- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
Частные коэффициенты автокорреляции плавно убывают по абсолютной величине.
Известна следующая взаимосвязь процессов авторегрессии и скользящего среднего. Если процесс AR(p) стационарен, то он может быть представлен в виде процесса MA(∞). Если выполнено условие обратимости, то процесс MA(q) имеет бесконечное представление AR(∞).
§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
Моделями AR(p) и MA(q) за счет выбора их порядков p и q можно удовлетворительно описывать многие реальные процессы. Однако на практике для достижения большей гибкости в подгонке моделей наблюдаемых временных рядов иногда бывает целесообразно объединить в одной модели и авторегрессию, и скользящее среднее. При этом цель состоит в построении моделей наиболее экономных (простых) дающих хорошую аппроксимацию с помощью небольшого числа параметров.
Случайный процесс y(t) называется процессом авторегрессии — скользящего среднего ARMA(p, q) порядков p и q, если для него выполняется соотношение:
y(t)=φ1 y(t −1)+... +φp y(t − p)+εt +θ1εt−1 +... +θq εt−q , (9.23)
где εt — процесс белого шума, M εt = 0, D εt =σ2 .
185
Рис. 9.11. Процесс авторегрессии-скользящего среднего ARMA(1, 1)
Если процесс имеет постоянное математическое ожидание μ, то является процессом типа ARMA(p, q), если
y(t)− μ =φ1(y(t −1)− μ)+... + (φ p y(t − p)− μ)+
+εt +θ1εt−1 +... +θq εt−q.,
Рассмотрим модель ARMA(1, 1):
y(t)= φ y(t −1)+εt +θ εt−1.
параметры должны удовлетворять условиям φ <1, θ <1.
Можно получить уравнения, связывающие автокорреляцию с параметрами:
r(1)= |
(1−φθ)(θ −φ) |
; |
|
1− 2φθ +φ2 |
|
r(k)=φk −1 r(1), k ≥ 2.
Таким образом, r(k) экспоненциально убывает от начального значения r(1). Затухание монотонно при φ > 0 и колеблется, если
φ <θ .
186
Параметры оцениваются из уравнений:
rˆ(1)= (1 −φθ)(θ −φ); 1− 2φθ +φ2
rˆ(2)=φ rˆ(1).
Автокорреляционные функции r(1), r(2) должны удовлетворять условиям:
r (2) < r (1) ,
r (2)>r (1)(2r (1)+1)при r (1)<0, r (2)>r (1)(2r (1)−1)при r (1)>0.
Эти условия бывают полезными при проверке гипотезы о том, что анализируемый процесс может быть описан ARMA(1, 1) моделью (по выборочным значениям коэффициентов автокорреляции r(1), r(2)).
Для процессов ARMA теоретические коэффициенты автокорреляции и частной автокорреляции плавно убывают по абсолютной величине.
На этапе определения модели следует выяснить, является ли ряд стационарным, т. е. изменяются ли значения временного ряда в окрестности некоторого фиксированного уровня. Для этого полезно посмотреть на график временного ряда и график выборочной автокорреляционной функции. Временные ряды являются нестационарными, если в значениях ряда со временем проявляется рост или спад, а график функции выборочной автокорреляции демонстрирует отсутствие быстрого исчезновения значимых коэффициентов. Часто нестационарные ряды можно превратить в стационарные путем взятия разностей (см. модель ARIMA(p, k, q)).
Следует помнить, что если выборочные автокорреляции экспоненциально стремятся к нулю, а частные автокорреляции быстро отсекаются, то в модели должны присутствовать авторегрессионные слагаемые. Если выборочные автокорреляции быстро отсека-
187
ются, а частные автокорреляции плавно стремятся к нулю, то в модели должны присутствовать слагаемые скользящего среднего. Если же оба графика, как выборочной автокорреляции, так и частной корреляции, плавно стремятся к нулю, то указывает на необходимость включить в модель слагаемые обоих типов — как регрессионные, так и скользящего среднего. Порядок составляющих MA и AR можно определить, сосчитав количество значимых слагаемых в выборочных автокорреляциях и частных автокорреляциях. Для того чтобы сделать вывод о значимости коэффициентов корреляции
обоих типов их значения, можно сравнить с величиной ±n2 , где n
— количество наблюдений в исследуемом временном ряду. Это применяется при достаточно больших объемах выборки. При равных условиях всегда следует отдавать предпочтение более простым моделям.
§ 8. Модели ARMA, учитывающие наличие сезонности
Если наблюдаемый временной ряд обладает выраженной сезонностью, то модель ARMA, соответствующая этому ряду, должна содержать составляющие, обеспечивающие проявление сезонности в порождаемой этой моделью последовательности наблюдений.
Для квартальных данных чисто сезонными являются стацио-
нарные модели сезонной авторегрессии первого порядка (SAR(1))
y(t)=φ4 y(t − 4)+εt , φ4 <1 |
(9.24) |
и сезонного скользящего среднего первого порядка (SMA(1))
y(t)=εt +θ4εt−4 |
(9.25) |
В первой модели:
r (k)=φk4 / 4 при k = 4m, m = 0, 1, 2, …, r (k)=0 для остальных k >0.
Во второй модели:
188