Page 108 - Gričar, Sergej, in Štefan Bojnec, 2016. Aplikacija metodologije časovnih serij na primeru turističnih cen. Koper: Založba Univerze na Primorskem.
P. 108
Aplikacija metodologije časovnih serij na primeru turističnih cen
Zato moramo biti pri oblikovanju regresijske analize pazljivi. Za primerja-
vo v nadaljevanju navajamo štiri primere, ki jih moramo vzeti v obravnavo,
preden zavrtimo regresijsko analizo z znanimi spremenljivkami (Enders
2004). Prvič – vse spremenljivke so stacionarne. V tem primeru je regre-
sijska analiza primerna. Drugič – zaporedne spremenljivke so integrira-
ne v različnih redih. Regresijska analiza je v takem primeru nepomembna
oziroma nesmiselna, kar prikazujemo v nadaljevanju, kjer smo IDDV izlo-
čili iz regresijske analize. Tretjič – nestacionarne zaporedne spremenljiv-
ke so integrirane v istem redu in njihovi ostanki imajo stohastičen trend.
V tem primeru imamo nepravo regresijo, kar smo predhodno prikazali. V
tem primeru je smiselno zavrteti regresijo, ocenjeno na prvi diferenci, ker
spremenljivke vsebujejo problem enotskega korena, prva diferenca vseh pa
je stacionarna. Opozoriti moramo, da prva diferenca ni ustrezna, če je en
108 trend stohastičen in en determinističen. Četrtič – nestacionarne zapore-
dne spremenljivke so integrirane v istem redu in njihovi ostanki so stacio-
narni. V tem primeru so spremenljivke kointegrirane. Za še boljši primer
navajamo serijo slučajnega sprehoda z zanosom, kjer nastopi beli šum in
slučajni sprehod. Vse spremenljivke so , ostanki so stacionarni. Vsee-
no je zelo pomembno, da (ne)stacionarne spremenljivke predhodno anali-
ziramo v regresijski analizi, četudi analiza ne da pravega pomena (Enders
2004).
Enostavno regresijo v času, v katero smo v izhodišču vključevali vse po-
jasnjevalne spremenljivke, smo po posameznih korakih postopno izboljše-
vali. V enostavno regresijo v času smo najprej vključili vseh šestnajst po-
jasnjevalnih spremenljivk, predstavljenih in analiziranih v predhodnih
točkah, ki smo jih preoblikovali po treh različnih modelih. Z računal-
niškim programom SPSS smo oblikovali nove časovne serije, ki smo jih
analizirali s pomočjo multiple regresijske analize. Postopoma smo iz re-
gresijskega modela odvzemali statistično neznačilne pojasnjevalne spre-
menljivke, spremenljivke z napačnimi predznaki ali spremenljivke, ki so
slabšale model. Prišli smo do izboljšanega regresijskega modela, ki ima sta-
tistično značilne regresijske koeficiente, prav tako pa so smiselni tudi nje-
govi predznaki. Kot najbolj statistično značilne so se izkazale pojasnjevalne
spremenljivke ∆ICŽP, ∆ICGSEA, ∆ICTG in D2. F-test in njegova stati-
stična značilnost kažeta na statistično značilnost modelov kot celote, visok
pa je tudi popravljen determinacijski koeficient, kar kaže na visoko pojas-
njevalno moč vseh vključenih spremenljivk.
V okviru analize avtokorelacije smo pokazali, da je tako pri odvis-
ni kot pri ostalih neodvisnih spremenljivkah prisotna avtokorelacija vsaj
prvega reda, zato je primerna uporaba modela ARIMA. Ker pri obravna-
Zato moramo biti pri oblikovanju regresijske analize pazljivi. Za primerja-
vo v nadaljevanju navajamo štiri primere, ki jih moramo vzeti v obravnavo,
preden zavrtimo regresijsko analizo z znanimi spremenljivkami (Enders
2004). Prvič – vse spremenljivke so stacionarne. V tem primeru je regre-
sijska analiza primerna. Drugič – zaporedne spremenljivke so integrira-
ne v različnih redih. Regresijska analiza je v takem primeru nepomembna
oziroma nesmiselna, kar prikazujemo v nadaljevanju, kjer smo IDDV izlo-
čili iz regresijske analize. Tretjič – nestacionarne zaporedne spremenljiv-
ke so integrirane v istem redu in njihovi ostanki imajo stohastičen trend.
V tem primeru imamo nepravo regresijo, kar smo predhodno prikazali. V
tem primeru je smiselno zavrteti regresijo, ocenjeno na prvi diferenci, ker
spremenljivke vsebujejo problem enotskega korena, prva diferenca vseh pa
je stacionarna. Opozoriti moramo, da prva diferenca ni ustrezna, če je en
108 trend stohastičen in en determinističen. Četrtič – nestacionarne zapore-
dne spremenljivke so integrirane v istem redu in njihovi ostanki so stacio-
narni. V tem primeru so spremenljivke kointegrirane. Za še boljši primer
navajamo serijo slučajnega sprehoda z zanosom, kjer nastopi beli šum in
slučajni sprehod. Vse spremenljivke so , ostanki so stacionarni. Vsee-
no je zelo pomembno, da (ne)stacionarne spremenljivke predhodno anali-
ziramo v regresijski analizi, četudi analiza ne da pravega pomena (Enders
2004).
Enostavno regresijo v času, v katero smo v izhodišču vključevali vse po-
jasnjevalne spremenljivke, smo po posameznih korakih postopno izboljše-
vali. V enostavno regresijo v času smo najprej vključili vseh šestnajst po-
jasnjevalnih spremenljivk, predstavljenih in analiziranih v predhodnih
točkah, ki smo jih preoblikovali po treh različnih modelih. Z računal-
niškim programom SPSS smo oblikovali nove časovne serije, ki smo jih
analizirali s pomočjo multiple regresijske analize. Postopoma smo iz re-
gresijskega modela odvzemali statistično neznačilne pojasnjevalne spre-
menljivke, spremenljivke z napačnimi predznaki ali spremenljivke, ki so
slabšale model. Prišli smo do izboljšanega regresijskega modela, ki ima sta-
tistično značilne regresijske koeficiente, prav tako pa so smiselni tudi nje-
govi predznaki. Kot najbolj statistično značilne so se izkazale pojasnjevalne
spremenljivke ∆ICŽP, ∆ICGSEA, ∆ICTG in D2. F-test in njegova stati-
stična značilnost kažeta na statistično značilnost modelov kot celote, visok
pa je tudi popravljen determinacijski koeficient, kar kaže na visoko pojas-
njevalno moč vseh vključenih spremenljivk.
V okviru analize avtokorelacije smo pokazali, da je tako pri odvis-
ni kot pri ostalih neodvisnih spremenljivkah prisotna avtokorelacija vsaj
prvega reda, zato je primerna uporaba modela ARIMA. Ker pri obravna-
