Laika rinda ir datu vai novērojumu kopums, kas attiecas uz vienu vai vairākiem mainīgajiem lielumiem un ir sakārtots hronoloģiskā secībā.
Laika rindas ir ļoti svarīgas ekonomikā. Tā kā ekonomikā gandrīz visi mainīgie tiek savākti laika gaitā. Citiem vārdiem sakot, ir interesanti redzēt mainīgā evolūciju laika gaitā, nevis konkrēto vērtību attiecīgajā brīdī. Tādējādi, kad tiek analizēti ekonomiskie mainīgie, tiek runāts par ekonomikas cikliem vai tendencēm.
Tā kā datu secībai ir būtiska nozīme, jāņem vērā, ka tas maina datu analīzi un interpretāciju. Tādējādi ekonometrijai, kuras pārziņā ir ekonomisko mainīgo saistību meklēšana un novērtēšana, šis fakts ir jāņem vērā.
Laika rindu analīze
Ņemot vērā to, ka datu kārtībai ir nozīme, mēs varam teikt, ka novērojumi nav neatkarīgi. Tas ir, pagātne var ietekmēt nākotni. Ekonometrikai jāapzinās šī īpašība un jāizmanto matemātiski rīki, kas ļauj ticami aprēķināt. Noteikti:
- Datu kārtībai ir nozīme.
- Novērojumi nav neatkarīgi.
- Novērtējot attiecības, jāņem vērā, ka tās nav neatkarīgas.
- Tādēļ jums jāizmanto dažādas matemātiskās un statistikas metodes.
Zinot to, ir vērts jautāt:
- Ko tieši tas nozīmē, ka novērojumi nav neatkarīgi?
- Ar kādiem paņēmieniem tiek analizēti laika rindu dati?
Pagaidu atkarība
Atbilde uz pirmo jautājumu attiecas uz atkarību no laika. Mainīgais ir atkarīgs no laika, kad pagātnes dati ietekmē mainīgā vērtību nākotnē. Piemēram, pasaules ilgtermiņa iekšzemes kopproduktam (IKP) ir ilgstoša augšupejoša tendence. Tas nozīmē, ka laika gaitā tiek saglabāta ekonomiskā izaugsme. Tāpēc tam, kas notika pagātnē, ir ietekme nākotnē.
Gluži pretēji, ja mēs sarullējam matricu un pierakstīsim datumu, kurā to rullējam, mēs redzēsim, ka starp pagātnes un pašreizējiem datiem nav saistības. Pēdējā gadījumā pagātne neietekmē nākotni.
Laika rindu datu analīzes paņēmieni
Laika rindu datu analīzei ir daudz paņēmienu. Tomēr parasti ir vieglāk izmantot regresijas modeli. Protams, regresijas modelis, kas ņem vērā laika rindu veidu, ar kuru tas darbojas.
Viena no visbiežāk izmantotajām un vienkāršākajām metodēm varētu būt sērijas modificēšana vai ņemšana vērā modelī. Piemēram, netendējiet IKP sēriju vai modelī iekļaujiet tendenču mainīgo. Lai gan tas nav šīs definīcijas objekts, mēs sniegsim ļoti vienkāršu piemēru, lai tas būtu saprotams.
Apskatīsim šādus grafikus:
Ja mēs aprēķinām divu iepriekšējo sēriju regresijas modeli, noteikti aprēķini norāda, ka pastāv statistikas sakarība. Tomēr Mesi gūtajiem mērķiem nav nekāda sakara ar Latīņamerikas valsts izaugsmi. Tomēr, izslēdzot tendenču komponentu, iznāktu, ka tie nemaz nav saistīti.
Iepriekšējā daļā aprakstītais ir tas, kas daudzkārt notiek ar sērijām, kas acīmredzot ir saistītas, taču, ja pētījums tiek veikts labi, tas tā nav.