- •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
3.4. Автокорреляция в остатках. Критерий Дарбина-Уотсона
Автокорреляция в остатках может быть вызвана несколькими причинами, имеющими различную природу.
Она может быть связана с исходными данными и вызвана наличием ошибок измерения в значениях результативного признака.
В ряде случаев автокорреляция может быть следствием неправильной спецификации модели. Модель может не включать фактор, который оказывает существенное воздействие на результат и влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными. Очень часто этим фактором является фактор времени .
Один из более распространенных методов определения автокорреляции в остатках – это расчет критерия Дарбина-Уотсона:
. (3.5)
Т.е. величина есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии.
Можно показать, что при больших значениях существует следующее соотношение между критерием Дарбина-Уотсонаи коэффициентом автокорреляции остатков первого порядка:.
Таким образом, если в остатках существует полная положительная автокорреляция и , то. Если в остатках полная отрицательная автокорреляция, тои, следовательно,. Если автокорреляция остатков отсутствует, тои. Т.е..
Алгоритм выявления автокорреляции остатков на основе критерия Дарбина-Уотсона следующий. Выдвигается гипотеза об отсутствии автокорреляции остатков. Альтернативные гипотезыисостоят, соответственно, в наличии положительной или отрицательной автокорреляции в остатках. Далее по специальным таблицам определяются критические значения критерия Дарбина-Уотсонаидля заданного числа наблюдений, числа независимых переменных моделии уровня значимости. По этим значениям числовой промежутокразбивают на пять отрезков. Принятие или отклонение каждой из гипотез с вероятностьюосуществляется следующим образом:
–есть положительная автокорреляция остатков, отклоняется, с вероятностьюпринимается;
–зона неопределенности;
–нет оснований отклонять , т.е. автокорреляция остатков отсутствует;
–зона неопределенности;
–есть отрицательная автокорреляция остатков, отклоняется, с вероятностьюпринимается.
Если фактическое значение критерия Дарбина-Уотсона попадает в зону неопределенности, то на практике предполагают существование автокорреляции остатков и отклоняют гипотезу .
3.5 Модели стационарных и нестационарных временных рядов и их идентификация
Набор случайных переменных X(t), где(вещественные числа) называетсястохастическим процессом. Дискретный стохастический процесс определяется как последовательность случайных переменныхX(t), гдеt = t1, t2, ..., tTили корочеХ1, Х2,..., ХТ...,или простоXt.
Математическое ожидание E(Xt)может изменяться во времени и представляет собой функцию среднего в зависимости от времени
.
Аналогичным образом дисперсия (Xt)является функцией, также зависящей от времени:
.
В общем случае в каждый момент времени существует определенная дисперсия. Это не то же самое, что изменчивость эмпирических данных по мере развития процесса во времени.
Автоковариация
в общем виде зависит от каждого t1и t2.
Конечная реализация x1, х2,..., хтдискретного стохастического процесса ... Х1, Х2,... Хт... называется временным рядом.
Рассмотрим различие между стохастическим процессоми сгенерированным имвременным рядом.
Процессы обозначаются прописными буквами, обозначают временные ряды строчными буквами. Исключениями являются остатки в моделях стохастических процессов, не имеющие никакой самостоятельной практической значимости. Они также обозначаются строчными буквами, например а, и и ε. Строгое разграничение необходимо для корректного вывода свойств временных рядов из свойств стохастических процессов. Позднее при моделировании реальных временных рядов это условие можно будет ослабить или опустить.
Стохастический процесс Xt называется стационарным в сильном смысле, если совместное распределение вероятностей всех переменных точно то же самое, что и для переменных .
Под стационарным процессом в слабом смысле понимается стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода времени имеют постоянное значение, а автоковариация зависит только от длины лага между рассматриваемыми переменными.
Среднее ……………..
Дисперсия …………..
Автоковариация ……,
где (лаг).
Автоковариация как функция длины лага τ
называется автоковариационной функцией. При τ = 0 ее значение равно дисперсии.
Проведя нормировку , получим автокорреляционнуюфункцию стационарного стохастического процесса:
,
где .
Временной ряд х1, х2, ..., хТ, т. е. конкретная реализация стационарного стохастического процесса Xt также называется стационарным.
В практической аналитической работе стационарность временного ряда означает отсутствие:
тренда;
систематических изменений дисперсии;
строго периодичных флуктуаций;
систематически изменяющихся взаимозависимостей между элементами временного ряда.
Экономические временные ряды представляют собой данные наблюдений за экономическими показателями, например, валовым внутренним продуктом, за ряд лет, и такие ряды, как правило, нестационарны.
Графическое представление стационарного ряда