8. Самостоятельная работа студентов Литература для самостоятельной работы

1. Эконометрика: Учебник./ Под ред. И.И. Елисеевой. – 2-е изд.– М.: Финансы и статистика, 2005. – 276 с.

2. Практикум по эконометрике. Под ред. И.И.Елисеевой. – М.: Финансы и статистика, 2005.

3. Мхитарян В.С., Архипова М.Ю., Сиротин В.П. Эконометрика: Учебно-методический комплекс. – М.: Изд. центр ЕАОИ. 2008. – 144 с.

4. Доугерти Кр. Введение в эконометрику/ Пер. с англ. – М.: МГУ; ИНФРА-М, 2003.

5. Дубров А.М., Мхитарян В.С., Трошин Л.И. Математическая статистика для бизнесменов и менеджеров. – М.: МЭСИ, 2004. – 140 с.

6. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс, 3-е изд. – М.: Дело, 2005. – 503 с.

7. Мхитарян В.С., Трошин Л.И. Исследование зависимостей методами корреляции и регрессии. – М.: МЭСИ, 2004. – 51 с.

8. Айвазян С.А., Мхитарян В.С. Практикум по прикладной статистике и эконометрике. – М.: МЭСИ, 2003.

9. Россиев А. А.,: Итерационное моделирование неполных данных с помощью многообразий малой размерности, Изд-во СО РАН, 2005.

INTERNET-ресурсы

1. http://upereslavl.botik.ru/UP/ECON/econometrics/top1/tsld006.htm

2. http://www.nsu.ru/ef/tsy/ecmr/study.htm

3. http://www.nsu.ru/ef/tsy/ecmr/index.htm

4. http://www.statsoft.ru/home/textbook/def ault.htm

5. http://www.nsu.ru/ef/tsy/ecmr/study.htm

6. http://www.dataforce.net/~antl/article/econometric

7. http://www.nsu.ru/ef/tsy/ecmr/study.htm

6 . Временные ряды.

6.1. Характеристики временных рядов. Выявление тренда в

динамических рядах экономических показателей 112

6.2. Моделирование сезонных и циклических колебаний 116

6.3. Статистика Дарбина-Уотсона 118

6.4. ДИНАМИЧЕСКИЕ ЭКОНОМЕТРИЧЕСКИЕ МОДЕЛИ______________________________120

6.5. ИНТЕРПРЕТАЦИЯ ПАРАМЕТРОВ МОДЕЛЕЙ С РАСПРЕДЕЛЕННЫМ ЛАГОМ_______121

6.6. Практический блок 123

6.7. Самостоятельная работа студентов 134

6.1. Характеристики временных рядов. Выявление тренда в динамических рядах экономических показателей.

Методы математической статистики широко применяются для анализа экономических временных рядов.

В общем случае временной ряд содержит детерминированную и случайную составляющие:

у_t=f(t, х_t)+_t, t=1,…,Т,

г де у_t – значения временного ряда; f(t, х_t) – детерминированная составляющая; х_t – значения факторов, влияющих на детерминированную составляющую в момент t; _t – случайная составляющая; Т – длина ряда.

Получив оценки детерминированной и случайной составляющих, решают задачи прогноза будущих значений, как самого временного ряда, так и его составляющих.

Если детерминированная составляющая зависит только от времени и линейна относительно своих параметров, то задача сводится к задаче множественной линейной регрессии, рассмотренной выше.

Действительно, в этом случае

у_t=₀+₁ ₁(t) +₂ ₂(t) +…+_m _m( t)+_t, t=1,…,Т. (6.1)

В частном случае,

у_t=₀+₁t¹ +₂t² +…+_mt^m + _t, t=1,…,Т. (6.2)

Детерминированная составляющая (называемая трендом), в свою очередь представляется тремя составляющими.

Долговременная эволюторно изменяющаяся составляющая является результатом действия факторов, приводящих к постепенному изменению экономического показателя. Так, в результате научно-технического прогресса, совершенствования системы управления производством показатели эффективности производства растут, а удельные расходы на единицу полезного эффекта снижаются.

Долговременная циклическая составляющая проявляется на протяжении длительного времени в результате действия факторов, обладающих большим последействием или циклически изменяющихся во времени. Например, кризисы перепроизводства или периодичность солнечной активности, влияющая на урожайность.

Сезонная циклическая составляющая легко просматривается в колебаниях продуктивности сельскохозяйственных животных, а также в колебаниях розничного товарооборота в зависимости от времени года.

Эволюторно изменяющуюся долговременную составляющую во многих практических случаях представляют в виде некоторой аналитической функции (см. ниже), тогда как долговременная и сезонная циклические составляющие представляются периодическими функциями.

Для построения эволюторных трендов (моделирования тенденции) чаще всего применяются те же функции, которые мы рассматривали выше:

• линейный тренд: ŷ_t=b+ at;

• гипербола: ŷ_t= b+a/t;

• экспоненциальный тренд: ŷ_t= е ^b+at (или ŷ_t=ba^t);

• тренд в форме степенной функции ŷ_t= bt^a;

• полином порядка m: ŷ_t= b + a₁t + a₂t² +…+ a_mt^m.

Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время t. Для нелинейных трендов предварительно проводят процедуру их линеаризации.

Пример 6.1. Имеются помесячные данные о темпах роста заработной платы в РФ за 10 месяцев 2008 г. в процентах к уровню декабря 2007г. (табл. 6.1). Требуется выбрать наилучший тип тренда и определить его параметры.

Таблица 6.1

месяц	1	2	3	4	5	6	7	8	9	10
Темп роста з/платы	82,3	87,3	99,4	104,8	107,2	121,6	118,6	114,1	123,0	127,3

Определим параметры основных видов тренда. Результаты этих расчетов представлены в табл. 6.2.

Таблица 6.2

Тип тренда	уравнение	R2
Линейный	ŷt= 82,66 + 4,72t	0,887
Парабола	ŷt= 72,9 + 9,599t – 0,444t2	0,937
Степенной	lnŷt= 4,39 + 0,193lnt	0.939
Экспоненциальный	lnŷt= 4.43 + 0.045t	0.872
Гиперболический	ŷt= 122.57 – 47.63/t	0.758

Наилучшей является степенная форма тренда, которая в исходном виде (после потенцирования) примет следующий вид

ŷ_t= е^4.39 t^0,193

или ŷ_t= 80,32t^0,193.

Наиболее простую экономическую интерпретацию имеют параметры линейного и экспоненциального трендов.

Параметры линейного тренда можно интерпретировать так:

b – начальный уровень временного ряда при t=0;

a – средний за период абсолютный прирост ряда.

Применительно к вышеприведенному примеру можно сказать, что темпы роста месячной заработной платы за 10 месяцев 2008г. изменялись от 82,66% со средним за месяц абсолютным приростом 4,72%.

Параметры экспоненциального тренда имеют следующую интерпретацию:

b – начальный уровень временного ряда при t=0;

е^a– средний за период коэффициент роста ряда.

В примере уравнение экспоненциального тренда в исходной форме имеет вид

ŷ_t= е^4.43 е^0,045t

или ŷ_t= 83,96е^0,045t.

Следовательно, можно сказать, что темпы роста месячной заработной платы за 10 месяцев 2004г. изменялись от 83,96% со средним за месяц темпом роста, равным е^0,045= 1,046.

Выбранная прогнозная эмпирическая функция, описывающая динамический ряд, должна минимизировать стандартное отклонение S на интервале оценивания, обеспечивать тесноту связи (по коэффициенту корреляции); аппроксимирующее уравнение должно быть адекватно фактической временной тенденции (по F-критерию) и устранять автокорреляцию.

Технология моделирования на основе тренда включает следующие этапы.

1.Анализ и обработка исходной информации.

2.Выбор вида функции, описывающей временной ряд.

3.Расчет параметров функции (например, методом наименьших квадратов).

4.Оценка адекватности и достоверности уравнения тренда.

Оценка адекватности проводится с помощью показателей, рассмотренных в теме 2, так как трендовые модели являются частным случаем регрессионных моделей. Следует отметить, что временные ряды качественно отличаются от простых числовых выборок, поэтому обычно в целях проверки адекватности модели используют оценку устойчивости тенденции временного ряда.

Определение устойчивости изменения показателей временного ряда

Устойчивость характеризуется преобладанием закономерности над случайностью в изменении уровней ряда. Устойчивость экономических процессов можно рассматривать как категорию противоположную колеблемости, и как устойчивость направленности изменений.

В первом случае показатель устойчивости можно измерять как разность между единицей и относительным показателем колеблемости. В свою очередь показатель колеблемости вычисляется как отношение среднеквадратического отклонения от тренда к среднему значению показателя.

, где

- показатель колеблемости уровней временного ряда;

- среднеквадратическое отклонение уровней временного ряда от рассчитанных по уравнению тренда (стандартное отклонение);

- среднее значение уровней временного ряда;

- фактические значения уровней временного ряда;

- значения уровней временного ряда, рассчитанные по уравнению тренда.

Следовательно, показатель устойчивости будет равен:

Показатель устойчивости характеризует близость фактических уровней к тренду. Изменения показателей считаются устойчивыми, если показатель устойчивости не менее 67% (то есть показатель колеблемости не превышает 33%).

Во втором случае устойчивость характеризует уровни временного ряда как процесс их направленного изменения. С этих позиций полной устойчивостью направленного изменения уровней временного ряда следует считать такое их изменение, в процессе которого каждый следующий уровень либо выше всех предшествующих (устойчивый рост), либо ниже всех предшествующих (устойчивое снижение). Всякое нарушение строго ранжированной последовательности уровней свидетельствует о неполной устойчивости их развития.

При такой интерпретации в качестве показателя устойчивости тенденции можно использовать коэффициент корреляции рангов Ч.Спирмена:

, где

n – число уровней временного ряда;

- разность рангов уровней и номеров периодов времени.

Коэффициент корреляции рангов Спирмена изменяется от -1 до 1. При хаотическом чередовании подъемов и падений исследуемого процесса его значение буде близко к нулю. Значение коэффициента близкое к 1 доказывает устойчивость тенденции возрастания, близость коэффициента к -1 свидетельствует об устойчивой тенденции убывания.