Модели экономических временных рядов
Трендовые модели на основе кривых роста
(4)
Прогнозирование на основе кривых роста базируется на двух предположениях:
временной ряд экономического показателя действительно имеет тренд, т.е. преобладающую тенденцию;
общие условия, определявшие развитие показателя в прошлом, останутся без существенных изменений в течение периода упреждения
1 N N+L
Наблюдение Упреждение
Наиболее часто в экономике используются полиномиальные и экспоненциальные кривые роста. Простейшие полиномиальные кривые роста имеют вид:
(полином первой степени),
(полином второй степени), (5)
(полином третьей степени) и т.д.
Параметр называют линейным приростом, параметр - ускорением роста, параметр - изменением ускорения роста.
В экономике чаще всего применяются две разновидности экспоненциальных (показательных) кривых: простая экспонента и модифицированная экспонента.
Простая экспонента
,
где функция возрастает с ростом
времени , если - функция убывает.
.
Модифицированная экспонента
,
где: , , k носит название асимптоты этой функции, т.е. значения функции неограниченно приближаются (снизу) к величине k. Могут быть другие варианты
Оценка коэффициентов (параметров) модели
Метод наименьших квадратов
Рассмотрим применение метода на примере кривой роста 3 – го порядка
(6)
(7)
(8)
(8a)
(9)
Моделирование тренда ВР
MS Excel,
Statistica,
Пакеты расширения Matlab,
Mathcad
Оценка адекватности и точности трендовых моделей
Адекватность - соответствие модели исследуемому процессу или объекту
Остаточная компонента (остатки)
,
должна удовлетворять свойствам случайной компоненты временного ряда (условиям Гаусса – Маркова):
случайность колебаний уровней остаточной последовательности;
равенство математического ожидания случайной компоненты нулю;
независимость значений уровней случайной компоненты;
соответствие распределения случайной компоненты нормальному закону распределения.
При выполнении этих условий оценки параметров оказываются несмещенными, эффективными и состоятельными.
Адекватной признают модель, которая порождает остаточный ряд со случайными, центрированными, некоррелированными, нормально распределенными элементами.
Проверка случайного характера элементов остаточного ряда
Критерий серий
Например
S(N) - число серий
Kmax продолжительность самой длинной серии
Остаточный ряд с вероятностью 0,95 считается случайным, если
(10)
где trunc – символ целой части.
Проверка центрированности остаточного ряда
t – Критерий Стьюдента
, (11)
где
- оценки среднего значения и среднеквадратического отклонения остаточного ряда.
Задаются уровнем значимости и находят по таблицам точку t распределения с N-1 степенями свободы.
- принимается гипотеза о центрированности остаточного ряда
Проверка независимости (некоррелированности) элементов остаточного ряда
На практике проверка независимости остатков проводится с применением критерия Дарбина –Уотсона
. (12)
Определяются критические значения критерия Дарбина -Уотсона и для заданного числа наблюдений , числа оцениваемых переменных модели и уровня значимости ;
если величина , то заменяют и далее проводят анализ на основании d* ;
Если окажется, что принадлежит , то компоненты остаточного ряда считаются коррелированными и модель признается неадекватной;
Если окажется, что принадлежит , то элементы остаточного ряда классифицируются как независимые, а модель признается адекватной;
Таблица
Нижний и верхний пороги
Объем выборки N |
Сложность модели тренда |
|||||||||
1 |
2 |
3 |
4 |
5 |
||||||
|
|
|
|
|
|
|
|
|
|
|
15 |
1,08 |
1,36 |
0,95 |
1,54 |
0,82 |
1,75 |
0,69 |
1,97 |
0,56 |
2,21 |
20 |
1,20 |
1,41 |
1,10 |
1,54 |
1,00 |
1,68 |
1,90 |
1,83 |
0,79 |
1,99 |
30 |
1,35 |
1,49 |
1,28 |
1,57 |
1,21 |
1,65 |
1,14 |
1,74 |
1,07 |
1,83 |
50 |
1,50 |
1,59 |
1,46 |
1,63 |
1,42 |
1,67 |
1,38 |
1,72 |
1,34 |
1,47 |
100 |
1,65 |
1,69 |
1,63 |
1,72 |
1,61 |
1,71 |
1,59 |
1,76 |
1,57 |
1,78 |
Отсутствие автокорреляции остатков обеспечивает состоятельность и эффективность оценок коэффициентов модели.
Проверка остатков на нормальное распределение
По экспериментальным данным (остаточному ряду) строятся эмпирические коэффициенты асимметрии (характеризует асимметрию плотности вероятности относительно мат. ожидания) и эксцесса (характеризует сглаженность кривой распределения около мат. ожидания):
. 13)
Среднеквадратические отклонения коэффициентов:
.
Если и ,
Р
Рис. б. Для
нормальной плотности вероятности
.
- указывает, что кривая плотности в
окрестности максимума имеет более
острую вершину.
- более низкая и плоская вершина кривой
плотности.