- •Економіко-математичне моделювання
- •Модуль 1
- •Модуль 2
- •Тематика лекцій
- •Модуль 1 Лабораторна робота №1
- •Теоретичні відомості
- •1. Для визначення яких величин повинна бути побудована модель?
- •Контрольні питання:
- •Лабораторна робота №2 “Графічний метод розв’язання злп” (4 години)
- •Теоретичні відомості
- •Контрольні питання:
- •5. Що називається лінією рівня та за якими даними вона будується?
- •(4 Години)
- •Варіанти завдань:
- •Варіанти завдань:
- •Теоретичні відомості
- •Контрольні питання:
- •Побудова двоїстих задач та їх економічний зміст” (2 години)
- •Теоретичні відомості
- •Лабораторна робота №5
- •Симплексних таблицях, розв’язання оптимізаційної задачі в електронних таблицях Excel” (2 години)
- •Модуль 2 Лабораторна робота №7
- •Теоретичні відомості
- •Завдання
- •Варіанти завдань:
- •Завдання:
- •Завдання:
- •Контрольні питання:
- •Лабораторна робота №10
- •Хід роботи:
- •Теоретичні відомості:
- •Контрольні питання:
- •Лабораторна робота №11
- •Завдання:
- •Контрольні питання:
- •Лабораторна робота №12
- •(2 Години)
- •Теоретичні відомості
- •Контрольні питання:
Теоретичні відомості
Природа автокореляції
Одним із припущень класичного регресійного аналізу є припущення про незалежність випадкових величин. Якщо це припущення порушується, то ми маємо справу з автокореляцією. В регресійній моделі автокореляція наявна у разі, коли випадкові величини залежні між собою, тобто:
E( i j )
0, i j .
Потрібно розрізняти поняття автокореляції і серійної кореляції. Автокореляцією називається залежність між значеннями однієї вибірки з запізненням в один лаг. Автокореляція може бути як позитивною, так і негативною. Автокореляція може виникнути у зв’язку з інерційністю та циклічністю багатьох економічних процесів. Провокувати автокореляцію може
133
і неправильно специфікована функціональна залежність у регресійних моделях та лагові запізнення в економічних процесах.
Тестування автокореляції
Найбільш відомим і поширеним тестом перевірки моделі на наявність кореляції між залишками є тест Дарбіна-Уотсона. На відміну від багатьох інших тестів, перевірка за тестом Дарбіна-Уотсона складається з декількох етапів і включає зони невизначеності.
Розглянемо порядок тестування за критерієм Дарбіна-Уотсона.
1. На першому етапі розраховується значення d -статистики за формулою (1):
n
(e t
e t 1 )
2
t 2
d
n
e 2
t
(1)
t 1
У теорії доведено, що значення d -статистики Дарбіна-Уотсона
знаходяться в межах від 0 до 4.
2. Задаємо рівень значимості та підраховуємо кількість факторів
(k ) у
досліджуваній моделі. Припустимо k
p . За таблицею Дарбіна - Уотсона при
заданому рівні значимості , кількості факторів k
p та кількості
спостережень п, знаходимо два значення d l
та d . Якщо розраховане значення
d -статистики знаходиться в проміжку від 0 до
d l (0 d
d l ) , то це свідчить про
наявність позитивної автокореляції. Якщо значення d потрапляє в зону
невизначеності, тобто набуває значення d l
d d , або 4 d
d 4 d l , то ми
не можемо зробити висновки ні про наявність, ні про відсутність автокореляції.
Якщо
4 d l
d 4 , то маємо негативну автокореляцію. Нарешті, якщо
d d 4
d , то автокореляції немає.
Приклад. Припустимо, для певної простої регресійної моделі, яка має
один фактор (k
1) , кількість спостережень дорівнює n
20 та розраховане
134
значення d -статистики дорівнює 0,34. Приймемо, що рівень значимості, тобто ризик відкинути правильну гіпотезу, дорівнює 5%. За таблицею Дарбіна-
Уотсона при k
1 та n
20 знаходимо dl
1,20; d u
1,41. Відповідно
відкидаємо гіпотезу про відсутність автокореляції та приймаємо гіпотезу про наявність позитивної автокореляції.
Оцінка параметрів регресійної моделі при наявності автокореляції
Розглянемо просту лінійну регресійну модель:
y t 0
1 x t
t , t
1, n .
(2)
Припустимо, що всі класичні припущення виконуються, крім
припущення про незалежність випадкових величин, тобто:
E ( t
t j )
0, ( j
0).
Припустимо також, що між випадковими величинами є лінійна
залежність:
t t 1
u t , 1 1,
(3)
де — коефіцієнт автокореляції; ut
2
— випадкова величина, для якої
використовуються всі класичні припущення методу найменших квадратів:
E(u t )
t
0; var(u 2 )
; cov(u t , u t s )
0; s 0
(4 )
Модель (4) відома лід назвою авторегресивна модель Маркова першого порядку (АR(1)), або авторегресивна лагова. У такій інтерпретації коефіцієнт автоковаріації називається коефіцієнтом автокореляції першого порядку, або коефіцієнтом автокореляції з лагом 1.
Отже, для того, щоб дослідити вплив автокореляції на оцінку невідомих параметрів, повернемось до моделі (2). Розглянемо для спрощення тільки
оцінку параметра 1 , яка за методом найменших квадратів знаходиться за формулою 5:
135
n
( x t
x )( y t y )
n ~ ~
x t y t
b t 1
t 1
(5)
1 n
( x t
x ) 2
n ~ 2
x t
t 1 t 1
Дисперсія параметра b1
при відсутності автокореляції дорівнює:
var( b1 )
2
n ~ 2 .
(6)
x t
t 1
За наявності автокореляції, наприклад типу АR(1), дисперсія параметра
b1 змінює своє значення (доведення цього факту ми не наводимо);
n ~ ~
n ~ ~
2 2
xt xt 1
xt xt 2
~ ~
var(b )
2 t 1
2 t 1
....
m 1 xt xn .
1 ar(1)
n ~ 2
n ~ 2
n ~ 2
n ~ 2
n ~ 2
(7)
xt
xt
xt
xt
xt
t 1 t 1 t 1 t 1
t 1
Якщо 0 , то обидві формули будуть однаковими, але при наявності
автокореляції дисперсія параметра b1
за відсутності автокореляції.
відрізнятиметься від значення дисперсії