- •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
8.4. Прогноз
Теоретичні дослідження прогнозу в разі порушення умови (4.3) було розглянуто в розд. 7.
Нехай маємо модель: де і яка побудована для n спостережень.
Використаємо цю модель для визначення прогнозу залежної змінної для періоду n + 1, коли в цьому періоді задано незалежну змінну . Формула дає найкращий незміщений прогноз:
де — оцінка параметрів моделі за методом Ейткена,
і W — вектор коваріації розрахованих залишків для n спостережень і прогнозних залишків un+1:
.
Якщо залишки описуються авторегресійною моделлю першого порядку, то з урахуванням рівності можна записати:
.
Отже, вектор W можна дістати, помноживши на останній стовпець матриці V. Але оскільки , то добуток являє собою останній рядок матриці E, помножений на .
Звідси
Формула прогнозу має такий вигляд
(8.30)
де — прогнозний рівень залежної змінної; — прогнозне значення незалежної змінної.
Приклад 8.5. Використовуючи економетричну модель, яку побудовано за даними про роздрібний товарообіг та дохід (приклад 8.2), визначити прогнозний рівень товарообігу, коли дохід становитиме xn+1 = 55.
Розв’язання
1. Запишемо співвідношення, яке визначатиме прогнозний рівень залежної змінної
де Хn+1 — точкова оцінка прогнозної залежної змінної; — залишки прогнозу, а un — залишки періоду t(t = n), здобуті згідно з 1МНК.
2. Скористаємося економетричною моделлю роздрібного товарообігу (приклад 8.2) для обчислення прогнозу:
= 0,442 + 0,861xn+1 = 0,442 + 0,861 55 = 0,442 + 47,35 = 47,8.
3. Знайдемо оцінку залишків прогнозу , де — коефіцієнт коваріації залишків; — залишки за моделлю для t = 10.
4. Визначимо точковий прогнозний рівень роздрібного товарообігу на одинадцятий рік (n + 1):
= 47,8 + 0,14 = 47,94.
Приклад 8.6. Виконаємо точковий та інтервальний прогноз прибутку на основі економетричної моделі, здобутої у прикладі 8.4.
Спочатку задамо очікувані значення пояснювальних змінних:
;
точковий прогноз прибутку на основі моделі запишеться так:
Для визначення інтервального прогнозу розрахуємо стандартну похибку прогнозу за формулою:
.
Визначимо граничну похибку прогнозу за формулою:
Додавши граничну похибку до точкового прогнозу, дістанемо максимально можливий рівень прибутку:
Віднявши граничну похибку від точкового прогнозу, дістанемо мінімально можливий рівень прибутку:
У результаті маємо:
Порівняємо отримані значення прогнозу прибутку зі значеннями прогнозу, здобутими на основі оцінок моделей за 1МНК:
Як бачимо, точковий та інтервальний прогнози прибутку на основі економетричних моделей, параметри яких оцінені 1МНК та УМНК, відрізняються в даному випадку несуттєво. Зауважимо, що оцінки за УМНК та кількісні характеристики, здобуті на основі цих оцінок, ніколи не будуть гіршими ніж за 1МНК.