Диплом / suslov_ibragimov_ekonometrika
.pdf11.10Оптимальное в среднеквадратическом смысле прогнозирование 385
2)Оценить параметры на основ е имеющихся данных.Пусть b Ñсоответствующие оценки.
3)Получить оценки автоковариаций,подставив b в формулы теоретических автоковариаций: γk ≈ γk (b).
4)Использоватьдляпрогнозированияформулу(11.21),заменяятеоретические автоковариации полученными оценками автоковариаций.
11.10.4.Прогнозирование по полной предыстории. Разложение Вольда
Можно распространить представленную выше теорию на прогнозирование ряда в случае,когда в момент t известна полная предыстория Ωt = (xt, xt−1, . . . ). Можно определить соответствующий прогноз как предел прогнозов,полученных
на основе конечных рядов (xt, xt−1, . . . , xt−j ), j = t, t − 1, . . . , −∞.Без доказательства отметим,что этот прогноз будет оптимальным в среднеквадратическом
смысле.Если рассматривается процесс,для которого |"t | =! 0 t,то по аналогии с (11.22)средний квадрат ошибки такого прогноза равен
E (η |
) |
= t→∞ |
| |"t | |. |
|
||
|
2 |
|
lim |
"t+1 |
|
|
|
|
|
|
|
||
Заметим,что всегда выполнено |
0 |
< |
|#t+1| |
≤ |
|#t| |
,т.е.средний квадрат ошиб- |
|#t| |
|#t−1| |
ки не увеличивается с увеличением длины ряда,на основе которого делается прогноз,и ограничен снизу нулем,поэтому указанный предел существует всегда.
Существуют процессы,для которых |"t | =! 0 t,т.е.для них нельзя сделать безошибочный прогноз,имея только конечный отрезок ряда,однако
lim |"t+1| = 0.
t→∞ |"t|
Такой процесс по аналогии можно назвать линейно детерминированным.Его фактически можно безошибочно предсказать,если имеется полная предыстория про-
цесса Ωt = (xt, xt−1, . . . ).
Если же данный предел положителен,то линейный прогноз связан с ошибкой: E 0η21 > 0.Такой процесс можно назвать регулярным.
Выполнены следующие свойства стационарных рядов.
A.Пусть xt Ñслабо стационарный временной ряд,и пусть ηt Ñошибки одношагового оптимального линейного прогноза по полной предыстории процесса (xt−1, xt−2, . . .).Тогда ошибки ηt являются белым шумом,т.е.имеют нулевое ма-
11.10Оптимальное в среднеквадратическом смысле прогнозирование 387
Второе слагаемое, vt+τ ,можно предсказать без ошибки,зная Ωt .Из первой суммы первые τ слагаемых не предсказуемы на основе Ωt .При прогнозировании их можно заменить ожидаемыми значениямиÑнулями.Из этих рассуждений следует следующая формула прогноза:
xt(τ ) = !∞ ψi ηt+τ −i + τt+τ . i=τ
Без доказательства отметим,что xt (τ ) является оптимальным линейным прогнозом.Ошибка прогноза при этом будет равна
τ!−1
ψi ηt+τ −i.
i=0
Поскольку ηt Ñбелый шум с дисперсией ση2,то средний квадрат ошибки прогноза равен
τ!−1
ση2 ψi2.
i=0
Напоследок обсудим природу компоненты vt .Простейший пример линейно детерминированного рядаÑэто,говоря неформально, Çслучайная константаÈ:
vt = ξ,
где ξ Ñнаперед заданная случайная величина, Eξ = 0.
ТипичныйслучайлинейнодетерминированногорядаÑэто,говорянеформально, Çслучайная синусоидаÈ:
vt = ξ cos(ωt + ϕ),
где ω Ñфиксированная частота, ξ и ϕ Ñнезависимые случайные величины, причем ϕ имеет равномерное распределение на отрезке [0; 2π].
Это два примера случайных слабо стационарных рядов,которые можно безошибочно предсказывать на основе предыстории.Первый процесс можно моделироватьспомощьюконстанты,авторойÑспомощьюлинейнойкомбинациисинуса и косинуса:
αcos(ωt) + β sin(ωt).
