Page 97 - Gričar, Sergej, in Štefan Bojnec, 2016. Aplikacija metodologije časovnih serij na primeru turističnih cen. Koper: Založba Univerze na Primorskem.
P. 97
Empirična analiza kvantitativne raziskave 97
meri velikost teh nihanj, ostati nespremenjena v času. Kadar časovna vrsta
ustreza zahtevam stacionarnosti, ocenjene vrednosti avtokorelacijskih ko-
eficientov s podaljševanjem odlogov zelo hitro upadajo (že po nekaj prvih
odlogih ocene avtokorelacijskih koeficientov niso več statistično značilne
od nič), v nasprotnem primeru pa je njihovo upadanje zelo počasno.
S proučevanjem opisanih časovnih vrst gre za proučevanje odvisno-
sti med členi iste časovne vrste. Večjo pozornost smo namenili povezano-
sti med členi časovne vrste ICGS. Proučili smo tudi povezanost med členi
ostalih časovnih vrst, ki merijo pojasnjevalno spremenljivko in posredno
dejavnike cen v turizmu. Pri analizi, ki vključuje časovne vrste, obstaja ve-
lika verjetnost, da je posamezna spremenljivka (časovna vrsta) hkrati od-
visna tudi od njenega gibanja v preteklosti. Zanima nas, kako se odvisnost
gibanja spremenljivke od njenega gibanja v preteklosti spreminja glede na
dolžino časovnega odloga in pri katerem časovnem odlogu je ta odvisnost
največja. Na kratek rok lahko na primer okoliščine, ki so prispevale do viš-
je cene v nekem mesecu, učinkujejo še v naslednjih mesecih in počasi izzve-
nijo, kar pomeni prisotnost avtokorelacije (Čepar 2009).
Avtokorelacijo proučujemo tudi zaradi ugotavljanja stacionarnosti ča-
sovnih vrst. Vprašanje stacionarnosti je povezano z vprašanjem (ne)od-
visnosti od časa. Želimo si, da bi variabilnost ICGS v čim večji meri po-
jasnili z variabilnostjo pojasnjevalnih spremenljivk, ne pa z gibanjem časa
(Hendry in Nielsen 2007). Kadar je časovna vrsta stacionarna, vrednos-
ti avtokorelacijskih koeficientov ob podaljševanju časovnih odlogov hitro
upadajo, hkrati pa niso več statistično različne od nič. Kadar časovna vr-
sta ni stacionarna, poskušamo rešiti problem tako, da poiščemo časovno
vrsto njenih diferenc, in sicer tistega reda, pri katerem ne moremo več naj-
ti statistično značilnega avtokorelacijskega koeficienta pri nobenem časov-
nem odlogu.
Dodajmo, da časovnih vrst nismo diferencirali z logaritmiranjem, kot je
to splošno značilno in najbolj uporabljeno pri proučevanju časovnih vrst in-
flacije in cen dobrin (Gričar in Bojnec 2010a), saj sta Lütkepohl in Xu (2011)
pokazala, da logaritmiranje ni nujno (naj)boljša odločitev za oblikovanje
stabilnega univariatnega modela. Nasprotno – trdita, da naj bo ciljano dife-
renciranje primarna metoda za oblikovanje stabilnega modela časovnih vrst
(Lütkepohl in Xu 2011). Kombinacija močne sezonskosti in nestacionar-
nosti (Enders 2004) je pogosto prisotna v ekonomskih podatkih. ACF ko-
relogram je pri izrisu podoben kot pri podatkih brez sezonskosti. Vse spre-
menljivke s sezonskim vplivom imajo visoke odloge, ki dolgo časa ne kažejo
padanja oziroma je padanje počasno. Ta primer je značilen tudi za vse naše
spremenljivke, razen IDDV, ki je, kot smo že omenili, . Zaradi tega raz-
meri velikost teh nihanj, ostati nespremenjena v času. Kadar časovna vrsta
ustreza zahtevam stacionarnosti, ocenjene vrednosti avtokorelacijskih ko-
eficientov s podaljševanjem odlogov zelo hitro upadajo (že po nekaj prvih
odlogih ocene avtokorelacijskih koeficientov niso več statistično značilne
od nič), v nasprotnem primeru pa je njihovo upadanje zelo počasno.
S proučevanjem opisanih časovnih vrst gre za proučevanje odvisno-
sti med členi iste časovne vrste. Večjo pozornost smo namenili povezano-
sti med členi časovne vrste ICGS. Proučili smo tudi povezanost med členi
ostalih časovnih vrst, ki merijo pojasnjevalno spremenljivko in posredno
dejavnike cen v turizmu. Pri analizi, ki vključuje časovne vrste, obstaja ve-
lika verjetnost, da je posamezna spremenljivka (časovna vrsta) hkrati od-
visna tudi od njenega gibanja v preteklosti. Zanima nas, kako se odvisnost
gibanja spremenljivke od njenega gibanja v preteklosti spreminja glede na
dolžino časovnega odloga in pri katerem časovnem odlogu je ta odvisnost
največja. Na kratek rok lahko na primer okoliščine, ki so prispevale do viš-
je cene v nekem mesecu, učinkujejo še v naslednjih mesecih in počasi izzve-
nijo, kar pomeni prisotnost avtokorelacije (Čepar 2009).
Avtokorelacijo proučujemo tudi zaradi ugotavljanja stacionarnosti ča-
sovnih vrst. Vprašanje stacionarnosti je povezano z vprašanjem (ne)od-
visnosti od časa. Želimo si, da bi variabilnost ICGS v čim večji meri po-
jasnili z variabilnostjo pojasnjevalnih spremenljivk, ne pa z gibanjem časa
(Hendry in Nielsen 2007). Kadar je časovna vrsta stacionarna, vrednos-
ti avtokorelacijskih koeficientov ob podaljševanju časovnih odlogov hitro
upadajo, hkrati pa niso več statistično različne od nič. Kadar časovna vr-
sta ni stacionarna, poskušamo rešiti problem tako, da poiščemo časovno
vrsto njenih diferenc, in sicer tistega reda, pri katerem ne moremo več naj-
ti statistično značilnega avtokorelacijskega koeficienta pri nobenem časov-
nem odlogu.
Dodajmo, da časovnih vrst nismo diferencirali z logaritmiranjem, kot je
to splošno značilno in najbolj uporabljeno pri proučevanju časovnih vrst in-
flacije in cen dobrin (Gričar in Bojnec 2010a), saj sta Lütkepohl in Xu (2011)
pokazala, da logaritmiranje ni nujno (naj)boljša odločitev za oblikovanje
stabilnega univariatnega modela. Nasprotno – trdita, da naj bo ciljano dife-
renciranje primarna metoda za oblikovanje stabilnega modela časovnih vrst
(Lütkepohl in Xu 2011). Kombinacija močne sezonskosti in nestacionar-
nosti (Enders 2004) je pogosto prisotna v ekonomskih podatkih. ACF ko-
relogram je pri izrisu podoben kot pri podatkih brez sezonskosti. Vse spre-
menljivke s sezonskim vplivom imajo visoke odloge, ki dolgo časa ne kažejo
padanja oziroma je padanje počasno. Ta primer je značilen tudi za vse naše
spremenljivke, razen IDDV, ki je, kot smo že omenili, . Zaradi tega raz-
