Оценивание модели ma(q)
При оценивании моделей с MA(q) составляющей (q > 0) существенным оказывается условие обратимости, сформулированное ранее. Покажем это на примере MA(1) модели
Xt – = εt + bεt–1 , t = 1, … , T .
Имея наблюдаемые значения x1, x2, … , xT , мы последовательно выражаем ε1, ε2, … , εT через эти значения и (ненаблюдаемое) значение ε0 :
ε1 = X1 – – bε0,
ε2 = X2 – – bε1 = X2 – – b(X1 – – bε0) = (X2 – ) – b(X1 – ) + b2 ε0,
…
εT = XT – – bεT – 1 = (XT – ) – b(XT – 1– ) + b2(XT – 2– ) – … +
+(–1)T – 1 b T – 1 (X1 – ) + (–1)T b T ε0 .
Максимизация (по b) условной функции правдоподобия, соответствующей наблюдаемым значениям x1, x2,…, xT при фиксированном значении ε0, равносильна минимизации суммы квадратов
Q(b) = ε12 + ε22 + … + εT2 ,
которая является нелинейной функцией от b . Для поиска минимума этой суммы квадратов приходится использовать численные итерационные методы оптимизации, которые, в свою очередь, требуют задания начального (“стартового”) значения параметра b. Как мы уже говорили, такое стартовое значение может быть получено на этапе идентификации модели. Однако полученное в итоге итераций “оптимальное” значение b зависит от неизвестного нам значения ε0, что затрудняет интерпретацию результатов. Задача интерпретации облегчается, если выполнено условие обратимости , и при этом значение существенно меньше 1.
Действительно, при выполнении этого условия можно просто положить ε0 = 0 . Эффект от такой замены истинного значения ε0 на нулевое быстро убывает, так что сумма квадратов, получаемая в предположении ε0 = 0, может служить хорошей аппроксимацией для суммы, получаемой при истинном значении ε0 , при достаточно большом количестве наблюдений. Те же аргументы пригодны и для модели MA(q) с q > 1 : в этом случае можно положить ε0 = ε–1 = … == 0 .
Если в результате оценивания получена модель, в которой условие обратимости не выполняется, рекомендуется повторить процедуру оценивания с использованием другого набора начальных значений. В случае модели MA(1) можно в качестве начального взять значение, обратное значению, приведшему к необратимой модели.
Для получения более точной аппроксимации, в пакетах статистических программ (в том числе и в EVIEWS) предусмотрена процедура (backcasting), в которой процесс итераций включает в себя также оценивание значений ε0 , ε–1 , … , путем построения для них “обратного прогноза”. В модели MA(1) для этого выбираются начальные значения b и , полагается εT+1 = 0 и используется соотношение
εt–1 = ,
которое применяется последовательно для t = T, T – 1, … , 1. Полученное в итоге значение используется затем в качестве начального для основной процедуры оценивания.
Оценивание модели ARMA(p,q)
Из соотношения
yt = a0 + a1 yt – 1 + … + ap yt – p + εt +b1 εt – 1 + … + b q εt – q
получаем:
εt = yt – a0 – a1 yt – 1 – … – ap yt – p – b1 εt – 1 – … – b q εt – q .
Задавшись начальными оценками коэффициентов , и полагая ε0 = ε–1 = … == 0, последовательно вычисляем приближения для значений , а затем минимизируем по , сумму квадратов этих приближений. Для улучшения качества аппроксимации и здесь можно сначала применять процедуру обратного прогноза.
-
Указанная методика предполагает обратимость ARMA модели.
Если в результате оценивания получена модель, в которой условие обратимости не выполняется, рекомендуется повторить процедуру оценивания с использованием другого набора начальных значений.
Более подробное изложение процедур оценивания стационарных ARMA моделей методом максимального правдоподобия можно найти, например, в [Hamilton (1994), Chapter 5, p.117–151]. Там же можно прочитать о том, каким образом вычисляются приближения для стандартных ошибок оценок коэффициентов этих моделей, которые можно использовать при большом количестве наблюдений обычным образом.