- •Содержание
- •Введение
- •1. Парная корреляция и регрессия
- •1.1. Спецификация модели
- •1.2. Линейная корреляция и регрессия
- •1.3. Нелинейная регрессия
- •1.4. Проверка значимости линейного уравнения регрессии
- •1.5. Корреляция для нелинейной регрессии
- •1.6. Предпосылки метода наименьших квадратов
- •1.7. Обобщенный метод наименьших квадратов
- •2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.2. Спецификация модели
- •2.3. Частные уравнения регрессии
- •2.4. Выбор формы уравнения множественной регрессии
- •Оценка параметров уравнения множественной регрессии
- •2.6. Многошаговый регрессионный анализ
- •3.1.2. Способы выявления структурной неоднородности
- •3.2. Методы последовательного разбиения
- •3.3. Методы многомерной классификации
- •3.3.1. Мера сходства
- •3.3.2. Модели кластерного анализа
- •4.2. Числовые характеристики экономического развития
- •4.3. Состав динамического ряда
- •4.4. Моделирование одномерных динамических рядов
- •4.4.1. Типы экономического развития и их трендовые модели
- •4.4.2. Построение трендовых моделей
- •4.4.3. Сглаживание временных рядов
- •4.4.4. Моделирование тенденции временного ряда при наличии структурных изменений
- •4.4.5. Влияние автокорреляции на структуру временного ряда
- •4.5. Многомерные временные ряды
- •4.5.1. Сущность и особенности многомерных динамических рядов
- •4.5.2. Способы построения множественной регрессионной модели по временным рядам
- •5.1.2. Связь однородности статистической совокупности с типом моделей
- •5.2. Динамическое моделирование взаимосвязей в структурно-однородных совокупностях
- •5.2.1. Методы построения пространственно-динамических
- •Моделей
- •5.2.2. Выбор вида пространственно-динамической модели
- •5.2.3. Динамизация параметров связи
- •5.3.2. Построение динамических моделей на основе временных выборок
- •6. Системы эконометрических уравнений
- •6.1.Общие понятия и способы представления систем эконометрических уравнений
- •6.2. Структурная и приведенная формы модели
- •6.3. Проблемы идентификации структурной модели
- •6.4. Оценка параметров структурной модели
- •6.5. Двухшаговый метод наименьших квадратов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Оценка параметров авторегрессионных моделей
- •7.3. Интерпретация параметров модели с распределенным лагом
- •7.4. Интерпретация параметров модели авторегрессии
- •7.5. Изучение структуры лага и выбор вида модели с распределенным лагом
- •7.6. Лаги Алмон
- •8. Статистическое прогнозирование динамических рядов
- •8.1. Сущность и виды статистических прогнозов
- •8.2. Методы статистического прогнозирования
- •8.2.1. Экстраполяция динамических рядов
- •8.2.2. Прогнозирование на основе экспоненциального сглаживания
- •8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
- •Список литературы
4.4.5. Влияние автокорреляции на структуру временного ряда
Автокорреляция (п. 1.6) выявляется либо графическим, либо аналитическим способом по остаткам, т.е. случайным составляющим динамического ряда , рассчитанным для каждого момента или интервала времени по соответствующим формулам:
для аддитивного ряда: ;
для мультипликативного ряда: .
Последовательность остатков рассматривается как самостоятельный динамический ряд. Случайный характер остатков, т.е. отсутствие автокорреляции, можно выявить по графику их изменения во времени, который в данном случае должен подтвердить отсутствие какой-либо зависимости остатков модели от [2, 4].
Причины автокорреляции могут быть связаны, во-первых, с ошибками исходных данных (например, в связи с неточностью измерений), во-вторых, с неправильной спецификацией модели тренда, которая может не включать факторы, оказывающие наиболее существенное влияние на изменение результата, в том числе, лаговые переменные (раздел 7.1.).
Для более достоверного выявления автокорреляции оценивается критерий Дарбина –Уотсона, величина которого определяется по формуле
. (4.21)
Величина критерия изменяется в пределах от 0 до 4 в силу его взаимосвязи с коэффициентом автокорреляции [4] . Если , то можно сделать вывод об отсутствии автокорреляции.
Проверка значимости данного критерия осуществляется в следующей последовательности.
1. Выдвигается гипотеза об отсутствии автокорреляции остатков и два альтернативных предположения: возможна положительная автокорреляция и возможна отрицательная автокорреляция.
Интервал изменения критерия разбивается на 5 интервалов:
;
;
;
;
.
Величины и (нижнее и верхнее значения рассматриваемого критерия соответственно) выбираются по специальным таблицам в зависимости от принятого уровня значимости, числа наблюдений и количества факторов модели [2,3].
3. Если расчетное значение критерия попадает в третью зону, то нет оснований отвергать гипотезу, т.е. автокорреляция отсутствует; если – в первую, то гипотеза не принимается и предполагается наличие положительной автокорреляции; если – в пятую, то гипотеза отклоняется и предполагается наличие отрицательной автокорреляции; если – во вторую или в четвертую (зоны неопределенности), то на практике гипотеза отклоняется.
Кроме наличия или отсутствия автокорреляции случайные остатки проверяются на нормальность распределения и на стационарность (независимость характеристик от времени) [2].
Для количественной оценки автокорреляции используется автокорреляционная функция, значения которой отражают силу и направление линейной связи между исходным рядом и рядом, сдвинутым относительно него на 1, 2 и т.д. количество уровней. Поэтому различают автокорреляционную функцию различных порядков [4]. В частности, коэффициент автокорреляции остатков первого порядка определяется как
, (4.22)
где – средние уровни исходного ряда и сдвинутого ряда
Графически зависимость значений автокорреляционной функции от сдвига (или лага ) между уровнями иллюстрируется автокоррелограммой. По мере увеличения значение автокорреляционной функции снижается, а автокоррелограмма «затухает». Анализ автокорреляционной функции и автокоррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, т.е. связь между соседними уровнями ряда наиболее сильная. Такое значение лага позволяет также определить порядок моделей, формализующих запаздывание в воздействии факторов на результат (п. 7.1).
Свойства и проверка значимости автокорреляционной функции аналогичны свойствам и доказательству существенности линейного коэффициента корреляции (п. 1.2).
По результатам исследования автокорреляционной функции и ее графика можно сделать выводы о структуре ряда.
Если наиболее высоким оказался коэффициент автокорреляции первого порядка, то ряд содержит только тренд. Иначе – ряд содержит циклические колебания с периодом моментов времени. Если же ни один из коэффициентов автокорреляции не оказался значимым, то делают одно из двух предположений относительно структуры ряда:
либо он не содержит циклических колебаний и тенденции;
либо содержит сильную нелинейную зависимость (тренд), для выявления которой необходим дополнительный анализ.
Если случайная составляющая не содержит автокорреляции, является стационарной и подчиняется нормальному закону распределения, то говорят о высоком качестве трендовой модели, т.е. о высокой точности аппроксимации исходного динамического ряда.