- •1. Основные понятия математического моделирования социально-экономических систем
- •2. Предмет, цель и задачи эконометрики. Эконометрическая модель, основные этапы построения эконометрической модели.
- •Этапы эконометрического моделирования:
- •3. Простая (парная) линейная регрессия (плр). Классические предположения моделей.
- •Классические модельные предположения
- •4. Статистическое оценивание параметров плр по методу наименьших квадратов. Свойства мнк – оценок
- •Свойства мнк-оценок:
- •5. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •6. Множественная линейная регрессия (млр). Классические предположения. Мнк-оценка параметров модели.
- •7. Свойства мнк-оценок множественной линейной регрессии. Теорема Гаусса- Маркова.
- •8. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •5. Коэф. Детерминации
- •Прогнозирование по модели множественной линейной регрессии
- •9. Спецификация эконометрической модели: способы и диагностика отбора экзогенных переменных. Тесты Рамсея и Амемья.
- •Критерий Рамсея (Ramsey):
- •10. Спецификация эконометрической модели: выбор формы зависимости нелинейной модели
- •Принципы спецификаций
- •11. Проблема наличия мультиколлинеарности. Последствия наличия и диагностики мультиколлинеарности.
- •Методы диагноза мультиколлинеарности:
- •12. Методы устранения мультиколлинеарности. Метод главных компонент. Гребневая регрессия.
- •13. Проблемы гетероскедастичности модели. Критерии ее диагностики.
- •1. Критерий Парка (Park).
- •2. Критерий Голдфелда-Кандта (Goldfeld-Quandt).
- •3. Критерий Бриша-Пагана (Breusch-Pagan).
- •4. Критерий Вайта (White).
- •14. Обобщенный мнк (омнк). Свойства оценок млр по омнк. Взвешенный мнк в задаче оценивания параметров модели. Свойства оценок по взвешенному мнк.
- •Вопрос 15. Проблема автокорреляции остатков модели. Последствия автокорреляции при использовании модели.
- •Причины автокорреляции остатков
- •Последствия автокорреляции:
- •16. Критерий диагностики автокорреляции Дарбина-Уотсона
- •17.Методы устранения автокорреляции. Процедуры оценивания Кохрейна-Оркатта и Хильдрета-Лу
- •18. Модели с распределенными лагами: структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
- •19 Модели с распределенными лагами: линейно-арифметическая структура лагов и полиномиальная структура лагов по Алмон
- •20. Тест h-Дарбина и множественный тест Лагранжа проверки автокорреляции в лаговых моделях
- •21. Понятие временного ряда (вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
- •22 Стационарность временного ряда (вр). Характеристики корреляции уровней вр.
- •23 Стационарные модели временных рядов: авторегрессии, скользящего среднего, арсс
- •24. Нестационарная модель арисс. Оценка параметров модели.
- •28. Прогнозирование временных рядов. Показатели точности прогнозов.
- •30. Тест Чоу диагностики включения фиктивных переменных в эконометрическую модель.
- •32. Системы одновременных эконометрических уравнений (соу). Структурная и приведенная форма соу (графическое и матричное представление).
- •33. Проблемы идентификации систем одновременных уравнений (соу). Идентифицируемость уравнений соу (порядковый и ранговый критерии)
- •34. Методы оценивания систем одновременных уравнений: косвенный мнк, двухшаговый мнк. Применимость и свойства оценок
- •35. Современное состояние эконометрики. Примеры больших эконометрических моделей
24. Нестационарная модель арисс. Оценка параметров модели.
Модель, учитывающая последовательные разности, носит название авторегрессии и интегрированного скользящего среднего АРИСС (p, d, q). Например, АРИСС (2, 1, 1) указывает на включение в уравнение двух авторегрессионных слагаемых (из конечных разностей первого порядка) и одного слагаемого модели скользящего среднего:
АРИСС (2, 1, 1):
В условиях применения АРИСС-модели возникают три основные задачи:
· оценка структуры модели, то есть спецификация параметров p,
d и q;
· оценка коэффициентов модели ;
· прогнозирование переменной YT+k модели.
