17. Аналитическое выравнивание временного ряда с помощью линейной функции как частный случай парной линейной регрессии (уравнение тренда)

Построение аналитической функции при моделировании тренда, в любой задаче по эконометрике на временные ряды, называют аналитическим выравниванием временного ряда и в основном применяются функции: линейная, степенная, гиперболическая, параболическая 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.

Автокорреляция в остатках – корреляционная зависимость между значениями остатков за текущий и предыдущие моменты времени. Для определения автокорреляции остатков используется критерий Дарбина – Уотсона

Параметры уравнения тренда

Покажем пример подробного расчета параметров уравнения тренда на основе следующих данных (см. таблицу).

Линейное уравнение тренда имеет вид y = at + b 1. Находим параметры уравнения методом наименьших квадратов. Система уравнений МНК: a₀n + a₁∑t = ∑y a₀∑t + a₁∑t² = ∑y•t

t	y	t 2	y 2	t•y	y(t)	(y-y cp) 2	(y-y(t))2	(t-t p) 2	(y-y(t)) : y
1	17.4	1	302.76	17.4	12.26	895.01	26.47	30.25	0.3
2	26.9	4	723.61	53.8	18.63	416.84	68.39	20.25	0.31
3	23	9	529	69	25	591.3	4.02	12.25	0.0872
4	23.7	16	561.69	94.8	31.38	557.75	58.98	6.25	0.32
5	27.2	25	739.84	136	37.75	404.68	111.4	2.25	0.39
6	34.5	36	1190.25	207	44.13	164.27	92.72	0.25	0.28
7	50.7	49	2570.49	354.9	50.5	11.45	0.0383	0.25	0.0039
8	61.4	64	3769.96	491.2	56.88	198.34	20.44	2.25	0.0736
9	69.3	81	4802.49	623.7	63.25	483.27	36.56	6.25	0.0872
10	94.4	100	8911.36	944	69.63	2216.84	613.62	12.25	0.26
11	61.1	121	3733.21	672.1	76	189.98	222.11	20.25	0.24
12	78.2	144	6115.24	938.4	82.38	953.78	17.46	30.25	0.0534
78	567.8	650	33949.9	4602.3	567.8	7083.5	1272.21	143	2.41

Для наших данных система уравнений имеет вид: 12a₀ + 78a₁ = 567.8 78a₀ + 650a₁ = 4602.3 Из первого уравнения выражаем а₀ и подставим во второе уравнение Получаем a₀ = 6.37, a₁ = 5.88

Уравнение тренда

y = 6.37 t + 5.88

Оценим качество уравнения тренда с помощью ошибки абсолютной аппроксимации. Поскольку ошибка больше 15%, то данное уравнение не желательно использовать в качестве тренда.

Средние значения:

Дисперсия

Среднеквадратическое отклонение

Коэффициент эластичности Коэффициент эластичности меньше 1. Следовательно, при изменении Х на 1%, Y изменится менее чем на 1%. Другими словами - влияние Х на Y не существенно.

Коэффициент детерминации т.е. в 82.04 % случаев влияет на изменение данных. Другими словами - точность подбора уравнения тренда - высокая

2. Анализ точности определения оценок параметров уравнения тренда. Анализ точности определения оценок параметров уравнения тренда S _a = 0.8993

Доверительные интервалы для зависимой переменной По таблице Стьюдента находим Tтабл T_табл (n-m-1;α/2) = (10;0.025) = 2.228 Рассчитаем границы интервала, в котором будет сосредоточено 95% возможных значений Y при неограниченно большом числе наблюдений и t = 7 (5.88 + 6.37*7 - 2.228*24.96 ; 5.88 + 6.37*7 - 2.228*24.96) (25.54;75.46)

Интервальный прогноз. Определим среднеквадратическую ошибку прогнозируемого показателя. где L - период упреждения; у_n+L - точечный прогноз по модели на (n + L)-й момент времени; n - количество наблюдений во временном ряду; Sy - стандартная ошибка прогнозируемого показателя; T_табл - табличное значение критерия Стьюдента для уровня значимости а и для числа степеней свободы, равного n — 2.

