- •1.История развития эконометрики как науки
- •2.Определение (предмет) эконометрики
- •3.Эконометрический метод и этапы эконометрического исследования
- •4.Измерения в экономике
- •5.Парная регрессия и корреляция. Способы задания уравнения парной регрессии
- •6.Линейная модель парной регрессии. Смысл и оценка параметров.
- •7.Оценка существенности параметров и уравнения линейной регрессии
- •9.Прогноз по линейному уравнению регрессию.
- •10.Средняя ошибка аппроксимации
- •12.Корреляция и детерминация для нелинейной регрессии.
- •13.Коэффициенты эластичности для разных видов регрессионных моделей.
- •15.Оценка адекватности модели.
- •18.Отбор факторов при построении уравнения множественной регрессии.
- •20.Множественная корреляция.
- •22.Частные коэффициенты корреляции
- •24.Частный f-критерий Фишера для уравнения множественной регрессии
- •26.Фиктивные переменные во множественной регрессии
- •31.Структурная и приведенная формы модели.
- •34.Основные элементы временного ряда.
- •35.Автокорреляция уровней временного ряда и выявление его структуры.
- •36.Моделирование тенденции временного ряда.
- •37.Моделирование сезонных и циклических колебаний: аддитивная и мультипликативная модель временного ряда.
- •38.Автокорреляция а остатках. Критерий Дарбина-Уотсона.
- •39.Методы исключения тенденции.
- •40.Динамические эконометрические модели.
- •41.Характеристика модели с распределенным лагом.
35.Автокорреляция уровней временного ряда и выявление его структуры.
При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.
Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени. Коэффициент корреляции имеет вид:
В качестве переменой x рассмотрим ряд в качестве переменнойy – ряд Тогда коэффициент автокорреляциипервого порядка:
где
Коэффициент автокорреляции первого порядка измеряет зависимость между соседними уровнями рядаt и t-1, т.е. при лаге 1.
Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями уt и yt-2 и определяется по формуле:
где
Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Некоторые авторы считают целесообразным для обеспечения статистической достоверности коэффициентов корреляции использовать правило – максимальный лаг должен быть не больше (n/4).
Отметим два важных свойства коэффициента автокорреляции.
Во-первых, он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной (или близкой к линейной) связи текущего и предыдущего уровней ряда. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.
Во-вторых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда.
Последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага называется коррелограммой.
Анализ автокорреляционной функции и графика можно выявить структуру ряда. Если наиболее высоким оказался коэффициент автокорреляции 1го порядка, то ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент порядка – то содержит циклические колебания с периодичностью вмоментов времени. Если ни один из коэффициентов не является значимым, то 2 предположения: 1. ряд не содержит тенденции и циклических колебаний, 2. ряд содержит сильную нелинейную тенденцию.
36.Моделирование тенденции временного ряда.
(аналитическое выравнивание временного ряда)
Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда. Этот способ называют аналитическим выравниванием временного ряда.
Поскольку зависимость от времени может принимать разные формы, для ее формализации можно использовать различные виды функций. Для построения трендов чаще всего применяются следующие функции:
• линейный тренд:
• гипербола:
• экспоненциальный тренд:
• тренд в форме степенной функции:
• парабола второго и более высоких порядков:
Параметры каждого из перечисленных выше трендов можно определить обычным МНК, используя в качестве независимой переменной время t=1,2,..., n, а в качестве зависимой перемен- 1 ной — фактические уровни временного ряда .
Существует несколько способов определения типа тенденции. К числу наиболее распространенных способов относятся качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени, расчет некоторых основных показателей динамики. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни и тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временно м ряде, тем в большей степени будут различаться значения указанных коэффициентов.
Выбор наилучшего уравнения в случае, если ряд содержит нелинейную тенденцию, можно осуществить путем перебора основных форм тренда, расчета по каждому уравнению скорректированного коэффициента детерминации R2 и выбора уравнения тренда с максимальным значением скорректированного коэффициента детерминации. Реализация этого метода относительно проста при компьютерной обработке данных.