Перейдем к решению этих задач:
1. Процедура спецификации модели обычно начинается с решения задачи оценивания порядка включаемых в модель конечных разностей d.
Шаг 1. Производят изучение выборки данных, если Y проявляет тенденцию к росту, то вычисляют конечные разности 1-го порядка 🔺Yt .
Шаг 2. Проверяют парный коэффициент корреляции p1 между зависимой переменной Yt и лаговой переменной Yt-1. При корректном выборе параметра d индикатор , тогда в качестве оценкиd принимают k*. Изобразим алгоритм остановки процесса преобразования исходной модели к стационарной с помощью графика pk , который носит название кореллограммы:
Рис.25
2. Нахождение оценок параметров авторегрессии p и скользящего среднего осуществляют в три этапа.
Этап 1. Выбирают начальные значения p и q0, по возможности наименьшие p =p0, q= q0.
Этап 2. Оценивают АРИСС (p0,d,q0) и находят остатки et, с помощью которых рассчитывают частные коэффициенты автокорреляции:
.
Если p(k)=0 , то сохраняют p =p0 и q= q0, в противном случае увеличивают начальные значения ρ и q на единицу и повторяют этап 2 для модели АРИСС (p0,d,q0) до тех пор, пока коэффициенты частной корреляции не обратятся в нуль.
Приведем таблицу выбора моделей низких порядков АРИСС на базе определенных значений коэффициентов корреляции.
Модель |
p |
p(k) |
Нестационарная |
Отличен от нуля |
Отличен от нуля |
АРИСС(0, 0, 0) |
Все равны нулю |
Все равны нулю |
АРИСС(1, 0, 0) |
Стремятся к нулю |
Обращаются в 0 после 1-ого лага |
АРИСС(2, 0, 0) |
Стремятся к нулю |
Обращаются в 0 после 2-ого лага |
АРИСС(0, 0, 1) |
Обращаются в 0 после 1-ого лага |
Стремятся к 0 |
АРИСС(0, 0, 2) |
Обращаются в 0 после 2-ого лага |
Стремятся к 0 |
АРИСС(1, 0, 1) |
Обращаются в 0 после 1-ого лага |
Обращаются в 0 после 1-ого лага |
Этап 3. Закончив процесс оценивания структуры модели АРИСС, переходят к оцениванию ее коэффициентов. Следует заметить, что лишь при q=0 целесообразно применять классический МНК, а в противном случае требуется использовать операторы декорреляции или взвешенные модификации МНК.
Для решения задачи нахождения прогноза используют модель
с наблюдаемыми остатками et :
Процесс построения прогнозируемых значений происходит последовательно, начиная с оценки прогноза на один период, используя который, получают прогноз на 2 периода в будущее и так далее. Проиллюстрируем этот процесс для модели АРИСС (2, 0, 1):
, .
Для нахождения прогноза в момент времени Т+1 оценивают коэффициенты и после подстановки получают:
,
где остаток, полученный в момент Т+1, равен нулю. Далее, для получения прогноза в момент Т+2, имеют
.
Заметим, что процесс скользящего среднего с момента Т+2 уже не участвует в прогнозировании.
25
Модель
описывает нестационарные временные ряды стрендовой аддитивной составляющей , имеющие вид алгебраического полинома степениk – 1 с коэффициентами любого типа (случайного / детерминированного).
Кривые роста описывают закономерности развития явлений во времени посредством аналитического выравнивания рядов динамики. Кривые роста, описывающие , имеют следующий вид (табл. 1):
Кривая роста |
Вид тренда |
Подбор |
Характер изменения во времени |
Линейная |
|
Примерно одинаковые | |
Парабола 2го порядка |
|
Линейно изменяются | |
Кубическая парабола |
Линейно изменяются | ||
Показательная |
|
Примерно одинаковые | |
Модифицированная показательная |
|
Линейно изменяются | |
Логарифмическая парабола |
|
Линейно изменяются | |
Кривая Гомперца |
|
Линейно изменяются | |
Логистическая кривая |
|
Линейно изменяются |
26
27