- •Поняття економетричної моделі, її складові частини.
- •Причини, які спонукають появу випадкової складової в регресійних моделях.
- •Етапи побудови економетричної моделі.
- •Параметри моделі парної лінійної регресії, їх сутність та оцінювання.
- •Закони розподілу ймовірностей емпіричних параметрів , їх числові характерстики та статистичні властивості.
- •Обчислення значень вибіркових дисперсій , , для парної регресії.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою t-критерію.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою f-критерію.
- •Перевірка суттєвості оцінок параметрів на основі t-критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі парної регресії.
- •Передумови застосування методу найменших квадратів.
- •Метод найменших квадратів (мнк). Система нормальних рівнянь.
- •Оператор оцінювання мнк в матричному вигляді.
- •Властивості оцінок параметрів, знайдених за мнк.
- •Дисперсійний аналіз моделі лінійної множинної регресії.
- •Коефіцієнт множинної кореляції та детермінації та перевірка їх статистичної значущості.
- •Дисперсійно-коваріаційна матриця оцінок параметрів.
- •Довірчі інтервали для оцінок параметрів.
- •Перевірка достовірності оцінок параметрів за допомогою t -критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії.
- •Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
- •Поняття фіктивних змінних.
- •Врахування якісних факторів в лінійних економетричних моделях за допомогою фіктивних змінних.
- •Моделі з фіктивними регресорами: моделі, що містять тільки фіктивні незалежні змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні.
- •Моделі з фіктивними залежними змінними.
- •Оцінювання параметрів моделі з фіктивними змінними.
- •Порівняння двох регресійних моделей. Тест Чоу.
- •Суть та наслідки мультиколінеарності.
- •Тестування наявності мультиколінеарності в моделі. Алгоритм Фаррара-Глобера.
- •Методи усунення мультиколінеарності.
- •Алгоритм покрокової регресії.
- •Поняття про гомо- та гетероскедастичність залишків.
- •Негативні наслідки наявності гетероскедастичності залишків в лінійних моделях.
- •Тест Гольдфельда-Квандта. Послідовність його виконання.
- •Алгоритм теста Глейсера.
- •Перевірка наявності гетероскедастичності залишків на основі теста коефіцієнта рангової кореляції Спірмена.
- •Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •Зважений метод найменших квадратів.
- •Суть та наслідки автокореляції стохастичної складової.
- •Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •Критерій фон Неймана.
- •Циклічний та нециклічний коефіцієнт автокореляції.
- •Узагальнений метод найменших квадратів для знаходження оцінок параметрів моделі з автокорельованими залишками.
- •Метод перетворення вихідної інформації.
- •Алгоритм методу Кочрена – Оркатта.
- •Оцінювання параметрів моделі з автокорельованими залишками методом Дарбіна.
- •Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •Авторегресійні моделі.
- •Оцінювання авторегресійних моделей з часовим лагом незалежних змінних.
- •Часовий ряд в загальному вигляді. Поняття тренду, сезонної, циклічної та випадкової компоненти. Основні етапи аналізу числових рядів.
- •Метод ковзної середньої для згладжування часового ряду.
- •Експоненціальне згладжування.
- •Аналітичні методи згладжування часового ряду.
- •Довжина часового ряду суттєво перевищує ступінь полінома , а випадкові залишки мають властивості «білого шуму», тобто
- •Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •Тест Дікі-Фулера.
- •Авторегресійні моделі ( ar(p)- процеси).
- •Моделі ковзного середнього (ma(q)- процеси).
- •Авторегресійні моделі ковзного середнього ( arma(p,q)- процеси).
- •Інтегровані авторегресійні моделі ковзного середнього ( arima(p,d,q)- процеси).
- •Адаптивні моделі. Схема їх побудови.
- •Поняття про коінтеграцію часових рядів.
- •Моделі коригування помилки, етапи її побудови.
- •Поняття системи економетричних рівнянь. Приклади моделей на основі системи одночасних рівнянь.
