23. Временной ряд — это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени.

Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

- факторы, формирующие тенденцию ряда;

- факторы, формирующие циклические колебания ряда;

- случайные факторы.

При различных сочетаниях в изучаемом явлении или процессе этих факторов зависимость уровней ряда от времени может принимать различные формы.

Каждый временной ряд складывается из следующих основных компонентов:

1) большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Очевидно, что эти факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на исследуемый показатель. Однако в совокупности они формируют его возрастающую или убывающую тенденцию. Аналитически тенденция выражается некоторой функцией времени, называемой трендом (T).

2) изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, поскольку экономическая деятельность ряда отраслей экономики зависит от времени года. При наличии больших массивов данных за длительные промежутки времени можно выделить циклические колебания, связанные с общей динамикой конъюнктуры рынка и т.п. Например: значения макроэкономических показателей зависят от того, в какой фазе бизнес-цикла находится экономика. Объем продаж некоторых товаров подвержен сезонным колебаниям (S).

3) некоторые временные ряды не содержат тенденции и цикли­ческой компоненты, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты (Е).

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда.

Основная задача эконометрического исследования от дельного временного ряда — выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.

24. Аналитическое выравнивание временного ряда – способ моделирования тенденции временного ряда: построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда.

21. Отбор факторов

“Оптимальный” состав факторов, вкл в эконом модель, явл одним из основных условий ее “хорошего” качества, понимаемого и как соответствие формы модели теор концепции, выражающей содержание взаимосвязей между рассматриваемыми переменными, и как точность предсказания на рассматриваемом интервале времени t=1Можно выделить два основных подхода к решению этой проблемы

Априорный подход к отбору Метод вкл. в модель переменных(до построения модели) с помощью него проводится исследование характера и силы взаимосвязей между расс-ми переменными, по результатам к-го в модель вкл.факторы наиболее значимые по своему непосредственному влиянию на зависимую переменную Y. Степень влияния оценивает выборочный коэф-т корреляции rxy Считается что при [r]>0.7 установленную зависимость целесообразно исп-ть в анализе планировании, прогнозировании и в решении др.практических вопросов.Рассматриваемые факторы не должны сильнокорр-ть степень тесноты связи между ними опред. Как rxy=∑(xi-xiср)(xj-xjср)/корень∑(xi-xiср)2(xj-xjср)2 i≠j На практике взаимосвязь между факторами признается сущ-ой если [rxy]>0.7, если они выражают одно и тоже явление, то один из факторов следует искл. Чтобы одна и таже причина не учитывалась дважды в модели. В модель вкл. те факторы к-ые боле сильно связаны с др.факторами. При наличии сильной колениарности фактороврекомендуется искл.тот фактор, теснота парной зависимости к-ого меньше тесноты межфакторной связи. Для опред. Вкл. расс-ых переменных в модель или их невкл. Часто используется таблица (матрица) составленная из коэф-тов парной кор-ции.

Апостериорный подход к отбору факторов Метод искл. из модели переменных. Предполагает первоначально вкл. в модель все отобранные на этапе содержательного анализа факторы и на основе анализа хар-к качества построеноой модели отбирать состав факторов. Одну из групп явл. Хар-ки выр-щие силу влияния каждого из факторов на зависимую переменную У,т.е. силу влияния оценок параметров b1,b2,…,bm построенной модели Окончательное решение о вкл.или искл.принимается на основе анализа всего комплекса ее харак-тик качества с учетом содержательной стороны проблемы взаимосвязей между зависимой и независимой переменными.

17. Гетероскедастичность и автокорреляция случайного члена. Одним из предположений теории наименьших квадратов является предположение, что все ошибки наблюдений имеют одинаковые дисперсии. Однако, при моделировании реальных экономических процессов это предположение выполняется далеко не всегда. Посмотрим на ряд урожайностей зерновых в США на рис. 4.1. Можно предположить, что с начала 20 века, с повышением уровня агротехники, индустриализацией и химизацией сельского хозяйства росла не только средняя урожайность, но и абсолютные колебания урожаев вокруг среднего уровня. Если описать изменения среднего уровня урожайности некоторым уравнением регрессии, то ошибки наблюдений будут возрастать с течением времени.

