,330 1,176 1,388 1,124 1,449 1,072 1,515 1,019 1,584 0,966 1,658 0,913 1,735 0,860 1,816 0,807 1,899 0,754 1,985
1,237 1,337 1,187 1,392 1,137 1,452 1,085 1,517 1,033 1,583 0,982 1,655 0,930 1,729 0,878 1,807 0,826 1,887 0,774 1,970
1,246 1,344 1,197 1,398 1,149 1,456 1,098 1,518 1,047 1,583 0,997 1,652 0,946 1,724 0,895 1,799 0,844 1,876 0,749 1,956
1,288 1,376 1,245 1,424 1,201 1,474 1,156 1,528 1,111 1,583 1,065 1,643 1,019 1,704 0,974 1,768 0,927 1,834 0,881 1,902
1,324 1,403 1,285 1,445 1,245 1,491 1,206 1,537 1,164 1,587 1,123 1,639 1,081 1,692 1,039 1,748 0,997 1,805 0,955 1,864
1,356 1,428 1,320 1,466 1,284 1,505 1,246 1,548 1,209 1,592 1,172 1,638 1,134 1,685 1,095 1,734 1,057 1,785 1,018 1,837
1,382 1,449 1,351 1,484 1,317 1,520 1,283 1,559 1,248 1,598 1,214 1,639 1,179 1,682 1,144 1,726 1,108 1,771 1,072 1,817
1,407 1,467 1,377 1,500 1,346 1,534 1,314 1,568 1,283 1,604 1,251 1,642 1,218 1,680 1,186 1,720 1,153 1,761 1,120 1,802
1,429 1,485 1,400 1,514 1,372 1,546 1,343 1,577 1,313 1,611 1,283 1,645 1,253 1,680 1,223 1,716 1,192 1,754 1,162 1,792
1,448 1,501 1,422 1,529 1,395 1,557 1,368 1,586 1,340 1,617 1,313 1,649 1,284 1,682 1,256 1,714 1,227 1,748 1,199 1,783
1,465 1,514 1,440 1,541 1,416 1,568 1,390 1,595 1,364 1,624 1,338 1,653 1,312 1,683 1,285 1,714 1,259 1,745 1,232 1,777
1,481 1,529 1,458 1,553 1,434 1,577 1,411 1,603 1,386 1,630 1,362 1,657 1,337 1,685 1,312 1,714 1,287 1,743 1,262 1,773
1,496 1,541 1,474 1,563 1,452 1,587 1,429 1,611 1,406 1,636 1,383 1,661 1,360 1,687 1,336 1,714 1,312 1,741 1,288 1,769
1,510 1,552 1,489 1,573 1,468 1,596 1,446 1,618 1,425 1,641 1,403 1,666 1,381 1,690 1,358 1,715 1,336 1,741 1,313 1,767
1,522 1,562 1,502 1,582 1,482 1,604 1,461 1,625 1,441 1,647 1,421 1,670 1,400 1,693 1,378 1,717 1,357 1,741 1,335 1,765
1,611 1,637 1,598 1,651 1,584 1,665 1,571 1,679 1,557 1,693 1,543 1,708 1,530 1,722 1,515 1,737 1,501 1,752 1,486 1,767
1,664 1,684 1,653 1,693 1,643 1,704 1,633 1,715 1,623 1,725 1,613 1,735 1,603 1,746 1,592 1,757 1,582 1,768 1,571 1,779
242
1%
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
45
50
55
60
65
70
75
80
85
90
95
100
150
200
k = 11
dL
dU
--------------------------------------------------------------------------------0,060 3,446
0,084 3,286
0,113 3,146
0,145 3,023
0,178 2,914
0,212 2,817
0,246 2,729
0,281 2,651
0,315 2,580
0,348 2,517
0,381 2,460
0,413 2,409
0,444 2,363
0,474 2,321
0,503 2,283
0,531 2,248
0,558 2,216
0,585 2,187
0,610 2,160
0,634 2,136
0,658 2,113
0,680 2,092
0,702 2,073
0,723 2,055
0,744 2,039
0,835 1,972
0,913 1,925
0,979 1,891
1,037 1,865
1,087 1,845
1,131 1,831
1,170 1,819
1,205 1,810
1,236 1,803
1,264 1,798
1,290 1,793
1,314 1,790
1,473 1,783
1,561 1,791
k = 12
dL
dU
----------------------------------------------------------------------------------------0,053 3,506
0,075 3,358
0,102 3,227
0,131 3,109
0,162 3,004
0,194 2,909
0,227 2,822
0,260 2,744
0,292 2,674
0,324 2,610
0,356 2,552
0,387 2,499
0,417 2,451
0,447 2,407
0,475 2,367
0,503 2,330
0,530 2,296
0,556 2,266
0,581 2,237
0,605 2,210
0,628 2,186
0,651 2,164
0,673 2,143
0,694 2,123
0,790 2,044
0,871 1,987
0,940 1,945
1,001 1,914
1,053 1,889
1,099 1,870
1,141 1,856
1,177 1,844
1,210 1,834
1,240 1,827
1,267 1,821
1,292 1,816
1,458 1,799
1,550 1,801
k = 13
dL
dU
------------------------------------------------------------------------------------------------0,047 3,557
0,067 3,420
0,092 3,297
0,119 3,185
0,148 3,084
0,178 2,991
0,209 2,906
0,240 2,829
0,272 2,758
0,303 2,694
0,333 2,635
0,363 2,582
0,393 2,533
0,422 2,487
0,450 2,446
0,477 2,408
0,503 2,373
0,529 2,340
0,554 2,310
0,578 2,282
0,601 2,256
0,623 2,232
0,645 2,210
0,744 2,118
0,829 2,051
0,902 2,002
0,965 1,964
1,020 1,934
1,068 1,911
1,111 1,893
1,150 1,878
1,184 1,866
1,215 1,856
1,244 1,848
1,270 1,841
1,444 1,814
1,539 1,813
k = 14
dL
dU
--------------------------------------------------------------------------------------------------------0,043 3,601
