- •Эконометрического моделирования План лекции
- •Введение
- •1.Предмет, цель и задачи эконометрики.
- •2.Этапы становления эконометрики
- •3. Введение в эконометрическое моделирование
- •4. Основные математические предпосылки эконометрического моделирования
- •5. Основные этапы и проблемы эконометрического моделирования
- •Контрольные вопросы:
- •Тема 2. Парная линейная регрессия и корреляция План лекции
- •Введение
- •1. Модель линейной парной регрессии. Метод наименьших квадратов
- •2. Коэффициент корреляции
- •3. Основные положения регрессионного анализа. Теорема Гаусса – Маркова
- •4. Оценка значимости уравнения регрессии. Коэффициент детерминации
- •5. Построение интервальных прогнозов по модели парной регрессии
- •Контрольные вопросы:
- •Тема 3. Множественный регрессионный анализ План лекции
- •Введение
- •1. Классическая нормальная линейная модель множественной регрессии
- •2. Оценка параметров классической регрессионной модели методом наименьших квадратов
- •3. Предпосылки для множественного регрессионного анализа.
- •Теорема Гаусса-Маркова.
- •4. Стандартизированное уравнение линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 4. Множественная корреляция План лекции
- •Введение
- •1. Множественная линейная корреляционная зависимость
- •2. Частные коэффициенты корреляции
- •3. Коэффициент множественной корреляции
- •4. Отбор факторов в случае линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 5. Линейные регрессионные модели
- •1. Суть гетероскедастичности, ее последствия
- •2. Тесты, позволяющие выявить наличие гетероскедастичности остатков
- •3. Устранение гетероскедастичности
- •4. Автокорреляция остатков, ее последствия. Обнаружение автокорреляции остатков
- •Контрольные вопросы:
- •Тема 6. Линейные регрессионные модели
- •1. Фиктивные переменные
- •2. Модели регрессии с фиктивными переменными сдвига
- •3. Модели регрессии с фиктивными переменными наклона
- •4. Критерий г. Чоу
- •Контрольные вопросы:
- •Тема 7. Модели временных рядов План лекции
- •Введение
- •1. Понятие временного ряда. Общий вид модели временного ряда
- •2. Проверка гипотезы существования тенденции
- •3. Стационарные временные ряды и их характеристики. Автокорреляционная функция
- •Авторегрессия первого порядка. Тест Дарбина-Уотсона
- •4. Аналитическое выравнивание (сглаживание) временного ряда
- •6. Процесс построения аддитивной модели временного ряда
- •7. Прогнозирование на основе моделей временного ряда
- •8. Понятие об авторегрессионных моделях и моделях скользящей средней
- •Контрольные вопросы:
- •Тема 8: модели с лаговыми переменными План лекции
- •Введение
- •1. Модели с распределенными лагами
- •2. Модели авторегрессии
- •3. Авторегрессионные модели и их моделирование
- •Контрольные вопросы:
- •Тема 9. Системы линейных одновременных уравнений План лекции
- •Введение
- •1. Структурная и приведенная формы моделей
- •2. Проблема идентификации
- •Матрица коэффициентов (1)
- •Матрица коэффициентов (2)
- •Матрица коэффициентов (3)
- •3. Оценивание параметров структурной модели
- •Условные данные по пяти регионам
- •Контрольные вопросы:
- •Используемая литература
6. Процесс построения аддитивной модели временного ряда
Процесс построения аддитивной модели (7.1) временного ряда с отсутствующей циклической компонентой включает следующие этапы:
1. Расчет значений сезонной компоненты S. Простейший путь оценки сезонности для ряда у1,у2,…,уn с периодом сезонности ( = 12 для ежемесячных данных, = 4 для ежеквартальных данных и ) заключается в вычислении разности между средним по всем одноименным месяцам (кварталам) и средним по всем данным.
