- •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
3.10.7 Авторегрессионная модель.
В этой модели текущее значение процесса выражается через конечную линейную совокупность предыдущих значений процесса и возмущения εt.
Если обозначить через отклонение от среднего, то получаем процесс
где φi = const, i= 1, ..., р,
называемый авторегрессионным процессом порядка р, который будем обозначать АР(р).
В этой модели р + 2 неизвестных параметра, которые должны быть оценены по имеющимся данным об изучаемом процессе.
Процессы могут быть стационарными и нестационарными. Для решения практических задач, как правило, достаточно р<=2.
Модель авторегрессии 1-го порядка
Достаточно большой класс стационарных временных рядов, имеющих смысл нерегулярной компоненты экономического временного ряда, могут быть представлены следующим образом
(t) =(t– 1) +(t), (3)
где || < 1.
Из представления (3) следует, что (t) формируется только на основе предыдущего значения(t–1) и не зависит от всех прошлых. При этом на значение(t) влияние текущее значение возмущения(t).
Процессы авторегрессии 1-го порядка также называются марковскими.
Для марковских процессов доказано, что
1) M(t) = 0,
2) K() =,
Таким образом, большое положительное (близкое к 1) значение означает сильную коррелированность значений временного ряда, отстоящих на небольшое значение , и медленное затухание этой зависимости с ростом . Временной ряд при таких имеет более плавный характер. При малом значении степень зависимости значений временного ряда быстро уменьшается. При этом ряд имеет более изрезанный «дёрганный характер».
K(1) = ,
то есть величина – это коэффициент корреляции соседних значений временного ряда.
3)
Из последнего соотношения следует, что, если значение || близко к 1, тогда дисперсия(t) будет значительно больше дисперсии возмущения(t). То есть, если соседние значения ряда(t) сильно коррелированны, то ряд довольно слабых возмущений(t) будет порождать размашистые колебания остатков(t).
Из соотношения
K(1) =,
следует способ идентификации модели авторегрессии 1-го порядка.
Оценка величины формируется как оценка корреляционной функции в точке 1:
Модель авторегрессии второго порядка
(t) =1(t– 1) +2(t– 2) +(t).
Условие стационарности (t):
|1| < 2,
2< 1 – |1|.
Доказано, что
на основе этих соотношений строятся оценки параметров 1, 2.
Для корреляционных функций процессов авторегрессии 2-го порядка уже не удаётся получить аналитическое выражение для корреляционной функции, однако существует рекуррентный алгоритм вычисления всех значений:
K() =1K(– 1) +2K(– 2).
20=2–1K(1) –2K(2).
3.10.8 Модель скользящего среднего.
Другим типом модели, имеющим практическую ценность, является модель конечного скользящего среднего, в которой линейно зависит от конечного числа предыдущих значений ε, т.е.
Это процесс скользящего среднего порядка q или кратко СС(q). Следует отметить, что в данном случае название “скользящее среднее” вводит в заблуждение, так как веса 1,—Q1, — Q2, … ,— Qq не обязательно должны в сумме давать единицу и не обязательно должны быть положительными.
Модель содержит q + 2 неизвестных параметра μ,Q1, Q2, … , Qq,Обычноq = 0, 1, 2,
Смешанная модель АРСС. Для достижения большей гибкости при построении модели исследуемых процессов полезно включать в нее и члены скользящего среднего, и авторегрессионные члены. Это приводит к смешанной модели АРСС(р, q)
с р +q + 2 неизвестными параметрами.