- •Структурна та зведена форми системи рівнянь.
- •Ідентифікація. Необхідна і достатня умова ідентифікації.
- •Непрямий метод найменших квадратів оцінювання параметрів системи одночасних рівнянь.
- •Оцінювання параметрів системи одночасних рівнянь двохкроковим методом найменших квадратів.
- •Трьохкроковий метод найменших квадратів.
- •Прогноз ендогенних змінних
-
Експоненціальне згладжування.
Його особливість полягає в тому, що у процедурі відшукання загладжуваного рівня застосовуються значення тільки попередніх рівнів ряду, які беруться з певною вагою. Вага рівня ряду зменшується залежно від того, на скільки віддалений рівень від моменту часу, для якого визначається згладжуване значення. Вага рівнів знижується експоненціально, що залежить від зазначеної величини параметра згладжування α, значення якого міститься в інтервалі 0 < α < 1.
Якщо для вихідного часового ряду y1, y2, y3, … yn відповідні згладжені значення рівнів ряду позначити через St, t = 1,2, … n, то експоненціальне згладжування розраховується за формулою:
St = αyt + (1 – α) St – 1, (11.7)
де α — параметр для згладжування; 1 – α має назву коефіцієнта дисконтування.
Використовуючи наведені щойно рекурентні співвідношення для всіх рівнів ряду, починаючи з першого, можна дістати таке співвідношення:
(11.8) згладжене значення St є зваженою середньою всіх попередніх рівнів.
У практичних задачах обробки економічних часових рядів рекомендують вибирати параметри згладжування в інтервалі від 0,1 до 0,3. В окремих випадках Р. Браун пропонує визначати величину стосовно α, виходячи з величини інтервалу згладжування ряду: , де m - інтервал згладжування ряду.
Що стосується початкового параметра S0, то в конкретних задачах його беруть або за значенням першого рівня ряду y1, або як середню арифметичну кількох перших членів ряду, наприклад y1, y2, y3:
.
Цей метод вибору значення S0 забезпечує добру відповідність загладжуваного й вихідного рядів для перших рівнів.
-
Аналітичні методи згладжування часового ряду.
До методів аналітичного згладжування відносять регресійний аналіз разом із методом найменших квадратів та його модифікаціями. Виявити основну тенденцію аналітичним методом - означає надати досліджуваному процесу однакового розвитку впродовж усього часу спостереження. Тому для цих методів важливо обрати оптимальну функцію детермінованого тренду (кривої зростання), яка згладжує ряд спостережень .
Регресійний аналіз. Оцінювання параметрів кривих зростання здійснюють на підставі побудови моделі регресії, в якій пояснювальною змінною є час:
(3.2.1)
де — функція тренду (крива зростання);
— невідомі випадкові похибки.
Довжина часового ряду суттєво перевищує ступінь полінома , а випадкові залишки мають властивості «білого шуму», тобто
, (3.2.3)
тоді оцінки параметрів можна одержати методом найменших квадратів (МНК). МНК-оцінки параметрів лінійної регресії за умови мінімізації суми квадратів відхилень точок вхідного часового ряду від їхніх згладжених значень :
(3.2.4)
обчислюють за формулою:
, (3.2.5)
Методи, розроблені для статистичних сукупностей, уможливлюють визначення інтервалу надійності прогнозу, який залежить від стандартної похибки оцінки прогнозованого показника, від часу випередження прогнозу, від довжини прогнозової бази та обраного рівня значущості.
Іноді для розрахунку інтервалів надійності прогнозу відносно лінійного тренду застосовують формулу:
,
або
, (3.2.7)
Формула для розрахунку інтервалів надійності прогнозу відносно тренду, який має вид полінома другого або третього порядку, виглядає так:
. (3.2.8)
Аналогічно розраховують інтервали надійності для кривих зростання, які можна звести до лінійної функції.
Якщо припустити, що випадкова змінна () є стаціонарним часовим рядом, то похибка прогнозу становитиме
.