- •Донецьк 2010
- •Введение
- •1. Моделирование рядов динамики
- •1.1. Определение параметров моделирующих функций
- •1.2. Оценка адекватности и надежности модели
- •1.3. Оценка параметров уравнений
- •1.4. Использование моделей тренда в прогнозировании
- •2. Автокорреляция уровней динамического ряда
- •Свойства коэффициента автокорреляции:
- •3. Автокорреляция остатков
- •3.1. Критерий Дарбина – Уотсона (d - статистика)
- •Ограничения на применение критерия Дарбина - Уотсона:
- •3.2. Нециклический коэффициент автокорреляции остатков
- •3.3.Циклический коэффициент автокорреляции остатков
- •4.2. Снижение влияния гетероскедастичности
- •5 Множественная регрессия
- •5.1. Классический подход
- •Расчет элементов коэффициента
- •Коэффициенты эластичности результативного показателя по факторам определяются по формуле (51)
- •5.2. Матричный подход
- •5.3. Расчеты с использованием пк
- •Вывод итогов
- •6 Мультиколлинеарность
- •7 Ранговая корреляция
- •7.1. Экспертное оценивание
- •7.2. Этапы работ в системе экспертных оценок
- •7.3. Метод ранговой корреляции
- •Вспомогательные расчеты
- •Б) Случай многих экспертов
- •8 Сетевое планирование
- •9. Компьютерная поддержка расчетов в пакете Excel
- •9.1. Ввод данных
- •9.2. Построение расчетной таблицы
- •9.3. Вычисление параметров моделирующих уравнений
- •9. 4. Графическое представление данных
- •Данных диаграммы
- •Параметры диаграммы
- •Размещение диаграммы
- •9.5. Построение линии тренда
- •9.6. Использование опции Мастер функций
- •9.7. Использование пакета Анализ данных
- •Литература
- •Коэффициентов автокорреляции
- •Критические значения и для коэффициента автокорреляции критерия Дарбина-Уотсона для
- •Критические значения и для коэффициента автокорреляции критерия Дарбина-Уотсона для
- •Значение критерия Пирсона
- •Квантили распределения Стьюдента
3. Автокорреляция остатков
Исследование остатков иi предполагает проверку наличия следующих пяти предпосылок правомерности использования метода наименьших квадратов (условия Гаусса-Маркова) [1,7,8]:
- случайный характер остатков;
нулевая средняя величина остатков, не зависящих от хi ;
гомоскедастичность – дисперсия каждого отклонения иi одинакова для всех значений х ;
отсутствие автокорреляции остатков. Значения иi распределены независимо друг от друга;
остатки подчиняются нормальному распределению.
Если распределение остатков иi не соответствует некоторым предпосылкам МНК, то следует корректировать модель.
Прежде всего проверяется случайный характер остатков иi – строится график зависимости остатков иi от теоретических значений результативного признака .
Рисунок 3.1. – Зависимость остатков от теоретических значений .
Если на графике все точки лежат в горизонтальной полосе, то остатки иi представляют собой случайные величины; применение МНК оправдано; теоретические значения хорошо аппроксимируют фактические значения у.
Возможны случаи, когда остатки иi зависят от , тогда:
остатки не являются случайными величинами (рис 3.2а);
остатки не имеют постоянной дисперсии (рис. 3.2б);
остатки имеют систематический характер (рис. 3.2в), в данном случае отрицательные значения иi соответствуют низким значениям , а положительные – высоким.
Рисунок 3.2. – Зависимость остатков от теоретических значений
В этих случаях необходимо менять спецификацию модели.
Вторая предпосылка МНК относительно нулевой средней величины остатков означает, что . Это выполнимо для линейных моделей и моделей, нелинейных относительно переменной х . Для моделей, нелинейных по оцениваемым параметрам и приводимым к линейному виду логарифмированием, средняя ошибка равна нулю для логарифмов исходных данных.
Вместе с тем несмещенность оценок коэффициентов моделирующих уравнений, полученных МНК, зависит от независимости случайных остатков и величин х . Поэтому строится график зависимости остатков иi от фактора хi .
Рисунок 3.3. – Зависимость остатков от величины фактора .
Если остатки на графике расположены в виде горизонтальной полосы (рисунок 3.3), то они независимы от значений хi . Если же график показывает наличие зависимости иi и хi , то модель неадекватна.
В соответствии с третьей предпосылкой МНК требуется, чтобы дисперсия остатков была гомоскедастичной . Это значит, что для каждого значения фактора хi остатки иi имеют одинаковую дисперсию. Если это условие не выполняется, то имеет место гетероскедастичность.
Гетероскедастичность означает, что
(29)
и приводит к неэффективности оценок коэффициентов моделирующих уравнений, так как формулы (20), (21) для стандартных ошибок параметров предполагают единую остаточную дисперсию для любых значений фактора.
На практике гетероскедастичность встречается довольно часто в связи, например, с эффектом масштаба. Так потребление растет с ростом доходов, но иi разброс в потреблении субъектов обычно выше у более состоятельной части населения. То же наблюдается при сопоставлении доходов более крупных предприятий по сравнению с мелкими, ВНП различных стран и т.д.
При построении моделей рядов динамики чрезвычайно важно соблюдение четвертой предпосылки МНК – отсутствие автокорреляции остатков.
Определение. |
Автокорреляцией остатков называется наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. |
Автокорреляция остатков может быть вызвана несколькими причинами, имеющими различную природу. Во-первых, иногда она связана с исходными данными и вызвана наличием ошибок измерения значений результативного признака. Во-вторых, в ряде случаев причину автокорреляции остатков следует искать в формулировке модели. Модель может не включать фактор, оказывающий существенное воздействие на результативный признак, влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными.