38. Построение аддитивной модели тренд-сезонного экономического процесса.

Модели, которые построенны по данным, характеризующим один объект за ряд определенных последовательных периодов, называется моделями временных рядов.

Временной ряд – это совокупность значений определенного показателя за несколько последовательных периодов времени.

Каждый уровень временного ряда может формироваться из трендовой (Т), циклической или сезонной компоненты (S), а также случайной (E) компоненты.

Модели, где временной ряд представлен в виде суммы перечисленных компонентов называются аддитивными, если в виде произведения – мультипликативными моделями.

Аддитивная модель имеет вид: Y = T + S + E

Построение модели временного ряда:

-производят выравнивание временного ряда (например методом скользящей средней);

-расчитывают значения сезонной компоненты;

-устраненяют сезонную компоненту и получают выровненный ряд;

-проводят аналитическое выравнивание уровней (T и Е) и расчет значений Е с использованием полученного уравнения тренда;

-расчитывают значения T и Е ;

-расчитывают абсолютных и относительные ошибки;

Аналитическое выравнивание временного ряда:

Построение аналитической функции при моделировании тренда, в любой задаче по эконометрике на временные ряды, называют аналитическим выравниванием временного ряда и в основном применяются функции: линейную, степенную, гиперболичческую, параболическую и т.д.

Параметры тренда определяются как и в случае линейной регрессии методом МНК, где в качестве независимой переменной выступает время, а в качестве зависимой переменной – уровни временного ряда. Критерием отбора наилучшей формы тренда служит наибольшее значение коэффициента детерминации, критерии фишера и Стьюдента.

43. Модели и методы авторегресии. СС-модели.

Авторегрессионные модели:

1)модели стационарных временных рядов.

В авторегр-х моделях исп-ся одно из важнейших св-в эк-х процессов-это зависимость уровней одного и того же ряда друг от друга.

Авторегр-м процессом наз-ся такой процесс при кот-м каждое значение вр.ряда находится в ЛЗ от его предыдущих значений.

Если текущее значение зависит только от одного предыдущего значения, то это авторегр-й процесс 1-го порядка, если от 2-х-2-го порядка и т.д.

2)модели скользящего среднего, 3)комбинированные модели.

В моделях скользящего среднего порядка среднее текущее значение ста-

ционарного стохастического процесса представляется в виде линейной комби-

нации текущего и прошедших значений ошибки εt, εt-1, …, εt-p, обладающей

свойствами «белого шума».

Процессом скользящего среднего порядка q (обозначается МА(q)) называ-

ется стохастический процесс yt, определяемый соотношением Xt= εt – β1εt–1 – β2εt–2 –…– βqεt–q, где εt – процесс типа «белый шум» с με = 0, σ2

ε = σ2.

48. Технология разработки прогнозов на пэвм с использованием специальных программ статистической обработки данных (ms Excel).

При прогнозировании с помощью Microsoft Excel используются следующие основные понятия:

Линия тренда - графическое представление трендов в рядах данных. Линии тренда могут быть добавлены к ряду данных плоской диаграммы, линейчатой, гистограмме, графику, точечному графику. Линию тренда можно отформатировать.

Метка линии тренда - текст для линии тренда, который форматируется электронными таблицами и может содержать уравнение регрессии и (или) среднее квадратическое отклонение. Метку линии тренда можно форматировать и перемещать, но нельзя изменить по размеру.

Регрессионный анализ (экстраполяция) - форма статистического анализа, используемая при прогнозировании. Оценивается отношение между переменными, в результате чего одна переменная может быть предсказана через другие.

Среднее квадратическое отклонение - вычисляемое значение, которое в регрессионном анализе характеризует достоверность линии тренда для прогнозирования. Среднее квадратическое отклонение помогает определить наиболее подходящую линию тренда. Близость его к нулю означает низкую степень соответствия, близость к единице - высокую, вполне достоверную линию тренда.

Для проведения регрессионного анализа использовать инструмент Регрессия, пакета Анализ данных:

Входной интервал Y: диапазон анализируемых зависимых данных , диапазон должен состоять из одного столбца;

Входной интервал Х: диапазон независимых данных ;

Константа – ноль – нет (при установленном флажке линия регрессии проходит через начало координат);

Уровень надежности – установить флажок, использовать уровень 95%;

Отметить флажком параметры вывода Остатки и График нормальной вер