- •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
Эту величину используют для оценки параметра ρ.
3. С помощью полученной оценки для ρ получают матрицу:
|
|
|
1 |
|
r |
r |
2 |
... |
r |
n−1 |
|
|
ˆ |
|
|
|
|
|
|
||||||
|
r |
|
1 |
r |
|
... |
rn−2 |
|
||||
Ω = |
|
|
|
... |
|
... |
... |
... |
|
|||
|
... |
|
|
|
||||||||
|
|
|
n−1 |
r |
n−2 |
r |
n−3 |
... |
|
1 |
|
|
|
r |
|
|
|
|
|
|
и рассчитывают новую оценку параметров обобщенным методом наименьших квадратов:
b = [X T Ωˆ −1X ]−1 ZT Ωˆ −1Y .
На первом и втором этапах получают состоятельную оценку параметра ρ, так что оценки наименьших квадратов, рассчитанные на третьем этапе, будут состоятельными, хотя и не вполне эффективными, поскольку истинное значение ρ остается неизвестным. Проведенные Уоллисом эксперименты над выборками показали, что его метод оценивания приводит к значительно меньшему смещению и к меньшей сумме квадратов ошибок, чем применение обычного метода наименьших квадратов.
§ 11. Полиномиально распределенные лаги Ш. Алмон
При использовании преобразования Койка на коэффициенты регрессии накладываются достаточно жесткие ограничения. Предполагается, что «веса» коэффициентов при лаговых переменных убывают в геометрической прогрессии. В ряде случаев такое предположение весьма уместно, но в некоторых других оно не выполняется. Встречаются ситуации, когда значения лаговой объясняющей переменной за 3-4 периода от момента наблюдения оказывают на зависимую переменную большее влияние, чем текущее или предшествующее ему значение объясняющей переменной. Распределенные лаги Алмон позволяют достаточно гибко моделировать такие изменения. Опираясь на теорему Вейерштрасса (которая утверждает, что непрерывная на замкнутом интервале функция может быть приближена на всем отрезке многочленом подходящей степени от ее аргумента, отличающимися от этой функции в любой
200
точке меньше, чем на любое заданное число) и рассматривая весовые коэффициенты βi в модели (9.30) как функции от величины
лага i, автор предложила выразить их в виде полиномов невысокой степени m (m ≤ 3) от i, т. е.
βi =α0 +α1i +α2 i2 +... +αm im . |
(9.45) |
Для простоты изложения схемы Алмон положим, что βi подчиняется зависимости (9.46).
βi =α0 +α1i +α2 i2 |
(9.46) |
Тогда (9.30) может быть представлено в виде: |
|
yt =α +∑k (a0 + a1i + a2 i2)xt −i +εt =
i=0
k |
|
k |
|
k |
(9.47) |
α + a0 ∑xt −i + a1 |
∑ixt −i +a2 |
∑i2 xt −i +εt . |
|||
i = |
0 |
i = |
0 |
i = |
0 |
k |
k |
Положив zt 0 = ∑ xt −i, |
zt1 = ∑ixt −i, |
i =0 |
i =0 |
yt =α +a0 zt0 +a1 zt1
k |
|
zt 2 = ∑i2 xt −i , имеем: |
|
i =0 |
|
+a2 zt 2 +εt . |
(9.48) |
Значения α, a0 , a1, a2 могут быть оценены по МНК. При этом случайные отклонения εt удовлетворяют предпосылкам МНК. Коэффициенты βi определяются из соотношения (9.46).
Отметим, что для применения схемы Алмон необходимо вначале определиться с количеством лагов k. Обычно это количество находится подбором, начиная с «разумного» максимального, постепенно его уменьшая. После определения k необходимо подобрать степень m полинома (9.45). Недостатком метода является взаимная корреляция переменных zti, которая повышается с ростом степени полинома. Это увеличивает стандартные ошибки коэффициентов ai в соотношениях, аналогичных (9.48).
