- •«Российская таможенная академия»
- •План чтения лекции №1
- •«Российская таможенная академия»
- •Понятие «эконометрика»
- •Формулировки определений понятия «эконометрика»
- •Задачи эконометрики
- •Эконометрическая модель
- •Задачи эконометрическoго моделирования
- •Классы эконометрических моделей
- •Типы данных и виды переменных в эконометрическом моделировании Типы данных
- •Виды переменных
- •Этапы эконометрического моделирования
- •Модели парной регрессии
- •Множественная регрессия. Мультиколлинеарность данных
- •3.2. Отбор факторов при построении множественной регрессии
- •3.2.1. Требования к факторам
- •3.2.2. Мультиколлинеарность
- •3.3. Выбор формы уравнения регрессии
- •3.4. Оценка параметров уравнения линейной
- •3.5. Качество оценок мнк линейной множественной регрессии. Теорема Гаусса-Маркова
- •3.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •3.7. Точность коэффициентов регрессии. Доверительные интервалы
- •3.8 Прогнозирование по модели множественной регрессии
- •3.9 Гетероскедастичность случайных остатков
- •3.10. Обобщенный метод наименьших квадратов
- •3.11. Фиктивные переменные
- •3.12. Тест Чоу
- •Системы одновременных уравнений
- •4.1. Структурная и приведённая форма модели
- •4.2. Оценивание параметров структурной модели
- •Методы оценивания структурных уравнений различных видов
- •1. Точная идентифицируемость
- •2.Сверхидентифицируемость
- •3.Неидентифицируемость
- •Порядковое условие идентификации
- •Ненулевое ограничение
- •3. Анализ методов оценивания
- •Моделирование изолированного динамического ряда
- •Компоненты динамического ряда
- •Выявление и характеристика основной тенденции развития
- •Экспоненциальное сглаживание.
- •Моделирование основной тенденции
- •Статистическое изучение сезонных колебаний
- •Автокорреляция уровней динамического ряда и характеристика его структуры
- •3; 1; 2; 1; 2; 1; 3; 3; 2; 3; 1; 2; 1; 1; 3; 3; 2; 2; 1; 3; 3; 2; 2; 3; 1; 2; 2; 1; 3; 1.
- •Специфика изучения взаимосвязей по рядам динамики
- •Методы исключения тенденции
- •Метод последовательных разностей
- •Метод отклонений от тренда
- •Включение в модель регрессии фактора времени
- •Обобщенный метод наименьших квадратов при построении модели регрессии по временным рядам
- •Модели с лаговыми переменными
- •Модели с распределенными лагами
- •Метод Койка
- •Модели авторегрессии
- •Интерпретация параметров модели авторегрессии
- •Инструментальные переменные как метод оценивания параметров модели авторегрессии
- •Оценка автокорреляции остатков по модели авторегрессии
- •Авторегрессионные процессы и их моделирование (общая характеристика) Авторегрессионные процессы
- •Модели скользящей средней
- •Модели arma
- •Модели arima
- •Методология построения модели arima для исследуемого временного ряда включает следующую последовательность шагов.
- •Кластерный анализ
Методы исключения тенденции
Теоретически возможны два подхода для исключения тенденции из уровней временного ряда:
метод последовательных разностей;
метод отклонений от тренда.
Наиболее точным из них является метод отклонений от тренда,ибо тенденция учитывается в виде уравнения тренда, описывающего закономерность изменения уровней ряда во времени.Метод последовательных разностейучитывает тенденцию, представленную полиномом соответствующей степени. Так, если тенденция линейная, то регрессия строится по первым разностям, т.е. абсолютным приростам; если же тенденция характеризуется параболой второй степени, то для модели регрессии используются вторые разности, т.е. абсолютные ускорения.
Поскольку тренд может быть описан любой математической функцией, а не только полиномом k-гопорядка, то теоретически более оправданным является учет тенденции в модели регрессии методом отклонений от тренда. Вместе с тем построение модели регрессии по последовательным разностям как наиболее простой способ учета тенденции находит практическое применение. Последовательные разности используются также при построении моделиARIMA.
Метод последовательных разностей
Если в ряде динамики имеется четко выраженная линейная тенденция, то ее можно устранить, перейдя от исходных уровней ряда ytк цепным абсолютным приростам, т.е. первым разностям. Объясняется это тем, что линейный тренд характеризуется постоянным абсолютным приростом. Его величина в уравнениисоответствует параметру.Первые разности в линейном тренде будут варьировать за счет случайной составляющейвокруг своей константы — параметра. Тенденция в уровнях временного ряда будет устранена.
Если ряд динамики характеризуется тенденцией в виде параболы второй степени, то для ее устранения можно заменить исходные уровни ряда на вторые разности , т.е. на величину абсолютных ускорений.
При исследовании двух динамических рядов с линейными тенденциями модель линейной регрессии примет вид
(5.15)
где — первые разности;— случайная ошибка.
Модель (5.15) по существу является моделью скорости роста. Она строится как обычная модель регрессии, но не по уровням динамических рядов, а по их приростам, т.е. по продифференцированным рядам.
Параметр в модели характеризует среднее изменение скорости рядас изменением абсолютного прироста рядана единицу.
Следует заметить, что если модель будет характеризоваться высоким показателем R2и отсутствием автокорреляции в остатках, то для прогнозирования конкретных значенийytможно перейти к уравнению вида
(5.16)
где ур— прогнозное значение динамического уровня рядаyt; уп— конечный уровень динамического рядаyt; хр— прогнозное значение уровня ряда, хп— конечный уровень ряда.
В данном уравнении величина хр-хп = ∆хроценивает прогнозное значение скорости рядах, аур -уп = ∆ур— прогнозное значение скорости ряда у.
Прогнозное значение фактора хрможет быть дано либо по модели
xt =f(zt),гдеzt— объясняющая переменная;, либо по тренду.От того, насколько хорошо спрогнозировано значение фактора хр, зависит качество прогнозау .