17-11-2015_11-58-24 / Эконометрика (электронный конспект)
.pdfВ соответствии с материалом Темы 3 |
t-статистика для коэффициента β1 для проверки гипо- |
тезы β1 =1 строится по формуле: |
|
t (b1 )= b1 −1 |
(75) |
s(b ) |
|
1 |
|
где s(b1) – оценка стандартного отклонения коэффициента b1 .
Если значение t-статистики t (b1 ) больше (одностороннего) критического значения теста Ди-
ки-Фуллера, то гипотеза β1 =1 принимается, и ряд yt в этом случае считается, что ряд не является стационарным. В противном случае ряд считается стационарным.
81
Модель скользящего среднего первого порядка MA(1)
yt = µ + εt + θεt −1 |
(1) |
где εt независимые нормально распределенные случайные величины с нулевым математиче-
ским ожиданием и постоянной дисперсией σ2 :
E (εt )= 0 , |
var(εt )= σ2 , |
cov(εt ,εs )= 0 . |
(2) |
В силу (1), (2): |
|
|
|
E (yt )= µ , |
|
(3) |
|
γ0 = var(yt |
)= (1+ θ2 )σ2 |
(4) |
|
Найдем ковариацию γ1 = cov(yt , yt −1 ). |
|
||
В силу (1): |
|
|
|
yt −1 = µ + εt −1 + θεt −2 |
(5) |
|
|
В силу (1), (2), (5): |
|
|
|
cov(yt , yt −1 )= E (εt + θεt −1,εt −1 + θεt −2 )= θσ2 |
|
||
Итак, |
|
|
|
γ1 = θσ2 |
|
(6) |
|
Найдем ковариацию γk = cov(yt , yt −k ), где k ≥ 2 . |
|
||
В силу (1): |
|
|
|
yt −k = µ + εt −k + θεt −k −1 |
(7) |
|
|
В силу (1), (2), (7) |
|
|
|
γk = 0 |
k ≥ 2 |
(8) |
|
Всилу равенств (3), (4), (6), (8) процесс MA(1) является стационарным в слабом смысле (при любых значениях коэффициентов µ и θ.
Всилу (4), (6):
ρ = |
θ |
|
(9) |
||||
1+ θ2 |
|||||||
1 |
|
|
|
||||
Из равенства (9) следует, что |
|
||||||
|
ρ1 |
|
≤ 0,5 |
(10) |
|||
|
|
причем ρ1 = 0,5 при θ =1, ρ1 = −0,5 при θ = −1.
Из (9):
ρ θ2 |
−θ+ρ = 0 |
(11) |
1 |
1 |
|
82
Отсюда:
1± 1− 4ρ2 θ = 1 (12)
2ρ1
Несложно показать, что при θ ≤1:
1− 1− 4ρ2 θ = 1 (13)
2ρ1
Оценивание параметров
В силу (3) в качестве оценки µˆ параметра µ можно взять y :
µˆ = y |
(14) |
В силу (13), считая, что θ ≤1, оценку θˆ параметра θ можно находить по формуле:
ˆ |
1− |
1− 4r2 |
|
|
|
1 |
, |
(15) |
|
θ = |
|
|
||
|
2r1 |
|||
|
|
|
|
где r1 – выборочный коэффициент ковариации между yt и yt −1 .
Найдем формулу для оценки параметра σ2 .
Из (4):
σ2 = |
γ0 |
(16) |
|
1+ θ2 |
|||
|
|
Слдедовательно, оценку s2 параметра σ2 можно искать по формуле:
s2 = |
|
|
g0 |
|
(17) |
1 |
ˆ |
2 |
|||
|
+ θ |
|
|
где g0 выборочная дисперсия yt .
Прогнозирование |
|
|
Прогнозирование на один период вперед. |
|
|
В силу (1): |
|
|
yn+1 = µ + εn+1 + θεn |
(18) |
|
Отсюда: |
|
|
E (yn+1 | y1, , yn )= µ + θE (εn | y1, , yn ) |
(19) |
Найдем формулу для E (εn | y1, , yn ). В силу (1):
83
εt = yt −µ −θεt −1 |
|
(20) |
|
||
Следовательно: |
|
|
|
|
|
E (εt | y1 |
, , yn )= yt |
−µ −θE (εt −1 | y1, , yn ) |
t = |
|
(21) |
1,n |
|||||
В частности: |
|
|
|
|
|
E (ε1 | y1 |
, , yn )= y1 |
−µ −θE (ε0 | y1, , yn ) |
|
|
(22) |
Следовательно, зная E (ε0 | y1, , yn ), с помощью формулы (21) можно рекуррентным обра-
зом найти E (εt | y1, , yn ) t =1,n , в том числе E (εn | y1, , yn ).
