1.4. Ідентифікація arima-моделі.

1.4.1. Як визначити значимі лаги для побудови моделі?

Для попереднього визначення загального вигляду специфікації майбутньої ARIMA -моделі і кількості лагів для кожної складової скористаємося графіками автокореляційної і часткової автокореляційної функції досліджуваного показника, для нашого прикладу реального ефективного обмінного курсу в перших різницях (нагадаємо, що саме в перших різницях ряд є стаціонарним). Зауважимо, що візуальний аналіз ACF/PACF дозволяє зробити висновок чи можна вважати часовий ряд чистим AR або МА процесом, чи він є змішаним ARMA процесом. В випадку чистих процесів аналіз графіків ACF/PACF функцій дозволяє зробити попередній висновок про максимально можливу кількість лагів. В випадку змішаного процесу необхідно застосовувати спеціальні процедури ідентифікації, зокрема процедуру Хеннона-Ріссанена. Основні властивості графіків ACF та PACF функцій для MA, AR та ARMA процесів наведено в таблиці 1.1.

Таблиця 1.1. Властивості ACF та PACF функцій для MA, AR та ARMA процесів

Процеси	Поведінка ACF	Поведінка PACF
AR(p).	Нескінченно зменшується до нуля	Скінченний: дорівнює нулю після лагу p. Максимальний порядок процесу – останній ненульовий лаг в PACF (р)
MA(q)	Скінченний: дорівнює нулю після лагу q. Максимальний порядок процесу – останній ненульовий лаг в ACF(q)	Нескінченно зменшується до нуля
ARMA(p,q)	Нескінченно зменшується до нуля Максимальні порядки (р,q) процесу визначаються за спеціальними процедурами	Нескінченно зменшується до нуля Максимальні порядки (р,q) процесу визначаються за спеціальними процедурами

Отже, для попереднього можливого визначення типу процесу та кількості лагів для включення в модель, повернемось знову до графіку автокореляційної і часткової автокореляційної функції перших різниць реального обмінного курсу (нагадаємо, що отримати його можна задавши послідовність команд: View>Correlorgam). Вигляд графіку наведено на рис.1.16 ( див. також аналогічний рис.1.13)

Рис. 1.16. Графік корелограм ряду REER в перших різницях.

Аналіз наведеного рисунку показує, що в даному випадку значимим ( відмінним від нуля) є 7-й лаг, а також, можливо, 32-й (що цілком імовірно враховуючи «велику хвилю» майже трирічної циклічності показника, за візуальним аналізом графіка). Крім того, аналіз поведінки ACF/PACF свідчить про змішаний характер процесу, отже для виявлення порядків AR та MA складової необхідно застосовувати спеціальні процедури.

Примітка. Якщо автокореляції виявляють сезонний характер, слід спробувати застосувати сезонну компоненту в рівнянні. Особливість введення такої компоненти в модель буде пояснено далі.

1.4. 2. Як знайти найкращу специфікацію для arima-моделі (визначити оптимальний порядок ar та ма- складових)?

Якщо процес не є чистим авторегресійним процесом або процесом ковзного середнього, слід визначити порядок AR та MA складових, наприклад за допомогою процедури Хеннона-Ріссанена, яку розглянемо детальніше.

Згідно даної процедури, спочатку оцінюється AR- складова ARMA/ARIMA моделі звичайним методом найменших квадратів. При цьому, оптимальними лагами для включення в модель вважаються такі, при яких досягається мінімальне значення Акайк- інформаційного критерію (AIC).

Процедуру починають з послідовного оцінювання AR- моделей різного порядку, починаючи з першого, наприклад AR(1), AR(2),…,AR(k). Для кожної з даних моделей аналізується значення AIC –критерію (зауважимо, що в пакеті E.Views даний критерій розраховується автоматично і надається в вихідній інформації). Оптимальним вважається таке значення лагу, наприклад при якому досягається найменше значення Акайк-критерію.

Примітка 1. Зауважимо, що, в випадку, коли таких лагів-кандидатів декілька, або є сумніви щодо остаточного вибору лагу, можна додатково застосувати таку процедуру:

1. Першою оцінити регресію, в яку включити максимально можливу кількість лагів. Проаналізувати значення AIC-критерію для даної моделі.

2. Видалити з оціненої регресії лаг з найбільшим значенням p-value для відповідного коефіцієнта і порівняти отримане значення АІС – критерію з попереднім значенням.

