- •Методи побудови загальної лінійної моделі
- •4.2. Специфікація моделі
- •4.3. Передумови застосування методу найменших квадратів (1мнк)
- •4.4. Оператор оцінювання 1мнк
- •4.5. Властивості оцінок параметрів
- •4.6. Коваріаційна матриця оцінок параметрів моделі
- •4.7. Прогноз залежної змінної.
- •4.8. Оцінювання прогнозних можливостей моделі
- •4.9. Побудова економетричної моделі на основі покрокової регресії
- •4.10. Коефіцієнти детермінації і кореляції
- •4.11. Частинні коефіцієнти кореляції та коефіцієнти регресії
- •4.12. Перевірка значущості та інтервали довіри
- •4.12.1. Значущість економетричної моделі. Гіпотезу про рівень значущості зв’язку між залежною і пояснювальними змінними можна перевірити за допомогою f-критерію:
- •Мультиколінеарність
- •6.2. Основні наслідки мультиколінеарності
- •1. Дисперсія і коваріація оцінок параметрів моделі різко збільшуються.
- •2. Похибки оцінок параметрів значно збільшуються, відповідно збільшуються їхні інтервали довіри.
- •6.3. Ознаки мультиколінеарності
- •6.4. Алгоритм Фаррара—Глобера
- •Гетероскедастичність
- •7.2. Наслідки гетероскедастичності
- •7.3. Методи визначення гетероскедастичності
- •7.4. Визначення матриці s
- •7 .5. Узагальнений метод найменших квадратів (метод Ейткена)
- •7.6. Прогноз
- •1. Дослідимо гетероскедастичність на основі тесту Гольфельда—Квандта.
- •Автокореляція
- •8.2. Перевірка наявності автокореляції
- •8.3. Оцінвання параметрів моделі з автокорельованими залишками
- •8.4. Прогноз
- •6.5. Методи звільнення від мультиколінеарності
8.4. Прогноз
Теоретичні дослідження прогнозу в разі порушення умови (4.3) було розглянуто в розд. 7.
Нехай
маємо модель:
де
і
яка побудована для n
спостережень.
Використаємо
цю модель для визначення прогнозу
залежної змінної
для періоду n + 1,
коли
в цьому періоді задано незалежну змінну
.
Формула дає найкращий незміщений
прогноз:
де — оцінка параметрів моделі за методом Ейткена,
і W — вектор коваріації розрахованих залишків для n спостережень і прогнозних залишків un+1:
.
Якщо
залишки описуються авторегресійною
моделлю першого порядку, то з урахуванням
рівності
можна записати:
.
Отже,
вектор W
можна дістати, помноживши
на останній стовпець матриці V.
Але оскільки
,
то добуток
являє собою останній рядок матриці E,
помножений на
.
Звідси
Формула прогнозу має такий вигляд
(8.30)
де
— прогнозний рівень залежної змінної;
— прогнозне значення незалежної змінної.
Приклад 8.5. Використовуючи економетричну модель, яку побудовано за даними про роздрібний товарообіг та дохід (приклад 8.2), визначити прогнозний рівень товарообігу, коли дохід становитиме xn+1 = 55.
Розв’язання
1. Запишемо співвідношення, яке визначатиме прогнозний рівень залежної змінної
де
Хn+1
— точкова оцінка прогнозної залежної
змінної;
— залишки
прогнозу, а un
— залишки
періоду t(t = n),
здобуті згідно з 1МНК.
2. Скористаємося економетричною моделлю роздрібного товарообігу (приклад 8.2) для обчислення прогнозу:
=
0,442
+ 0,861xn+1 = 0,442
+ 0,861 55 = 0,442
+ 47,35 = 47,8.
3.
Знайдемо оцінку залишків прогнозу
,
де
— коефіцієнт коваріації залишків;
— залишки за моделлю для t = 10.
4. Визначимо точковий прогнозний рівень роздрібного товарообігу на одинадцятий рік (n + 1):
= 47,8 + 0,14 = 47,94.
Приклад 8.6. Виконаємо точковий та інтервальний прогноз прибутку на основі економетричної моделі, здобутої у прикладі 8.4.
Спочатку задамо очікувані значення пояснювальних змінних:
;
точковий прогноз прибутку на основі моделі запишеться так:
Для визначення інтервального прогнозу розрахуємо стандартну похибку прогнозу за формулою:
.
Визначимо граничну похибку прогнозу за формулою:
Додавши граничну похибку до точкового прогнозу, дістанемо максимально можливий рівень прибутку:
Віднявши граничну похибку від точкового прогнозу, дістанемо мінімально можливий рівень прибутку:
У
результаті маємо:
Порівняємо отримані значення прогнозу прибутку зі значеннями прогнозу, здобутими на основі оцінок моделей за 1МНК:
Як бачимо, точковий та інтервальний прогнози прибутку на основі економетричних моделей, параметри яких оцінені 1МНК та УМНК, відрізняються в даному випадку несуттєво. Зауважимо, що оцінки за УМНК та кількісні характеристики, здобуті на основі цих оцінок, ніколи не будуть гіршими ніж за 1МНК.
