- •Оглавление
- •Введение
- •Глава 1. Особенности регрессионного анализа для стохастических объясняющих переменных
- •Глава 2. Стационарные ряды. Модели ARMA
- •2.1. Общие понятия.
- •2.2. Процесс белого шума
- •2.3. Процесс авторегрессии
- •2.4. Процесс скользящего среднего
- •2.6. Модели ARMA, учитывающие наличие сезонности
- •Глава 3. Подбор стационарной модели ARMA для ряда наблюдений
- •3.1. Идентификация стационарной модели ARMA
- •3.2. Оценивание коэффициентов модели
- •3.3. Диагностика оцененной модели
- •Глава 4. Регрессионный анализ для стационарных объясняющих переменных
- •4.1. Асимптотическая обоснованность стандартных процедур
- •4.2. Динамические модели
- •4.3. Векторная авторегрессия
- •4.4. Некоторые частные случаи динамических моделей
- •Глава 5. Нестационарные временные ряды
- •5.1. Нестационарные ARMA модели
- •5.2. Проблема определения принадлежности временного ряда классу TS рядов или классу DS рядов
- •5.3. Различение TS и DS рядов в классе моделей ARMA. Гипотеза единичного корня.
- •Глава 6. Процедуры для различения TS и DS рядов
- •6.1. Предварительные замечания
- •6.2. Критерии Дики – Фуллера
- •6.3. Расширенные критерии Дики - Фуллера
- •6.4. Краткий обзор критериев Дики – Фуллера
- •6.5. Некоторые другие сочетания DGP и SM
- •6.6. Ряды с квадратичным трендом.
- •6.7. Многовариантная процедура проверки гипотезы единичного корня
- •6.8. Обзор некоторых других процедур
- •6.8.1. Критерий Филлипса – Перрона
- •6.8.2. Критерий Лейбурна
- •6.8.3. Критерий Шмидта – Филлипса.
- •6.8.4. Критерий DF-GLS
- •6.8.5. Критерий Квятковского – Филлипса – Шмидта – Шина (KPSS)
- •6.8.6. Процедура Кохрейна (отношение дисперсий)
- •6.9. Некоторые проблемы, возникающие при различении TS и DS гипотез
- •6.9.1. Коррекция сезонности
- •6.9.2. Протяженность ряда и мощность критерия
- •6.9.3. Проблема согласованности статистических выводов при различении TS и DS гипотез
- •6.9.4. Наличие нескольких единичных корней
- •6.10. Критерий Перрона и его обобщение
- •6.10.1. Критерий Перрона
- •6.10.2. Обобщенная процедура Перрона
- •Глава 7. Регрессионный анализ для нестационарных объясняющих переменных
- •7.1. Проблема ложной регрессии
- •7.2. Коинтегрированные временные ряды. Модели коррекции ошибок
- •7.4. Оценивание коинтегрированных систем временных рядов
- •Глава 8. Процедура Йохансена
- •8.1. Оценивание ранга коинтеграции
- •8.2. Оценивание модели коррекции ошибок
- •Заключение
- •Список литературы
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
16 |
|
процесс мы получим, если часть компонент имеет тип AR, а остальные компоненты имеют тип MA. Единственным исключением является случай, когда все компоненты являются MA процессами – в этом случае в результате получаем MA процесс.
Предположим, наконец, что “истинный ” экономический ряд отвечает AR(p) модели, но значения этого ряда измеряются со случайными ошибками, образующими процесс белого шума (т.е. MA(0)). Тогда наблюдаемый ряд имеет тип ARMA(p, p).
Замечание
Ранее мы уже говорили о том, что если ARMA(p, q) процесс Xt удовлетворяет условию обратимости, то его можно представить в виде стационарного процесса AR(∞). Последний, в свою очередь, можно аппроксимировать стационарным процессом AR(p), быть может, достаточно высокого порядка.
Таким образом, в практических задачах можно было бы и вовсе обойтись без использования моделей ARMA, ограничиваясь либо AR либо MA моделями. При этом, однако, количество коэффициентов, подлежащих оцениванию, может оказаться слишком большим (что снижает точность оценивания) и даже превосходить количество имеющихся наблюдений. В этом смысле модели ARMA могут быть “более экономными” .
2.6. Модели ARMA, учитывающие наличие сезонности
Если наблюдаемый временной ряд обладает выраженной сезонностью, то модель ARMA, соответствующая этому ряду, должна содержать составляющие, обеспечивающие проявление сезонности в порождаемой этой моделью последовательности наблюдений.
