- •Анализ и прогнозирование финансовых процессов
- •Глава 1. Математические методы и модели как средства исследования экономических процессов ………………………………………………………….7
- •Глава 8. Построение доверительных интервалов прогнозов ………………….210
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей ………………………………………………………….232
- •Предисловие
- •Глава 1. Математические методы и модели как средства исследования экономических процессов
- •1.1. Экономико-математические методы и модели исследования экономических процессов
- •1.2. Разновидности экономико-математических моделей и методов
- •1.3. Программные средства анализа экономических данных
- •1.4. Методика статистического анализа и прогнозирования данных
- •Контрольные вопросы
- •Глава 2. Исследование структуры временных рядов экономических показателей
- •2.1. Понятие временного ряда
- •В таблице 2.4 представлен ряд динамики средних величин - Среднедушевые номинальные денежные доходы населения России в месяц,
- •2.2. Структура временного ряда
- •2.3. Оценивание однородности и направленности изменений финансовых процессов, представленными временными рядами
- •2.4. Статистические показатели измерения динамики финансовых процессов
- •2.5. Показатели и критерии устойчивости и колеблемости развития финансовых процессов
- •Контрольные вопросы и задания
- •Глава 3. Прогнозирование финансовых процессов с использованием кривых роста
- •3.1. Основные этапы прогнозирования с использованием кривых роста
- •3.2. Характеристика кривых роста
- •3.3. Методы выбора кривых роста для выравнивания
- •3.4. Методы оценки параметров кривых роста
- •Контрольные вопросы и задания
- •Глава 4. Сезонные колебания в финансовых процессах
- •4.1. Исследование сезонных колебаний в финансовых процессах
- •4.2. Статистические критерии выявления сезонных колебаний
- •4.3 Показатели измерения сезонности
- •4.4. Моделирование тренд-сезонных временных рядов
- •Контрольные вопросы и задания
- •Глава 5. Адаптивные методы прогнозирования
- •5.1. Сущность адаптивных методов
- •5.2. Экспоненциальное сглаживание
- •5.3. Полиномиальные адаптивные модели
- •5.4. Адаптивные модели прогнозирования сезонных процессов
- •5.5. Метод эволюции
- •5.6. Модели авторегрессии и скользящего среднего
- •Контрольные вопросы и задания
- •Глава 6. Оценка точности и адекватности модели
- •6.1. Оценка адекватности модели
- •Проверка равенства математического ожидания уровней ряда остатков нулю.
- •6.2. Оценка точности модели
- •Контрольные вопросы и задания
- •Глава 7. Применение регрессионных моделей для прогнозирования
- •7.1.Типы регрессионных моделей
- •7.2. Определение зависимости между моделируемыми показателями и определяющими их факторами
- •7.3. Оценка тесноты линейной и нелинейной связи
- •7.4. Линейная модель парной регрессии. Оценка значимости параметров линейной регрессии
- •7.5. Нелинейная регрессия
- •Полиномы разных степеней -;
- •7.6. Модель множественной регрессии
- •7.7. Отбор факторов при построении модели множественной регрессии. Мультиколлинеарность
- •7.8. Регрессионные модели с фиктивными переменными
- •7.9. Прогнозирование в регрессионных моделях
- •Контрольные вопросы и задания
- •Глава 8. Построение доверительных интервалов прогнозов
- •8.1. Методы и критерии, используемых при построении доверительных интервалов
- •8.2. Доверительные интервалы при получении оценок по моделям регрессии
- •8.3.Оценка доверительных интервалов в моделях экономического прогнозирования
- •Доверительный интервал для тренда в общем виде определяется как
- •Контрольные вопросы и задания
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей
- •9.1. Алгоритм методики оценивания доверительных интервалов прогнозов
- •9.2. Практическая реализация методов прогнозирования
- •(По индексам)
- •Контрольные вопросы и задания
- •Литература
- •Шелобаев Сергей Иванович
7.6. Модель множественной регрессии
Если выбранная в качестве объясняющей переменной величина представляет собой действительно доминирующий фактор, то соответствующая парная регрессия достаточно полно описывает механизм причинно-следственной связи. Часто изменение y связано с влиянием не одного, а нескольких факторов. В этом случае в уравнение регрессии вводятся несколько объясняющих переменных. Такая регрессия называется множественной. Уравнение множественной регрессии позволяет лучше, полнее объяснить поведение зависимой переменной, чем парная регрессия, кроме того, оно дает возможность сопоставить эффективность влияния различных факторов.
