Эконометрика УМП Каверина - 2011для эк и мен
.pdf3. Приведенная форма модели в общем виде выглядит следующим образом:
Ct |
A1 11Ct 1 12It 1 13Mt |
14Gt |
u1, |
|||||||||||||||||
|
A2 21Ct 1 |
22It 1 |
23Mt |
24Gt |
u2, |
|||||||||||||||
It |
||||||||||||||||||||
r A C |
|
32 |
I |
t 1 |
|
33 |
M |
t |
|
|
|
G u , |
||||||||
t |
3 |
31 t 1 |
|
|
|
|
|
|
|
|
34 t |
3 |
||||||||
Y A C |
|
42 |
I |
t 1 |
|
43 |
M |
t |
|
G u . |
||||||||||
t |
4 |
41 t 1 |
|
|
|
|
|
|
|
|
|
|
44 t |
1 |
7. Моделирование одномерных временных рядов
Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда (значение в определенный момент времени) формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:
1)факторы, формирующие тенденцию ряда;
2)факторы, формирующие циклические колебания ряда;
3)случайные факторы.
Аддитивная модель – модель уровней временного ряда вида:
Y T S E,
где T – трендовая компонента, S – сезонная компонента и E – случайная компонента.
Мультипликативная модель – модель уровней временного ряда вида:
Y T S E.
Основная задача эконометрического исследования отдельного 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.
8. Автокорреляция уровней временного ряда
Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.
21
Коэффициент автокорреляции уровней ряда первого порядка - измеряет зависимость между соседними уровнями ряда t и yt 1, вычисляется по формуле:
n
yt y1 yt 1 y2
|
|
|
|
r |
|
|
t 2 |
|
|
, |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
1 |
|
|
|
n |
n |
||||||
|
|
|
|
|
|
|
|
yt |
y1 2 |
yt 1 |
y |
2 2 |
|||
|
|
|
|
|
|
|
|
t 2 |
t 2 |
||||||
|
|
1 |
n |
|
|
|
|
1 |
n |
|
|
|
|
|
|
где |
y1 |
yt, |
y |
2 |
|
yt 1. |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
||||||||
|
|
n 1t 2 |
|
|
|
n 1t 2 |
|
|
|
|
|
Коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями yt и yt 2 и определяется по формуле:
n
yt y3 yt 2 y4
|
|
|
|
r |
|
|
|
|
t 3 |
|
|
|
|
|
, |
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
2 |
|
|
|
n |
|
|
|
n |
|||||
|
|
|
|
|
|
|
|
|
yt |
y |
3 2 |
yt 2 |
y |
4 2 |
|||
|
|
|
|
|
|
|
|
|
t 3 |
|
|
|
t 3 |
||||
|
|
|
1 |
n |
|
|
|
1 |
n |
|
|
|
|
|
|||
где |
y |
3 |
yt, |
y |
4 |
yt 2. |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
||||||||||
|
|
|
n 2 t 3 |
|
|
|
n 2 t 3 |
|
|
|
|
|
Аналогично определяются коэффициенты автокорреляции более высоких порядков.
Число периодов, по которым рассчитывается коэффициент автокорреляции,
называют лагом.
9. Алгоритм построения аддитивной или мультипликативной модели
Построение аддитивной и мультипликативной моделей сводится к расчету
значений T, S и E для каждого уровня ряда.
Шаг1. Выравнивание исходных уровней ряда методом скользящей средней:
1.Суммируем уровни ряда последовательно за каждый промежуток времени, в
котором наблюдаются колебания со сдвигом на один момент времени и определяем условные величины показателя Y.
22
2.Делим полученные величины на число моментов времени в промежутке и находим скользящие средние.
3.Находим средние значения из двух последовательных скользящих средних – центрированные скользящие средние.
Шаг 2. Оценка сезонной компоненты:
1.Находим оценку сезонной компоненты, как разность между фактическими уровнями ряда и центрированными скользящими средними.
2.Находим средние оценки сезонной компоненты за каждый промежуток времени, в котором наблюдаются колебания Si .
