- •Эконометрика Оглавление
- •1. Парная регрессия и корреляция……………..………………………9
- •2. Множественная регрессия и корреляция………………….………38
- •3. Системы эконометрических уравнений…………...………………87
- •4. Временные ряды……………………………………………………..102
- •Введение
- •1. Парная регрессия и корреляция
- •1.1. Линейная модель парной регрессии и корреляции
- •1.2. Нелинейные модели парной регрессии и корреляции
- •2. Множественная регрессия и корреляция
- •2.1. Спецификация модели. Отбор факторов при построении уравнения множественной регрессии
- •2.2. Метод наименьших квадратов (мнк). Свойства оценок на основе мнк
- •2.3. Проверка существенности факторов и показатели качества регрессии
- •2.4. Линейные регрессионные модели с гетероскедастичными остатками
- •А б
- •2.5. Обобщенный метод наименьших квадратов (омнк)
- •2.6. Регрессионные модели с переменной структурой (фиктивные переменные)
- •3. Системы эконометрических уравнений
- •3.1. Структурная и приведенная формы модели
- •3.2. Проблема идентификации
- •3.3. Методы оценки параметров структурной формы модели
- •4. Временные ряды
- •4.1. Автокорреляция уровней временного ряда
- •4. 2. Моделирование тенденции временного ряда
- •4.3. Моделирование сезонных колебаний
- •4.4. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •Случайные переменные Дискретная случайная переменная
- •Математическое ожидание дискретной случайной величины
- •Математические ожидания функций дискретных случайных переменных
- •Правила расчета математического ожидания
- •Независимость случайных переменных
- •Теоретическая дисперсия дискретной случайной переменной
- •Вероятность в непрерывном случае
- •Постоянная и случайная составляющие случайной переменной
- •Способы оценивания и оценки
- •Оценки как случайные величины
- •Несмещенность
- •Эффективность
- •Противоречия между несмещенностью и минимальной дисперсией
- •Влияние увеличения размера выборки на точность оценок
- •Состоятельность
- •Литература
4.1. Автокорреляция уровней временного ряда
При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда 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.
Формула для расчета коэффициента автокорреляции имеет вид:
(4.1)
где

Эту величину
называют коэффициентом автокорреляции
уровней ряда первого порядка, так как
он измеряет зависимость между соседними
уровнями ряда
и
.
Аналогично можно
определить коэффициенты автокорреляции
второго и более высоких порядков. Так,
коэффициент автокорреляции второго
порядка характеризует тесноту связи
между уровнями
и
и определяется по формуле:
(4.2)
где

Число периодов,
по которым рассчитывается коэффициент
автокорреляции, называют лагом.
С увеличением лага число пар значений,
по которым рассчитывается коэффициент
автокорреляции, уменьшается. Считается
целесообразным для обеспечения
статистической достоверности коэффициентов
автокорреляции использовать правило
– максимальный лаг должен быть не больше
.
Свойства коэффициента автокорреляции.
Он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.
По знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержат положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.
Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой.
Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.
Если наиболее
высоким оказался коэффициент автокорреляции
первого порядка, исследуемый ряд содержит
только тенденцию. Если наиболее высоким
оказался коэффициент автокорреляции
порядка
,
то ряд содержит циклические колебания
с периодичностью в
моментов времени. Если ни один из
коэффициентов автокорреляции не является
значимым, можно сделать одно из двух
предположений относительно структуры
этого ряда: либо ряд не содержит тенденции
и циклических колебаний, либо ряд
содержит сильную нелинейную тенденцию,
для выявления которой нужно провести
дополнительный анализ. Поэтому коэффициент
автокорреляции уровней и автокорреляционную
функцию целесообразно использовать
для выявления во временном ряде наличия
или отсутствия трендовой компоненты и
циклической (сезонной) компоненты.
