60
3.8 Analiza zjawisk dynamicznych
Wystarczy teraz zatem dokonać podstawienia Y1 = lnK i mamy znowu klasyczny model liniowy
Y‘ =blx + b0 + €. (3.191)
Zauważmy jednak, że nie zawsze takie podejście jest możliwe. Bardzo dużo zależy od modelowania zachowania się błędu. Jeśli bowiem mamy zależność postaci
y = efc1+fc> +s (3.192)
bezpośrednie przejście do modelu liniowego nie będzie już możliwe.
Analiza regresji obejmuje również przypadki, gdy
V = /(1) + £, (3.193)
a postać funkcji /(.) nie jest w ogóle znana. Możemy wtedy skorzystać z podejść takich jak np. metoda rozwinięcia w szereg Fouriera, czy metoda lokalnej linowej aproksymacji
Ważną rolę w statystyce matematycznej pełni analiza szeregów czasowych, czyli szeregów statystycznych x\,x%,... ,xn. Należy pamiętać, że w szeregu czasowym indeks dolny wskazuje nie tyle kolejny przypadek (np. kolejną osobę w badaniu wzrostu), ale kolejny moment czasowy (np. dzień, miesiąc). Szeregi czasowe są zatem uporządkowane względem czasu.
Oczywiście szereg czasowy możemy potraktować jak zwykły szereg statystyczny i zastosować do jego analizy metody poznane już wcześniej. Jednak interesującym jest przede wszystkim zbadanie zależności szeregu od czasu. Do takiej analizy służą m.in. metody opisane poniżej.
Przez Xi,X2,.. .,Xn będziemy teraz rozumieć zmienne losowe opisujące pewne zjawisko w chwilach czasowych i = 1,2,...,n. Zaobserwowane realizacje tych zmiennych będą mieć postać a;i,X2,... ,xn, czyli jest to właśnie szereg czasowy.
Przykład 3.51. Przykładami szeregów czasowych są: ceny akcji na giełdzie w kolejnych godzinach (np. od otwarcia do zamknięcia giełdy), poziom wody w rzece w kolejnych dniach, itd.
Indeksem jednopodstawowym nazywamy iloraz postaci
(3.194)
gdzie k nazywamy okresem (momentem) bazowym (podstawowym). Indeks ten porównuje zatem wartość jakiegoś zjawiska w pewnym momencie j do wartości w ustalonym momencie bazowym k. Stąd dla całego szeregu czasowego otrzymujemy odpowiedni ciąg indeksów jednopodstawowych
(3.195)
l/k = —/k =