к = 1,2,.., (7.12)
2. Устранение сезонной компоненты из исходных уровней ряда и получение zi суммы трендовой и случайной компонент
ui + i = yi – si zi
3. Аналитическое выравнивание уровней zi, т.е. расчет значений ui с использованием уравнения тренда. Аналитическое выравнивание осуществляется по математической модели тренда. Предполагая, что тренд имеет вид полинома, анализируют цепные абсолютные приросты (первые разности уровней ряда) i = zi – zi-1 и вторые разности ряда i – i-1. Если примерно одинаковы i, то ряд имеет линейный тренд
При вычислении удобно моменты времени пронумеровать так, чтобы Тогда параметры линейного тренда могут быть найдены по формулам
(7.12)
Если же вторые разности i – i-1 примерно постоянны, то для описания тенденции временного ряда следует выбрать многочлен второй степени ut = b0 + b1t + b2t2.
Методика нумерации моментов времени, так, чтобы различна для рядов имеющих четное и нечетное число наблюдений. Так, если число наблюдений нечетное, то нумерация проводится так:
Год |
1997 |
1998 |
1999 |
2000 |
2001 |
2002 |
2003 |
t |
– 3 |
– 2 |
– 1 |
0 |
1 |
2 |
3 |
Если же число наблюдений четное, то нумерация соответственно:
Год |
1997 |
1998 |
1999 |
2000 |
2001 |
2002 |
t |
– 2,5 |
– 1,5 |
– 0,5 |
0,5 |
1,5 |
2,5 |
После выделения трендовой компоненты , случайная компонента получается как разность .
Расчет абсолютных и/или относительных ошибок. Часто рассчитывают: среднюю абсолютную процентную ошибку (Mean Absolute Percentage Error):
7. Прогнозирование на основе моделей временного ряда
Одна из важнейших задач (этапов) анализа временного (динамического) ряда, как отмечено выше, состоит в прогнозировании на его основе развития изучаемого процесса. При этом исходят из того, что тенденция развития, установленная в прошлом, может быть распространена (экстраполирована) на будущий период.
Задача ставится так: имеется временной (динамический) ряд и требуется дать прогноз уровня этого ряда на момент .
Ранее мы рассматривали точечный и интервальный прогноз значений зависимой переменной , т.е. определение точечных и интервальных оценок , полученных для парной и множественной регрессий для значений объясняющих переменных , расположенных вне пределов обследованного диапазона значений .
Если рассматривать временной ряд как регрессионную модель изучаемого признака по переменной «время», то к нему могут быть применены рассмотренные выше методы анализа. Следует, однако, вспомнить, что одна из основных предпосылок регрессионного анализа состоит в том, что возмущение представляют собой независимые случайные величины с математическим ожиданием (средним значением), равным нулю. А при работе с временными рядами такое допущение оказывается во многих случаях неверным.
Положим, что возмущения удовлетворяют предпосылкам регрессионного анализа, т.е. условиям нормальной классической регрессионной модели.
Пример 3. По данным таблицы 2 дать точечную и с надежностью 0,95 интервальную оценки прогноза среднего и индивидуального значений спроса на некоторых товар на момент t = 9 (девятый год). (Полагаем, что тренд линейный, а возмущения удовлетворяют требованиям классической модели).
Решение. Выше, в примере 2 получено уравнение регрессии т.е. ежегодно спрос на товар увеличивался в среднем на 25,7 ед. Надо оценить условное математическое ожидание . Оценкой является групповая средняя
Найдем оценку s2 дисперсии 2 по формуле
Вычислим оценку дисперсии групповой средней .
Подробно решение примера можно найти в [1], главе 5, с. 145.
В итоге получаем интервальную оценку прогноза среднего значения спроса:
или
сама интервальная оценка для у*(9) имеет вид:
или
Итак, с надежностью 0,95 среднее значение спроса на товар на девятый год будет заключено от 346,9 до 477,9 (ед.), а его индивидуальное значение – от 305,9 до 518,9 (ед.).
Прогноз развития изучаемого процесса на основе экстраполяции временных рядов может оказаться эффективным, как правило, в рамках краткосрочного, в крайнем случае, среднесрочного периода прогнозирования.