- •«Российская таможенная академия»
- •План чтения лекции №1
- •«Российская таможенная академия»
- •Понятие «эконометрика»
- •Формулировки определений понятия «эконометрика»
- •Задачи эконометрики
- •Эконометрическая модель
- •Задачи эконометрическoго моделирования
- •Классы эконометрических моделей
- •Типы данных и виды переменных в эконометрическом моделировании Типы данных
- •Виды переменных
- •Этапы эконометрического моделирования
- •Модели парной регрессии
- •Множественная регрессия. Мультиколлинеарность данных
- •3.2. Отбор факторов при построении множественной регрессии
- •3.2.1. Требования к факторам
- •3.2.2. Мультиколлинеарность
- •3.3. Выбор формы уравнения регрессии
- •3.4. Оценка параметров уравнения линейной
- •3.5. Качество оценок мнк линейной множественной регрессии. Теорема Гаусса-Маркова
- •3.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •3.7. Точность коэффициентов регрессии. Доверительные интервалы
- •3.8 Прогнозирование по модели множественной регрессии
- •3.9 Гетероскедастичность случайных остатков
- •3.10. Обобщенный метод наименьших квадратов
- •3.11. Фиктивные переменные
- •3.12. Тест Чоу
- •Системы одновременных уравнений
- •4.1. Структурная и приведённая форма модели
- •4.2. Оценивание параметров структурной модели
- •Методы оценивания структурных уравнений различных видов
- •1. Точная идентифицируемость
- •2.Сверхидентифицируемость
- •3.Неидентифицируемость
- •Порядковое условие идентификации
- •Ненулевое ограничение
- •3. Анализ методов оценивания
- •Моделирование изолированного динамического ряда
- •Компоненты динамического ряда
- •Выявление и характеристика основной тенденции развития
- •Экспоненциальное сглаживание.
- •Моделирование основной тенденции
- •Статистическое изучение сезонных колебаний
- •Автокорреляция уровней динамического ряда и характеристика его структуры
- •3; 1; 2; 1; 2; 1; 3; 3; 2; 3; 1; 2; 1; 1; 3; 3; 2; 2; 1; 3; 3; 2; 2; 3; 1; 2; 2; 1; 3; 1.
- •Специфика изучения взаимосвязей по рядам динамики
- •Методы исключения тенденции
- •Метод последовательных разностей
- •Метод отклонений от тренда
- •Включение в модель регрессии фактора времени
- •Обобщенный метод наименьших квадратов при построении модели регрессии по временным рядам
- •Модели с лаговыми переменными
- •Модели с распределенными лагами
- •Метод Койка
- •Модели авторегрессии
- •Интерпретация параметров модели авторегрессии
- •Инструментальные переменные как метод оценивания параметров модели авторегрессии
- •Оценка автокорреляции остатков по модели авторегрессии
- •Авторегрессионные процессы и их моделирование (общая характеристика) Авторегрессионные процессы
- •Модели скользящей средней
- •Модели arma
- •Модели arima
- •Методология построения модели arima для исследуемого временного ряда включает следующую последовательность шагов.
- •Кластерный анализ
Модели скользящей средней
Среди моделей для стационарных временных рядов широкое распространение имеют модели скользящей средней.
Для стационарного ряда моделируемый уровень временного ряда можно представить как линейную функцию прошлых ошибок, т.е. разностей между прошлыми фактическими и теоретическими уровнями:
(5.62)
где —константа;— белый шум в текущий и предыдущий период времени:
. (5.63)
Термин «скользящая средняя», используемый здесь, не синоним скользящей средней как методу сглаживания уровней динамического ряда.
В модели (5.62) уровень динамического ряда рассматривается как сумма константы и скользящей средней между текущими и предыдущими значениями белого шума (случайных отклонений).
Обозначим скользящую среднюю модели (5.62) через xt:
*
(5.64)
Уравнение (5.64) принято называть процессом скользящего среднего порядка qи обозначать какМА(q) от английскогоMovingAverage.Порядок скользящей средней определяется числом учитываемых в модели предыдущих значений случайных отклонений. Так,МА(2) можно записать кака модель уровня динамического ряда с использованиемМА(2) будет иметь вид
Соответственно модель уровня ряда с использованием MA(1) примет вид
При q =0 и= 0 получаем процесс белого шума.
Временные ряды с использованием процесса скользящего среднего могут иметь место, когда уровни динамического ряда характеризуются случайной колеблемостью.
Модели arma
Соединение в одной модели авторегрессионного процесса ARи модели скользящего среднегоМАприводит к моделиавторегрессионного процесса со скользящими средними в остатках
(ARMА — отанглийскогоAuto Regressive — Moving Average):
(5.65)
В модели (7) в качестве объясняющих переменных рассматриваются лаговые значения зависимой переменной с ринтервалами сдвига и скользящие средние порядкаqдля остатков авторегрессии. Иными словами, модель включает в себяAR(р) иМА(q). Ее принято обозначатьARMA (р,q). Например,ARMA(3, 2) имеет вид
(5.66)
При практической реализации моделей ARMAнаиболее сложным является выбор числа лаговриq.
Инструментом идентификации модели ARMAявляется изучение частной автокорреляционной функции по моделям с разным числом лагов.Частная автокорреляционная функция (PACF—PartialAutocorrelationFunction) представляет собой серию частных коэффициентов автокорреляции (РАС), которые измеряют связь между текущим уровнем динамического рядаи предыдущими значениямив условиях, когда влияние других промежуточных временных лагов устранено. Так, частный коэффициент автокорреляции при лагеkбудет представлять собой корреляциюи,очищенную от влияния.
Обозначим частный коэффициент автокорреляции с лагом kчерез ρ(k). Приk = 0 ρ(0) = 1 (уровни ряда коррелируют сами с собой); приk= 1, где— коэффициент автокорреляции первого порядка. Это равенство связано с тем, что при расчете ρ(1) отсутствуют промежуточные лаги. Вычисление ρболее высокого порядка можно производить по формулам
Для авторегрессионного процесса порядка ρ частная автокорреляционная функция отлична от нуля при k ≤ ρ и равна нулю приk>ρ.Это и позволяет определять порядок ρ процессаAR. Так, для моделиAR(1):ρ(2) близко к нулю.
Для модели типа МА(q) порядокqопределяется по поведению автокорреляционной функции: приkрrастремится к нулю. Для моделиARMA(р, q) автокорреляционная функция характеризуется убыванием, начинающимся с лагаq, а частная автокорреляционная функция убывает, начиная с лага ρ. Так, для моделиARMA(1,1) при>0ACFнаблюдает экспоненциальное затухание с лага 1,aPACF— осциллирующее убывание с лага 1. При<0ACFдля моделиARMA(1,1) наблюдает осциллирующее убывание с лага 1,aPACF— экспоненциальное затухание с лага 1.