- •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 ии 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 вмоментов 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.