В силу формул (19), (21), (22) прогнозное значение yˆn+1 можно искать по формуле:
ˆ |
(23) |
yˆn+1 = y + θεˆn , |
где значение εˆn находится рекуррентным образом с помощью формул:
εˆ0 = 0 |
|
|
|
|
(24) |
ˆ |
|
|
|
|
|
t =1,n |
|
(25) |
|||
εˆt = yt − y −θεˆt −1 |
|
||||
Прогнозирование на несколько периодов вперед |
|||||
В силу спецификации модели (1): |
|
||||
yn+k = µ + εn+k + θεn+k −1 |
|
(26) |
|||
Следовательно, |
|
|
|
|
|
E (yn+k | y1, , yn )= µ |
k ≥ 2 |
(27) |
В силу (27) в качестве прогнозного значения yˆn+k при k ≥ 2 естественно взять y :
yˆn+k = y , k ≥ 2 |
(27’) |
Модель скользящего среднего порядка q MA(q)
Спецификация модели:
q |
|
yt = µ + εt + ∑θiεt −i |
(28) |
i=1
где εt независимые нормально распределенные случайные величины с нулевым математиче-
ским ожиданием и постоянной дисперсией σ2 :
E (εt )= 0 , var(εt )= σ2 , |
cov(εt ,εs )= 0 . |
(29) |
В силу (28): |
|
|
E (yt )= µ |
(30) |
|
84
γ0 |
|
q |
|
(31) |
|
|
|
= var(yt )= 1+ |
∑θi2 σ2 |
|
|
||||
|
|
i=1 |
|
|
|
|
|
Найдем ковариацию cov(yt , yt −k ) |
|
|
|
||||
В силу (28): |
|
|
|
|
|
|
|
|
k −1 |
|
q |
|
|
|
|
yt |
= µ + εt + ∑θiεt −i + ∑θiεt −i |
при k ≤ q |
|
(32) |
|||
|
i=1 |
i=k |
|
|
|
|
|
|
q |
|
|
|
|
|
|
yt −k = µ + εt −k + ∑θiεt −k −i |
(33) |
|
|
||||
|
i=1 |
|
|
|
|
|
|
Следовательно, при k ≤ q в силу (29): |
|
|
|
||||
|
|
k |
−1 |
q |
q |
|
|
cov(yt , yt −k )= E εt + ∑θiεt −i |
+ ∑θiεt −i ,εt −k |
+ ∑θiεt −k −i |
= |
||||
|
|
i=1 |
i=k |
i=1 |
|
|
|
q |
|
q |
|
q−k |
|
q |
|
|
= E |
∑θiεt −i ,εt −k |
+ ∑θiεt −k −i |
= E ∑θk +iεt −k −i ,εt −k + ∑θiεt −k −i |
= |
|||||
i=k |
|
i=1 |
|
i=0 |
|
i=1 |
|
|
|
q−k |
|
|
q−k |
q |
|
|
|
|
|
= E |
∑θk +iεt −k −i , |
εt −k |
+ E ∑θk +iεt −k −i ,∑θiεt −k −i |
= |
|
|
|||
i=0 |
|
|
i=0 |
i=1 |
|
|
|
|
|
|
q−k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
= θk + ∑θk +iθi |
σ2 |
|
|
|
|
|
|
||
|
i=1 |
|
|
|
|
|
|
|
|
Итак, |
|
|
|
|
|
|
|
|
|
|
|
|
|
q−k |
|
|
|
|
|
γk = cov(yt , yt −k )= θk |
+ ∑θk +iθi σ2 |
k ≤ q |
|
|
(34) |
||||
|
|
|
|
i=1 |
|
|
|
|
|
Из (28), (33), (29) вытекает, что |
|
|
|
|
|||||
γk = cov(yt , yt −k )= 0 |
k > q |
|
|
|
(35) |
Всилу равенств (30), (31), (34), (35) процесс MA(q) является стационарным в слабом смысле (при любых значениях коэффициентов µ и θi ).
Всилу (31), (34), (35):
|
q−k |
|
|
ρk = |
θk + ∑θk +iθi |
k ≤ q |
(36) |
q |
|||
|
i=1 |
|
|
|
1+ ∑θi2 |
|
|
|
i=1 |
|
|
ρk = 0 |
k > q |
(37) |
Соотношения (36), (37) служат основой для определения порядка q модели скользящего среднего MA(q).