0,061 3,474
0,084 3,358
0,109 3,252
0,136 3,155
0,165 3,065
0,194 2,982
0,224 2,906
0,253 2,836
0,283 2,772
0,313 2,713
0,342 2,659
0,371 2,609
0,399 2,563
0,426 2,520
0,452 2,481
0,478 2,444
0,504 2,410
0,528 2,379
0,552 2,350
0,575 2,323
0,597 2,297
0,700 2,193
0,787 2,116
0,863 2,059
0,929 2,015
0,986 1,980
1,037 1,953
1,082 1,931
1,122 1,913
1,158 1,898
1,191 1,886
1,221 1,876
1,248 1,868
1,429 1,830
1,528 1,824
k = 15
dL
dU
----------------------------------------------------------------------------------------------------------------0,038 3,639
0,055 3,521
0,077 3,412
0,100 3,311
0,125 3,218
0,152 3,131
0,180 3,050
0,208 2,976
0,237 2,907
0,266 2,843
0,294 2,785
0,322 2,730
0,350 2,680
0,377 2,633
0,404 2,590
0,430 2,550
0,455 2,512
0,480 2,477
0,504 2,445
0,528 2,414
0,551 2,386
0,655 2,269
0,746 2,182
0,825 2,117
0,893 2,067
0,953 2,027
1,005 1,995
1,052 1,970
1,094 1,949
1,132 1,931
1,166 1,917
1,197 1,905
1,225 1,895
1,414 1,847
1,518 1,836
k = 16
dL
dU
------------------------------------------------------------------------------------------------------------------------0,035 3,671
0,050 3,562
0,070 3,459
0,092 3,363
0,116 3,274
0,141 3,191
0,167 3,113
0,194 3,040
0,222 2,972
0,249 2,909
0,277 2,851
0,304 2,797
0,331 2,746
0,357 2,699
0,383 2,655
0,409 2,614
0,434 2,576
0,458 2,540
0,482 2,507
0,505 2,476
0,612 2,346
0,705 2,250
0,786 2,176
0,857 2,120
0,919 2,075
0,974 2,038
1,023 2,009
1,066 1,984
1,106 1,965
1,141 1,948
1,174 1,943
1,203 1,922
1,400 1,863
1,507 1,847
k = 17
dL
dU
--------------------------------------------------------------------------------------------------------------------------------0,032 3,700
0,046 3,597
0,065 3,501
0,085 3,410
0,107 3,325
0,131 3,245
0,156 3,169
0,182 3,098
0,208 3,032
0,234 2,970
0,261 2,912
0,287 2,858
0,313 2,808
0,339 2,761
0,364 2,717
0,389 2,675
0,414 2,637
0,438 2,600
0,461 2,566
0,570 2,424
0,665 2,318
0,748 2,237
0,822 2,173
0,886 2,123
0,943 2,082
0,993 2,049
1,039 2,022
1,080 1,999
1,116 1,979
1,150 1,963
1,181 1,949
1,385 1,880
1,495 1,860
k = 18
dL
dU
----------------------------------------------------------------------------------------------------------------------------------------0,029 3,725
0,043 3,629
0,060 3,538
0,079 3,452
0,100 3,371
0,122 3,294
0,146 3,220
0,171 3,152
0,193 3,087
0,221 3,026
0,246 2,969
0,272 2,915
0,297 2,865
0,322 2,818
0,347 2,774
0,371 2,733
0,395 2,694
0,418 2,657
0,528 2,503
0,625 2,387
0,711 2,298
0,786 2,227
0,852 2,172
0,911 2,127
0,964 2,090
1,011 2,059
1,053 2,033
1,091 2,012
1,126 1,993
1,158 1,977
1,370 1,897
1,484 1,871
k = 19
dL
dU
------------------------------------------------------------------------------------------------------------------------------------------------0,027 3,747
0,039 3,657
0,055 3,572
0,073 3,490
0,093 3,412
0,114 3,338
0,137 3,267
0,160 3,201
0,184 3,137
0,209 3,078
0,233 3,022
0,257 2,969
0,282 2,919
0,306 2,872
0,330 2,828
0,354 2,787
0,377 2,748
0,488 2,582
0,586 2,456
0,674 2,359
0,751 2,283
0,819 2,221
0,880 2,172
0,934 2,131
0,983 2,097
1,027 2,068
1,066 2,044
1,102 2,023
1,136 2,006
1,355 1,913
1,474 1,883
k = 20
dL
dU
--------------------------------------------------------------------------------------------------------------------------------------------------------0,025 3,766
0,036 3,682
0,051 3,602
0,068 3,524
0,087 3,450
0,107 3,379
0,128 3,311
0,151 3,246
0,174 3,184
0,197 3,126
0,221 3,071
0,244 3,019
0,268 2,969
0,291 2,923
0,315 2,879
0,338 2,838
0,448 2,661
0,548 2,526
0,637 2,421
0,716 2,338
0,789 2,272
0,849 2,217
0,905 2,172
0,955 2,135
1,000 2,104
1,041 2,077
1,079 2,054
1,113 2,034
1,340 1,931
1,462 1,896
Alfa
Bta
Gamma
Delta
Epszilon
Zta
ta
Thta
Ita
Kappa
Lambda
M
N
Ksz
Omikron
P
R
Szigma
Tau
pszilon
F
Kh
Psz
mega
243
Felhasznlt irodalom
Abraham B.- Ledolter J. [1983]: Statistical methods for forecasting. John Wiley & Sons. New York.
