- •Економетрика Зміст дисципліни за темами Тема 1. Концептуальні аспекти економетричного моделювання економіки
- •Тема 2. Принципи побудови економетричних моделей. Парна та множинна лінійна регресія
- •Тема 3. Нелінійні економетричні моделі
- •Тема 4. Фіктивні змінні в економетричних моделях
- •Тема 5. Мультиколінеарність
- •Тема 6. Автокореляція залишків
- •Тема 7. Гетероскедастичність залишків
- •Тема 8. Часові ряди
- •Приклади типових завдань
- •Завдання для самостійної роботи
- •«Моделювання процесу ціноутворення із врахуванням кількісних та якісних змінних»:
- •« Прогнозування значення економічного показника»:
- •Тема: Соціально – економічні системи, методи дослідження та моделювання
- •2. Математична модель економічного об’єкту
- •Критерії вибору „хорошої моделі”:
- •3. Класифікація економіко-математичних моделей
- •4. Основні етапи економіко – математичного моделювання
- •1. Поняття економетрики
- •Об'єкт, предмет, мета і завдання економетрії
- •3. Основні етапи економетричного аналізу
- •4. Економічні задачі, які розв'язують за допомогою економетричних методів
- •Основні етапи зародження та розвитку економетрії
- •Тема: Регресійні моделі
- •1. Поняття регресії
- •2. Парна лінійна регресія
- •3. Метод найменших квадратiв (мнк)
- •4. Дисперсійний аналіз моделі
- •Лабораторна робота №1 «Економетрична модель простої регресії»
- •1. Постановка задачі.
- •3. Розрахунок моделей
- •Знаходження оцінок параметрів моделі методом найменших квадратів
- •5. Графік моделі у „хмарі” розсіювання
- •6. Дисперсійний аналіз лінійної моделі:
- •7. Значущість оцінок параметрів і моделі:
- •8. Прогноз:
- •9. Аналіз лінійної моделі:
- •Лабораторна робота № 2 « Модель множинної лінійної регресії»
- •Тема* : Системи одночасних (симультативних) регресійних рівнянь
- •Ідентифікація системи одночасних рівнянь
- •2. Модель «Попит - пропозиція»
- •Модель формування доходів Кейнса
- •Тема: Нелінійні моделі
- •1. Нелінійні регресії
- •2. Нелінійні регресії 1-го класу
- •2.1. Поліноміальна модель
- •2.2. Гіперболічна модель
- •3. Нелінійні регресії 2-го класу
- •3.1. Показникова моделі
- •3.2. Степенева модель
- •3.3. Напівлогарифмічні моделі
- •4. Врахування випадкового відхилення
- •Лабораторна робота № 3 «Оцінювання параметрів нелінійної моделі» Завдання:
- •Тема: Фіктивні змінні в регресійних моделях
- •1. Необхідність використання фіктивних змінних
- •2. Моделі ancova
- •2.1. Ancova - Модель при наявності у фіктивної змінної двох альтернатив
- •2.2. Моделі ancova за наявності у якісних змінних більш двох альтернатив
- •2.3. Регресія з однією кількісною і двома якісними змінними
- •3. Використання фіктивних змінних у сезонному аналізі
- •Лабораторна робота № 4 Дослідження наявнoстi мультиколінеарності у масиві змінних
- •Лабораторна робота № 5
- •Визначимо оцінки параметрів лінійної моделі виду .
- •Лабораторна робота № 6 Дослідження на гетероскедастичність
- •Параметричний тест Гольфельда – Квандта
- •Тест Глейсера
- •- Критерій
- •Тест Спірмена
- •1. Випадкові процеси і часові ряди
- •2. Автокореляція спостережень часових рядів
- •3. Оцінка моделей із лагами
- •4. Основні характеристики часових рядів
- •5. Розкладення (декомпозиція) часового ряду
- •Метод ковзної середньої
Метод ковзної середньої
Метод ковзної середньої
(
-
"moving
average")
є одним з найпростіших методів виділення
тренду, набув поширення для короткострокового
прогнозування.
Згладжування за допомогою
ковзної середньої засноване на тому,
що в середніх величинах взаємно гасяться
випадкові відхилення.
При більших значеннях
коливання згладженого ряду помітно
зменшується, але одночасно значно
скорочується кількість спостережень.
Цей недолік помітний при невеликій
довжині ряду, або якщо необхідно зробити
екстраполяцію на майбутнє.
Окрім того, тренд, одержаний за допомогою ковзної середньої, не має кількісного виразу, тобто швидкість зміни ряду не відома. При невеликій кількості спостережень метод часто призводить до викривлення тенденцій, а вибір величини інтервалу згладжування важко буває обґрунтувати, хоча від цього залежить форма кривої. Одночасно зі зменшенням дисперсії у згладженому ряду можуть з’явитися систематичні коливання, зумовлені автокореляцією його послідовних значень - тобто методи ковзної середньої можуть спричинити автокореляцію залишків, навіть якщо вона була відсутня у початкових даних.
Кількість даних, які входять до інтервалу, називають порядком ковзної середньої. Наприклад, якщо в інтервал згладжування входять т значень часового ряду, то ми маємо ковзну середню - го порядку, що записується, як .
Згладжування за допомогою ковзної середньої відбувається наступним чином:
Початкові рівні часового ряду замінюються його середніми (згладженими) величинами
,
розрахованими для певної кількості
рівнів ряду.
Одержані значення відносяться до середини обраного інтервалу; вибір інтервалу згладжування залежить від специфіки вхідних даних:
Розрахунок ковзних середніх відбувається доти, доки не буде розраховано згладжене значення
для останнього інтервалу згладжування
заданого часового ряду - згладжений
ряд коротший за початковий на (
)
спостережень.
Оцінка дисперсії ковзної середньої
дорівнює
,
де
-
оцінка дисперсії усіх членів вхідного
ряду.
Прогнозованому значенню
на один період упередження відповідає
останнє згладжене значення
,
яке було розраховане як ковзна середня
-го
порядку за
останніми даними часового ряду
.
Інтервали визначення середньої беруться весь час однаковими - у кожному інтервалі згладжена середня оцінює середню точку цього інтервалу.
Очевидно, що з підвищенням порядку згладжування ряд стає гладкішим. Такий ефект пов'язаний з наявністю сезонності в часовому ряді, причому період сезонних коливань збігається з інтервалом згладжування. Ковзна середня 12-го порядку згладжує більшість сезонних коливань
