- •Содержание
- •Роль и место макроэкономического анализа в регулировании национальной экономики
- •Предмет и задачи курса (базовые понятия)
- •Специфические принципы анализа
- •Сущность прогнозирования и планирования
- •Теоретические основы макроэкономического анализа
- •Методологические аспекты макроэкономического анализа и прогнозирования
- •Методы экспертных оценок
- •Методы функционирования иерархического анализа
- •Ассоциативные методы анализа
- •Итерация 1
- •Итерация 2
- •Предсценарный этап
- •Прогнозирование на основе анализа
- •Модели: Структура ряда динамики
- •Модель разложения
- •Методы анализа панельных данных
- •Гравитационные модели
- •Матрично-балансовые модели
- •Топливный баланс
- •Статистическая модель межотраслевого баланса
- •Современные модели экономического развития и роста
- •Модель эндогенного роста
- •Комплексные модели анализа прогнозирования и регулирования экономики предназначены для анализа и прогнозирования.
- •1Ый вариант: 6 уравнений, 3 тождества
- •2Ой вариант: 15 уравнений, 5 тождеств
- •Модель sam
- •Анализ цикличности и структурных сдвигов экономики
-
Прогнозирование на основе анализа
-
Обоснование кривых роста, типология
Елисеева, Малючин, Гедранович, Хацкевич
Y(t) – временной ряд – это процесс, поведение которого зависит от времени.
Yt
Этапы построения моделей:
-
Информационный – это сбор и обработка информации, представление в пригодном для моделирования виде. Это модели экстраполяции, т.е. только для небольшого промежутка времени. Используется,
-
если абсолютные показатели (пример, ВВП в млн. долл. РБ), то их нужно перевести в условно-абсолютные, т.е. сопоставимые цены базисного года.
-
если относительные показатели – то темпы роста, прироста.
-
-
Спецификация – это выбор функциональной формы модели( линейная, нелинейная), модели могут включать запаздывание. Устранить автокорреляцию желательно.
-
Параметризация – это оценка параметров по МНК (если линейна модели), если не линейна , то логарифмируем и делаем замену либо применяет нелинейный МНК.
-
Верификация (оценка качества).
Et – случайная ошибка
!!Предпосылки МНК (для линейной и нелинейной, 5 и 7, соответственно). Теорема Гаусса-Маркова. Blue-оценки. Смещенность, не смещенность оценок. Коэффициент парной регрессии:
-
Анализ причинно-следственной зависимости. Эластичность. Можно использовать для имитации сценариев, обоснования проводимой политики, прогнозирование.
Модели: Структура ряда динамики
Структура определяется следующими факторами:
-
T(t) – это тренд
-
C(t) – циклическая компонента,
-
S(t) – циклическая сезонная переменная (либо поквартально имеется сезонность, либо помесячная. При годовых данных сезонность отсутствует
-
Ε(t) - случайная ошибка – это все неучтенные факторы цикцичностью и сезованностью, в т.ч. нарушение данных и т.д.
Пункты 1,2,3 – детерменированные переменные, а 4 – случайная.
Циклы: среднесрочные, долгосрочные (40-60 лет). Цикличность может отсутствовать при небольшом промежутке времени.
Модель разложения
Мультипликативная – размах постепенно увеличивается. Аддитивная – размах колебаний постоянный.
Кривые роста. Группы (это у нас второй этап):
-
Полиномы
-
Линейные модели: yt=a+bt+et – это простейший полином 1ой степени. У этой прямой если взять производную – то скорость постоянная и равна “b”. Аналитическое обоснование для полинома первой степени – постоянство средних абсолютных приростов, т.е. для обоснования полинома первой степени нужно рассчитать абсолютные приросты. Такое поведение характерно для экстенсивного развития “y”.
-
Нелинейные модели:
-
yt=a+b1t+b2t2+et – полином 2ой степени. Скорость будет изменяться относительно времени. Вторая производная – ускорение. Характеризуется равноускоренным ростом либо снижение, все зависит от того больше или меньше b2, т.е. ветви параболы вверх или вниз. Изменение абсолютного прироста. Аналитическое обоснование – абсолютные приросты линейно изменяются со временем.
