- •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
-
Моделі ковзного середнього (ma(q)- процеси).
Стохастичний процес називають процесом ковзної середньої порядку , якщо до загальної моделі (2.1.1) входять лише складових. Позначимо коефіцієнти обмеженого ряду MA() літерою b, тоді модель ковзної середньої порядку має вигляд:
, (2.2.1)
де випадкова величина - білий шум, — лінійний оператор, та () невідомих параметрів треба оцінити на підставі вибіркових спостережень.
Процес (2.2.1) - стаціонарний, оскільки є окремим випадком загальної лінійної моделі, а саме, включно до j = q дорівнюють , решта дорівнюють нулю.
Операторний багаточлен можна розкласти на множники, використовуючи корені рівняння . Отже, лінійний оператор можна записати у вигляді:
,
де - корені рівняння .
- процес, відповідно, має вигляд:
.
За умови оберненості кожен скінченний MA()-процес може бути представлений у вигляді нескінченного авторегресійного процесу:
Автоковаріація та дисперсія MA() процесу відповідно дорівнюють:
.
.
Автокореляційна функція процесу має вигляд
, для .
Автокореляційну функцію використовують для визначення порядку MA()-процесу.
-
Авторегресійні моделі ковзного середнього ( arma(p,q)- процеси).
ARMA-процес є сумою AR та MA-процесів.
Заг. вигляд ARMA(p,q)-процесу:
yt = c + Sum(φiyt-i, i=1,p) + εt + Sum(θiεt-i,i=1,q).
ARMA(p,q)-процес є стаціонарним, якщо всі корені zi р-ня
1 - φ1z - φ2z2-…- φpzp = 0
задовольняють умові |zi|>1.
ARMA(p,q)-процес є зворотним (тобто його можна перетворити у AR(∞)-процес або MA(∞)-процес), коли всі корені zi р-ня
1 + θ1z + θ2z2 +…+ θpzp = 0
задов. умові |zi|>1.
-
Інтегровані авторегресійні моделі ковзного середнього ( arima(p,d,q)- процеси).
Розглянемо модель
, (2.4.6)
де, — нестаціонарний оператор авторегресії порядку ; оператор ковзної середньої . Тоді можна записати, що
,
де - стаціонарний порядку оператор авторегресії. Якщо ввести оператор різниці ; , тоді запишеться як , і модель (2.4.6) можна представити у вигляді:
. (2.4.8)
Тут d-ту різницю ряду обчислюють за формулою:
. (2.4.9)
Вона задовольняє рівняння
,
тобто вже є стаціонарним оберненим процесом . З іншого боку, якщо ввести обернений до оператор:
,
який називають оператором підсумку (), то з (2.4.9) виходить, що
,
де під d-кратною ітерацією оператора S розуміють ряд
.
Отже, , що описується рівнянням (2.4.8), можна отримати d-кратним підсумком процесу , який є ARІMA. Тому процес, що задається моделлю (2.4.8), називають процесом ARІMA. Якщо в (2.4.8) оператор авторегресії має порядок , а оператор ковзної середньої має порядок , то скорочено модель (2.4.8) записують як ARІMA(p, d, q). Модель ARІMA охоплює широкий клас як стаціонарних (при ), так і нестаціонарних (при ) процесів. На практиці d є додатним цілим, яке не перевищує 2, або нулем у разі стаціонарності .
-
Адаптивні моделі. Схема їх побудови.
Адаптивне прогнозування дає змогу автоматично змінювати константу згладжування в процесі обчислення. Інструментом прогнозування в адаптивних методах є математична модель з одним чинником «час».
Адаптивні моделі прогнозування — це моделі дисконтування даних, які здатні швидко пристосовувати свою структуру й параметри до зміни умов. Найважливіша особливість їх полягає у тому, що це саморегулювальні моделі, й у разі появи нових даних прогнози оновлюються із мінімальною затримкою без повторення спочатку всього обсягу обчислень.Адаптивні моделі і методи мають механізм автоматичного налаштування на зміну досліджуваного показника. Інструментом прогнозу є модель, первинна оцінка параметрів якої проводиться за декількома першими спостереженнями. На її основі робиться прогноз, який порівнюється з фактичними спостереженнями. Далі модель корегується відповідно до величини помилки прогнозу і знов використовується для прогнозування наступного рівня, аж до вичерпання всіх спостережень. Таким чином, модель постійно "вбирає" нову інформацію, пристосовується до неї і до кінця періоду спостереження відображає тенденцію, що склалася на даний момент. Прогноз виходить як екстраполяція останньої тенденції. У різних методах прогнозування процес налаштування (адаптації) моделі здійснюється по-різному. Базовими адаптивними моделями є: Модель Брауна; Модель Хольта; Модель авторегресії.
Перші дві моделі відносяться до схеми ковзаючого середнього, остання - до схеми авторегресії. Численні адаптивні методи ґрунтуються на цих моделях і розрізняються між собою способом числової оцінки параметрів, визначення параметрів адаптації і компонуванням.
Згідно із схемою ковзаючого середнього, оцінкою поточного рівня є зважене середнє всіх попередніх рівнів, причому ваги при спостереженнях зменшуються в міру віддалення від останнього (поточного) рівня, тобто інформаційна цінність спостережень тим більша, чим ближче вони до кінця періоду спостережень.
Згідно із схемою авторегресії, оцінкою поточного рівня є зважена сума "p" попередніх рівнів (їх кількість називається порядком моделі). Інформаційна цінність спостережень визначається не їх близькістю до модельованого рівня, а тіснотою зв'язку між ними.
Обидві схеми мають механізм відображення коливального (сезонного або циклічного) розвитку досліджуваного процесу.