Aczel A. D. [2002]: Complete business statistics. (The Irwin/McGraw-Hill series: operations and decision
sciences) McGraw - Hill Higher Education. 5. ed. McGraw -Hill/Irwin. Boston.
Almon, S. [1965]: The distributed lag between capital appropriations and expenditures. Econometrica. 33.
Andreich Jen [1937]: A konjunktrakutats mdszerei. MTA.
Alt F. F. [1942]: Distributed lags. Econometrica. Vol. 10.
Arrow K. J. - Chenery H. B. - Minhas B. S. Solow R. M. [1961]: Capital - labor substitution and economics efficiency. The Rewiew of Economics and Statistics.
Baczoni Pl [2007]: Egyszeren Microsoft Office Excel 2003. Panem. Budapest.
Balzsn Mcsai Andrea-Csetnyi Arthur [2003]: Kvatitatv technikk. II. Tanknyv. Zsigmond Kirly
Fiskola. Budapest.
Balogh Mrta [2000]: Statisztikai ismeretek. Perfekt. Budapest.
Barancsuk Jnos [2008]: Mikrogazdasgtan. PTE KTK Pcs.
Brtfai Barnabs [2002]: Office XP. World 2002. Exel 2002. Power Point 2002. Outlook Access 2002.
BBS-Info Kft. Budapest.
Bartlett M. S. Cox F. R. S. [1975]: The analysis of time series: theory and practice. Chapman and Hall.
London.
Bed Zsolt - Rappai Gbor [2006]: Is there causal relationship between the value of the news and stock
returns (trsszerz:). Hungarian Statistical review. Special number 10.
Berenson Mark L. Levine David M. Krehbiel Timothy C. [2006]: Basic business statistics: Concepts
and applications. 10th ed. Pearson/Prentice Hall.
Bertalanffy, L. [1938]: A Quantitative Theory of Organic Growth. (Inquiries on Growth Laws II.) Human
Biology, 10..
Bertalanffy, L. [1960]: Principles and theory of growth, in: Fundamental Aspects of Normal and Malignet
Growth, W. W. Nowinski (ed), Amsterdam.
Besenyei Lajos - Gidai Erzsbet - Novky Erzsbet [1977]: Jvkutats, elrejelzs a gyakorlatban. KJK.
Budapest.
Besenyei Lajos - Gidai Erzsbet - Novky Erzsbet [1982]: Elrejelzs. Megbzhatsg. Valsg. KJK.
Budapest.
Black K. [2006]: Business statistics (4. rev. ed.) John Wiley & Sons. New York. 2006.
Borli Kroly - Sipos Bla [1977]: Iparvllalati prognziskszts matematikai, statisztikai mdszerkel.
Kzgazdasgi s Jogi Knyvkiad. Budapest.
Box G. E. P. - Cox D. R [1964]: An analysis of transformations. Journal of the Royal Statistical Society.
Series B 26. 2.
Box G.E.P. - Jenkins G. M. [1970]: Time series analysis. Forecasting and control. Holden-Day. San Francisco. CA.
Box, G.E.P. - Cox, D.R [1964].: An Analysis of Transformations. Journal of the Royal Statistical Society,
Series B 26. 2. sz. pp. 211-252.
Box G. E. P.-Pierce A. [1970]: Distribution of residual autocorrelations in autoregressive integrated moving average time series models. Journal of the American Association. Vol. 65.
Braudel F. [1972]: A trtnelem s a trsadalomtudomnyok. A hossz idtartam. Szzadok. 4-5. sz.
Braudel F. [2004]: Anyagi kultra, gazdasg s kapitalizmus XV-XVIII. szzad. 1. kt. A mindennapi
let struktri: a lehetsges s a lehetetlen 2. kiad. Budapest. Gutta Knyvkiad.
