- •Методи побудови загальної лінійної моделі
- •4.2. Специфікація моделі
- •4.3. Передумови застосування методу найменших квадратів (1мнк)
- •4.4. Оператор оцінювання 1мнк
- •4.5. Властивості оцінок параметрів
- •4.6. Коваріаційна матриця оцінок параметрів моделі
- •4.7. Прогноз залежної змінної.
- •4.8. Оцінювання прогнозних можливостей моделі
- •4.9. Побудова економетричної моделі на основі покрокової регресії
- •4.10. Коефіцієнти детермінації і кореляції
- •4.11. Частинні коефіцієнти кореляції та коефіцієнти регресії
- •4.12. Перевірка значущості та інтервали довіри
- •4.12.1. Значущість економетричної моделі. Гіпотезу про рівень значущості зв’язку між залежною і пояснювальними змінними можна перевірити за допомогою f-критерію:
- •Мультиколінеарність
- •6.2. Основні наслідки мультиколінеарності
- •1. Дисперсія і коваріація оцінок параметрів моделі різко збільшуються.
- •2. Похибки оцінок параметрів значно збільшуються, відповідно збільшуються їхні інтервали довіри.
- •6.3. Ознаки мультиколінеарності
- •6.4. Алгоритм Фаррара—Глобера
- •Гетероскедастичність
- •7.2. Наслідки гетероскедастичності
- •7.3. Методи визначення гетероскедастичності
- •7.4. Визначення матриці s
- •7 .5. Узагальнений метод найменших квадратів (метод Ейткена)
- •7.6. Прогноз
- •1. Дослідимо гетероскедастичність на основі тесту Гольфельда—Квандта.
- •Автокореляція
- •8.2. Перевірка наявності автокореляції
- •8.3. Оцінвання параметрів моделі з автокорельованими залишками
- •8.4. Прогноз
- •6.5. Методи звільнення від мультиколінеарності
7.6. Прогноз
Коли параметри економетричної моделі оцінюються узагальненим методом найменших квадратів, проблема прогнозування потребує спеціального дослідження. Це пов’язано з тим, що залишки моделі можуть мати систематичну складову, яку необхідно враховувати в точковому прогнозі.
Нехай коли де
Задача зводиться до того, щоб передбачити значення залежної змінної для заданого вектора . Можна записати
Місяць |
Y |
X1 |
X2 |
X3 |
u |
3 |
38 |
57 |
17 |
99 |
1,398473 |
6 |
49 |
58 |
20 |
110 |
8,106768 |
1 |
39 |
62 |
22 |
104 |
–1,06351 |
2 |
41 |
65 |
25 |
109 |
–1,83599 |
4 |
42 |
66 |
27 |
114 |
–2,98904 |
5 |
44 |
69 |
28 |
116 |
–2,58705 |
8 |
45 |
70 |
30 |
116 |
–1,99326 |
7 |
44 |
72 |
32 |
119 |
–4,72569 |
9 |
48 |
75 |
34 |
114 |
0,03969 |
14 |
57 |
75 |
39 |
129 |
3,517828 |
11 |
49 |
77 |
33 |
124 |
–2,94188 |
10 |
51 |
79 |
35 |
120 |
–0,24083 |
де — невідоме значення відхилень у прогнозований період. Нехай для
і (7.26)
а (7.27)
де W — вектор коваріацій поточних і прогнозованих значень залишків.
Сформулюємо лінійний прогноз:
(7.28)
де с — n-вимірний вектор, який має мінімізувати дисперсію прогнозу:
. (7.29)
Мінімальне значення дисперсії прогнозу досягається для .
Враховуючи (7.25) і (7.28), можна записати відхилення
З умови незміщеності прогнозу випливає, що вектор с має задовольняти рівність
= 0. (7.30)
Тоді похибка прогнозу набере вигляду:
Оскільки — скаляр, то дисперсія прогнозу:
(7.31)
Достовірним можна вважати прогноз тоді, коли дисперсія буде мінімальною. Тому формулюємо задачу:
мінімізувати (7.32)
за умови незміщеності прогнозу:
= 0.
Отже, для прогнозу можна використовувати співвідношення (7.33). Цей прогноз має дві особливості:
1) вектор прогнозних значень перемножується на вектор оцінок , обчислений згідно з узагальненим методом найменших квадратів;
2) для оцінювання невідомих прогнозних залишків застосовується матриця V, яка містить інформацію про взаємозалежність залишків базисного періоду та прогнозних.
Розглянемо приклад побудови економетричної моделі узагальненим методом найменших квадратів за наявності гетероскедастичності.
Приклад 7.9 (ЛАБ). Побудуємо економетричну модель прибутку за умови, що в статистичній інформації (табл. 4.2) існує гетероскедастичність.
Розв’язання