Сточки зрения практики неформальный вывод из теоремы Вольда состоит
втом,что любые стационарные временные ряды можно моделировать при помощи моделей линейного фильтра с добавлением констант и гармонических трендов.
388 |
Глава11.Основные понятия в анализе временных рядов |
11.11.Упражнения и задачи
Упражнение1
1.1.Дан временной ряд x = (5, 1, 1, −3, 2, 9, 6, 2, 5, 2)!.
Вычислите среднее,дисперсию(смещенную),автоковариационную и автокорреляционную матрицы.
1.2.Для временного ряда y = (6, 6, 1, 6, 0, 6, 6, 4, 3, 2)! повторите упражнение1.1.
1.3.Вычислите кросс-ковариаци иикросс-корреляциидлярядов x и y изпредыдущих упражнений для сдвигов −9, . . . , 0, . . . , 9.
1.4.Для временного ряда x = (7, −9, 10, −2, 21, 13, 40, 36, 67, 67) оцените параметры полиномиального тренда второго порядка.Постройте точечный и интервальный прогнозы по тренду на2шага вперед.
1.5.Сгенерируйте 20 рядов,задаваемых полиномиал ьным трендом третьего порядка τt = 5+ 4t −0.07t2 + 0.0005t3 длиной 100 наблюдений,с добавлением белого шума с нормальным распределением и дисперсией 20 .
Допустим,истинные значения п араметров тренда неизвестны.
а)Для 5 рядов из 20 оцените полиномиальный тренд первого,второго и третьего порядков и выберите модель,которая наиболее точно аппроксимирует сгенерированные данные.
б)Для 20 рядов оцените полиномиальный тренд третьего порядка по первым 50 наблюдениям.Вычислите оценкипараметров тренда иих ошибки.Сравните оценки с истинными значениями параметров.
в)Проведитетежевычисления,чтоивпункте(б),для 20 рядов,используя 100 наблюдений.Результаты сравните.
г)Используя предшествующие расч еты,найдите точечные и интервальные прогнозы на три шага вперед с уровнем доверия95%.
1.6.Найдите данные о динамике денежного агрегатаM0в России за 10 последовательных лет и оцените параметры экспоненциального тренда.
1.7.Ряд x = (0.02, 0.05, 0.06, 0.13, 0.15, 0.2, 0.31, 0.46, 0.58, 0.69, 0.78, 0.81,
0.95, 0.97, 0.98)! характеризует долю семей,имеющих телевизор.Оцените параметры логиcтического тренда.
1.8.По ряду x из упражнения3рассчитайте ранго вый коэффициент корреляции Спирмена и сделайте вывод о наличии тенденции.
11.11Упражнения и задачи |
|
|
|
|
|
|
|
|
389 |
|||
|
|
|
|
Таблица11.1 |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Расходы на рекламу |
10 |
100 |
50 |
200 |
|
20 |
70 |
100 |
50 |
300 |
80 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Объем продаж |
1011 |
1030 |
1193 |
1149 |
|
1398 |
1148 |
1141 |
1223 |
1151 |
1576 |
|
|
|
|
|
|
|
|
|
|
|
|
|
1.9.Дан ряд:
x = (10, 9, 12, 11, 14, 12, 17, 14, 19, 16, 18, 21, 20, 23, 22, 26, 23, 28, 25, 30)! .
а)Оцените модель линейного тренда.Остатки,полученные после исключения тренда,проверьте настационарность сиспользованием рангового коэффициента корреляции Спирмена.
б)Рассчитайте для остатков статистику Бартлетта,разбив ряд на4интервала по5наблюдений.Проверьте о днородность выборки по дисперсии.
в)Рассчитайте для остатков статистику ГолдфельдаÑКвандта,исключив 6наблюдений из середины ряда.Проверьте однородность выборки по дисперсии.Сравните с выводами,полученными на основе критерия Бартлетта.
1.10.По данным таблицы11.1оцените модель распределенного лага зависимости объема продаж от расходов на рекламу с лагом 2 .
Определите величину максимального лага в модели распределенного лага, используя различные критерии( t-статистики, F -статистики,информацион- ные критерии).
Задачи
1.Перечислить статистики,использую щиеся в расчете коэффициента автокорреляции,и записать их формулы.
2.Чем различается расчет коэффициента автокорреляции для стационарных и нестационарных процессов?Записать формулы.