Breusch, T. S.; A. R. Pagan [1979]: Simple test for heteroscedasticity and random coefficient variation.
Econometrica (Econometric Society) 47 (5).
Brdy Andrs [1983]: A lassul id. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Bronstejn I. N. Szemengyajev K. A. Musiol G. Mhling H. [2004]: Matematikai kziknyv.
Typotex Kiad. Budapest.
Chan N. H. [2002]: Time series. John Wiley. Canada.
Cobb C.W. Douglas P.H. [1928]: A theory of production. American Economic Review. Vol. 18.
Cochrane - Orcutt. [1949]: Application of least squares regression to relationships containing autocorrelated error terms. Journal of the American Statistical Association 44, 3261.
244
Colin P. D. Birch [1999]: A New Generalized Logistic Sigmoid Growth Equation Compared with the Richards Growth Equation. Annals of Botany 83.
Dagum, C. (1985). Analyses of income distribution and inequality by education and sex in Canada. In
Advances in Econometrics, Vol. IV, R. L. Basmann and G. F. Rhodes, Jr., eds. JAI Press, Greenwich,
CN.
Demogrfiai vknyv. KSH. Budapest. 1993. 2006.
Descartes [1961]: Vlogatott filozfiai mvek. Akadmiai Kiad, Budapest.
Divatszociolgia [1982]: Vlogatta, szerkesztette, lektorlta: Klaniczay Gbor - S. Nagy Katalin. Membrn knyvek. 1. kt. I.-III. - A Tmegkommunikcis Kutatkzpont Kiadsa. Budapest.
Duijn J. J. Van [1982]: The long wave in economic life. London George Allen s Unwin. Forrester J. W.
[1982]: Nach jeder depression ein neuer aufschwung? Bild der Wissenschaft. vi. 2. sz.
Durbin J. and Watson, G. S. [1950]: Testing for serial correlation in least squares regression. I. Biometrika 37.
ltet dn Meszna Gyrgy Ziermann Margit [1982]: Sztochasztikus mdszerek s modellek. KJK.
Budapest 1982.
Encyclopedia of Statistical Sciences, 16 Volume Set, [2006] 2nd Edition Samuel Kotz, Campbell B. Read, N. Balakrishnan, Brani Vidakovic ISBN: 978-0-471-15044-2. Hardcover 9686 pages January
Evans James R. [2007]: Statistics, data analysis, and decision modeling. Pearson-Prentice Hall. New Jersey.
Ezekiel M. Fox K. A. [1970]: Korrelci- s regresszi-analzis. KJK. Budapest.
Farag Tams [2007]: Trtneti mutatszm az Emberi Fejlds brzolsra Magyarorszgon (19102001). Elemzsi ksrlet. Demogrfia. 50. vf. 2-3. sz.
Farrar D. E. s Glauber R. R. [1967]: Multicollinearity in regression analysis: the problem revisited. Review of Economics and Statistics.
Farnum Nicholas R. - Stanton LaVerne W. [1989]: Quantitative forecasting methods. Boston. PWS-Kent
Pub. Co.. 1989. I-II.
Fisher I. [1937]: Note on a short-cut method for calculating distributed lags. International Statistical Bulletin. Vol. 29.
Fokasz Nikosz [2006]: Nvekedsi fggvnyek, trsadalmi diffzi, trsadalmi vltozs. Szociolgiai
Szemle. 3. sz.
Freschl Gyrgy [1982]: Bevezets az idsori mdszerek gyakorlatba. Statisztikai mdszertani fzetek.
KSH. Budapest.
Gl P. Moldicz Cs. Novk T. [2004]: Gazdasgi ciklusok s gazdasgpolitika a 21. szzad elejn. Fejleszts s finanszrozs. 4. sz.
Gary Koop [2008]: A kzgazdasgi adatok elemzse. Osiris. Budapest.
Gazdasgi kplet-gyjtemny. [1978]: sszelltotta Kldor Mihly. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Glejser H. [1969]: A new test for heteroscedasticity. Journal of the American Statistical Association. 1.
sz.
Godfrey, L. [1978]: Testing for multiplicative heteroscedasticity. Journal of the American Statistical Association. 8. sz.
Goldfeld S. M. Quandt R. E. [1965]: Some Tests for Homoscedasticity. Journal of the American
Statistical Association, Vol. 60, No. 310 (Jun)
Gompertz B. [1825]: On the nature of the function expressive of the law of human mortality, and on a
new mode of determining the value of life contingencies. Philosophical Transactions of the Royal Society
of London. Vol. 115 (1825)
Gazdag Lszl [1990]: A hossz hullmok problmja (Az vszzados gazdasgi ciklusok). Gazdasgi
Frum. 3. sz.
Greene, William H. [2003]: Econometric analysis. 5th ed. Pearson Education International. Upper Saddle
River, N. J. Prentice Hall.
Gujarati Damodar N. [2003]: Basic econometrics. McGraw-Hill Higher Education.