85
Порядок модели скользящего равен значению q при котором ρq ≠ 0 и ρk = 0 при k > q .
Оценивание параметров |
|
|
|
||||||||||||
В силу (30) в качестве оценки µˆ |
параметра µ можно взять y : |
||||||||||||||
µˆ = y |
|
|
(38) |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
параметров θi , i =1,q , можно находить с помощью следую- |
||||||||
В силу равенств (36) оценки θi |
|||||||||||||||
щей системы (нелинейных) уравнений: |
|||||||||||||||
|
ˆ |
|
q |
−k |
ˆ |
ˆ |
|
|
|
||||||
|
θk |
+ ∑θk |
+iθi |
(39) |
|
|
|||||||||
|
|
|
|
i |
q |
|
|
|
|
= rk , k =1,q |
|
|
|||
|
|
|
|
=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
2 |
|
|
|
|
|
|
|
|
|
|
1+ ∑θi |
|
|
|
||||||||||
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
где rk |
– выборочный коэффициент ковариации между yt и yt −k . |
||||||||||||||
В силу (31): |
|
|
|
||||||||||||
σ2 |
= |
|
|
|
γ0 |
|
|
(31) |
|
|
|
||||
|
|
q |
|
|
|
|
|
||||||||
|
|
|
1+ ∑θi2 |
|
|
|
|||||||||
|
|
|
|
|
|
i=1 |
|
|
|
||||||
Следовательно, оценку s2 параметра σ2 можно находить по формуле: |
|||||||||||||||
|
s2 |
= |
|
|
|
g0 |
|
, |
|
|
(32) |
|
|
||
|
|
|
|
q |
|
|
|
|
|
||||||
|
|
|
|
|
|
ˆ2 |
|
|
|
||||||
|
|
1+ ∑θi |
|
|
|
i=1
где g0 выборочная дисперсия yt .
Прогнозирование В силу спецификации модели (28):
q |
|
|
yn+k = µ + εn+k + ∑θiεn+k −i |
|
(33) |
i=1 |
|
|
Следовательно, при k ≤ q : |
|
|
k −1 |
q |
|
yn+k = µ + εn+k + ∑θiεn+k −i |
+ ∑θiεn+k −i |
(34) |
i=1 |
i=k |
|
В силу (34): |
|
|
q |
|
|
E (yn+k | y1, , yn )= µ + ∑θi E (εn+k −i | y1, , yn ) |
(35) |
i=k
Эту формулу можно записать также в виде:
86
|
q−k |
|
E (yn+k | y1, , yn )= µ + ∑θk +i E (εn−i | y1, , yn ) |
(36) |
|
|
i=0 |
|
Найдем формулы для E (εn−i | y1, , yn ). |
|
|
В силу (28): |
|
|
q |
|
|
εt = yt −µ − ∑θiεt −i |
|
(37) |
i=1 |
|
|
Следовательно, |
|
|
E (εt | y1, , yn )= yt |
q |
|
−µ − ∑θi E (εt −i | y1, , yn ) |
(38) |
|
|
i=1 |
|
В частности: |
|
|
E (ε1 | y1, , yn )= y1 |
q |
|
−µ − ∑θi E (ε1−i | y1, , yn ) |
(39) |
i=1
Следовательно, зная E (ε1−i | y1, , yn ), i =1,q , с помощью формулы (38) можно рекуррент-
ным образом найти E (εt | y1, , yn ) t =1,n .
