- •В.В. Давнис, в.И. Тинякова эконометрические методы прогнозирования
- •1. Теоретические основы прогнозирования
- •1.1. Сущность экономического прогнозирования
- •1.2. Типология прогнозов
- •1.3. Этапы прогнозирования
- •2. Экстраполяция временных рядов
- •2.1. Сущность экстраполяции
- •2.2. Типы роста и трендовые модели
- •2.3. Метод наименьших квадратов (мнк)
- •В общем случае поиск оптимальных параметров сводится к решению нелинейной экстремальной задачи. Обычно рассматривают линейный случай
- •Решая линейную систему (2.26) с помощью замены
- •2.4. Адекватность. Критерий Дарбина – Уотсона
- •2.5. Критерии точности прогнозных расчетов
- •3. Регрессионный анализ и прогноз
- •3.1. Множественная регрессия
- •3.1.1. Основные понятия регрессионного анализа
- •3.1.2. Общий вид модели множественной регрессии
- •3.1.3. Метод наименьших квадратов в матричной форме
- •3.1.4. Парная регрессия как частный случай множественной
- •3.1.5. Мультиколлинеарность факторов
- •3.1.6. Особенности применение регрессионных моделей в прогнозных расчетах
- •3.2. Обобщенный регрессионный анализ
- •3.2.1. Обобщенная схема мнк
- •Здесь использован тот факт, что
- •3.2.2. Метод взвешенных наименьших квадратов
- •3.2.3. Корректировка стандартных ошибок
- •3.2.4. Тесты на гетероскедастичность
- •3.3. Регрессионные модели с автокоррелированными остатками
- •3.3.1.Общая схема мнк в случае автокорреляции первого порядка
- •3.3.2. Методы тестирования на автокорреляцию
- •3.3.3. Методы оценивания параметра
- •3.3.4. Прогнозные расчеты при автокоррелированных остатках
- •3.4. Регрессионные модели с лаговыми переменными
- •3.4.1. Общий вид моделей с лагами в независимых переменных
- •4. Авторегрессионные процессы и их модели
- •4.1. Стационарность
- •4.2. Модель авторегрессии
- •4.3. Понятие интеграции
- •4.4. Модели скользящей средней
- •4.5. Авторегрессионные модели скользящей средней
- •4.6. Авторегрессионные интегрированные модели скользящей средней
- •4.7. Коэффициент автокорреляции и проверка его значимости
- •4.8. Определение порядка моделей arma
- •4.9. Построение моделей arima
- •4.10. Проверка адекватности моделей arma
- •4.11. Оценка точности прогнозных расчетов по моделям arima
- •5. Адаптивные модели прогнозирования
- •5.1. Специфика адаптивного моделирования
- •5.2. Полиномиальные модели
- •5.3. Рекуррентный метод наименьших квадратов
- •5.4. Многофакторные адаптивные модели
- •5.5. Адаптивные многошаговые модели
- •5.6. Выбор начальных значений и
- •6. Прогнозирование сезонных колебаний
- •6.1. Моделирование периодических колебаний
- •Эта запись получена с использованием тригонометрического тождества
- •6.2. Аддитивная и мультипликативная модели
- •6.3. Моделирование сезонных колебаний
- •6.4. Адаптивные модели сезонных явлений
3.2. Обобщенный регрессионный анализ
3.2.1. Обобщенная схема мнк
Данные, используемые при построении регрессионных моделей, не всегда обеспечивают выполнение условий классической регрессии. Чаще других встречаются ситуации, когда нарушается однородность (например, когда в одной выборочной совокупности присутствуют данные о малых и крупных предприятиях) или не выполняется условие некоррелированности случайных остатков (например, при использовании временных рядов для построения регрессионных моделей). И та, и другая ситуация приводит к невыполнению условия 3b. .
Рассмотрим самый общий случай нарушения этого условия и выясним, что происходит, если в основу построения множественной регрессии положены следующие предположения:
1. – спецификация модели;
2. – детерминированная матрица, имеющая максимальный ранг ;
3а. ,
3b. , где матрица положительно определена.
Модель, которая строится в предположении выполнения данных условий, называется обобщенной регрессией. Она отличается от классической только условием 3b. Если для ее построения применить МНК, то полученные оценки вектора
(3.66)
обладают следующими свойствами:
-
они в силу условия 3а несмещенные, так как
; (3.67)
-
их ковариационная матрица равна
. (3.68)
Как правило, матрица неизвестна и ковариационную матрицу заменяют оценкой
, (3.69)
где .
Проверим оценку ковариационной матрицы на несмещенность:
. (3.70)
В свою очередь,
. (3.71)
Здесь использован тот факт, что
, (3.72)
так как
, (3.73)
и матрица обладает свойствами: , , .
Таким образом, математическое ожидание ковариационной матрицы может быть записано в виде
, (3.74)
что в общем случае не совпадает с оценкой .
Следовательно, оценка матрицы ковариации вектора , полученная с помощью обычного МНК, является смещенной и требуется в данной ситуации применять модифицированный МНК. Способ модификации дает теорема Айткена. В соответствии с этой теоремой для обобщенной регрессионной модели оценка
(3.75)
имеет наименьшую матрицу ковариаций в классе линейных несмещенных оценок вектора .
Таким образом, для применения обобщенного метода наименьших квадратов (ОМНК), также как и для получения оценки ковариационной матрицы, необходимо знать матрицу , которая на практике чаще всего не известна. Самый простой способ, позволяющий справиться с этой проблемой, положен в основу так называемого доступного обобщенного метода наименьших квадратов, суть которого в том, что сначала каким либо образом получают оценку матрицы , а затем эту оценку используют вместо матрицы.