Hajdu Ott - Kertsz Lszl - Sipos Bla [1984]: A munkabrek regresszis elemzse s a koncentrci
vizsglata I. rsz. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 62. vf. 4. sz.
Hajdu Ott - Kertsz Lszl - Sipos Bla [1984]: A munkabrek regresszis elemzse s a koncentrci vizsglata. II. rsz. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 62. vf. 5. sz.
245
Hajdu O. - Herman S. - Pintr J. Rappai G. - Rdey K. [1994-95]: Statisztika I-II. JPTE Kiad. Pcs.
Hajdu Ott - Herman Sndor - Pintr Jzsef - Rdey Katalin [1987]: konometriai alapvets.
Tanknyvkiad. Budapest 1987.
Hajdu Ott Hunyadi Lszl [1995]: Varianciafelbonts: elfeltevsek s kvetkeztetsek. Szigma. 1-2.
sz.
Hajdu Ott [1997]: A szegnysg mrszmai. KSH Knyvtr s Dokumentcis Szolglat. Budapest.
Hajdu Ott [2003]: Tbbvltozs statisztikai szmtsok. KSH. Budapest.
M. J. Harrison [1982]: Tables of critical values for a Beta approximation to Szroeters statistic for testing
for heteroscedasticity. Oxford Bulletin of Economics and Statistics. 2 sz.
Hartmann Nicolai [1972]: Ltelmleti vizsgldsok. Budapest.
Harvey G. [2000]: Excel 2000 for Windows for dummies. Kossuth Kiad. Budapest.
Harvey A. C. [1976]: Estimating regression models with multiplicative heteroscedasticity. 3. sz.
Haustein H. D. [1972]: Prognzismdszerek a szocialista gazdasgban. Kzgazdasgi s Jogi Knyvkiad.
Heller Farkas [1943]: A kzgazdasgi elmlet trtnete. Gergely R. Budapest.
Herman Sndor [1985]: A szezonalts - vizsglat statisztikai mdszerei. IGK. Idszer gazdasgirnytsi krdsek. Prodinform Mszaki tancsad vllalat. 4. szm.
Herman Sndor Varga Jzsef [1983]: A szezonlis trendezsg vizsglata. Statisztikai Szemle. 61. vf.
6. sz.
Hill R. C., Griffiths W. E. Lim G. C. [2008]: Principles of Econometrics, 3rd Edition, Wiley
Hoover jr. Edgar Malone [1936]: The measurement of industrial localization. Review of Economics and
Statistics. Vol. 18. No.
Hos J. [2003]: Konjunktra- s piackutats. Aula. Budapest.
Hubbert M. K. [1956]: Nuclear energy and the fossil fuels M. K. Hubbert, Presented before the Spring
Meeting of the Southern District, American Petroleum Institute, Plaza Hotel, San Antonio, Texas, March
7-8-9. 1956.
Hunyadi Lszl [1980]: Megosztott ksleltets konometriai modellek. Szigma 1-2. sz.
Hunyadi Lszl [2004]: A logisztikus fggvny s a logisztikus eloszls. Statisztikai szemle. 10 11. sz.
Hunyadi Lszl [2006]: A heteroszkedaszticitsrl egyszerbben. Statisztikai szemle. 1. sz.
Hunyadi Lszl [2000]: A mintavtel alapjai. BKE-Szmalk. Budapest 2000.
Hunyadi Lszl [2001]: Statisztikai kvetkeztetselmlet kzgazdszoknak. KSH. Budapest 2001.
Hunyadi Lszl [2002]: Grafikus brzols a statisztikban. Statisztikai Szemle. 1. sz.
Hunyadi Lszl [2005]: A hnyadosbecsls nhny tulajdonsga s egy j becslfggvnye. Statisztikai
Szemle. 2. sz.
Hunyadi Lszl Vita Lszl [2002]: Statisztika kzgazdszoknak. Budapest. KSH.
Hunyadi Lszl Vita Lszl [2008]: Statisztika I-II. Aula Kiad.
Ivnyi Attila Szilrd [1984]: Termkstratgia, gyrtspolitika, mszaki fejleszts. Mszaki knyvkiad.
Budapest.
Jnosa Andrs [2005]: Adatelemzs szmtgppel. Perfekt RT. Budapest.
Jnossy Ferenc [1966]: A gazdasgi fejlds trendvonala s a helyrelltsi peridus. Kzgazdasgi s
Jogi Knyvkiad. Budapest.
Jnossy Ferenc [1975]: A gazdasgi fejlds trendvonalrl. (msodik bvtett kiads) Magvet Knyvkiad. Budapest.
Johnson, Norman Lloyd [1949]: Systems of frequency curves generated by methods of translation,
Biometrika, Vol. 36, No. 1-2.
Juglar C. [1862]: Des crises commerciales et leur retour periodique en France, en Augleterre et aux Etats
Unis. Franklin. Pris.
Kdas Klmn [1941]: ralakuls irnytsa s a piaci egyensly. Kzgazdasgi knyvtr. XXV. ktet.
Budapest.
