- •Предисловие
- •Основные понятия
- •Глава 1. Анализ одномерных временных рядов
- •1.1. Анализ временного ряда на стационарность (автокорреляционная функция)
- •1.2. Компоненты временного ряда
- •1.3. Показатели точности прогноза
- •1.4. Сглаживание уровней временных рядов
- •1.5. Аналитическое выравнивание временных рядов
- •1.6. Проверка стабильности модели тренда (тест Чоу)
- •1.7. Применение фиктивных переменных при моделировании тренда
- •1.8. Сезонная декомпозиция временного ряда
- •1.9. Полиномиальные модели экспоненциально взвешенных средних
- •1.10. Моделирование стационарных временных рядов
- •1.10.1. Процессы белого шума и случайного блуждания
- •1.10.2. Процесс случайного блуждания и единичный корень
- •1.10.3. Модели скользящего среднего и процесс белого шума
- •1.10.4. Модели авторегрессии – скользящего среднего (методология Бокса – Дженкинса)
- •Глава 2. Многомерные модели временных рядов
- •2.1. Динамические модели со стационарными переменными
- •2.1.1. Модель коррекции остатков
- •2.1.2. Модель частичного приспособления
- •2.1.3. Уравнения модели с полиномиально распределённым лагом (лаги Алмон)
- •2.1.4. Уравнения модели с геометрически распределённым лагом (метод Койка)
- •2.2. Динамические модели с нестационарными переменными
- •2.2.1. Ложная регрессия
- •2.2.2. Единичные корни и коинтеграция
- •Глава 3. Векторные модели авторегрессии
- •3.1. Общие положения
- •3.2. Тест Гренджера на причинность
- •3.3. Модель коррекции остатков для нестационарных временных рядов
- •Глава 4. Панельные данные
- •4.1. Основные понятия
- •4.2. Модель с фиксированными эффектами
- •4.3. Модель со случайными эффектами
- •4.4. Фиксированные эффекты или случайные?
- •4.5. Качество подгонки панельных данных моделью
- •Библиографический список
- •Оглавление
- •Глава 1. Анализ одномерных временных рядов………….………………...5
- •Глава 2. Многомерные модели временных рядов…………… ……….…45
- •Глава 3. Векторные модели авторегрессии………………………………...64
- •Глава 4. Панельные данные…………………………………………….……76
- •680042, Хабаровск, ул. Тихоокеанская, 134, хгаэп, риц
Глава 3. Векторные модели авторегрессии
3.1. Общие положения
Векторная модель авторегрессии описывает динамическое развитие нескольких переменных на основе их общей истории, т.е. это такая модель, в которой изучаются несколько зависимых переменных, зависящих от собственных лагов и от лагов других переменных. Наибольший порядок запаздываний, включаемых в модель, называется порядком векторной авторегрессии. Если этот порядок равен р, то для такой модели используют обозначение VAR(p).
Векторные модели авторегрессии (Vector Autoregression – VAR) можно рассматривать как некий гибрид моделей одномерных временных рядов и систем одновременных уравнений. При их применении не приходится решать вопросы отнесения той или иной переменной к эндогенным или экзогенным переменным, что порой не совсем просто. Кроме того, эти модели позволяют исследовать зависимости с более сложной структурой, чем в анализе одномерных временных рядов или с использованием более сложных систем одновременных систем уравнений, что во многих случаях обеспечивает более высокое качество прогнозов.
К недостаткам VAR-моделей можно отнести неопределённость в выборе подходящей длины лага, значительное число оцениваемых параметров и то, что все переменные в модели должны быть стационарными. Данные проблемы решаются дополнительными исследованиями (имитационное моделирование, преобразование переменных и т.п.).
Рассмотрим частный случай, когда рассматриваются две переменные и зависят они от лаговых значений этих переменных до второго порядка включительно. Такая модель (VAR(2)) имеет вид
где и – два процесса белого шума (независимые от истории у и х), которые могут быть коррелированы. Называются они по-разному: инновации, шоки, импульсы. Оценивают параметры таких моделей обычным МНК, применяемым к каждому уравнению отдельно.
Запишем эту модель в матричном виде, введя обозначения
, ,
Получим или . Последнее выражение можно представить как где L – лаговый оператор.
Известно, что условием стабильности такой модели является тот факт, что все обратные корни уравнения det лежат за пределами единичного круга, т.е. их модули больше единицы. В отчёте о стабильности в статистических программах отражаются обычно величины, обратные к этим корням, поэтому условием стабильности будем считать наличие всех корней, по модулю меньших единицы.
Приведём пример оценённой VAR, используя временные ряды на рисунке 2.8. Закажем VAR(2), выбрав «Proc/Make Vector Autoregression…».
По умолчанию установим VAR(2) с константой в качестве экзогенной переменной. Щёлкнув «ОК», получим оценку VAR-модели (рисунок 3.1). Для каждого уравнения VAR-модели здесь рассчитываются традиционные показатели их точности. Как указано в заголовке окна отчёта, внизу под оценками параметров в круглых скобках указаны стандартные ошибки оценок, а ниже (в квадратных скобках) – соответствующие t-статистики. Считается, что если t-статистика меньше двух, то оценка незначимо отлична от нуля. Если ориентироваться на это, то значимо отличаются от нуля в нашем примере в первом уравнении – оценки при переменных cprt-1, tbrt-1 и константы, а во втором уравнении – при переменной tbrt-1 и константы. Следовательно, можно было бы ограничиться оценкой модели VAR(1).
Рисунок 3.1 – Оценка VAR-модели
Оценённая VAR-модель имеет вид (с округлением во втором знаке и без учёта значимости оценок)
cprt = 0,66 + 0,5 cprt-1 – 0,22 cprt-2 + 0,72tbrt-1 – 0,02tbrt-2 + e1t,
tprt = 0,47 -0,23 cprt-1 – 0,08 cprt-2 + 1,4tbrt-1 – 0,13tbrt-2 + e2t,.
Ниже (рисунок 3,2) приведена проверка VAR-модели на стабильность. Как видим, условие стабильности выполняется (все корни меньше единицы).
Рисунок 3.2 – Проверка VAR-модели на стабильность