Wykorzystanie modelu ARIMA do analizy szeregu czasowego

• Autorzy: Malska W. , Wachta H.

Identyfikatory

DOI

10.7862/re.2015.27

Warianty tytułu

EN

ARIMA model using the time series analysis

• Języki publikacji: PL

Abstrakty

PL

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

EN

The paper presents the application of the method used for the analysis of ARIMA time series with trend and seasonality. Time series is one of the types of statistical series, which can be defined as a series of observations of a phenomenon in the following units of time (years, quarters, months, etc.). Time series analysis based on the main idea that a further consideration of the characteristics (variable) represent the more measurements made in the same unit of time (at regular intervals). The independent variable is the time (unit of time). Observing different phenomena (including related to the economy electricity) often want to know whether and how they are changing over time, that is what is their dynamics. Time series analysis is mainly used to make decisions about the future. Considered phenomenon may be subject to certain regularities, which detect and description is the main objective of the analysis of time series. In many cases, time series models are used to apply for the future of the studied phenomenon (to predict). Forecasting is statistically inference about future values of the time series, which is based on the analysis of data or time values which take under consideration the statistical characteristics (variables). At the time domain analysis in time series can extract some components (constant average level of the phenomenon, a trend long-term cycles, seasonal fluctuations, fluctuations in short-term, interventions, random component (random disturbance)), and not all of them must be analyzed in a specific number of. Forecasting method depends on the components of the time series. The results of calculations using the ARIMA model is presented using STATISTICA v. 10.0.

Słowa kluczowe

PL

szereg czasowy; analiza szeregów czasowych; prognozowanie; model ARIMA

EN

time series; time series analysis; forecasting; ARIMA model

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Elektrotechnika
• Rocznik: 2015
• Tom: z. 34 [292], nr 3
• Strony: 23--30
• Opis fizyczny: Bibliogr. 13 poz., rys., tab., wykr.

Twórcy

autor

Malska W.

• Politechnika Rzeszowska, Katedra Energoelektroniki i Elektroenergetyki, ul. W. Pola 2, 35-959 Rzeszów

autor

Wachta H.

• Politechnika Rzeszowska, Katedra Energoelektroniki i Elektroenergetyki, ul. W. Pola 2, 35-959 Rzeszów

Bibliografia

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