3.Исходя из условия взаимопогашения сезонных воздействий определяем
корректирующий коэффициент |
k: в |
аддитивной модели k |
Si |
; в |
||
n |
||||||
|
|
|
|
|
||
мультипликативной модели – k |
n |
; где n – период колебаний. |
|
|
||
Si |
|
|
|
4. Рассчитываем скорректированные значения сезонных компонент: в
аддитивной модели: Si Si k ; в мультипликативной модели: Si Si k;
Шаг 3. Элиминирование влияния сезонной компоненты:
Находим значения T E как Y S – в аддитивной модели; T E как Y /S –
в мультипликативной модели.
Шаг 4. Определение трендовой компоненты ряда.
1.Трендовая компонента ряда определяется с помощью построения регрессионной модели, параметры которой находятся методом наименьших квадратов.
2.С помощью уравнения регрессии находим уровни трендовой компоненты
Т для каждого момента времени t.
Шаг 5. Находим значения T S – в аддитивной |
модели или T S – в |
мультипликативной модели. |
|
Шаг 6. Находим случайную компоненту E Y (T S) |
– в аддитивной модели |
или E Y /(T S)Е= Y/(T*S) – в мультипликативной модели.
23
Шаг 7. Оценка качества модели.
1.Находим сумму квадратов случайной компоненты.
2.Находим отношение суммы квадратов случайной компоненты к общей сумме квадратов отклонений уровней ряда от его среднего значения:
E2 100%.
(yi y)2
|
|
10. |
Пример аддитивной модели временного ряда |
|
|
|||||||||||||
Задание. Имеются данные, описывающего потребление продукции |
||||||||||||||||||
естественной монополии (электроэнергии) за 4 года (2005 – 2008г.): |
|
|
|
|||||||||||||||
Таблица 3.1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
№ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
квартала |
1 |
|
2 |
|
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
t |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Yt |
375 |
|
371 |
|
869 |
1015 |
357 |
471 |
992 |
1020 |
390 |
355 |
992 |
905 |
461 |
454 |
920 |
927 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Требуется:
1.Построить автокорреляционную функцию и сделать вывод о наличии сезонных колебаний.
2.Построить аддитивную модель временного ряда.
3.Сделать прогноз на 2 квартала вперед.
Решение. В нашем случае n 16.
1. Строим автокорреляционную функцию временного ряда, учитывая, что
максимальный лаг должен быть не больше n 16 4.
4 4
Строим поле корреляции
24
|
|
|
Поле корреляции |
|
|
|
|
|
|
1200 |
|
|
|
|
|
|
|
Y |
1000 |
|
|
|
|
|
|
|
800 |
|
|
|
|
|
|
|
|
значения |
|
|
|
|
|
|
|
|
600 |
|
|
|
|
|
|
|
|
400 |
|
|
|
|
|
|
|
|
200 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
0 |
4 |
8 |
12 |
|
16 |
|
|
|
|
|
время, t |
|
|
|
|
Исходя из графика поля корреляции видно, что значения |
y образуют |
|||||||
пилообразную фигуру, что может косвенно свидетельствовать о наличие |
||||||||
сезонных колебаний. |
|
|
|
|
|
|
||
Рассчитаем несколько последовательных коэффициентов автокорреляции. |
||||||||
Расчеты |
будем |
производить, |
используя |
табличный |
процессор |
Excel. |
||
Cоставим расчетную таблицу. |
|
|
|
|
|
|||
Таблица 3.2 – Расчет коэффициентов автокорреляции |
|
|
|
t |
|
yt |
yt-1 |
yt-2 |
yt-3 |
yt-4 |
|
|
|
|
|
|
|
1 |
|
375 |
|
|
|
|
2 |
|
371 |
375 |
|
|
|
3 |
|
869 |
371 |
375 |
|
|
4 |
|
1015 |
869 |
371 |
375 |
|
5 |
|
357 |
1015 |
869 |
371 |
375 |
6 |
|
471 |
357 |
1015 |
869 |
371 |
7 |
|
992 |
471 |
357 |
1015 |
869 |
8 |
|
1020 |
992 |
471 |
357 |
1015 |
9 |
|
390 |
1020 |
992 |
471 |
357 |
10 |
|
355 |
390 |
1020 |
992 |
471 |
11 |
|
992 |
355 |
390 |
1020 |
992 |
12 |
|
905 |
992 |
355 |
390 |
1020 |
13 |
|
461 |
905 |
992 |
355 |
390 |
14 |
|
454 |
461 |
905 |
992 |
355 |
15 |
|
920 |
454 |
461 |
905 |
992 |
16 |
|
927 |
920 |
454 |
461 |
905 |
|
коэффициент автокорреляции 1 порядка |
0,0633 |
||||
|
коэффициент автокорреляции 2 порядка |
-0,9612 |
||||
|
коэффициент автокорреляции 3 порядка |
-0,0363 |
||||
|
коэффициент автокорреляции 4 порядка |
0,9647 |
25
Пояснение к расчету коэффициентов автокорреляции.