Kdas Klmn [1944]: Az emberi munka termelkenysgnek statisztikai vizsglata a magyar
gyriparban. (A Cobb-Douglas fle statisztikai trvny kiegsztse) Magyar Statisztikai Szemle. 7-8. sz.
Kehl Dniel Rappai Gbor [2006]: Mintaelemszm tervezse Likert-sklt alkalmaz lekrdezsekben.
Statisztikai Szemle. 84. vfolyam. 9. sz.
Kehl Dniel Sipos Bla [2007a]: A br s a klnbz brtermkek termeli rainak hossz tv
tendencii az Amerikai Egyeslt llamokban. I. rsz. Br- s Ciptechnika Piac. LVII. vf. 1. sz.
246
Kehl Dniel Sipos Bla [2007b]: A br s a klnbz brtermkek termeli rainak hossz tv
tendencii az Amerikai Egyeslt llamokban. II. rsz. Br- s Ciptechnika Piac. LVII. vf. 2. sz.
Kehl Dniel Sipos Bla: [2007c]: vszzados trendek s hossz ciklusok az Amerikai Egyeslt llamokban, Knban s a vilggazdasgban. Hitelintzeti Szemle. Hatodik vfolyam. 3. szm.
Kehl Dniel Sipos Bla [2007d]:3-12. A gazdasgi nvekeds ciklikus vltozsa az USA-ban. Fejleszts s Finanszrozs. 4. sz.
Kehl Dniel Sipos Bla [2007e] 4. Secular Trends and Long Cycles in the US Economy. Development
and Finance. 4. sz.
Kehl Dniel Dr. Sipos Bla [2009]: A teltdsi, a logisztikus s letgrbe alak trendfggvnyek becslse Excel parancsfjl segtsgvel. Statisztikai Szemle. 87. vf. 4. sz.
Kerkgyrt Gyrgyn Mundrucz Gyrgy [1995]: Statisztikai mdszerek a gazdasgi elemzsben. 2.
tdolgozott kiads. Aula Kiad. Budapest.
Kerkgyrt Gyrgyn Mundrucz Gyrgy Sugr Andrs [2001]: Statisztikai mdszerek s alkalmazsuk a gazdasgi, zleti elemzsekben. Aula Kiad. Budapest 2001.
Kindler Jzsef-Papp Ott [1977]: Komplex rendszerek vizsglata. sszemrsi mdszerek. Mszaki
Knyvkiad.
King Maxvel L. [1981]: A note on szroeters bound test. Oxford Bulletin of Economics and Statistics. 3.
sz.
Kiss Tibor [1985]: Koyck s Solow modelljeinek felhasznlsa a dntselksztsben. Statisztikai
Szemle. 10. sz.
Kiss Tibor - Sipos Bla - Szentmiklsi Mikls [1995]: Az zleti ciklus modellezse s prognosztizlsa
EXPS- programmal. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 73. vf. 8 - 9. sz.
Kiss Tibor Kruzslicz Ferenc - Sipos Bla - Szentmiklsi Mikls [1997]: A SABL- eljrs felhasznlsa elemzsre s prognosztizlsra. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 75. vf.
X. sz.
Kiss Tibor Sipos Bla [1998]: REGAL: Expert system for multiple linear regression analysis. Hungarian
Statistical Review. 76. Volume. Special Number.
Kiss Tibor Sipos Bla [2000]: EXPS for Windows, a software application. Hungarian Statistical Review.
78. Volume. Special Number.
Kitchin J. [1923]: Cycles and trends in economic factors. Review of Economic Statistics 5. vf. 1. sz.
Kiss Tibor [1985]: Koyck s Solow modelljeinek felhasznlsa a dntselksztsben. Statisztikai
Szemle. 10. sz.
Koyck, L. M. [1954]: Distributed lags and investment analysis. Amsterdam. North-Holland.
Knsel L. [1998]: On the accuracy of statistical distributions in Microsoft Excel 97. Computational Statistics and Data Analysis 26.
Knsel L. [2002]: On the reliability of Microsoft Excel XP for statistical purposes. Computational Statistics and Data Analysis 39.
Knsel L. [2005]: On the accuracy of statistical distributions in Microsoft Excel 2003. Computational
Statistics and Data Analysis 48.
Komjti Zoltn [1975]: A termelsi kapacits s az tbocstkpessg kihasznlsnak sszefggsei az
iparvllalatoknl. Ipari s ptipari Statisztikai rtest.
. . [1925]: . .-. 1925. - . 1.
. 1.
Kondratieff N. D. [1926]: Die langen wellen der konjunktur. Archv fr Sozialwissenschaft und Sozialpolitik. Berlin. 56. kt.
Kondratieff N. D. [1979]: The long waves in economic life. Review. 2. vf. 4. sz.
Kondratyev N. D. [1980]: A gazdasgi fejlds hossz hullmai. Trtnelmi Szemle. 22. vf. 2. sz.
Kovcs Pter Petres Tibor Tth Lszl [2004]: Adatllomnyok redundancijnak mrse. Statisztikai
Szemle. KSH. 6-7. sz.