В силу формул (36), (39), (38) прогнозное значение yˆn+k можно искать по формуле:
q−k ˆ |
|
|
|
|
||
yˆn+k = µˆ + ∑θk +iεˆn−i , |
(40) |
|||||
i=0 |
|
|
|
|
||
где значения εˆn−i |
находится рекуррентным образом с помощью формул: |
|||||
εˆ1−i = 0 , i = |
|
|
|
|
|
|
1,q |
|
|
|
|
||
|
q ˆ |
|
|
|
|
|
|
εˆt −i , t =1,n |
(41) |
||||
εˆt = yt −µˆ − ∑θi |
i=1
Из (33) следует, что при k > q |
|
E (yn+k | y1, , yn )= µ |
(42) |
Следовательно, при k > q в качестве прогнозного значения
yˆn+k = µˆ , k > q (43)
Модель авторегрессии – скользящего среднего порядка
Спецификация модели:
p |
q |
yt = β0 + ∑βi yt −i + εt + ∑θjεt − j |
|
i=1 |
j =1 |
yˆn+k естественно взять µˆ :
( p,q) ARMA(p,q)
(1)
где εt независимые нормально распределенные случайные величины с нулевым математиче-
ским ожиданием и постоянной дисперсией σ2 :
87
E (εt )= 0 , |
var(εt )= σ2 , |
cov(εt ,εs )= 0 . |
|
(2) |
|
Будем считать, что случайный процесс yt |
является стационарным (в слабом смысле), т.е. |
||||
E (yt )= m , |
var(yt )= γ0 , cov(yt , yt −k )= γk |
t |
(3) |
||
В силу (1)-(3): |
|
|
|
||
|
p |
|
|
|
|
m = β0 + ∑βim |
(4) |
|
|||
|
i=1 |
|
|
|
|
Отсюда: |
|
|
|
|
|
m = |
β0 |
|
(5) |
|
|
p |
|
|
|
1− ∑βi
i=1
Всилу (1)-(3):
var(yt )= E (yt − m)2 |
|
|
p |
|
|
|
|
|
|
q |
|
|
|
|
|
|
|
|
|
||||||
= E |
∑βi (yt −i − m)+ εt + ∑θjεt − j |
(yt − m) |
= |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
j =1 |
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
= E |
p β |
i ( |
y |
− m |
y |
− m |
+ E ε |
t ( |
y |
− m |
|
+ E |
|
q |
θ |
ε |
t − j |
|
( |
y |
− m |
|
|
= |
|
∑ |
t −i |
|
)( t |
|
) |
|
t |
|
) |
|
|
∑ j |
|
|
t |
|
) |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
j =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
p |
|
|
|
|
|
|
|
q |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= ∑βi cov(yt −i , yt )+ cov(εt , yt )+ ∑θj cov(εt − j , yt ) |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
i=1 |
|
|
|
|
|
|
|
j =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Итак,
p |
|
|
|
q |
var(yt )= ∑βi cov(yt −i , yt |
)+ cov(εt , yt )+ ∑θj cov(εt − j , yt ) |
|||
i=1 |
|
|
|
j =1 |
В силу (1): |
|
|
|
|
|
|
p |
q |
|
cov(εt , yt )= E εt β0 + ∑βi yt −i + εt + ∑θjεt − j = σ2 |
||||
|
|
|
|
|
|
|
i=1 |
j =1 |
|
В силу (1) при 1 ≤ j ≤ q : |
|
|
||
|
|
p |
q |
|
cov(εt − j , yt )= E εt − j β0 |
+ ∑βi yt −i + εt + ∑θlεt −l = |
|||
|
|
i=1 |
l =1 |
|
=∑βi cov(εt − j , yt −i )+ θjσ2
i=1p
Подставим (7), (8) в (6):
p |
q p |
q |
var(yt )= ∑βi cov(yt −i , yt )+ σ2 + ∑∑θjβi cov(εt − j , yt −i )+ ∑θjσ2 |
||
i=1 |
j =1 i=1 |
j =1 |
Прогнозирование В силу спецификации модели (1):
(6)
(7)
(8)
(9)
88
|
|
|
p |
|
q |
|
|
|
yn+k = β0 + ∑βi yn+k −i |
+ εt + ∑θjεn+k − j |
(10) |
|
|||||
|
|
|
i=1 |
|
j =1 |
|
|
|
Следовательно, |
|
|
|
|
|
|||
|
|
|
|
|
k −1 |
|
p |
q |
E (yt +k | y1, , yn )= β0 + ∑βi E (yt +k −i | y1, , yn )+ ∑βi yt +k −i + ∑θj E (εt +k − j | y1, , yn ) |
||||||||
|
|
|
|
|
i=1 |
|
i=k |
j =k |
В силу (11): |
|
|
|
|
|
|||
yˆn |
ˆ |
+ |
k −1 ˆ |
|
p ˆ |
q ˆ |
|
(12) |
+k = β0 |
∑βi yˆn+k −1 |
+ ∑βi yt +k −i |
+ ∑θjεˆt +k − j |
|||||
|
|
|
i=1 |
|
i=k |
j =k |
|
|
Прогнозные значения εˆt +k − j находятся следующим образом. |
||||||||
В силу (1): |
|
|
|
|
|
|
||
|
|
|
p |
|
q |
|
|
|
εt |
= yt −β0 − ∑βi yt −i |
− ∑θjεt − j |
|
(13) |
|
|||
|
|
|
i=1 |
|
j =1 |
|
|
|
Следовательно, |
|
|
|
|
|
|||
εˆt |
|
ˆ |
p ˆ |
yt −i |
q ˆ |
при p +1 ≤ t ≤ n |
(14) |
|
= yt −β0 |
− ∑βi |
− ∑θjεˆt − j |
||||||
|
|
|
i=1 |
|
j =1 |
|
|
|
Считая, что |
|
|
|
|
|
|||
εˆt |
= 0 |
t ≤ p |
|
|
(15) |
|
||
по |
формуле (14) |
рекуррентным |
образом |
начиная с |
t = p +1 можно найти εˆt |
t = p +1,n .