1.Пусть исходные данные (строки со 2 по 17 таблицы 3.2, не включая заголовки столбцов), записаны в диапазоне ячеек Е22:К37.
2.Рассчитываем коэффициент автокорреляции 1-го порядка. В ячейку К38
вводим формулу =КОРРЕЛ(F23:F37;G23:G37), т.е. данные по yt и yt-1
начиная со второго квартала, т.к. имеем 15 парных значений. Нажатие
«Enter» приводит к появлению результата 0,0633;
3.Рассчитываем коэффициент автокорреляции 2-го порядка. В ячейку К39
вводим формулу =КОРРЕЛ(F24:F37;H24:H37), т.е. данные по yt и yt-2
начиная с третьего квартала, т.к. имеем 14 парных значений. Нажатие
«Enter» приводит к появлению результата -0,9612;
4.В ячейку К40 вводим формулу =КОРРЕЛ(F25:F37;I25:I37), а в ячейку К41 вводим формулу =КОРРЕЛ(F26:F37;J26:J37).
Вывод: анализ коэффициентов автокорреляции (наибольшие по модулю r2 0,9612 и r4 0,9647) и графика поля корреляции позволяет сделать вывод о наличии во временном ряде сезонных колебаний периодичностью в четыре квартала.
3.Строим аддитивную модель временного ряда, учитывая, что сезонные колебания имеют периодичность – 4 квартала.
Шаг 1. Выравнивание исходных уровней ряда методом скользящей средней.
Таблица 3.3 – Выравнивание методом скользящей средней
26
№ квар- |
|
Итого за |
Скользящая |
Центрированная |
Оценка се- |
|
yt |
средняя за |
|||||
тала, |
четыре |
скользящая |
зонной ком- |
|||
четыре |
||||||
t |
|
квартала |
квартала |
средняя |
поненты |
|
|
|
|
|
|
||
1 |
2 |
3 |
4 |
5 |
6 |
|
1 |
375 |
– |
– |
– |
– |
|
2 |
371 |
2630 |
657,5 |
– |
– |
|
3 |
869 |
2612 |
653 |
655,25 |
213,75 |
|
4 |
1015 |
2712 |
678 |
665,5 |
349,5 |
|
5 |
357 |
2835 |
708,75 |
693,375 |
-336,375 |
|
6 |
471 |
2840 |
710 |
709,375 |
-238,375 |
|
7 |
992 |
2873 |
718,25 |
714,125 |
277,875 |
|
8 |
1020 |
2757 |
689,25 |
703,75 |
316,25 |
|
9 |
390 |
2757 |
689,25 |
689,25 |
-299,25 |
|
10 |
355 |
2642 |
660,5 |
674,875 |
-319,875 |
|
11 |
992 |
2713 |
678,25 |
669,375 |
322,625 |
|
12 |
905 |
2812 |
703 |
690,625 |
214,375 |
|
13 |
461 |
2740 |
685 |
694 |
-233 |
|
14 |
454 |
2762 |
690,5 |
687,75 |
-233,75 |
|
15 |
920 |
– |
– |
– |
– |
|
16 |
927 |
– |
– |
– |
– |
Пояснение к таблице 3.3.
1.Стлб.3: 375+371+869+1015=2630; 371+869+1015+357=2612 и т.д.
2.Стлб.4= Стлб.3/4: 2630/4=657,5; 2612/4=653; 2712/4=678 и т.д.