Kovcs Pter [2008]: A multikollinearits vizsglata lineris regresszis modellekben. Statisztikai
szemle. 1. sz.
Peter Kovacs Tibor Petres Laszlo Toth [2005]: A new measure of multicollinearity in linear regression models. International Statistical Review Volume 73 Number 3. International Statistical Institute.
Voorburg. The Netherlands.
247
John C. Nash [2008] Teaching statistics with Excel 2007 and other spreadsheets. Computational Statistics
and Data Analysis (article in press)
Nerlove, Marc, [1972]: Lags in economic behavior. Econometrica. Econometric Society. vol. 40(2),
March.
Novky Erzsbet [Szerk.] [1992]: Jvkutats. BKE. Budapest.
Nyitrai Ferencn - Rdey Katalin [1974]: Statisztika III. (Korszer statisztikai mdszerek s alkalmazsuk a gyakorlati kzgazdasgi munkban). Tanknyvkiad. Budapest.
Park R. E. [1966]: Estimation with heteroscedastic error terms. Econometrica. vol. 34. no. 4. okt.
Pawlowski Z. [1970]: konometria KJK. Budapest.
Pearson K. [1895]: Contributions to the mathematical theory of evolution. II: Skew variation in homogeneous material. Philosophical Transactions of the Royal Society of London. 186.
Pearson K. [1905]: Das fehlergesetz und seine verallgemeinerungen durch fechner und Pearson. A Rejoinder. Biometrika. 4.
Pella JS and PK Tomlinson [1969]: A generalised stock-production model. Bull. IATTC 13.
Ptery Kristf [2003]:Tblzatkezels Excel 2002. Kossuth Kiad. Budapest.
Petres Tibor-Tth Lszl [2008]: Statisztika. KSH.
Pintr Jzsef [1991]: A heteroszkedaszticits diagnosztizlsa. Statisztikai Szemle. 69. vf. 1. szm.
Pintr Jzsef [1987]: A termelsi fggvnyek vllalati alkalmazsai. Statisztikai Szemle. 2. sz.
Pintr Jzsef [2000]: Bevezets a statisztika mdszereibe. Pcsi Tudomnyegyetem. Pcs. 2000.
Pintr Jzsef - Rappai Gbor [2001]: A mintavteli tervek ksztsnek nhny gyakorlati megfontolsa.
Marketing & Menedzsment. 5. sz.
Pintr Jzsef [2007]: A spektrlanalzisrl. Statisztikai Szemle. 85. vf. 2. sz.
Pintr Jzsef Rappai Gbor (szerkeszt) [2007]: Statisztika. Pcsi Tudomnyegyetem. Kzgazdasgtudomnyi Kar. Pcs.
Pusztai L. [1987]: Gazdasgi ciklus s bnzs. Belgyi Szemle. 9. sz.
Ramanathan Ramu [2003]: Bevezets az konometriba alkalmazsokkal. Budapest. Panem.
Raymond Pearl - Lowell J. Reed [1920]: On the rate of growth of the population of the United States
since 1790 and its mathematical representation. Proceedings of the National Academy of Sciences.
Volume 6. June 15. Number 6.
Raymond Pearl [1929]: The Biology of Population Growth. Howard Woolston. The American Journal of
Sociology, Vol. 35, No. 3 (Nov.)
Richards, F. J. [1959] A flexible growth function for empirical use. Journal of Experimental Botany.
Volume 10. Number 2.
Rappai Gbor [2001]: zleti statisztika Excellel. Kzponti Statisztikai Hivatal. Budapest.
Rappai Gbor [2003]: zleti statisztika: j tudomny vagy marketing-fogs? Statisztikai Szemle. 5.
Rappai Gbor szerk. [2007]: Egy letplya hrom dimenzija. Tanulmnyktet Pintr Jzsef emlkre.
PTE KTK.
Rappai Gbor [2008]: Gondolatok a gazdasgtudomnyi kpzsi terleten foly statisztikaoktatsrl. Statisztikai Szemle. A Kzponti Statisztikai Hivatal folyirata. 86. vf. 9. sz. 829-849.
Richards F. J. [1959] A flexible growth function for empirical use. J. Exp. Bot. 10.
Savin, N. E.-White K. J. [1977]: The Durbin-Watson Test for Serial Correlation with Extreme Sample
Sizes or Many Regressors. Econometrica, Vol. 45, No. 8. 1989-1996.
Schumpeter I. A. [1939]: Business cycles: A theoretical, historical and statistical analysis of the capitalist
process. New York and London: McGraw-Hill Book Co. Inc.. 1st ed. 2 vols.
Simiand F. [1932]: Le salaire, l'volution sociale et la monnaie. Essai de thorie experimentale du salaire.
3 Vols. F. Alcan. Paris.
Sipos Bla [1982]: Termelsi fggvnyek - vllalati prognzisok. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Sipos Bla [1982]: Iparvllalati rprognzisok. PRODINFORM Mszaki Tancsad Vllalat. Idszer
Gazdasgirnytsi Krdsek. 4. sz. (2. vltozatlan kiads 1984.)
