- •Тема 1 Методы и модели регрессионного анализа 7
- •Тема 2. Системы эконометрических уравнений 50
- •Тема 3. Анализ временных рядов 60
- •Предисловие
- •Введение. Эконометрическая модель и проблемы эконометрического моделирования
- •Общие понятия
- •Экономическая модель
- •Эконометрическая модель
- •Элементы эконометрической модели и их свойства
- •Задачи эконометрики
- •Эконометрика и её место в ряду математических и экономических дисциплин
- •Тема 1 Методы и модели регрессионного анализа
- •1.1 Основные понятия регрессионного анализа
- •1.1.1 Спецификация модели
- •1.2 Парная регрессия и корреляция
- •1.2.1 Линейная модель парной регрессии и корреляции
- •Оценка тесноты связи
- •Оценка качества подбора уравнения
- •Проверка статистической значимости эконометрической модели
- •Оценка значимости параметров эконометрической модели
- •1.2.2 Нелинейные модели парной регрессии и корреляции Виды нелинейных уравнений регрессии
- •Линеаризация нелинейных моделей регрессии
- •Оценка тесноты связи нелинейной регрессии
- •Оценка качества нелинейных уравнений регрессии
- •1.3 Множественная регрессия и корреляция
- •Отбор факторов, включаемых в модель множественной регрессии
- •1.3.1 Линейное уравнение множественной регрессии
- •Оценка параметров линейных уравнений регрессии
- •1.3.2 Линейное уравнение множественной регрессии с стандартизированном масштабе
- •1.3.2 Частные уравнения регрессии
- •1.3.3 Свойства оценок параметров эконометрической модели, получаемых при помощи мнк
- •1.3.4 Предпосылки мнк, методы их проверки
- •Обобщенный метод наименьших квадратов (омнк)
- •1.3.5 Проверка существенности факторов и показатели качества регрессии
- •Оценка тесноты связи
- •Проверка статистической значимости эконометрической модели
- •Оценка значимости параметров эконометрической модели
- •1.3.6 Фиктивные переменные во множественной регрессии
- •1.4 Резюме по теме.
- •Вопросы для повторения
- •Тема 2. Системы эконометрических уравнений
- •2.1. Классификация систем эконометрических уравнений
- •2.2 Структурная и приведенная формы модели
- •2.3 Проблема идентификации систем одновременных уравнений
- •2.4. Методы оценки параметров структурной формы модели (систем одновременных уравнений): косвенный метод наименьших квадратов (кмнк) и двухшаговый метод наименьших квадратов (дмнк)
- •2.5. Модель спроса и предложения
- •2.5.1 Структурная и приведённая форма системы
- •2.6. Вопросы для повторения
- •2.7. Резюме по теме
- •Тема 3. Анализ временных рядов
- •3.1. Структура временного ряда
- •3.2. Автокорреляция уровней временного ряда
- •Проверка гипотезы о наличии тренда во временном ряде
- •3.2. Моделирование тенденции временного ряда
- •3.3. Моделирование сезонных колебаний
- •3.3.1 Аддитивная и мультипликативная модели временных рядов
- •3.4. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •3.5 Модели стационарных и нестационарных временных рядов и их идентификация
- •3.6 Эргодичность
- •3.7 Особые случаи
- •3.8 Нестационарные временные ряды
- •3.9 Метод разностей и интегрируемость
- •3.10 Адаптивные методы краткосрочного прогнозирования временных рядов
- •3.10.1 Понятие адаптивной модели
- •3.10.2 Экспоненциальное сглаживание
- •3.10.3 Модели линейного роста
- •3.10.4 Стохастический процесс Тейла и Вейджа
- •3.10.5 Сезонные модели
- •Аддитивная модель сезонных явлений
- •3.10.6 Модели авторегрессии — скользящего среднего (метод Бокса —Дженкинса)
- •3.10.7 Авторегрессионная модель.
- •3.10.8 Модель скользящего среднего.
- •3.11 Специфика изучения взаимосвязей по временным рядам. Исключение сезонных колебаний. Исключение тенденции.
- •3.11.1. Метод отклонений от тренда
- •3.11.2. Метод последовательных разностей
- •3.12 Резюме по теме.
- •3.13 Вопросы для повторения
3.10.3 Модели линейного роста
Экспоненциальная средняя приводит к смещенным прогнозам, т. е. дает систематическую ошибку, когда временной ряд имеет тенденцию линейного роста. Для этого случая разработано несколько вариантов адаптивных моделей, также использующих процедуру экспоненциального сглаживания. В основе моделей лежит гипотеза о том, что прогноз может быть получен по уравнению
где — текущие оценки коэффициентов адаптивного полинома первого порядка.
Одной из первых моделей этого типа была двухпараметрическая модель Ч. Хольта, в которой оценка коэффициентов производится следующим образом:
(3.11)
где α1и α 2— параметры экспоненциального сглаживания (0< α1, α2<1), которые также называют параметрами адаптации.
Эти уравнения могут быть переписаны в виде:
где — ошибка прогноза.
Частным случаем модели Хольта является модель линейного роста Брауна:
где параметр β — коэффициент дисконтирования, характеризующий обесценение данных наблюдения за единицу времени, 0 < β < 1.
Если модель Хольта усовершенствовать путем включения разности ошибок, то получим полную трехпараметрическую модель прогнозирования Дж. Бокса и Г. Дженкинса:
где α1, α2, α3 являются параметрами модели (0< α1, α2, α3<1);— ошибка прогнозирования.
На основе практических испытаний модели на многих экономических рядах Бокс и Дженкинс пришли к выводу, что включение в модель разности ошибок не является необходимым. Коэффициент α3всегда оказывался близким к нулю. Это объясняется стохастическим характером данных, и, в частности, тем, что корреляция ошибок в подобных случаях неустойчива.
К положительным чертам метода Брауна можно отнести следующие: логичная, ясная и легко понимаемая концепция; оптимальное значение единственного параметра можно быстро найти эмпирическим путем; коэффициенты модели прогнозирования оцениваются совместно таким образом, чтобы уменьшить автокорреляцию в остатках. Все это делает модель Брауна легко применимой.
3.10.4 Стохастический процесс Тейла и Вейджа
Г. Тейл и С. Вейдж в целях дальнейшего изучения свойств адаптивных моделей предложили применить двухпараметрический предиктор Хольта (3.11) для прогнозирования некоторого вероятностного процесса, характеризующегося стохастическим трендом. Они вывели выражения для определения оптимальных параметров адаптации, минимизирующих средний квадрат ошибки прогнозирования.
Процесс Тейла—Вейджа аналитически записывается как:
где a1,t — значение уровня исследуемого временного рядаxt в моментt;
a2,t — прирост уровня от моментаt—1 к моментуt
εt , υt — временные последовательности с нулевым математическим ожиданием, постоянными дисперсиями и отсутствием ковариации, т. е.
для любой пары (t, t’).
Временной ряд xt не является стационарным и не имеет строго определенной автоковариационной функции. Вторые же разности этого ряда имеют вполне определенную автоковариационную функцию
Схема составления прогноза в соответствии с (3.11) выглядит следующим образом:
Если ошибку прогноза, сделанного в момент t на 1 шаг вперед, обозначить черезe1(t), то уравнения адаптации (3.12) и (3.13) можно записать в виде:
Ошибка прогноза:
Следовательно, ошибка прогноза является суммой трех компонент: ошибки оценки уровня процесса в момент t, ошибки оценки прироста уровня в моментt и комбинации случайных компонент υ иεв моментt + 1.