Пример 9.4. Имеются следующие данные (x — доход, ден. ед., y — расходна потреблениенекоторого блага; табл. 9.5).
Таблица 9.5
201
Расчетная таблица
|
Условное время |
x |
y |
z0 |
z1 |
z2 |
|
|
|
|
|
|
|
|
1 |
11,4 |
13,2 |
- |
- |
- |
|
2 |
11,8 |
14 |
- |
- |
- |
|
3 |
7,1 |
12,5 |
- |
- |
- |
|
4 |
10,4 |
13 |
40,7 |
64,9 |
156,9 |
|
5 |
7,5 |
11,5 |
36,8 |
60 |
145 |
|
6 |
14 |
13,8 |
39 |
49,6 |
113 |
|
7 |
9,9 |
13,8 |
41,8 |
60,2 |
137,6 |
|
8 |
14,4 |
15,9 |
45,8 |
60,4 |
133,4 |
|
9 |
9 |
14 |
47,3 |
76,2 |
180 |
|
10 |
9,4 |
13,3 |
42,7 |
67,5 |
155,7 |
|
11 |
14,9 |
15,7 |
47,7 |
70,6 |
175 |
|
12 |
15,3 |
16,9 |
48,6 |
60,7 |
133,5 |
|
13 |
12,8 |
16,5 |
52,4 |
73,3 |
159,5 |
|
14 |
14,8 |
17,6 |
57,8 |
88,1 |
208,1 |
|
15 |
9,6 |
15,3 |
52,5 |
86,3 |
203,7 |
|
16 |
18 |
18,1 |
55,2 |
77,6 |
184 |
|
17 |
11,3 |
16,8 |
53,7 |
81,6 |
189,6 |
|
18 |
9,8 |
14,8 |
48,7 |
76,1 |
169,7 |
|
|
|
|
|
|
|
Пусть число лагов равно трем и веса в модели Алмон подчиняются полиному второй степени, т. е.
yt =α + β0 xt + β1 xt −1 + β2 xt −2 + β3 xt −3 +εt ,
βi =α0 +α1i +α2 i2 .
Тогда модель примет вид:
yt =α +α0 zt0 +α1 zt1 +α2 zt 2 +εt ,
zt 0 = xt + xt −1 + xt −2 + xt −3 , zt1 = xt −1 + 2 xt −2 +3 xt −3 , zt 2 = xt −1 + 4 xt −2 +9 xt −3.
202
После оценки параметров получим эмпирическое уравнение регрессии:
yˆt = 2,2 +0,4994zt0 +0,2374zt1 +0,03646zt2 ,
следовательно βi = 0,4994 +0,2374i +0,03646i2 .
Возвращаясь к исходным переменным, получим:
yˆt = 2,2 +0,499xt +0,298xt−1 +0,170xt−2 +0,1152xt−3.
Резюме
Временной ряд в общем случае состоит из следующих компонент: тренд (основная тенденция развития), циклическая составляющая, сезонная составляющая и случайное возмущение. Если различные компоненты ряда складываются, то модель называется аддитивной, если перемножаются — мультипликативной. Тренд записывается как некоторая функция от времени. В модели всегда присутствует случайное возмущение.
Стационарные временные ряды исследуются с помощью моделей авторегрессии, скользящего среднего, авторегрессии — скользящего среднего. Вид модели определяется путем изучения свойств автокорреляцинной и частной авкорреляционной функций.
Нестационарные временные ряды, которые становятся стационарными после вычисления последовательных разностей некоторого порядка, исследуются с помощью модели авторегрессии и проинтегрированного скользящего среднего.
Вопросы для самопроверки
1.Что называется временным рядом?
2.Какие составляющие выделяют у временного ряда?
3.Как выглядит аддитивная модель временного ряда?
4.Как выглядит мультипликативная модель временного ряда?
5.Что такое тренд?
6.Какая составляющая временного ряда всегда присутствует в модели?
7.Какой ряд называется стационарным в узком смысле?
8.Какой ряд называется стационарным в широком смысле?
203