- •Множественная регрессия.
- •Модель множественной регрессии
- •Тест – линейное ограничение на коэффициенты
- •Тест Чоу (Chow) – тест на структурные изменения
- •Различие между остатками регрессии и ошибками
- •Мультиколлинеарность
- •Фиктивные переменные
- •Гетероскедастичность
- •Тесты на гетероскедастичность
- •Автокорреляция остатков
- •Точечный прогноз
- •Статистика Дарбина-Уотсона (dw)
- •Причинность по Гренджеру
- •Модели с лагами
- •Геометрическая структура лага
- •Подбор параметра
- •Полиномиальная лаговая структура (Алмонд)
Геометрическая структура лага
, где . Предполагаем, что длина лага достаточно велика. Определим c: , , тогда .
Итак модель принимает вид:
.
В данной модели имеем четыре параметра для оценивания: .
Преобразуем имеющуюся модель. Для этого выпишем следующее равенство:
.
Домножим уравнение на и вычтем из предыдущего:
,
.
Уравнение упрощается, но
-
портится остаток, в первом случае был , а во втором случае - скользящего среднего первого порядка.
-
Появляется стохастическая переменная и она может быть зависима с остатком.
В модели два предиктора и четыре параметра оценки.
Модель 1.
Модель частичной корректировки или частичного приспособления.
Пусть и связаны линейным регрессионным соотношением. Пусть существует , т.е. . Например, желаемая величина основных фондов. А в этой ситуации - выпуск, объем произведенной продукции (на самом деле в логарифмах).
Реальное же состояние модели:
.
В общей схеме добавляется случайный остаток. При близкой настройке . Для построения модели получаем следующую зависимость:
.
Можно подставлять в этом же виде, получим модель с распределенными лагами.
Пример 1.1.
Задача моделирования оптимальных объемов предложения.
- уровень продаж;
- оптимальный с точки зрения равновесия объем предложения;
- реальный объем.
Постулируется, что . Выписывается функция потерь от необходимой настройки:
,
здесь - стоимость перенастройки производства.
Минимизируем функцию потерь:
,
.
Пример 1.2.
Регулирование выплаты дивидендов от прибыли.
- прибыль;
.
Модель 2.
Модель адаптивных ожиданий.
Предполагается, что .
- поведение зависит от значения показателя в будущем, прогноз делается в момент времени t.
. Иначе, .
. Домножим на и вычтем из уравнения для момента времени t, получим:
.
Таким образом, получаем уравнение той же структуры.
Пример 2.1.
Задачи с инфляцией.
Модель гиперинфляции Кагана.
, - индекс изменения денег в обращении, - индекс потребительских цен. - уровень инфляции. .
Подбор параметра
Пусть имеется совокупность исходных данных . Выборка разбивается на две группы: обучающая и экзаменующая.
Например, кваратальные данные за 9 лет. 6 лет - обучающая, и 3 года - экзаменующая.
Выбирается сетка значений для от 0 до 1 с шагом 0,01 или 0,05 в зависимости от характера исследования. Строится решение для каждого по обучающей выборке.
Следующим шагом выбирается критерий качества модели. Например:
-
для прогноза - по экзаменующей выборке;
-
для структурных - критерий точности - сравнение нескольких методов и т.д.
Полиномиальная лаговая структура (Алмонд)
, k - глубина лага
,
,
,
Подставляем в модель, .
Получим:
Группируем и суммируем:
.
На выходе получим оценки параметров .
При вероятностной интерпретации (например, для биномиального закона)
.