(11)
для всех
После нахождения εˆt , t = p +1,n , формулу (12) можно рекуррентным образом (начиная с k =1) использовать для нахождения прогнозных значений yˆn+k .
Модель авторегрессии – проинтегрированного скользящего среднего порядка ( p,q,r)
ARIMA(p,q,r)
Обозначим: |
|
|
|
|
|
∆yt = yt − yt −1 |
|
(1) |
|
|
|
∆2 y |
= ∆y − ∆y |
(2) |
|
|
|
t |
t |
t −1 |
|
|
|
∆k y |
= ∆k −1 y − ∆k −1 y |
(3) |
|
|
|
t |
t |
t −1 |
|
|
|
Случайная последовательность y |
называется рядом ARIMA(p,q,r), если ряд ∆r y |
является |
|||
|
|
t |
|
t |
|
(стационарным) рядом ARMA(p,q), т.е. ряд ∆r y |
является стационарным (в слабом смысле) и |
||||
|
|
|
t |
|
имеет место равенство:
89
p |
q |
|
∆r yt = β0 + ∑βi∆r yt −i + εt + ∑θjεt − j |
(4) |
|
i=1 |
j =1 |
|
где εt независимые нормально распределенные случайные величины с нулевым математиче-
ским ожиданием и постоянной дисперсией σ2 :
E (εt )= 0 , var(εt )= σ2 , cov(εt ,εs )= 0 . |
(5) |
Оценивание параметров для модели ARIMA(p,q,r) сводится к оценке параметров модели
ARMA(p,q) для ряда yr = ∆r y , |
t = |
r +1,n |
|
|
|
|
|
t |
t |
|
|
|
|
|
|
Прогнозирование осуществляется в два этапа. |
|
|
|
||||
На первом этапе находятся прогнозные значения yˆr |
ряда yr = ∆r y |
в рамках модели |
|||||
|
|
|
|
t +k |
t |
t |
|
ARMA(p,q). |
|
|
|
|
|
|
|
Затем находятся прогнозные значения yˆl , |
t = |
|
|
|
для l = |
|
|
|
|||||||
n +1,n + k |
1,r −1 рекуррентным образом |
||||||||||||||
|
|
|
t |
|
|
|
|
|
|
|
|
|
|
|
|
(начиная с l = r −1) по следующим образом. |
|
|
|
|
|
|
|
|
|
||||||
Вначале находится значение yˆnl +1 |
по формуле: |
|
|
|
|
|
|
|
|
|
|||||
yˆnl +1 = yˆnl ++11 + ynl |
(6) |
|
|
|
|
|
|
|
|
|
|
|
|
||
Затем рекуррентным образом находятся значения yˆl |
при t = |
|
по формуле: |
||||||||||||
n + 2,n + k |
|||||||||||||||
|
|
|
|
|
|
t |
|
|
|
|
|
|
|
|
|
yˆl |
= yˆl +1 + yˆl |
(7) |
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
t |
t −1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
После того, как уже найдены значения yˆ1 , |
t = |
|
, находится значение yˆ |
|
по форму- |
||||||||||
n +1,n + k |
n+1 |
||||||||||||||
|
|
|
t |
|
|
|
|
|
|
|
|
|
|
|
|
ле: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
yˆn+1 = yˆ1n+1 + yn |
(8) |
|
|
|
|
|
|
|
|
|
|
|
|
||
Затем рекуррентным образом находятся значения yˆt |
при t = |
|
по формуле: |
||||||||||||
n + 2,n + k |
|||||||||||||||
yˆ |
= yˆ1 + yˆ |
(9) |
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
t |
t −1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Порядок r |
модели ARIMA(p,q,r) – это наименьшее значение r , при котором ряд ∆r y явля- |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
t |
ется стационарным.
Для исследования ряда ytr = ∆r yt на стационарность используется тест Дики-Фуллера.
90