Sipos Bla [1982]: Termelsi fggvnyek - vllalati prognzisok. Kzgazdasgi s Jogi Knyvkiad.
Budapest.
Sipos Bla [1985]: Vllalati relrejelzsek. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Sipos B. 1986: A Kondratyev-ciklus empirikus vizsglata s prognosztizlsa. Statisztikai Szemle. A
Kzponti Statisztikai Hivatal folyirata. 64. vf. 12. sz.
249
Sipos Bla [2003]: Vllalati prognosztika. (Elmlet Mdszertan - Szoftverek) PTE Kiad. Pcs.
Solow R. M.[1960]: On a family of lag distributions. Econometrica.
Solow [1957]: Technical change and the aggregate production function. Review of Economics and Statistics 39 (August 1957).
Spiegel Murray R. [1995]: Statisztika: Elmlet s gyakorlat: SI mrtkegysgekkel. Schaum knyvek.
Panem Kft. - McGraw-Hill.
Statisztikai idsorok a Knai Npkztrsasgrl. [1986]: Kzponti Statisztikai Hivatal. Budapest.
Szilgyi Gyrgy [2002]: Gondolatok a statisztika szakmai etikjrl. Statisztikai Szemle. 3. sz.
Szroeter Jerzy [1978]: A class of parametric tests for heteroscedasticity in linear econometric models.
Econometrica. 46. vf. 6. sz.
Stuart A. s Ord J. K. [1994]: Kendalls advanced theory of statistics. Volume 1. Distribution Theory.
Sixth Edition. Edward Arnold. London.
Szentmiklsi Mikls [2000]: Pnzgyi elrejelzsi modellek ksztsnek nhny elmleti s gyakorlati
krdse. Osiris Kiad.
Szentmiklsi Mikls Rdey Katalin [2007]: Arima modellek alkalmazsa idsorelemzsre s elrejelzsre. In.: Rappai Gbor szerk. [2007]: Egy letplya hrom dimenzija. Tanulmnyktet Pintr Jzsef
emlkre. PTE KTK.
Theil H. [1961]: Economic forecasts and Policy. 2nd Edition. Amsterdam: North Holland.
Theiss Ede [1943]: Konjunktrakutats. A Mrnki Tovbbkpz Intzet kiadvnyai. 15. ktet. 11. fzet.
Budapest.
Theiss Ede szerk. [1958]: Korrelci s trendszmts. Kzgazdasgi s Jogi Knyvkiad. Budapest.
Thomopoulos, N. T. [1980]: Applied Forecasting Methods. Prentice-Hall, Englewood Cliffs, NJ, p. 370.
Trcsik Mria [2003]: Fogyaszti magatarts. Trendek. j fogyaszti csoportok. KJK-Kerszv. Budapest.
Vgsi Mria [2001]: jtermk marketing. Nemzeti Tanknyvkiad. Budapest.
Valkovics Emil [2001]: A Gompertz - fggvny felhasznlsi lehetsgei a demogrfiai modellezsben.
Statisztikai szemle. 79. vf.
Varga Jzsef [2001]: A valsznsgelmlet alapjai. Pcsi Tudomnyegyetem. Pcs. 2001.
Verhulst, P. F. [1838]: Notice sur la loi que la population suit dans son accroissement. Correspondance
Mathematique et Physique. 10. szm. vf.
Vincze Istvn [1975]: Matematikai statisztika ipari alkalmazsokkal. Mszaki Knyvkiad. Budapest
1975.
Vilggazdasgi idsorok 18601960. szerk.: Kenessey Zoltn [1965]: Kzponti Statisztikai Hivatal.
Kzgazdasgi s Jogi Knyvkiad. Budapest.
Yalta A.T. [2008]: The accuracy of statistical distributions in Microsoft Excel 2007. Computational Statistics and Data Analysis (article in press)
Yule G. U. Kendall M. G. [1964]: Bevezets a statisztika elmletbe. KJK. Budapest. 1964.
Verhulst, P. F. [1838]: Notice sur la loi que la population suit dans son accroissement. Correspondance
Mathematique et Physique, 10.
Vet Istvnn [1980]: A dinamika vizsglata autoregressziv s osztott ksleltets modellekkel. KSH
Mdszertani Fosztly. Bp.
Xinyou Yin-Jan Goudriaan-Egbert A. Lantinga - Jan Vos-Huub J. Spiertz [2003]: A Flexible Sigmoid
Function of Determinate Growth. Annals of Botany.
http://wapedia.mobi/en/Generalised_logistic_function (Elrs dtuma: 2009. janur 28.)
http://www.bioss.ac.uk/smart/unix/mgrow/slides/slide02.htm (Elrs dtuma: 2009. janur 28.)
http://www.horticultureandlandscape.rdg.ac.uk/hlm_richards.htm (Elrs dtuma: 2009. janur 28.)
Wessa P., (2009), ARIMA Forecasting (v1.0.5) in Free Statistics Software (v1.1.23-r7), Office for Research Development and Education, URL http://www.wessa.net/ rwasp _arimaforecasting.wasp/
250