3.Вычислить значение коэффициента корреляции для двух рядов:
x = (1, 2, 3, 4, 5, 6, 7, . . . ) и y = (2, 4, 6, 8, 10, 12, 14, . . . ).
4.Посчитать коэффициент автокорреляции первого порядка для ряда x = (2, 4, 6, 8)!.
5.Есть ли разница между автокорреляционной функцией и трендом автокорреляции?
390 |
Глава11.Основные понятия в анализе временных рядов |
6.Записать уравнения экспоненциаль ного и полиномиального трендов и привести формулы для оценивания их параметров.
7.Записать формулу для оценки темпа п рироста экспоненциального тренда.
8.Привести формулу логистической кривой и указать особенности оценивания ее параметров.
9.Оценить параметры линейного тренда для временного ряда x = (1, 2, 5, 6) и записать формулу доверительного интервала для прогноза на1шаг вперед.
10.Данвременнойряд: x = (1, 0.5, 2, 5, |
1.5).Проверитьегонаналичие тренда |
||||||||||
среднего. |
|
|
|
|
|
|
|
|
|||
11.Пусть |
L Ñлаговый оператор.Представьте в виде степенного ряда следую- |
||||||||||
щие выражения: |
|
|
|
|
|
|
|
||||
а) |
|
2 |
;б) |
−1, 5 |
;в) |
2.8 |
|
;г) |
−3 |
. |
|
1 − 0.8L |
1 + 0.4L |
||||||||||
|
|
1 − 0.9L |
|
|
1 + 0.5L |
|
Рекомендуемая литература
1.Айвазян С.А. Основы эконометрики.Т.2. ÑМ.: ÇЮнитиÈ, 2001.
2.Андерсон Т. Статистический анализ временных рядов. ÑМ.: ÇМирÈ, 1976. (Гл. 1, 3, 7).
3.Бокс Дж.,Дженкинс Г. Анализ временных рядов.Прогноз и управление.
Вып. 1. ÑМ.: ÇМирÈ, 1974. (Гл. 1).
4.Кендалл М.Дж.,Стьюарт А. Многомерный статистический анализ и вре-
менные ряды. ÑМ.: ÇНаукаÈ, 1976. (Гл. 45Ð47).
Маленво Э. Статистическиеметоды эконометрии.Вып.2. ÑМ.:ÇСтатисти-
каÈ, 1976. (Гл. 12).
5.Магнус Я.Р.,Катышев П.К.,Пересецкий А.А. ЭконометрикаÑначальный курс. ÑМ.: ÇДелоÈ, 2000. (Гл. 12).
6.Enders Walter. Applied Econometric Time Series. Ñ Iowa State University, 1995. (Ch. 1).
7.Mills Terence C. Time Series Techniques for Economists, Cambridge University Press, 1990 (Ch. 5).
8.Wooldridge Jeffrey M. IntroductoryEconometrics:AModernApproach,2nded., Thomson, 2003 (Ch. 10).
Глава12
Сглаживание временного ряда
12.1.Метод скользящих средних
Одним из альтернативных по отношению к функциональному описанию тренда вариантов сглаживания временного ряда являетсяметод скользящих или,как еще говорят, подвижных средних.
Суть метода заключается в замене исходного временного ряда последовательностью средних,вычисляемых на отрезке,который перемещается вдоль временного ряда,как бы скользит по нему.Задается длина отрезка скольжения (2m + 1) по временной оси,т.е.берется нечетное число наблюдений.Подбирается полином
|
|
|
p |
|
|
|
= |
k! |
|
τ |
t |
a tk |
(12.1) |
|
|
|
k |
|
|
|
|
|
=0 |
|
к группе первых (2m + 1) членов ряда,и этот полином используется для определения значения тренда в средней (m + 1)-й точке группы.Затем производится сдвиг на один уровень ряда вперед и подбирается полином того же порядкак группе точек,состоящей из2-го, 3-го , . . . , (2m + 2)-го наблюдения.Находится значение тренда в (m + 2)-й точке и т.д.тем же способом вдоль всего ряда до последней группы из (2m + 1) наблюдения.В действительности нет необходимости строить полином для каждого отрезка.Как будет показано,эта процедура эквивалентна нахождению линейной комбинации уровней временного ряда с коэффициентами,