24 Прогнозирование на основе моделей врем.Рядов(вр)

Одна из важнейших задач анализа ВР состоит в прогнозировании на его основе развития изучаемого процесса. При этом исходят из того,что тенденция развития, установленная в прошлом может быть распространена на след. период.Задача ставится след.обр.:имеется ВР y_t(t= ) и треб-ся дать прогноз уровня этого ряда на момент n+τ.Если рассм-ть ВР как регрессионную модель изучаемого признака по переменной «время»,то к нему можно применить след. методы анализа ВР:-корреляционный,-модели авторегресси,-модели скользящей средней.Далее будем полагать,что возмущения ε_t(t= ) удовлетворяют предпосылкам регрессионного анализа, т.е. условиям Гаусса-Маркова.

25 Экономический анализ при нарушении классических предположений

При моделировании реальных эконом. процессов возникают ситуации, в кот-ых условие класс. модели регрессии (условие Гаусса-Маркова)оказываются нарушенными, а при их нарушении метод МНК может давать оценки с плохими стат. св-вами. Проблемы при нарушении класс.предположений.1. Если имеется линейная связь экзогенных переменных, напр.,х₂=b₀+b₁x₁, то МНК-оценки не будет существовать, т.к. не сущ. обратная матрица к матрице Х^'Х, кот-ая будет вырожденной(когда нет обратной матрицы).Такая ситуация в эконометрике носит название проблемы мультиколлениарности.2.Если нарушается гипотеза о взаимной независимости случ-ой переменной, то возникает проблема автокорреляции, в рамках кот-ой МНК-оценки не обладают несмещённостью.3.Одной их ключевых предпосылок МНК явл. условие постоянства дисперсии случ-ых отклонений. Выполнимость данной предпосылки наз. гетероскедастичностью (непостоянством дисперсии отклонений).

26.Обнаружение гетероскедатичности(Гск),методы ее устранения,ее последствия.

Проблема Гсквозникает,когда точность наблюдений,проведенных в разл. Моменты времени,неодинакова.

Разл-т явную и неявную Гск.

Явная-случайная переменная имеет различ.дисперсию в различ. моменты наблюдений правильно специфицированной модели.

Неявная-возникает вследствие неправильной спецификации модели

Последствия Гск:

1)смещение оценки параметров.

2)дисперсия оценок параметров возрастает,что означает меньшую их значимость.

3)недооценка величин дисперсий МНК –оценок параметров,т.к. t и F-критерии не позволяют распознать эту проблему.

Методы диагностики:

1)критерий Парка.

2)критерий Голдфелда-Кандта.

3)критерий Уайта.

27.Автокорреляция,ее основные причины и последствия.

Важной предпосылкой построения кач.регрес.модели по МНК явл-сянезавис-ть значений случ-х откл-ний от знач-ийоткл-ний во всех др. наблюдениях.

Автокор-ция-(последовательная коррел-ция) опред-тся как корреляция между наблюдаемыми показателями, упорядоченными во времени (ВР) или пространстве (перекрестные данные).

Причины ее появления:

1)ошибки спецификации-неправ.выбор формы зависимости,обычно приводит к систем.отклонениям точек набл-ий от линии регрессии,что может вызвать появл-иеавтокор-ции.

2)инерция-многие эк-ие показатели(напр, инфляция,безраб-ца,ВНП) обладают опр-ой цикличностью,связанной с волнообразностью деловой активности.

3)эффект паутины-во многих пр-ныхи др. сферах эк-ие показ-ли реагируют на изменение эк. условий с запаздыванием.

4)сглаж-ие данных-если данные по некотор.продолжительному временному периоду получают усреднением данных по сост-щим его подынтервалом, то это может приводить к появлению автокор-ции.

Последствия автокор-ции:

1)оценки параметров,оставаясь линейными и несмещенными,перестают быть эф-ыми.

2)дисперсии оценок явл.смещ-ными.Частодисперсии,вычисляемые по стандарт.формулам,явл.заниженными,что влечет за собой увел-е t-статистик.

3)оценка жисперсии регрессии явл-сясмещ-ой оценкой истинного значения,вомногих случаях занижая его.

4)выводы по t- и F-статистикам, определяющим значимость, определяющим значимость к-тов регрессии и к-та детерминации,возможно будут неверными.Вследствие этого ухудш-тся прогнозные кач-ва модели.