Для квартальных данных чисто сезонными являются стационарные модели
сезонной авторегрессии первого порядка (SAR(1))
Xt = a4 Xt–4 + εt , a4 < 1
и сезонного скользящего среднего первого порядка (SMA(1))
Xt = εt + b4 εt–4 .
В первой модели
ρ(k) = a4k/4 для k = 4m, m = 0, 1, 2, …,
ρ(k) = 0 для остальных k > 0. Во второй модели
ρ(0) = 1, ρ(4) = b4 , ρ(k) = 0 для остальных k > 0.
Ниже приведены смоделированные реализации модели SAR(1) с a4 = 0.8 и
модели SMA(1) с b4 = 0.8.
6 |
|
|
|
|
|
|
|
|
6 |
4 |
|
|
|
|
|
|
|
|
4 |
2 |
|
|
|
|
|
|
|
|
2 |
0 |
|
|
|
|
|
|
|
|
0 |
-2 |
|
|
|
|
|
|
|
|
-2 |
-4 |
|
|
|
|
|
|
|
|
-4 |
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
X_SAR |
|
|
|
|
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
X_SMA |
|
|
|
|
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
17 |
|
Комбинации несезонных и сезонных изменений реализуются, например, в моделях
ARMA((1, 4), 1)
Xt = a1 Xt–1 + a4 Xt–4 + εt + b1 εt–1
и ARMA(1, (1,4))
Xt = a1 Xt–1 + εt + b1 εt–1+ b4 εt–4 .
Cледующие два графика показывают поведение смоделированных реализаций таких рядов при a1 = 2/3, a4 = – 1/48, b4 = 1/5 у первого ряда и при a1 = 0.4, b1 = 0.3, b4 = 0.8 у второго ряда.
4 |
|
|
|
|
|
|
|
|
4 |
2 |
|
|
|
|
|
|
|
|
2 |
0 |
|
|
|
|
|
|
|
|
0 |
-2 |
|
|
|
|
|
|
|
|
-2 |
-4 |
|
|
|
|
|
|
|
|
-4 |
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
ARMA((1, 4), 1) |
|
|
|
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
ARMA(1, (1,4)) |
|
|
|
Зметим, что для первой модели уравнение a(z) = 0 принимает вид 1– 2/3z + 1/48 z4 = 0, т.е. z4 – 32z + 48 = 0; корни этого уравнения z1 = 2, z2 = 2, z3 = – 2 + i√8, z4 = – 2
– i√8 лежат вне единичного круга, что обеспечивает стационарность рассматриваемого процесса. Во второй модели a(z) = 0 принимает вид 1 – 0.4 z = 0; корень этого уравнения z = 2.5 > 1, так что и эта модель стационарна.
Кроме рассмотренных примеров аддитивных сезонных моделей, употребляются также и мультипликативные спецификации, например,
(1– a1L)Xt = (1+ b1L)(1+ b4L4) εt , (1– a1L)(1– a4L4) Xt = (1+ b1L) εt .
Первая дает
Xt = a1 Xt–1 + εt + b1 εt–1+ b4 εt–4 + b1b4 εt–5 ,
а вторая
Xt = a1 Xt–1 + a4 Xt–4 – a1a4 Xt–5 + εt + b1 εt–1 .
В первой модели допускается взаимодействие составляющих скользящего среднего на лагах 1 и 4 (т.е. значений εt–1 и εt–4), а во второй – взаимодействие авторегрессионных составляющих на лагах 1 и 4 (т.е. значений Xt–1 и Xt–4 ). Конечно, эти две модели являются частными случаями аддитивных моделей
Xt = a1 Xt–1 + εt + b1 εt–1+ b4 εt–4 + b5 εt–5 ,
Xt = a1 Xt–1 + a4 Xt–4 + a5 Xt–5 + εt + b1 εt–1
c b5 = b1b4 , a5 = – a1a4 . При приближенном выполнении последних соотношений (по крайней мере, если гипотезы о наличии таких соотношений не отвергаются), естественно перейти от оценивания аддитивной модели к оцениванию мультипликативной модели, опять следуя принципу “экономности” модели (“parsimony model”). Впрочем, каких-либо теоретических оснований, ведущих к предпочтению одной формы сезонности перед другой (мультипликативной или аддитивной), не существует.
Более подробно с сезонными ARMA моделями можно ознакомиться, например, в
книге [Enders (1995)].
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
18 |
|
www.iet.ru/mipt/2/text/curs_econometrics.htm