- •1. Основные понятия математического моделирования социально-экономических систем
- •2. Предмет, цель и задачи эконометрики. Эконометрическая модель, основные этапы построения эконометрической модели.
- •Этапы эконометрического моделирования:
- •3. Простая (парная) линейная регрессия (плр). Классические предположения моделей.
- •Классические модельные предположения
- •4. Статистическое оценивание параметров плр по методу наименьших квадратов. Свойства мнк – оценок
- •Свойства мнк-оценок:
- •5. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •6. Множественная линейная регрессия (млр). Классические предположения. Мнк-оценка параметров модели.
- •7. Свойства мнк-оценок множественной линейной регрессии. Теорема Гаусса- Маркова.
- •8. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •5. Коэф. Детерминации
- •Прогнозирование по модели множественной линейной регрессии
- •9. Спецификация эконометрической модели: способы и диагностика отбора экзогенных переменных. Тесты Рамсея и Амемья.
- •Критерий Рамсея (Ramsey):
- •10. Спецификация эконометрической модели: выбор формы зависимости нелинейной модели
- •Принципы спецификаций
- •11. Проблема наличия мультиколлинеарности. Последствия наличия и диагностики мультиколлинеарности.
- •Методы диагноза мультиколлинеарности:
- •12. Методы устранения мультиколлинеарности. Метод главных компонент. Гребневая регрессия.
- •13. Проблемы гетероскедастичности модели. Критерии ее диагностики.
- •1. Критерий Парка (Park).
- •2. Критерий Голдфелда-Кандта (Goldfeld-Quandt).
- •3. Критерий Бриша-Пагана (Breusch-Pagan).
- •4. Критерий Вайта (White).
- •14. Обобщенный мнк (омнк). Свойства оценок млр по омнк. Взвешенный мнк в задаче оценивания параметров модели. Свойства оценок по взвешенному мнк.
- •Вопрос 15. Проблема автокорреляции остатков модели. Последствия автокорреляции при использовании модели.
- •Причины автокорреляции остатков
- •Последствия автокорреляции:
- •16. Критерий диагностики автокорреляции Дарбина-Уотсона
- •17.Методы устранения автокорреляции. Процедуры оценивания Кохрейна-Оркатта и Хильдрета-Лу
- •18. Модели с распределенными лагами: структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
- •19 Модели с распределенными лагами: линейно-арифметическая структура лагов и полиномиальная структура лагов по Алмон
- •20. Тест h-Дарбина и множественный тест Лагранжа проверки автокорреляции в лаговых моделях
- •21. Понятие временного ряда (вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
- •22 Стационарность временного ряда (вр). Характеристики корреляции уровней вр.
- •23 Стационарные модели временных рядов: авторегрессии, скользящего среднего, арсс
- •24. Нестационарная модель арисс. Оценка параметров модели.
- •28. Прогнозирование временных рядов. Показатели точности прогнозов.
- •30. Тест Чоу диагностики включения фиктивных переменных в эконометрическую модель.
- •32. Системы одновременных эконометрических уравнений (соу). Структурная и приведенная форма соу (графическое и матричное представление).
- •33. Проблемы идентификации систем одновременных уравнений (соу). Идентифицируемость уравнений соу (порядковый и ранговый критерии)
- •34. Методы оценивания систем одновременных уравнений: косвенный мнк, двухшаговый мнк. Применимость и свойства оценок
- •35. Современное состояние эконометрики. Примеры больших эконометрических моделей
22 Стационарность временного ряда (вр). Характеристики корреляции уровней вр.
Ряд называют строго стационарным (в узком смысле), если совместное распределение m наблюденийне зависит от сдвига по времени, т.е совпадает с распределением. Слабая стационарность (в широком смысле) состоит в том, что дисперсия и ковариацияне зависит от момента времени:.
Значения уровней временных рядов экономических показателей могут содержать следующие компоненты:- тренд (изменение, определяющее общее направление развития, основную тенденцию временного ряда);- сезонную компоненту;- циклическую компоненту;- случайную составляющую.
Анализ временного ряда надо начинать с построения графика исследуемого показателя. По графику можно сделать предположение о наличии тренда и колебаний. Если амплитуда колебаний относительного среднего значения не меняется, то используют аддитивную модель; если же амплитуда возрастает (убывает), то используют мультипликативную модель.
Если присутствие тренда во временном ряду визуально прослеживается нечетко, то проводят статистическую проверку гипотезы о существовании тенденции, например, с помощью метода Фостера-Стюарта:
1) Каждый уровень ряда сравнивается со всеми предшествующими, вычисляются вспомогательные характеристикии:
Т.е. , еслибольше всех предшествующих уровней;, еслименьше всех предшествующих уровней.
2) Вычисляется ,.
3) Находится характеристика .
4) С помощью критерия Стьюдента проверяется гипотеза о том, что можно считать случайной разность (т.е. ряд можно считать случайным, не содержащим тренд). Для этого определяется, где– средняя квадратическая ошибка величины D. Расчетное значение критериясравнивается с критическим значениемдля заданного уровня значимости a и числа степеней свободы. Если, то гипотеза об отсутствии тренда отвергается.