Предположение о том, что ошибки наблюдений имеют одинаковые дисперсии, называется гомоскедастичностью. Если же ошибки наблюдений имеют разные дисперсии, то говорят о гетероскедастичности наблюдений.

во многих случаях обнаружение гетероскедастичности визуально не столь очевидно. Чтобы определить, присутствует ли гетероскедастичность на самом деле, применяют различные тесты.

Все тесты основаны на предположении о наличии связи между дисперсиями остатков моделей и объясняющими переменными или расчетными значениями зависимой переменной в случае гетероскедастичности.

Эта связь обнаруживается с помощью коэффициента ранговой корреляции в тесте ранговой корреляции Спирмена, либо предполагается пропорциональность стандартных отклонений и зависимой переменной Y в тесте Голдфелда-Квандта, либо строятся различные линейные и нелинейные регрессии , 2 , на объясняющие переменные или степени зависимой переменной Y и проверяется значимость полученных коэффициентов регрессии в тесте Уайта.

Подходы к решению проблемы гетероскедастичности

1-й общий подход к решению данной проблемы состоит в преобразовании исходных данных таким образом, чтобы для преобразованных данных модель уже обладала свойством гомоскедастичности. Применяют чаще всего два вида преобразований а) логарифмирование данных; б) переход к безразмерным величинам путем деления на некоторые известные величины, той же размерности, что и исходные данные. Возможна также стандартизация исходных данных.

Второй подход состоит в применении взвешенного и обобщенного метода наименьших квадратов.

Вычитая из данных X(ti) выровненные значения , получаем остатки, случайную составляющую тренда

e(t) =X(t) - . (5.14)

Обычно считается, что выравнивание удовлетворительное, если остатки e(t) образуют стационарный процесс с нулевым математическим ожиданием me(t) = M[e(t)] = 0.

Кроме того, для корректного применения МНК, необходимо более жесткое предположение, что e(t) – случайные независимые (хотя бы некоррелированные) величины с me(t) = 0. Если же e(ti) коррелируют между собой, то говорят, что в модели присутствует автокорреляция остатков. Метод наименьших квадратов и в этом случае дает несмещенные и состоятельные оценки коэффициентов уравнений кривых.

Однако, получаемые при этом стандартные ошибки и доверительные интервалы для коэффициентов оказываются заниженными.

Это может привести к ошибочным выводам при оценке качества отобранной модели поведения временного ряда. Значительная корреляция остатков сигнализирует о том, что, либо кривая подобрана неудачно, либо придется строить еще одну модель для описания поведения самих остатков e(ti).

Итак, при анализе модели тренда необходимо определить присутствует или нет автокорреляция в e(ti). Предварительную оценку случайности поведения остатков проводят на основе критерия поворотных точек. В соответствии с ним каждое значение e(ti) ряда остатков сравнивается с двумя рядом стоящими значениями e(ti – 1) и e(ti + 1).

Если e(ti) > e(ti–1) и e(ti) > e(ti+1) или e(ti) < e(ti–1), e(ti) < e(ti+1), то точка e(ti) считается поворотной (в ней достигается локальный максимум или минимум). Далее подсчитывается общее количество поворотных точек P. В случайном ряду остатков должно выполнятся строгое неравенство:

P > [2(n – 2)/3 – 2 . (5.15)

Квадратные скобки здесь означают, что берется целая часть числа (не путать с процедурой округления). Отметим, что критерий поворотных точек сигнализирует только о наличии положительной корреляции в ряде остатков. Если число поворотных точек P велико, приближается к n – 2 , то можно говорить о наличии отрицательной корреляции между соседними членами временного ряда остатков. Критерий поворотных точек является предварительным и его следует дополнить другими, более точными критериями.