3. Якщо АІС став меншим, повторити процедуру з наступним лагом. Якщо значення АІС- критерію зросло, вернути виключену на попередньому кроці лагову змінну в рівняння і виключити змінну з лагом, для якого p-value є наступним за величиною;

4. Продовжувати процедуру до моменту, коли будь-який виключений лаг збільшуватиме значення АІС.

Примітка 2. Початкове рівняння може включати не тільки одну лагову змінну, а декілька, зокрема це можуть бути ті лагові змінні, які є статистично значимими в графіках автокорелограму.

Зауважимо, що для нашого прикладу, в початкове рівняння AR-складової було введено 7-й та 32-й лаги як статистично значимі, а потім по черзі включались додатково 1-й, 2-й і т.д. лаги, що допомогло значно скоротити процес відбору. Крім того, використовувалась процедура, описана в примітці 1.

Для оцінки першого рівняння AR-складової (а також всіх наступних) необхідно послідовно обрати в головному меню Quick/Estimate equation. Після чого відкриється вікно, в якому потрібно записати специфікацію рівняння в форматі E.Views( див. рис.1. 17)

Рис. 1.17. Вікно для оцінки початкового рівняння для визначення оптимального порядку AR-складової моделі ARMA/ARIMA.

Результати оцінювання даного рівняння наведено в таблиці 1.2.

Таблиця 1.2. Результати оцінювання початкового рівняння для визначення оптимального порядку AR-складової моделі ARMA/ARIMA.

Як можна побачити з таблиці 1.2, значення AIC- критерію ( інформаційного Акайк-критерію) дорівнює 3.822983. Зауважимо, для оцінювання нового рівняння, не обов’язково його записувати заново, можна відредагувати старе, скориставшись підопцією меню даного вікна: Estimate. Натиснувши на кнопку Estimate, ми маємо можливість відредагувати рівняння, що оцінюється, додавши, замінивши або видаливши з нього будь-яку змінну.

Результати оцінювання послідовності моделей AR-складових з відповідними значеннями Акайк-критерію наведено в Додатку 1_A.

Проведена послідовна оцінка AR- складових показала, що мінімальне значення AIC- критерію, яке дорівнювало 3.777527948 було досягнуто для специфікації загального вигляду:

, (1.1)

або в більш стандартному вигляді:

, (1.2)

де - перші різниці ефективного реального обмінного курсу в t-період часу.

Результати оцінювання AR- складової з мінімальним значенням Акайк-критерію наведено в таблиці 1.3.

Таблиця 1.3. Результати оцінювання AR- складової моделі ARMA/ARIMA з мінімальним значенням Акайк-критерію.

Після визначення оптимальної AR- складової, необхідно утворити ряд залишків даної моделі для наступного використання при визначені оптимального порядку MA-складової моделі ARMA/ARIMA. Для цього, в вікні регресії необхідно послідовною серією команд: Proc>Make residual series створюємо ряд залишків з ім’ям RESIDS_TMP.

Отже, після того, як визначено оптимальний порядок (лаг) AR-складової, необхідно оптимізувати лаги МА-частини. У рівнянні з оптимальною комбінацією лагів авторегресії слід виділити ряд залишків (для нашого прикладу, RESIDS_TMP). Процедура пошуку оптимального порядку MA- складової моделі ARMA/ARIMA аналогічна процедурі визначення оптимального порядку AR-складової, лише за винятком того, що на даному етапі до визначеної AR-складової поступово додають MA(1), МА(2),...., MA(q) складові і розраховують значення Шварца (Schwarz) – критерію. Модель, яка має найменше значення Шварц-критерію вважається претендентом для подальшого аналізу.

Зауважимо, що фактично оцінюється послідовність моделей загального вигляду: оптимальна AR-складова + лагові значення залишків, попередньо отримані для даної складової, наприклад: D(REER) C D(REER(-6)) D(REER(-7)) D(REER(-32) RESIDS_TMP (-1) (специфікація надається в форматі E.Views).

Мінімальне значення критерію Шварца, яке дорівнює 3.312357838, досягається для такої загальної специфікації моделі в форматі E.Views:

d(reer) c d(reer(-7)) d(reer(-6)) d(reer(-32)) resids_tmp(-5) resids_tmp(-7) resids_tmp(-32).

Результати розрахунків за даною моделлю на реальній інформації наведено в таблиці 1.4. Специфікація інших послідовно оцінених моделей з відповідними значеннями Шварц-критерію наведено в Додатку 1_А ( таблиця А2).

Таблиця 1.4. Результати розрахунків ARIMA моделі з мінімальним значенням Шварц –критерію