- •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
3.5.3. Прогноз по экспоненциально взвешенным скользящим средним (адаптивные методы прогнозирования)
В этом направлении разработан целый комплекс моделей. Кратко рассмотрим некоторые из них.
Линейное экспоненциальное сглаживание Холта предполагает, что среднее прогнозируемого показателя yt изменяется во времени линейно:
yt =μ+λt+εt,
где μ– среднее процесса, λ – его скорость, а εt– случайная ошибка. При этом оценка λ осуществляется по показателю ростаbt, который вычисляется как экспоненциально взвешенное среднее разности между текущими экспоненциально взвешенными средними значениями элементов временного ряда utи их предыдущими значениямиut-1и предыдущим значениемbt-1. В свою очередь, текущее значение экспоненциально взвешенного среднегоutвключает в себя значение прошлого показателя ростаbt-1, адаптируясь таким образом к предыдущему значению линейного тренда.
Уравнения метода Холта:
ut =αyt +(1–α)(ut-1 +bt-1) иbt=β(ut–ut-1) + (1–β)bt-1,
где α и β – параметры сглаживания.
Если τ – горизонт прогнозирования, то прогноз на τ моментов времени по модели Холта вычисляется по формуле
ft+τ=ut+bt τ.
Здесь ut– оценка среднего текущего значения, bt– ожидаемый показатель изменения.
Значения α и β подбираются по минимальной ошибке прогноза. Параметр α предназначен для сглаживания оценки постоянного уровня элементов временного ряда, β – для оценки тренда.
Линейное экспоненциальное сглаживаниеБрауна предполагает, что прогноз на τ моментов времени вычисляется по формуле
ft+τ=ut+bt τ,
где ut=ut-1+bt-1+ (1– γ)2et,et=yt– ftиbt=bt-1+ (1– γ)2et.
Квадратичное экспоненциальное сглаживаниеБрауна предполагает, что прогноз на τ моментов времени вычисляется по формуле
ft+τ= а0+ а1 τ+ а2 τ2,
причем параметры а0, а1и а2выбираются так, чтобы на любой момент времени i взвешенная сумма квадратов отклонений между наблюдаемыми и ожидаемыми значениями обращалась в минимум:
= min.
Параметр γ в методе Брауна аналогичен параметру (1–α)в методе Холта (показатель дисконтирования наблюдений) и задается из априорных соображений, в том числе и из условия минимизации указанной суммы.
Кроме рассмотренной модели кратко остановимся на модели Винтера с сезонной компонентой. Эта модель, как и модели Холта и Брауна, основывается на экспоненциально взвешенных средних. Оценке здесь подлежат отдельно каждая из составляющих ряда: стационарная, трендовая (в виде линейного тренда) и сезонная. Для каждой такой оценки вводятся свои параметры сглаживания: α, β и γ. При компьютерных расчетах они определяются в автоматическом режиме по минимальной ошибке прогноза. При этом прогноз на τ периодов времени строится из трех элементов: суммируется оценка линейного тренда btи оценка стационарного фактораut, и результат умножается на значение коэффициента сезонностиSt+τ:
ft+τ = (ut + btτ) St-s+τ.
При этом оценки utиbtрасчитываются аналогично, как в модели Холта (с учетом сезонности), а для оценки сезонной составляющей используется третий параметр (γ) и вычисления ведутся по формуле
St = γ(yt/ut) + (1–γ)St-s+ τ.
Здесь s– длина сезонности.
В заключение отметим, что здесь были приведены только простейшие методы моделирования временных рядов, на основе которых можно анализировать и прогнозировать тенденции уровней временных рядов.
Пример. Сезонная декомпозиция временного ряда
Рассмотрим реализацию рассмотренного метода на примере мультипликативной модели временного ряда. Пусть имеются данные, отражающие продажу учебников (в тыс. шт.) за последние три года поквартально (табл. 3.1).
Таблица 3.1