- •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
3.10.5 Сезонные модели
В экономике многие явления характеризуются периодически повторяющимися сезонными эффектами. Соответственно временные ряды, их отражающие, содержат периодические сезонные колебания. Эти ряды и их колебания можно представить как генерируемые моделями двух основных типов: моделями с мультипликативными и с аддитивными коэффициентами сезонности.
Модели первого типа имеют вид:
где динамика величины a1,t характеризует тенденцию развития процесса;
ft ,ft-1, ft-l+1- коэффициенты сезонности;
l— количество фаз в полном сезонном цикле (если ряд представляет месячные наблюдения, то в экономике обычноl =12, при квартальных данныхl= 4 и т. п.);
εt — неавтокоррелированный шум с нулевым математическим ожиданием.
Модели второго типа записываются как:
где величина a1,t описывает тенденцию развития процесса;
gt , gt-1, gt-l+1- аддитивные коэффициенты сезонности;
l— количество фаз в полном сезонном цикле;
εt — неавтокоррелированный шум с нулевым математическим ожиданием.
Адаптивная модель с мультипликативной сезонностью была предложена П. Р. Уинтерсом. Аддитивная модель рассмотрена Г. Тейлом и С. Вейджем.
Прогнозирование с коэффициентами сезонности
Модель имеет вид:
Как видим, является взвешенной суммой текущей оценки, полученной путем очищения от сезонных колебаний фактических данныхxt и предыдущей оценки.
В качестве коэффициента сезонности ftберется его наиболее поздняя оценка, сделанная для аналогичной фазы цикла.
Затем величина , полученная по первому уравнению, используется для определения новой оценки коэффициента сезонности по второму уравнению.
Прогноз следующего значения ряда:
Более общим выражением для прогноза на τ шагов вперед будет:
Величины и могут быть записаны через прошлые данные и начальные условия:
где — начальное значениеа1;
—начальное значение f в соответствующейi фазе (месяце) цикла (года);
J — наибольшая целая часть.
Следовательно, прогноз является функцией всех прошлых значений фактического ряда, параметров ии начальных условий,,, …,.
Влияние начальных условий на прогноз зависит от величины весов и длины ряда, предшествующего текущему моменту t. Влияниеобычно будет уменьшаться быстрее, чем влияние начальных значений, так как пересматривается на каждом шаге, а только один раз за цикл.
Если эта сезонная модель прогнозирования, структура которой не содержит элементов для отражения какой-либо тенденции роста, применяется для прогнозирования ряда, характеризующегося ярко выраженной тенденцией, то коэффициенты перестают быть простыми коэффициентами сезонности и вскоре вбирают в себя в определенной мере эффект роста.
Полная сезонная модель Уинтерса с линейным ростом имеет вид:
Единственным изменением в выражении для является добавление— наиболее поздней оценки аддитивного фактора роста, характеризующего изменение среднего за полный сезонный цикл уровня процесса за единицу времени (месяц). Выражение для обновления коэффициента сезонности остается тем же, что и раньше. Оценкимодифицируются по аналогичной процедуре экспоненциального сглаживания. Прогноз является здесь функцией прошлых и текущих данных, параметрови первоначальных значений,,. Качество и точность прогнозов зависит от этих факторов.
Оптимальные параметры Уинтерс предлагает находить экспериментальным путем. Критерием сравнения он берет стандартное отклонение ошибки.