При наличии у временного ряда тренда, циклической и сезонной компонент наблюдается корреляция между уровнями временного ряда – автокорреляция. Количественно автокорреляция устанавливается с помощью линейного коэффициента корреляции между уровнями этого ряда и некоторым лагом . Величина лага определяет порядок коэффициента корреляции. Коэффициент автокорреляции k-го порядка вычисляется по формуле:
где ,.
С увеличением лага число пар уровней, по которым рассчитывается коэффициент автокорреляции, уменьшается. Считается целесообразным использовать коэффициенты автокорреляции с порядками: .
23 Стационарные модели временных рядов: авторегрессии, скользящего среднего, арсс
Стационарный, нормально распределенный временной ряд адекватно можно представить двумя моделями (процессами): процессом авторегрессии или процессом скользящего среднего.
Процессом авторегрессии порядка p называется случайный ряд вида:
x(k) - μ = a1*[x(k-1) - μ] + a2*[x(k-2) - μ] + ...+ ap*[x(k-p) - μ] + ε(k)
где: x(k) - k-ое значение временного ряда;
a1, a2, ..., ap - коэффициенты процесса авторегрессии;
μ - математическое ожидание временного ряда;
ε(k) - k-ое значение непрогнозируемого временного ряда ("белый шум").
Как видно значение временного ряда определяется p предыдущими значениями ряда плюс значение случайной составляющей. Для более компактной записи моделей временных рядов используют оператор сдвига Z:
x(k-1) = Z*x(k); x(k-2) = Z2*x(k) ; ... x(k-p) = Zp*x(k)
С использованием оператора сдвига процесс авторегрессии порядка p может быть представлен следующим образом:
(1 -a1*Z - a2*Z2 - ... -ap*Zp)*[x(k) - μ] = ε(k)
выражение (1 -a1*Z - a2*Z2 - ... -ap*Zp) называют оператором авторегрессии порядка p и обозначают: АР(p) - в русской транскрипции или AR(p) - в английской транскрипции. Таким образом, для процесса авторегрессии порядка p имеем:
AR(p)*[x(k) - μ] = ε(k)
Процессом скользящего среднего порядка q называется случайный ряд вида:
x(k) - μ = ε(k) - c1*ε(k-1) - c2*ε(k-2) - ... - cq*ε(k-q)
С использованием оператора сдвига:
x(k) - μ = (1 - c1*Z - c2*Z2 - ... -cq*Zq)*ε(k)
выражение (1 - c1*Z - c2*Z2 - ... -cq*Zq) называют оператором скользящего среднего порядка q и обозначают: СС(q) - в русской транскрипции или MA(q) - в английской транскрипции. Таким образом, для процесса скользящего среднего порядка q имеем:
x(k) - μ = СС(q)*ε(k)
Теоретически любой ряд можно представить как авторегрессией, так и процессом скользящего среднего. Однако, можно показать, что если процесс является авторегрессией, то при адекватном представлении его процессом скользящего среднего требуется бесконечный порядок q. Точно также если процесс является скользящим средним, то при адекватном представлении его авторегрессией порядок p должен быть бесконечным. Покажем это свойство на следующем простом примере.
Пусть временной ряд соответствует авторегрессии первого порядка: (1 - a*Z)*[x(k) - μ] = ε(k) , тогда представление ряда процессом скользящего среднего имеет вид: [x(k) - μ] = ε(k) *(1 - a*Z)-1. Составляющая (1 - a*Z)-1 является суммой бесконечной геометрической прогрессии с показателем a*Z. Это означает, что модель имеет вид:
[x(k) - μ] = ε(k) *(1 + a*Z + a2*Z2 + a3*Z3 + a4*Z4 + ...)
или
[x(k) - μ] = ε(k) + a*ε(k-1) + a2*ε(k-2) + a3*ε(k-3) + a4*ε(k-4) + ...
Аналогично если временной ряд - процесс скользящего среднего первого порядка: x(k) - μ = ε(k) - c*ε(k-1) , то при представлении его авторегрессией получим:
1 + c*[x(k-1) - μ] + c2*[x(k-2) - μ] + c3*[x(k-3) - μ] + c4*[x(k-4) - μ] + ... = ε(k).
Очевидно, что в практических приложениях реализовать модель бесконечного порядка невозможно. Более того желательно, что бы число коэффициентов в модели было минимально. Этому требованию соответствуют смешанные модели - модели авторегрессии-скользящего среднего:
x(k) - μ = a1*[x(k-1) - μ] + a2*[x(k-2) - μ] + ...+ ap*[x(k-p) - μ] -- c1*ε(k-1) - c2*ε(k-2) - ... - cq*ε(k-q) + ε(k)
В общем виде, с использованием оператора сдвига смешанная модель, содержащая авторегрессию порядка p и скользящее среднее порядка q, записывается так:
АР(p) *[x(k) - μ] = СС(q) *ε(k)
или совсем кратко: АРСС(p,q) (в англоязычной версии ARMA(p,q)). Например, АРСС(1,1) имеет вид:
x(k) - μ = a1*[x(k-1) - μ] - c1*ε(k-1) + ε(k).