3.Стлб.5: (657,5+653)/2=655,25; (653+678)/2=665,5 и т.д.
4.Стлб.6= Стлб.2–Стлб.5: 869–655,25=213,75; 869–655,25=213,75 и т.д.
Шаг 2. Найдем оценки сезонной компоненты как разность между фактическими уровнями ряда и центрированными скользящими средними (Стлб. 6 таблицы 4.3). Используем эти оценки для расчета значений сезонной компоненты S (таблица 4.4). Для этого найдем средние за каждый квартал (по всем годам) оценки сезонной компоненты Si . В моделях с сезонной компонентой обычно предполагается, что сезонные воздействия за период взаимопогашаются.
В аддитивной модели это выражается в том, что сумма значений сезонной компоненты по всем кварталам должна быть равна нулю.
Таблица 3.4 – Расчет значений сезонной компоненты S
27
Показатели |
Год |
|
№ квартала, i |
|
||||
|
|
|
|
|||||
I |
II |
III |
IV |
|||||
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
2005 |
|
|
213,75 |
349,5 |
|
|
|
|
2006 |
-336,375 |
-238,375 |
277,875 |
316,25 |
|
|
|
|
2007 |
-299,25 |
-319,875 |
322,625 |
214,375 |
|
|
|
|
2008 |
-233 |
-233,75 |
|
|
|
Всего за i-й квартал |
|
-868,625 |
-792 |
814,25 |
880,125 |
|||
Средняя оценка |
|
|
|
|
|
|||
сезонной компоненты |
|
-289,542 |
-264 |
271,417 |
293,375 |
|||
для i-го квартала, |
|
|
|
|
|
|
|
|
Si |
|
|
|
|
|
|||
Скорректированная |
|
|
|
|
|
|||
сезонная компонента, |
|
-292,3542 |
-266,8125 |
268,6042 |
290,5625 |
|||
Si |
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
Для данной модели имеем:
289,542 264 271,417 293,375 11,250.
Корректирующий коэффициент: k 11,2504 2,8125.
Рассчитываем скорректированные |
значения сезонной компоненты |
|||
(Si |
|
|
k ) и заносим полученные данные в таблицу 4.4: |
|
Si |
||||
|
|
|
–289,542 – 2,8125= –292,3542; |
–264 – 2,8125= –266,8125; |
271,417 – 2,8125=268,6042;. 293,375 – 2,8125=290,5625. Проверим равенство нулю суммы значений сезонной компоненты: –292,3542 – 266,8125 + 268,6042 + 290,5625 = 0.
Шаг 3. Элиминирование влияния сезонной компоненты.
Исключим влияние сезонной компоненты, вычитая ее значение из каждого уровня исходного временного ряда. Получим величины T E Y S (Стлб.4 таблицы 3.5). Эти значения рассчитываются за каждый момент времени и содержат только тенденцию и случайную компоненту.