3. Проверка гипотез относительно коэффициентов линейного уравнения тренда. 1) t-статистика. Критерий Стьюдента. Статистическая значимость коэффициента a подтверждается Статистическая значимость коэффициента b не подтверждается

Доверительный интервал для коэффициентов уравнения тренда. Определим доверительные интервалы коэффициентов тренда, которые с надежность 95% будут следующими: (a - t_набл S_a; a + t_набл S_a) (6.3748 - 2.228•0.8993; 6.3748 + 2.228•0.8993) (4.3711;8.3785) (b - t _набл S _b; b + t _набл S _b) (5.8803 - 2.228•6.6188; 5.8803 + 2.228•6.6188) (-8.8664;20.627) 2) F-статистика. Критерий Фишера. Fkp = 4.84 Поскольку F > Fkp, то коэффициент детерминации статистически значим

Проверка на наличие автокорреляции остатков. Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Это гарантирует отсутствие коррелированности между любыми отклонениями и, в частности, между соседними отклонениями. Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные ряды). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов и очень редко при использовании перекрестных данных. В экономических задачах значительно чаще встречается положительная автокорреляция, нежели отрицательная автокорреляция. В большинстве случаев положительная автокорреляция вызывается направленным постоянным воздействием некоторых неучтенных в модели факторов. Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот. Такая ситуация может иметь место, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима-лето). Среди основных причин, вызывающих автокорреляцию, можно выделить следующие: 1. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводят к системным отклонениям точек наблюдения от линии регрессии, что может обусловить автокорреляцию. 2. Инерция. Многие экономические показатели (инфляция, безработица, ВНП и т.д.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Поэтому изменение показателей происходит не мгновенно, а обладает определенной инертностью. 3. Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). 4. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может служить причиной автокорреляции. Последствия автокорреляции схожи с последствиями гетероскедастичности: выводы по t- и F-статистикам, определяющие значимость коэффициента регрессии и коэффициента детерминации, возможно, будут неверными.

Обнаружение автокорреляции 1. Графический метод Есть ряд вариантов графического определения автокорреляции. Один из них увязывает отклонения e_i с моментами их получения i. При этом по оси абсцисс откладывают либо время получения статистических данных, либо порядковый номер наблюдения, а по оси ординат – отклонения e_i (либо оценки отклонений). Естественно предположить, что если имеется определенная связь между отклонениями, то автокорреляция имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии автокорреляции. Автокорреляция становится более наглядной, если построить график зависимости e_i от e_i-1 Критерий Дарбина-Уотсона. Этот критерий является наиболее известным для обнаружения автокорреляции. При статистическом анализе уравнения регрессии на начальном этапе часто проверяют выполнимость одной предпосылки: условия статистической независимости отклонений между собой. При этом проверяется некоррелированность соседних величин e_i.

y	y(x)	ei = y-y(x)	e2	(ei - ei-1)2
17.4	12.26	5.14	26.47	0
26.9	18.63	8.27	68.39	9.77
23	25	-2	4.02	105.57
23.7	31.38	-7.68	58.98	32.2
27.2	37.75	-10.55	111.4	8.26
34.5	44.13	-9.63	92.72	0.86
50.7	50.5	0.2	0.0384	96.53
61.4	56.88	4.52	20.44	18.71
69.3	63.25	6.05	36.56	2.33
94.4	69.63	24.77	613.62	350.63
61.1	76	-14.9	222.11	1574.09
78.2	82.38	-4.18	17.46	115.03
			1272.21	2313.98

Для анализа коррелированности отклонений используют статистику Дарбина-Уотсона: Критические значения d₁ и d₂ определяются на основе специальных таблиц для требуемого уровня значимости α, числа наблюдений n = 12 и количества объясняющих переменных m=1. Автокорреляция отсутствует, если выполняется следующее условие: d₁ < DW и d₂ < DW < 4 - d₂. Не обращаясь к таблицам, можно пользоваться приблизительным правилом и считать, что автокорреляция остатков отсутствует, если 1.5 < DW < 2.5. Поскольку 1.5 < 1.82 < 2.5, то автокорреляция остатков отсутствует. Для более надежного вывода целесообразно обращаться к табличным значениям. По таблице Дарбина-Уотсона для n=12 и k=1 (уровень значимости 5%) находим: d₁ = 1.08; d₂ = 1.36. Поскольку 1.08 < 1.82 и 1.36 < 1.82 < 4 - 1.36, то автокорреляция остатков отсутствует.