![](/user_photo/2706_HbeT2.jpg)
- •Введение
- •Основные этапы эконометрического исследования:
- •Основные типы моделей:
- •Тема 1. Основные понятия теории вероятностей
- •1.1. Вероятностный эксперимент, событие, вероятность.
- •1.2. Случайные величины
- •1.3. Числовые характеристики св
- •Свойства математического ожидания:
- •Свойства дисперсии:
- •1.4. Законы распределений св
- •1. Закон равномерного распределения вероятностей
- •2. Нормальный закон распределения
- •3. Распределение
- •4. Распределение Стьюдента(t – распределение)
- •5. Распределение Фишера (f – распределение)
- •( Число степеней свободы)
- •Тема 2. Базовые понятия статистики.
- •2.1. Выборка и генеральная совокупность
- •2.2. Способы представления и обработки экономических данных
- •2.3. Статистические оценки параметров распределения
- •2.4. Статистическая проверка гипотез
- •Тема 3. Соотношения между экономическими переменными. Линейная связь. Корреляция
- •3.1. Коэффициент линейной корреляции
- •3.2. Оценка значимости (достоверности) коэффициента корреляции
- •Тема 4. Парная линейная регрессия. Метод наименьших квадратов
- •Тема 5. Оценка качества полученного уравнения (верификация)
- •5.1. Оценка общего качества уравнения регрессии
- •5.2. Оценка существенности параметров линейной регрессии и всего уравнения в целом
- •5.2.1. Анализ статистической значимости коэффициентов линейной регрессии
- •5.2.2. Анализ статистической значимости уравнения в целом. Распределение Фишера в регрессионном анализе
- •5.3. Проверка предпосылок, лежащих в основе мнк
- •5.3.1. Проверка первой предпосылки мнк
- •5.3.2. Проверка второй предпосылки мнк
- •5.3.3. Автокорреляция ошибок. Статистика Дарбина-Уотсона
- •Методы устранения автокорреляции. Авторегрессионное преобразование
- •5.3.4. Проверка гомоскедастичности дисперсии ошибок
- •Обобщенный метод наименьших квадратов (омнк)
- •Тема 6. Множественная корреляция и линейная регрессия
- •6.1. Спецификация модели. Отбор факторов при построении уравнения множественной регрессии
- •6.2. Метод наименьших квадратов (мнк)
- •6.3. Анализ качества эмпирического уравнения множественной линейной регрессии
- •Тема 7. Прогнозирование
- •7.1. Оценка прогнозных качеств модели
- •7.2. Интервалы прогноза по линейному уравнению регрессии
- •Тема 8. Нелинейные модели регрессии. Простейшие методы линеаризации
- •Тема 9. Фиктивные переменные в регрессионных моделях
- •Тема 10. Системы эконометрических уравнений
- •10.1. Общее понятие о системах уравнений, используемых в эконометрике
- •10.2. Структурная и приведенная формы модели
- •10.3. Проблема идентификации
- •Косвенный метод наименьших квадратов (кмнк);
- •Двухшаговый метод наименьших квадратов (дмнк);
- •Тема 11. Временные ряды в эконометрических исследованиях в.1. Выявление структуры временного ряда
Тема 7. Прогнозирование
7.1. Оценка прогнозных качеств модели
Пример 1. Рассмотрим зависимость объёма реального частного потребления в США (С) от располагаемого дохода Y за 1971-1990 гг:
Со статической точки зрения данная зависимость приемлема по всем показателям.
Стандартная
ошибка регрессии
при среднем значении зависимой переменной
,
т.е. составляет около 1%.Отклонения от
линии регрессии носят случайный характер,
и их среднее значение остаётся
приблизительно постоянным.
Отношение
стандартной ошибки регрессии к среднему
значению зависимой переменной
называетсясредней
относительной ошибкой прогноза,
и может служить критерием прогнозных
качеств оценённой регрессионноё модели.
Если величина V
мала и отсутствует автокорреляция
ошибок (т.е. систематичность отклонений
зависимой переменной от линии регрессии,
проверяемая с помощью статистики
Дарбина-Уотсона), то прогнозные качества
модели высоки.
