- •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. Регрессионный анализ и прогноз
3.1. Множественная регрессия
3.1.1. Основные понятия регрессионного анализа
Рассмотренные в предыдущем разделе экстраполяционные модели иногда называют наивными в силу того, что в них не учитывается взаимодействие экономических показателей друг с другом. В реальности значение любого экономического показателя зависит от такого большого количества факторов, которое невозможно учесть при построении прогнозных моделей. Но в этом и нет необходимости, поскольку лишь ограниченное количество таких факторов существенно воздействует на моделируемый показатель. Доля влияния остальных столь незначительна, что их воздействием можно пренебречь без особого искажения реальной зависимости. Модели с ограниченным числом доминирующих факторов создают реальные предпосылки для их применения в анализе, прогнозировании и управлении в различных экономических ситуациях.
Экономистами было исследовано достаточно большое число устоявшихся связей между различными показателями, которые пытаются использовать в задачах обоснования социально-экономических прогнозов. Однако даже устоявшиеся зависимости в одних и тех же ситуациях могут проявляться по-разному. В этой неоднозначности и состоит принципиальное отличие зависимостей между экономическими показателями от строгих функциональных зависимостей, используемых в естественных науках. Подобная неоднозначность объясняется целым рядом причин, в частности, тем, что, во-первых, при анализе влияние одной переменной на другую не учитывается ряд других факторов; во-вторых, это влияние может быть не прямым, а проявляться через цепочку других факторов; в-третьих, многие такие воздействия носят случайный характер и т.д. Поэтому в экономике принято рассматривать не функциональные, а статистические (корреляционные и регрессионные) зависимости.
Корреляционная зависимость устанавливается в тех случаях, когда переменные и считаются равноценными в том смысле, что они не подразделяются на независимую (причину) и зависимую (следствие). При решении прогнозных задач самостоятельной роли корреляционный анализ не играет и чаще всего используется как инструмент отбора значимых факторов.
Регрессионная зависимость определяется в тех случаях, когда одна из переменных классифицируется как независимая (объясняющая), а другая – как зависимая (объясняемая). Изменение первой из них служит причиной для изменения второй. Например, рост доходов ведет к увеличению потребления, рост цены – к снижению спроса, снижение процентной ставки – к увеличению инвестиций и т.д. Однако такая зависимость является неоднозначной в том смысле, что каждому конкретному значению объясняющей переменной соответствует не одно, а множество значений объясняемой переменной из некоторой области. Другими словами, в данном случае каждому конкретному значению объясняющей переменной соответствует некоторое вероятностное распределение зависимой переменной. Поэтому целесообразно строить прогнозы с учетом того, что объясняющая переменная влияет на зависимую переменную «в среднем». Зависимость такого типа принято записывать в виде соотношения
, (3.1)
называемого функцией регрессии на . Таким образом, под регрессией понимается функциональная зависимость между объясняющей переменной и условным математическим ожиданием (средним значением) зависимой переменной.
Пытаясь отразить тот факт, что реальные зависимости не всегда совпадают с ее условным математическим ожиданием и могут быть различными при одном и том же значении объясняющей переменной, в рассмотрение вводится случайная составляющая , с помощью которой зависимость между объясняющей и объясняемой переменной записывается в виде соотношения
, (3.2)
называемого регрессионной моделью (уравнением).