-
Полином 3ей степени – может быть гипербола. Но такого экономического смысла нет. Поэтому кубическую функцию используют крайне редко, потому что у неё слабое экономическое и аналитическое обоснование.
-
-
-
Экспоненты (быстрее растут, чем полиномы)
-
Простая экспоненциальная кривая (показательная функция): yt=abt.
-
Аналитическое обоснование: постоянство темпов роста и прироста.
yt/yt-1=abt/abt-1=e
используется для интенсивного развития (низкий старт и ускоренное развитие).
-
Логарифмическая парабола.
Аналитическое обоснование – линейное изменение во времени темпов прироста.
Темпы прироста линейно изменяются:
-
Модифицированные экспоненты: yt=k+bt
Аналитическое обоснование: логарифмы линейных приростов линейно изменяются
-
Логарифмические кривые – кривая Гомперца:
Аналитическое обоснование: логарифмы темпов прироста линейно изменяются.
Используется при прогнозировании в страховом бизнесе в демографических прогнозах (после увеличения дохода населения в определенный момент, рождаемость увеличится).
-
Этап параметризации – Тренд
Какие могут быть ситуации с трендом: зависит от внешних проявлений, как например, в РБ в 2009 году резко упал экспорт
Фиктивная переменная моделирует изменение уровня тренда:
Сезонность присутствует, если все D (все три) значимы.
У d1, d2, d3 экономическая значимость – сравнение производится с 4ым кварталом.
-
Цикличность
Цикл можно выделить при исследовании 10 и более лет. С помощью рядов Фурье.
Добавляем цикличность в функцию:
Проверяется значимость коэффициента, R2, свойства случайной ошибки (МНК), чтобы все оценки были состоятельными иэффективными
-
Этап верификации
Прогнозирование качества
Если рассчитываем на год, то s=4, т.к. прогнозируем на 1 год поквартально.
Если MAPE:
-
<10% - можно использовать модель дальше
-
10-20% - удовлетворительно
Больше чем на год по квартальным данным лучше не прогнозировать.
Ошибка аппроксимации – MAAE
s=44, т.к. рассчитываем с 2000 г. по 2010 г. поквартально. Лучше, чтобы был меньше 10%
-
Исследование свойства стационарности
Строго-стационарный ряд (в узком смысле) – это ряд, у которого вероятностное распределение не зависит от t.
Характеристики случайных величин – мат.ожидание, дисперсия, ковариация.
Стационарный ряд (в широком смысле) – это временной ряд, или слабостационарный, если характеристики временного ряда не зависят от времени, т.е.
Вместо ковариации используют коэффициент корреляции:
Автокорреляционная функция – это ACF= (соседняя).
Частная автокорреляционная функция – это PACF= (без учета влияния промежуточных y)
Для подтверждения необходимо применять тесты, про которые будет рассказано далее.
Если смотреть в Gretl, то графи стационарного ряда не будут выходить за пунктирные линии, т.е. аналогично линии: колебания примерно равны и присутствует убывание по экспоненте. У нестационарного – выходит за доверительную границу, убывание по экспоненте. Частная автокорреляционная функция – один выступающий лаг.
Инструмент проверки не стационарности ряда – процесс единичного корня.
M(yt) = a
D(yt) = tb2
Процесс простейший первого порядка: AR(1)
Тестирование нестационарности сводится к проверке того, что α=1. Поэтому это и называется тестированием процесса единичного корня (проверка α=1).
Теперь вычтем из обеех частей yt-1
H0: a=0
H1: a<0
t=a/sa=a/корень(D(a))
если|tнабл|< tкр => Ho, ряд нестационарныйй, альфа=1
| tнабл|> tкр => H1 =>стационарный ряд, а-значим
-
Тест Дики-Фулера (ADF – расширенный тест Дики-Фулера)
H0: a=0
H1: a<0
Количество запаздываний приростов (к) определяется по графикам автокорреляционной функции. Автокорреляционную функцию смотреть (ADF) для дельта yt.
Далее рассчитывается t и сравнивается с критическим, т.к. было в предыдущем случае.
Важно: в бел. программах.
Последние 2 модели необходимо учитывать, т.к. необходимо учитывать тренд и сезонность. В лабораторных уже все очищено от тренда и сезонности. В крайнем случае может быть модель 2 со спецификацией.