28
Таблица 3.5
t |
yt |
Si |
yt Si |
T |
T S |
E yt T S |
E2 |
|
T E |
||||||||
|
|
|
|
|
|
|
||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
|
1 |
375 |
-292,3542 |
667,3542 |
672,684 |
380,3297 |
-5,3297 |
28,405 |
|
2 |
371 |
-266,8125 |
637,8125 |
673,609 |
406,7968 |
-35,7968 |
1281,412 |
|
3 |
869 |
268,6042 |
600,3958 |
674,535 |
943,1390 |
-74,1390 |
5496,587 |
|
4 |
1015 |
290,5625 |
724,4375 |
675,460 |
966,0228 |
48,9772 |
2398,767 |
|
5 |
357 |
-292,3542 |
649,3542 |
676,386 |
384,0316 |
-27,0316 |
730,708 |
|
6 |
471 |
-266,8125 |
737,8125 |
677,311 |
410,4988 |
60,5012 |
3660,398 |
|
7 |
992 |
268,6042 |
723,3958 |
678,237 |
946,8409 |
45,1591 |
2039,341 |
|
8 |
1020 |
290,5625 |
729,4375 |
679,162 |
969,7248 |
50,2752 |
2527,600 |
|
9 |
390 |
-292,3542 |
682,3542 |
680,088 |
387,7336 |
2,2664 |
5,137 |
|
10 |
355 |
-266,8125 |
621,8125 |
681,013 |
414,2007 |
-59,2007 |
3504,727 |
|
11 |
992 |
268,6042 |
723,3958 |
681,939 |
950,5429 |
41,4571 |
1718,692 |
|
12 |
905 |
290,5625 |
614,4375 |
682,864 |
973,4267 |
-68,4267 |
4682,215 |
|
13 |
461 |
-292,3542 |
753,3542 |
683,790 |
391,4355 |
69,5645 |
4839,214 |
|
14 |
454 |
-266,8125 |
720,8125 |
684,715 |
417,9027 |
36,0973 |
1303,015 |
|
15 |
920 |
268,6042 |
651,3958 |
685,641 |
954,2449 |
-34,2449 |
1172,710 |
|
16 |
927 |
290,5625 |
636,4375 |
686,566 |
977,1287 |
-50,1287 |
2512,884 |
|
Сумма |
10876 |
|
|
|
|
|
37909,81 |
|
|
|
|
|
|
|
|
|
Шаг 4. Определение трендовой компонентыT ряда.
Для этого проведем аналитическое выравнивание ряда T E (данные в стлб.4 таблицы 4.5) с помощью линейного тренда и мастера диаграмм Excel.
1. Пусть данные для t находятся в ячейках D82:D97 (значения стлб.1
таблицы 3.5), а данные для T E находятся в ячейках G82:G97 (значения стлб.4
таблицы 3.5)
2.Вызываем мастер диаграмм (либо входим в меню-Вставка…Диаграмма).
3.В открывшемся окне «Тип диаграммы» выбираем точечная. Выбираем 1-й
тип в виде отдельных точек. Нажимаем кнопку Далее>.
4.В окне «источник данных диаграммы …» выбираем вкладку «Ряд». В окне
«Ряд» нажимаем кнопку «Добавить». В поле «значения X» вводим $D$82:$D$97,
аполе «значения Y» вводим $G$82:$G$97. Нажимаем кнопку Далее>.
5.В окне «параметры диаграммы» вводим название диаграммы «Линейный тренд ..», и убираем легенду. Далее>. В окне «размещение диаграммы» нажимаем кнопку «Готово».
29
Приводим курсор на одну из точек диаграммы и нажимаем правую кнопку мыш-
ки. В появившемся меню выбираем пункт «добавить линию тренда». В появив-
шемся окне "ЛИНИЯ ТРЕНДА" на панели "ТИП" выбираем ЛИНЕЙНАЯ. Нажимаем кнопку "ПАРАМЕТРЫ". Ставим флажки на:
√показать уравнение на диаграмме
√поместить на диаграмму величину достоверности аппроксимации (R^2)
6.Нажимаем кнопку "Ок". На диаграмме «Линейный тренд ..» будет выведен график и линия тренда.
Линейный тренд T+E y = 0,9255x + 671,76 R2 = 0,0076
800 |
|
|
|
|
750 |
|
|
|
|
700 |
|
|
|
|
650 |
|
|
|
|
600 |
|
|
|
|
550 |
|
|
|
|
500 |
|
|
|
|
0 |
5 |
10 |
15 |
20 |
Рисунок 3.1 – Определение трендовой компоненты вариационного ряда Результат аналитического выравнивания: T 671,76 0,9255 t .
Подставляя в это уравнение значения t 1, 2,...,16, найдем уровни T для каждого момента времени и заносим их в столбец 5 таблицы 3.5.
Шаг 5. Находим значения Т+S (Стлб.6 = Стлб.3 + Стлб.5).
Шаг 6. Находим случайную компоненту Е= Y – (T+S) (Стлб.7 = Стлб.2 –
Стлб.6).
Шаг 7. Оценка качества модели.
Находим среднее: y 1 (375 371 869 ... 920 927) 679,75. 16
Находим общую сумму квадратов отклонений уровней ряда от среднего значения: (yt y)2 (375 679,75)2 (371 679,75)2 ... (927 679,75)2 1252744.
30