Тема 1-3. Arima – моделі: практика побудови із використанням програмного пакту e.Views.6.0. Детальні інструкції побудови arima моделі на прикладі реального часового ряду. Вступ.

Основні етапи аналізу даних та побудови ARIMA-моделей на практиці з використанням пакету E.VIEWS проілюстровано на прикладі розробки ARIMA-моделі для часового ряду реального ефективного обмінного курсу Євро для країн Євросоюзу (РЕОК). Фактичні дані, що використовуються для побудови моделі наведено в файлі REER.xls.

Особливості та тонкощі моделювання на кожному етапі прокоментовано та проілюстровано за допомогою програмного пакету EVIEWS 6.0.

Наведений ілюстративний матеріал можна використати як для виконання домашнього завдання на комп’ютері по тематиці ARIMA-моделювання, так і для виконання творчої роботи та побудови реальних ARIMA-моделей на практиці.

Зауважимо, що навіть у межах одного програмного пакету однакові операції можна здійснити кількома способами, лише один або декілька з яких описані у наведеному інструктивному матеріалі. Це відкриває простір для самостійної творчості, яка в опануванні будь-якої справи, в тому числі економетрики, заохочується. Нагадаємо, що моделювання не тільки наука, але й мистецтво, яке залежить від розуміння проблеми, знань, досвіду та інтуїції. Творчих Вам успіхів на цьому нелегкому, але надзвичайно захоплюючому шляху!

1.1. В яких випадках доцільно використовувати arima-моделі на практиці?

При прийнятті оперативних рішень на макро- та мікрорівні часто необхідно спиратись на якісні прогнозні значення певних показників, не заглиблюючись у детальний аналіз факторів які впливають на їх зміну. Припустимо, що ми маємо часовий ряд місячних даних по реальному ефективному обмінному курсу Євро для країн Євросоюзу (РЕОК) і нам необхідно визначити прогнозне значення даного показника на наступні два місяці, а також побудувати інтервали довіри для прогнозу.

Загалом, на зміну показника РЕОК можуть впливати різні фактори, зокрема ВВП, індекси цін, а також інші чинники не лише країн Євросоюзу, але й їхніх країн-торгових контрагентів. Збір даних і аналіз всіх цих факторів для побудови багатофакторної регресійної моделі може зайняти час, суттєво більший ніж два місяці, або може потребувати великих витрат ресурсів, неспівставних з отриманим результатом.

Саме в таких випадках одними з ефективних методів прогнозування є методи прогнозування на основі часових рядів, зокрема побудова ARIMA-моделі часового ряду.

Зауважимо, що побудова ARIMA-моделей є також ефективним допоміжним інструментарієм для розрахунку прогнозних значень окремих факторів, що впливають на змінну залежного показника при прогнозуванні на основі багатофакторних регресійних моделей, моделей симультативних рівнянь тощо.

Крім того, на практиці можна будувати і різні різновиди ARIMA моделей, зокрема ARMAX- моделі, які одночасно з лаговими змінними досліджуваного показника можуть включати і додаткові екзогенні фактори в різних формах. Такі своєрідні гібриди лінійної багатофакторної регресії та ARIMA-моделей при правильній специфікації є достатньо ефективними при прогнозуванні в окремих випадках та можуть забезпечити зменшення похибки прогнозу порівняно з класичними багатофакторними регресійними моделями, або навіть з чистими ARIMA-моделями.