Page 96 - Gričar, Sergej, in Štefan Bojnec, 2016. Aplikacija metodologije časovnih serij na primeru turističnih cen. Koper: Založba Univerze na Primorskem.
P. 96
Aplikacija metodologije časovnih serij na primeru turističnih cen
bila analiza, ki je nudila predvsem pomoč za napovedovanje. Kot taka je
bila razvita metodologija razgrajevanja serij v trend, sezonske, ciklične in
naključne komponente. Trend predstavlja dolgoročno obnašanje serije in
ciklična komponenta predstavlja periodična gibanja. Naključna kompo-
nenta je stohastična in cilj je, da se ta komponenta uredi kot ocena in napo-
ved (Enders 2004).
Poleg problema neprave regresije se pri regresijski analizi večkrat pojavi
problem notranjosti, ki bi lahko povzročala pristranske ocene regresijskih
koeficientov. V našem primeru smo kot odvisno spremenljivko opredelili z
namenom in ciljem raziskave, to je, analizo dejavnikov, ki so vplivali na gi-
banje cen v gostinstvu. Kljub morebitnim omejitvam raziskava podaja ugo-
tovitve z uporabo novejše metodologije in hkrati dodaja in razširja analizo
z več pojasnjevalnimi spremenljivkami, kar ni bil primer v primeru predho-
96 dnih analiz, ki so uporabljale zlasti kointegracijsko analizo (Gričar in Boj-
nec 2010a; 2013).
V naši raziskavi smo uporabili različne pristope k empiričnemu pro-
učevanju časovnih serij, katerih ekonometrično analizo smo predstavili v
predhodnih poglavjih. Najprej smo se ustavili na multipli regresijski anali-
zi, ki smo jo empirično preverjali z SPSS. Nadaljujemo z avtoregresijo.
Avto-regresijska analiza
Gibanje ICGS, ICŽP, ICŽPEA, ICGSEA, IAC, IBPG, prihodi turistov,
ICIPP, ICS, ICN, NEDT, IDDV, ICTG, D1, D2, K1 in K2 smo prou-
čevali s pomočjo avtokorelacije. V izračun je bilo vključenih 129 meseč-
nih vrednosti za posamezno spremenljivko. Spremenljivke cen, plač in
prihodi turistov so bile preračunane na indeks s stalno osnovo v januar-
ju 2000 (januar 2000 = 100). To metodo uporabljamo pri proučevanju od-
visnosti med členi iste časovne vrste. V takšnem primeru nas torej zanima,
kako je proučevana spremenljivka odvisna od gibanja te iste spremenljiv-
ke v preteklosti oziroma kako se ta odvisnost spreminja glede na dolžino
odloga in pri katerem odlogu je največja. Stopnjo in smer odvisnosti med
členi iste časovne vrste merimo s koeficientom avtokorelacije ( ), kjer je
. Njegove vrednosti glede na dol-
žino odloga ( ) običajno prikažemo v posebnem grafikonu, imenovanem
avtokorelogram (Lütkepohl in Krätzig 2004).
Proučevanje avtokorelogramov oziroma vrednosti koeficientov avto-
korelacije je pomembno tudi pri ugotavljanju stacionarnosti časovnih vrst,
ki so osnova za Boxov in Jenkinsov pristop k analizi časovnih vrst. Stacio-
narnost pomeni, da vrednosti proučevane časovne vrste nihajo neodvisno
od časa okrog konstantnega povprečja, poleg tega pa mora tudi varianca, ki
bila analiza, ki je nudila predvsem pomoč za napovedovanje. Kot taka je
bila razvita metodologija razgrajevanja serij v trend, sezonske, ciklične in
naključne komponente. Trend predstavlja dolgoročno obnašanje serije in
ciklična komponenta predstavlja periodična gibanja. Naključna kompo-
nenta je stohastična in cilj je, da se ta komponenta uredi kot ocena in napo-
ved (Enders 2004).
Poleg problema neprave regresije se pri regresijski analizi večkrat pojavi
problem notranjosti, ki bi lahko povzročala pristranske ocene regresijskih
koeficientov. V našem primeru smo kot odvisno spremenljivko opredelili z
namenom in ciljem raziskave, to je, analizo dejavnikov, ki so vplivali na gi-
banje cen v gostinstvu. Kljub morebitnim omejitvam raziskava podaja ugo-
tovitve z uporabo novejše metodologije in hkrati dodaja in razširja analizo
z več pojasnjevalnimi spremenljivkami, kar ni bil primer v primeru predho-
96 dnih analiz, ki so uporabljale zlasti kointegracijsko analizo (Gričar in Boj-
nec 2010a; 2013).
V naši raziskavi smo uporabili različne pristope k empiričnemu pro-
učevanju časovnih serij, katerih ekonometrično analizo smo predstavili v
predhodnih poglavjih. Najprej smo se ustavili na multipli regresijski anali-
zi, ki smo jo empirično preverjali z SPSS. Nadaljujemo z avtoregresijo.
Avto-regresijska analiza
Gibanje ICGS, ICŽP, ICŽPEA, ICGSEA, IAC, IBPG, prihodi turistov,
ICIPP, ICS, ICN, NEDT, IDDV, ICTG, D1, D2, K1 in K2 smo prou-
čevali s pomočjo avtokorelacije. V izračun je bilo vključenih 129 meseč-
nih vrednosti za posamezno spremenljivko. Spremenljivke cen, plač in
prihodi turistov so bile preračunane na indeks s stalno osnovo v januar-
ju 2000 (januar 2000 = 100). To metodo uporabljamo pri proučevanju od-
visnosti med členi iste časovne vrste. V takšnem primeru nas torej zanima,
kako je proučevana spremenljivka odvisna od gibanja te iste spremenljiv-
ke v preteklosti oziroma kako se ta odvisnost spreminja glede na dolžino
odloga in pri katerem odlogu je največja. Stopnjo in smer odvisnosti med
členi iste časovne vrste merimo s koeficientom avtokorelacije ( ), kjer je
. Njegove vrednosti glede na dol-
žino odloga ( ) običajno prikažemo v posebnem grafikonu, imenovanem
avtokorelogram (Lütkepohl in Krätzig 2004).
Proučevanje avtokorelogramov oziroma vrednosti koeficientov avto-
korelacije je pomembno tudi pri ugotavljanju stacionarnosti časovnih vrst,
ki so osnova za Boxov in Jenkinsov pristop k analizi časovnih vrst. Stacio-
narnost pomeni, da vrednosti proučevane časovne vrste nihajo neodvisno
od časa okrog konstantnega povprečja, poleg tega pa mora tudi varianca, ki