Линейная модель множественной регрессии имеет вид:
, (7.10)
где m – количество включенных в модель факторов. Коэффициент регрессии показывает, на какую величину в среднем изменится результативный признакy, если переменную увеличить на единицу измерения, т.е.является нормативным коэффициентом.
Уравнение линейной модели множественной регрессии в матричном виде имеет вид:
, (7.11)
где Y – вектор-столбец размерности nх1 наблюдаемых значений зависимой переменной;
X – матрица размерности nх(m+1) наблюдаемых значений независимых переменных (дополнительно вводится фактор, состоящий из одних единиц для вычисления свободного члена);
α – вектор-столбец размерности (m+1)х1 неизвестных, подлежащих оценке коэффициентов регрессии;
ε – вектор-столбец размерности nх1 случайных отклонений.
Таким образом,
,,,.
При применении МНК относительно случайной составляющей в модели (7.10) принимаются предположения, которые являются аналогами предположений, сделанных выше для МНК, применяемого при оценивании параметров парной регрессии. Обычно предполагается:
1. - детерминированные переменные.
2. - математическое ожидание случайной составляющей в любом наблюдении равно нулю.
3. - дисперсия случайного члена постоянна для всех наблюдений.
4. - в любых двух наблюдениях отсутствует систематическая связь между значениями случайной составляющей.
5. ~- часто добавляется условие о нормальности распределения случайного члена.
Модель линейной множественной регрессии, для которой выполняются данные предпосылки, называется классической нормальной регрессионной моделью (Classical Normal Regression model).
Гипотезы, лежащие в основе модели множественной регрессии удобно записать в матричной форме:
1. Х – детерминированная матрица, имеет максимальный ранг (m+1), ρ(Х)=m+1<n. Эта гипотеза означает, что в повторяющихся выборочных наблюдениях единственным источником случайных возмущений вектора Y являются случайные возмущения вектора ε, поэтому свойства оценок обусловлены матрицей наблюдений Х. Предположение относительно матрицы Х, ранг которой принимается равным (m+1), означает, что число наблюдений превышает число параметров (иначе невозможна оценка этих параметров) и не существует строгой линейной зависимости между объясняющими переменными. Это соглашение распространяется на все переменные Х, включая переменную, значение которой всегда равно единице, что соответствует первому столбцу матрицы Х. Если, например, одна объясняющая переменная будет равна другой, умноженной на некоторую константу, или одна будет линейно выражаться через несколько других, то ранг матрицы окажется меньше (m+1), следовательно, ранг матрицы ХТХ тоже будет меньше (m+1). Наличие линейной зависимости между столбцами матрицы Х привело бы к вырождению симметрической матрицы ХТХ, в результате чего перестала бы существовать обратная матрица (ХТХ)-1, которая играет решающую роль в процедуре оценивания.
2. .
3,4. , гдеIn – единичная матрица размером nxn. Так как ε - вектор-столбец, размерности nх1, а εТ – вектор-строка, произведение εεТ есть симметрическая матрица порядка n. Матрица ковариаций:
,
Элементы, стоящие на главной диагонали, свидетельствуют о том, что для всехi, это означает, что все имеют постоянную дисперсию. Элементы, не стоящие на главной диагонали дают намдля, так что значенияпопарно некоррелированы.
5. ~.
Если сделанные предположения отвечают действительности, то получаемые оценки МНК являются несмещенными, состоятельными и эффективными.
Уравнение (7.11) содержит значения неизвестных параметров α0, α1,… αm. Эти параметры оцениваются на основе выборочных наблюдений, поэтому полученные расчетные значения не являются истинными, а представляют собой лишь их статистические оценки. Модель множественной регрессии с оцененными параметрами
(7.12)
запишем в виде
,
где а – вектор оценок параметров, е – вектор «оцененных» отклонений регрессии, остатки регрессии ,- оценка значенийY=Xa.
Оценка параметров модели множественной регрессии проводится с помощью метода наименьших квадратов по формуле:
.