Если уравнение регрессии используется в прогнозировании, то величина V часто рассчитывается не для того периода, на котором было построено уравнение, а для некоторого следующего за ним «постпрогнозного» периода, для которого имеются наблюдения зависимой и объясняющих переменных.
И уже для последующего периода, если для него известны прогнозы значений объясняющих переменных, может быть построен прогноз объясняемой переменной.
Считается, что период прогнозирования должен быть по крайней мере в 3 раза короче, чем тот период, для которого было оценено уравнение регрессии.
Для примера, оценим функцию зависимости С от Y за период не 1971-1990гг, а 1971-1986 гг., а затем построим постпрогноз на период 1987-1990гг.
Уравнение регрессии также получается приемлемое по всем параметрам:
Оценим
прогнозные качества модели, рассчитав
среднюю относительную ошибку прогноза
V.
Поскольку для постпрогнозного периода
число степеней свободы равно числу
точек
,
стандартная ошибка прогноза за 1987-1990гг
рассчитывается как
.
Относительная ошибка прогноза
или 0,96%. Если относительную ошибку
прогноза оценить по расчётному периоду
1971-1986гг, то она окажется равной
или 0,90%, где
.
Т.о. оценка прогнозных качеств уравнения регрессии даёт хороший результат (менее 1% ошибки) как на расчётном, так и на контрольном (постпрогнозном) периоде.
Для построения прогноза объёма потребления С на период после 1990г нужно оценить уравнение за 1971-1990 г. И подставить в него прогнозируемые значения величины располагаемого дохода Y.
7.2. Интервалы прогноза по линейному уравнению регрессии
Прогнозирование
по уравнению регрессии представляет
собой подстановку в уравнение регрессии
соответственного значения х.
Такой прогноз
называетсяточечным.
Он
не является точным, поэтому дополняется
расчетом стандартной ошибки
.
Стандартная ошибка предсказываемого
среднего значения зависимой переменной
при заданном значении
:
Где
- стандартная ошибка регрессии,
- остаточная дисперсия.
Величина
достигает минимума при
и возрастает по мере удаления
от
в любом направлении.
Получаем
интервальную
оценку
прогнозного значения
:
Пример
2:
Уравнение зависимости затрат на
производство от объёма выпускаемой
продукции по 7 предприятиям имеет вид:
.
;
;
,
.
При
точечный прогноз затрат на производство:
.
Для
прогнозируемого значения
95%-ные доверительные интервалы при
заданном
определены выражением:
,
т.е.
.
Т.о.
прогноз линии регрессии лежит в
интервале: .
Мы
рассмотрели доверительные интервалы
для среднего
значения
при заданном
Однако
фактические значения
варьируются около среднего значения
они могут отклоняться на величину
случайной ошибки ε, дисперсия которой
оценивается как остаточная дисперсия
на одну степень свободы
Поэтому ошибка прогноза отдельного
значения
должна включать не только стандартную
ошибку
,
но и случайную ошибкуS.
Таким образом, средняя
ошибка прогноза индивидуального значения
составит:
Для
примера:
Доверительный
интервал прогноза индивидуальных
значений
при
с вероятностью 0,95 составит:
или
Получился достаточно большой интервал, т.к. мало наблюдений.
Пусть в примере с функцией издержек выдвигается предположение, что в предстоящем году в связи со стабилизацией экономики затраты на производство 8 тыс. ед. продукции не превысят 250 млн. руб. Означает ли это изменение найденной закономерности или затраты соответствуют регрессионной модели?
Точечный
прогноз:
Предполагаемое значение – 250. Средняя ошибка прогнозного индивидуального значения:
Сравним ее с предполагаемым снижением издержек производства, т.е. 250–288,93= –38,93:
Поскольку
оценивается только значимость уменьшения
затрат, то используется односторонний
t-
критерий Стьюдента. При ошибке в 5 % с
,
поэтому предполагаемое уменьшение
затрат значимо отличается от прогнозируемого
значения при 95 % – ном уровне доверия.
Однако, если увеличить вероятность до
99%, при ошибке 1 % фактическое значениеt-критерия
оказывается ниже табличного 3,365, и
различие в затратах статистически не
значимо, т.е. затраты соответствуют
предложенной регрессионной модели.