- •П.Я. Бушин
- •Введение
- •Глава 1. Парная линейная регрессия и корреляция
- •1.1. Обычный метод наименьших квадратов (мнк) и его предпосылки
- •1.2. Оценки точности уравнения регрессии и его параметров
- •1.2.1. Стандартная ошибка оценки по регрессии
- •1.2.3. Интервальные оценки параметров уравнения регрессии
- •1.2.4. Проверка значимости параметров уравнения регрессии
- •1.2.7. Коэффициент ранговой корреляции Спирмена
- •1.3. Спецификация уравнения регрессии
- •0 1,22 1,42 2,58 2,78 4
- •1.4. Нелинейная корреляция и регрессия
- •1.4.2. Индекс корреляции
- •Глава 2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.1.1. Анализ матрицы парных коэффициентов корреляции
- •2.1.2. Частная и множественная корреляция
- •2.2. Линейная модель множественной регрессии
- •2.2.1. Уравнение множественной регрессии в натуральном масштабе
- •2.2.2.Стандартизованное уравнение множественной регрессии
- •2.2.3. Оценки точности уравнения множественной регрессии
- •2.2.4. Анализ остатков уравнения множественной регрессии на втокорреляцию
- •2.2.5. Пошаговый выбор переменных
- •0 0,9 1,83 2,17 3,1 4
- •2.3. Особые случаи использования мнк во множественной регрессии
- •2.3.1. Оценка параметров уравнения множественной регрессии в условиях мультиколлинеарности (пошаговый регрессионный анализ)
- •2.3.2. Оценка параметров уравнения множественной регрессии с автокоррелированными остатками
- •2.3.3. Оценка уравнения множественной регрессии с гетероскедастичными остатками (обобщенный мнк)
- •2.3.4. Регрессионные модели с переменной структурой (фиктивные переменные)
- •Глава 3. Анализ временных рядов
- •3.1. Характеристики временных рядов
- •3.2. Показатели точности прогноза
- •3.3. Анализ автокорреляций
- •3.4. Модели стационарных временных рядов
- •3.5. Модели нестационарных временных рядов
- •3.5.1. Прогноз по тренду
- •3.5.2. Прогнозирование на основе сезонной компоненты (сезонная декомпозиция временного ряда)
- •3.5.3. Прогноз по экспоненциально взвешенным скользящим средним (адаптивные методы прогнозирования)
- •Поквартальные данные продажи учебников
- •Расчет прогноза с учетом сезонной компоненты
- •Глава 4. Система одновременных эконометрических уравнений
- •4.1. Общие понятия о системах одновременных уравнений
- •4.2. Косвенный метод наименьших квадратов
- •4.3. Проблемы идентифицируемости
- •Библиографический список
- •Оглавление
- •Глава 1. Парная линейная регрессия и корреляция………………………………………4
- •Глава 2. Множественная корреляция и регрессия………………………………………..23
- •Глава 3. Анализ временных рядов………………………………………………………….58
- •Пример. Моделирование сезонной компоненты на основе
- •Учебное издание Павел Яковлевич Бушин эконометрика
3.4. Модели стационарных временных рядов
Методы прогнозирования стационарных временных рядов весьма разнообразны. Рассмотрим сначала наиболее простые из них, а именно: вычисление скользящих средних и экспоненциально взвешенных скользящих средних.
Если в первом случае для усреднения используются простые средние арифметические, вычисление которых как бы скользит по элементам исследуемого временного ряда, то во втором случае вычисляются взвешенные средние, причем веса подобраны так, что менее удаленным по времени наблюдениям приписываются большие веса, а более удаленным – меньшие. Здесь как бы учитывается процесс старения информации и более ценной является более свежая информация. В случае вычисления экспоненциально взвешенных скользящих средних веса убывают по экспоненте по мере удаления элементов временного ряда от рассматриваемого периода. Отсюда и название метода.
Проиллюстрируем идею этого метода на примере расчета простого экспоненциально взвешенного среднего (Брауна).
Пусть прогнозное значение на период t рассчитывается по формуле
ft = yt + (1–)yt-1 + (1–)2 yt-2 +…+ (1–)n yt- n + … ,
где – показатель, характеризующий вес текущего наблюдения, называемый параметром сглаживания.
Теоретически здесь предполагается бесконечный временной ряд, но в силу того, что 0 < < 1, коэффициенты-веса при соответствующих элементах временного ряда быстро убывают, поэтому достаточно несколько первых слагаемых этой суммы, чтобы получить результат с достаточной точностью.
Преобразуем это выражение. Вынесем за скобку (1–).
ft = yt + (1–)[yt-1 + (1–)yt-2 +…+ (1–)n-1 yt-n + …].
Тогда можем записать:
ft= yt+ (1–)ft-1. (3.1)
Тем самым мы получили модель экспоненциально взвешенной средней. Из (3.1) следует, что для того чтобы вычислить экспоненциально взвешенную среднюю, необходимо знать значение элемента временного ряда в текущем периоде и экспоненциально взвешенную среднюю за предыдущий период.
Отметим, что сумма весов в выражении для экспоненциально взвешенной скользящей средней (как сумма бесконечно убывающей геометрической прогрессии) равна единице.
Параметр сглаживания обычно подбирается по минимальной ошибке прогноза. С этой целью перебираются возможные значения(с некоторым шагом) и для каждого из них рассчитываются экспоненциально взвешенные скользящие средние и вычисляется ошибка прогноза, например, MSE. Минимальная ошибка и определит константу сглаживания. При расчетах на ЭВМ особых проблем при подборе не возникает ввиду автоматизации таких расчетов.
Есть разные рекомендации по выбору возможных значений , основная из которых заключается в том, что при анализе стационарных временных радов параметр сглаживания не должен выходить за пределы интервала 0,05 – 0,3. Считается, что если при вычислении экспоненциально взвешенных скользящих средних при увеличении значения(за пределами> 0,3) ошибка прогноза уменьшается, то речь идет о не стационарных временных рядах.
Следует отметить, что при увеличении прогнозные значения более динамичны и в большей мере отражают динамику исходных данных, и, наоборот, чем меньше, тем прогнозные значения более сглажены. Поэтому, когда по ходу решения задачи требуется повысить чувствительность прогноза к динамике исходных данных, то высокие значениямогут быть оправданы.
При расчетах по модели (3.1) встает проблема определения прогнозного значения на начальный период (при t= 1, т.е.f0). Обычно заf0берут либо y1, либо среднее значение нескольких первых членов ряда. Как правило, на конечный результат расчетов выбор начального значенияf0практически не сказывается.