- •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
3.3.3. Методы оценивания параметра
в моделях с автокоррелированными остатками
Реализация метода построения регрессионных моделей с автокоррелированными остатками возможна в ситуации, когда параметрявляется известной величиной. В практике такие ситуации встречаются крайне редко. Поэтому возникает необходимость в процедурах построения таких моделей, когда неизвестно. Опишем несколько таких процедур.
Расчет с использованием статистики Дарбина – Уотсона. Известно, что статистику Дарбина – Уотсона можно представить в виде
.
Из этого соотношения легко получить оценку параметра , приняв за нее автокорреляцию
. (3.119)
Такой метод оценивания рекомендуют применять при достаточно большом числе наблюдений.
Метод Кохрейне – Оркатта. Метод представляет собой итерационную процедуру из нескольких шагов:
1. С помощью обычного МНК строится регрессионная модель и рассчитывается вектор остатков .
2. По полученным остаткам строится авторегрессионное уравнение , оценка параметра которого принимается за искомый параметр.
-
С помощью найденного значения осуществляется преобразование исходных данных, и находятся МНК-оценки регрессионной модели;
-
Рассчитывается новый вектор остатков ;
-
Процедура повторяется, начиная со второго шага.
Процедура заканчивается, когда очередное приближение мало отличается от предыдущего.
Метод Кохре йна – Оркатта предусмотрен большинством современных компьютерных пакетов.
Метод Хилдрета – Лу. Этот метод основан на подборе параметра из интервала его возможных значений (-1; 1). Подбор осуществляется следующим образом. Последовательно для каждого значения параметра , определяемого с некоторым шагом (например, 0,1 или 0,05), исходные данные преобразуются по формулам (3.109), (3.110) и рассчитываются МНК-оценки. В качестве финального выбирается то значение параметра , при котором сумма квадратов отклонений минимальна. Для нахождения уточненного значения в окрестности полученного таким образом параметра, устраивается более мелкая сетка, и процесс повторяется.
Метод Дарбина. Для реализации этого метода уравнение линейной регрессии записывается в виде
. (3.120)
Смысл записанного таким образом уравнения в том, что включается в число регрессоров, а – число оцениваемых параметров.
Введем обозначения и и перепишем (3.120) следующим образом:
. (3.121)
Оценив параметры и уравнения (3.121) с помощью обычного МНК, можем получить оценки исходного уравнения регрессии в виде
; . (3.122)
В этом методе первое наблюдение исключается из расчетов, так как (3.120) записывается для .
3.3.4. Прогнозные расчеты при автокоррелированных остатках
В расчетах по модели с автокоррелированными остатками для повышения надежности прогнозных оценок можно использовать информацию об ошибках. Если ошибки в регрессионной модели образуют авторегрессионный процесс первого порядка
, , (3.123)
где – последовательность независимых нормально распределенных случайных величин с нулевым средним, постоянной дисперсией и , то в качестве прогнозной оценки можно вместо взять
. (3.124)
Так как
, (3.125)
то
. (3.126)
Можно получить выражение для дисперсии остатка , для чего вычислим квадрат этой ошибки
. (3.127)
Дисперсия равна математическому ожиданию полученного выражения
. (3.128)
Таким образом, если в прогнозных расчетах учитывается автокорреляция ошибки, то дисперсия прогнозной оценки уменьшается.
Чтобы этот результат можно было использовать в практике прогнозных расчетов, необходимо значения параметров и в формуле (3.124) заменить оценками, полученными с помощью одной из выше описанных процедур построения регрессии с автокоррелированными остатками
. (3.129)
Среднеквадратическая ошибка прогноза рассчитывается по формуле (3.128), в которой дисперсия заменяется оценкой , получаемой по остаткам построенной регрессии.