- •Учебно-методический комплекс
- •Рабочая учебная программа утверждаю:
- •Основание
- •1. Цели и задачи дисциплины
- •1.2. Требования к уровню усвоения дисциплины
- •1.3. Связь с другими дисциплинами Учебного плана
- •2. Содержание дисциплины, способы и методы учебной деятельности преподавателя
- •Очная форма обучения
- •Заочная форма обучения (5,6)
- •Заочная форма обучения (3)
- •Заочная форма обучения (3,6)
- •2. Краткое изложение программного материала (курс лекций)1 Введение
- •1. Предмет и задачи дисциплины "Эконометрика"
- •1.1. Определение эконометрики
- •1.2. Взаимосвязь эконометрики с экономической теорией, статистикой и экономико-математическими методами
- •1.3. Области применения эконометрических моделей
- •1.4. Методологические вопросы построения эконометрических моделей
- •2. Парная регрессия
- •2.1. Основные цели и задачи прикладного корреляционно-регрессионного анализа
- •2.2. Постановка задачи регрессии
- •2.3. Парная регрессия и метод наименьших квадратов
- •2.4. Коэффициент корреляции, коэффициент детерминации, корреляционное отношение
- •2.5. Оценка статистической значимости регрессии
- •2.6. Интерпретация уравнения регрессии
- •3. Классическая линейная модель множественной регрессии
- •3.1. Предположения модели
- •3.2. Оценивание коэффициентов клммр методом наименьших квадратов
- •3.3 Парная и частная корреляция в клммр
- •Множественный коэффициент корреляции и множественный коэффициент детерминации
- •3.5. Оценка качества модели множественной регрессии
- •3.6 Мультиколлинеарность и методы ее устранения
- •4. Спецификация переменных в уравнениях регрессии
- •4.1. Спецификация уравнения регрессии и ошибки спецификации
- •4.2. Обобщенный метод наименьших квадратов
- •4.3 Линейная модель множественной регрессии
- •Проверка гомоскедастичности дисперсии по критерию Бартлетта
- •4.4. Линейная модель множественной регрессии с автокорреляцией остатков
- •4.5. Фиктивные переменные. Тест Чоу
- •Данные для расчета модели с фиктивной переменной
- •5. Временные ряды
- •5.1.Специфика временных рядов
- •5.2. Проверка гипотезы о существовании тренда
- •5.3. Аналитическое выравнивание временных рядов, оценка параметров уравнения тренда
- •5.4. Метод последовательных разностей
- •5.5. Аддитивная и мультипликативная модели временного ряда
- •5.6. Модели стационарных и нестационарных временных рядов и их идентификация
- •5.7. Тестирование стационарности временного ряда
- •5.8. Эконометрический анализ взаимосвязанных временных рядов
- •Библиографический список
- •3. Методические указания к решению типовых задач7
- •"Парная регрессия и корреляция"
- •"Множественная регрессия и корреляция"
- •"Временные ряды в эконометрических исследованиях"
- •"Системы эконометрических уравнений"
- •4. Методические указания по изучению курса
- •5. Контроль знаний Вопросы к зачету
- •6. Сведения о ппс
- •7. Деловые игры
- •8. Использование инновационных методов
- •9. Дополнительный материал (глоссарий, статистические таблицы)
- •95% Квантили распределения Фишера f(n1,n2)
5. Временные ряды
5.1.Специфика временных рядов
Часто исследователь имеет дело с данными в виде временных рядов.
Совокупность наблюдений анализируемой величины, произведенных в последовательные моменты времени, называется временным рядом.
Иначе говоря, временной ряд – это упорядоченная во времени последовательность наблюдений.
Среди временных рядов выделяют одномерные, полученные в результате наблюдения одной, фиксированной характеристики исследуемого объекта, и, многомерные временные ряды как результат наблюдений нескольких характеристик одного исследуемого объекта в течение ряда моментов времени.
По времени наблюдения временные ряды делятся на дискретные и непрерывные. Дискретные ряды, в свою очередь, разделяются на ряды с равноотстоящими и произвольными моментами наблюдения.
Временные ряды бывают детерминированными и случайными: первые получены как значения некоторой неслучайной функции, а вторые - как реализации случайной величины.
Стохастические временные ряды подразделяются на стационарные и нестационарные. Ряд y(t) называется стационарным (в узком смысле), если среднее, дисперсия и ковариации y(t) не зависят от t.
В дальнейшем, если не оговорено иначе, будем рассматривать одномерные, дискретные с равноотстоящими моментами наблюдений случайные временные ряды.
Природа временных рядов существенно отличается от природы пространственных данных, что проявляется в весьма специфических свойствах временных рядов. В своей работе исследователь должен учитывать эти особенности, основные из которых отображены в таблице 5.1.
Таблица 5.1
Особенности временных рядов
Характеристики наблюдений |
Тип данных | |
Пространственные данные |
Временные ряды | |
Порядок |
Не существенен |
Существенен |
Статистическая независимость |
Независимы |
Не являются статистически независимыми |
Функция распределения |
Распределены одинаково |
Распределены неодинаково |
Количество |
Как правило, большое |
Как правило, небольшое |
Наличие автокорреляции |
Встречается нечасто |
Встречается часто |
Значения элементов временного ряда формируются под воздействием ряда факторов, среди которых выделяют:
долговременные, формирующие в длительной перспективе общую тенденцию анализируемого признака. Эта тенденция описывается с помощью некоторой функции, называемой трендом (Т);
сезонные, формирующие периодически повторяемые в определенное время года колебания анализируемого признака (S);
циклические, формирующие изменения анализируемого в результате воздействия циклов экономической, демографической или астрофизической природы (С);
случайные, не поддающиеся учету и регистрации, как результат воздействия случайных, внешних факторов (U).
Первые три составляющие часто объединяют в одну детерминированную и рассматривают модель ряда в виде yt=f(t)+ut, t. Изменение уровня f(t) со временем называют при этом трендом.
Предметом анализа временного ряда является выделение и изучение указанных компонент ряда, как правило в рамках одной из моделей ряда: либо аддитивной Y=T+C+S+U, либо мультипликативной Y=TCSU.
Некоторые составляющие могут отсутствовать в тех или иных рядах.
В результате анализа временного ряда необходимо определить, какие из неслучайных составляющих присутствуют в разложении ряда, построить для них хорошие оценки, подобрать модель, описывающую поведение остатков и оценить ее параметры.