Есть 2 класса:
-
TS (I(0) – интергрированные 0-ого порядка, т.е. можно сразу использовать для моджелирования)– тренд-стационарные:
-
стационарные по всем характеристикам (мат.ожидание, дисперсия и ковариация).
-
нестационарные по математическому ожиданию, т.е. он стационарный по тренду.
-
-
DS (I(1) – интегрированность первого порядка, что означает, что нестационарный ряд необходимо свести к стационарному: ):
-
Нестационарные по всем характеристикам.
-
Нестационарные по математическому ожиданию, содержащие стохастический тренд, т.к. тренд может быть недетерминирован. К такому тренду нельзя подобрать ни одной стохастическую кривую роста.
-
Нестационарны по дисперсии
-
-
Статистика Льюнга-Бокса
α=0,05
P<0,005 => H1, есть условная гетероскедастичность
P>0,005 => H0, нет условной гетероскедастичности
Присутствует в финансовых рядах (обменные курсы и т.д.), тогда говорят о волантильности, есть гетероскедастичность, временами дисперсия, то возрастает, то уменьшается периодами.
Для развитых стран – стационарные ряды, для неразвитых – нестационарные.
К TS рядам относят и ARCH модели. А DS – нестационарно по модели.
,
-
Модели ARMA и ARIMA. Адаптивная модель Брауна
ARMA – это модели для стационарных рядов.
ARIMA – это модели для нестационарных рядов. Расшифровывается как модели проинтегрированного. Если I(1), то дельта в первой степени, елси I(2), то дельта берутся в квадрате (см. выше жирным выделена).
Простейший стационарный – «белый шум», математическое ожидание и ковариация равны нулю, дисперсия = сигма квадрат. Тогда мы говорим, что наш ряд распределен нормально: , ARMA (p,q).
Определяем по корреляционным и автокорреляционным функциям p и q
p(AR) по PACF
MA по ACF
Если p и q > 4, то вызывает сомнения.
AR – это . AR стационарна, если корни характеристического уравнения () лежат внутри круга.
|λi|<1 i=от 1 до p.
MA – это ( Она обратима, если корни характеристического уравнения лежат внутри единичного круга.
ARIMA:
Последовательность построения ARMA и ARIMA по методологии Бокса-Дженкинса. Этапы:
-
Идентификация – это построение ACF и PCF функций, исследование стационарности (Дики-Фулер, к примеру), определение порядка модели при помощи частных автокорреляционных функций.
-
Параметризация по МНК (в EViews есть встроенные AR(1), MA(1), c=const).
-
Анализ адекватности – верификация моделей: проверяем наличие условной гетероскедастичности (Лагранжа??), автокорреляция (если неправильно определили порядки – изменить порядки), мультиколлениарность. Качественная модель не должна содержать пропущенных переменных и желательно была экономной, т.е. должна иметь наименьший критерий AIC (Акайки) и SC (Шварца) и меньшее MAPE (если ниже 10%, то отличная модель).
-
Адаптивная модель Брауна
Адаптивное сглаживание и вообще модели базируются на схеме скользящего среднего. В простейшем случае схема скользящего среднего (трехчленное сглаживание), то абсолютные значения заменяются средними арифметическими или среднем арифметическим скольжением.
Y’1
Y’1=(y1+y2+y3)/3
Y’k=(yk-1+yk+yk+1)/3
Y’T
Степени свободы: (T-1-m). При потере наблюдений теряются степени свободы.
Адаптивное сглаживание считает более ценную информацию, которая находится в конце исследуемого периода, ближе к началу прогнозного периода.
0<α<0 (коэффициент дисконтивраония)
β=1-α (бета – коэффиционт сглаживания)
α=2/(m+1)
Чтобы определить параметры, используется:
a(0) и b(0) определяется по МНК по первым значениям кривой роста полинома первого порядка. Объем выборки, предположим, V=12, m=10, альфа=2/(10+1)=2/11
f(t)=-0,0009t+1,15, т.е. получили кривую роста.
Определяем a(0) по первому значению: a(0)=-0,0009. b(0)=1,15, . A(12) и b(12) определяются из выражения с фигурной скобкой. Ответ: