2.2.6. Частотные фильтры
Частотная фильтрация используется для разложения временного ряда на частотные составляющие. Метод возник из технических приложений и предназначался для выделения из данных полезного сигнала, при условии, что известен частотный диапазон сигнала.
Частота измеряется в количестве циклов на один интервал между наблюдениями временного ряда и принимает значения от 0 до 0.5. Частота 0.5 называется частотой Найквиста и является максимальной, которая может быть идентифицирована.
Частотные фильтры делятся на четыре типа:
-
фильтр низких частот пропускает все составляющие с частотами, меньшими заданной, и удаляет из ряда все колебания с большими частотами;
-
фильтр высоких частот противоположен фильтру низких и выделяет в качестве полезного сигнала все составляющие с частотами, большими заданной;
-
полосно-пропускающий фильтр характеризуется двумя частотами и выделяет в качестве сигнала все составляющие с частотами в заданной полосе;
-
полосно-заграждающий фильтр обратен полосно-пропускающему и удаляет из ряда все колебания, частоты которых лежат в заданном диапазоне.
Для нестационарных рядов тренд воспринимается как периодическая составляющая с очень большим периодом. Поэтому фильтр низких частот вполне может использоваться как метод выделения тренда (сглаживания). В свою очередь, полосно-заграждающий фильтр может использоваться для исключения сезонности.
На рис. 2.12 представлены результаты низкочастотной фильтрации ряда РАСХОД при использовании фильтра Поттера с пороговой частотой 0,05 (период равен 20).
- Глава 2. Классические методы исследования
- 2.1. Предварительная обработка и анализ рядов динамики
- 2.1.1. Общие представления о динамических рядах
- 2.1.2. Примеры временных рядов и их характеристики
- 2.1.3. Пропуски, выбросы и разрывы временных рядов
- 2.1.4. Выборочные статистические характеристики ряда
- 2.2. Методы выделения тренда временных рядов
- Булат Окуджава
- 2.2.1. Общие замечания
- 2.2.2. Метод скользящих средних
- 2.2.3. Медианное сглаживание
- 2.2.4. Метод экспоненциального сглаживания
- 2.2.5. Процедура сезонного экспоненциального сглаживания
- 2.2.6. Частотные фильтры
- 2.2.7. Тесты для оценки наличия тренда
- 2.2.8. Параметрические модели тренда
- 2.3. Автокорреляционная функция и спектр
- Булат Окуджава
- 2.3.1. Коэффициент автокорреляции и его оценка
- 2.3.2. Автокорреляционные функции
- 2.3.3. Критерий Дарбина-Уотсона
- 2.3.4. Спектральный анализ
- 2.4. Стохастические модели временных рядов
- Булат Окуджава
- 2.4.1. Основные типы стохастических моделей
- 2.4.2. Этапы построения моделей
- 2.4.3. Модель авторегрессии
- 2.4.4. Модель скользящего среднего
- 2.4.5. Модель Бокса-Дженкинса (арисс)
- 2.4.6. Сезонная модель