- •1. Эконометрика и ее место в ряду других экономических и статистических дисциплин. Типы моделей и типы данных в эконометрике.
- •Общая задача. При помощи статистических методов выразить те закономерности, которые экономическая теория определяет лишь количественно.
- •Эконометрическая модель.
- •2. Коэффициент ковариации. Коэффициент корреляции. Их свойства. Выборочные оценки основных числовых характеристик случайных величин. Проверка значимости коэффициента корреляции.
- •Свойства ковариации
- •3. Регрессионная модель. Причины включения в модель случайного отклонения. Парная линейная регрессия. Мнк. Задачи линейного регрессионного анализа.
- •Парная регрессия.
- •Метод наименьших квадратов
- •4. Основные свойства точечных оценок. Теорема Гаусса-Маркова для однородной модели.
- •6. Проверка гипотез в одномерной модели. Интервальная оценка коэффициентов.
- •7. Множественная регрессия. Мнк. Теорема Гаусса-Маркова для многомерной модели.
- •Метод наименьших квадратов
- •9. Множественная регрессия. Гипотеза «длинная-короткая» модель. Специфика модели. Исключение существенной переменной. Включение несущественной переменной. Пошаговая регрессия.
- •10. Множественная регрессия. Тест Чоу на наличие структурного сдвига. Фиктивные переменные.
- •11. Стохастические (случайные). Обобщенный мнк. Теорема Айткена.
- •13. Гетероскедастичность. Метод взвешенных наименьших квадратов. Коррекция моделей на гетероскедастичность (3 случая).
- •14. Описание тестов проверки на гетероскедастичность (тесты Голдфельда-Куандта, Бреуша-Пагана).
- •15. Мультиколлинеарность: последствия, способы обнаружения, средства устранения. Тест.
- •16. Частный коэффициент корреляции. Его свойства, процедура вычисления.
- •17. Автокорреляция: последствия, способы обнаружения, средства устранения.
- •19. Оценивание моделей с автокорреляцией.
- •Линейные формы: интерпретация регрессии
- •21. Временные ряды. Факторы, влияющие на формирование значений временного ряда. Структура временного ряда. Основные задачи анализа временных рядов.
- •Исследование временноых рядов
- •22. Стационарные временные ряды. Их характеристики. Белый шум. Проверка стационарности временного ряда.
- •Правило проверки гипотезы об отсутствии тренда в тесте серий
- •23.Выравнивание временного ряда (аналитическое – выделение тренда регрессией от времени; механическое – метод последовательных разностей.)
- •3 Основных подхода:
- •24. Автоковариационная и автокорреляционная функция. Способ вычисления. Коррелограмма.
- •25. Линейные модели стационарных временных рядов (авторегрессии и скользящего среднего)
- •26. Модель авторегрессии ar(p). Уравнения Юла Уокера.
- •27. Модель авторегрессии ar (1)
- •28. Модель авторегрессии ar(2). Расчет параметров.
- •29. Модель скользящего среднего ma(1). Расчет параметров.
- •30. Частная автокорреляционная функция. Модели arma(p,q). Свойства acf и pacf.
- •31. Модели arima(p,d,q). Методолгия Бокса-Дженкинса. Интерпретация функций акф и чакф.
25. Линейные модели стационарных временных рядов (авторегрессии и скользящего среднего)
1. модели (процессы) авторегрессии AR (р), где р – порядок регрессии
2. модели (процессы) скользящего среднего МА (q), где q – порядок скользящего среднего
3. комбинированные модели ARMA(p,q), где р – порядок регрессии, а q – порядок скользящего среднего
Модели авторегрессии
1. модель авторегрессии 1-го порядка AR(1)
2. модель авторегрессии 2-го порядка AR(2)
3. модель авторегрессии порядка p AR(p)
Модели скользящего среднего
1. Модель скользящего среднего первого порядка МА (1)
2. Модель скользящего среднего второго порядка MA(2)
3. Модель скользящего среднего порядка q МА (q)
26. Модель авторегрессии ar(p). Уравнения Юла Уокера.
Пусть каждое значение линейно связано только с р своими предшествующими наблюдениями . - белый шум, т.е. ряд из независимых, одинаково распределенных случайных величин с нулевым матожиданием и одинаковой (постоянной) дисперсией . - некоторые константы. Часто рассматривают и ряд с нулевым средним (без свободного члена) .
Числовые характеристики модели. Проводя выкладки, аналогичные модели AR(2), получаем соотношение, связывающее дисперсию и автоковариации
γτ = cov (Yt,Yt-τ) = a1 γτ-1 + a2 γτ-2 +…+ap γτ-p
Откуда, снова использую , получим +…+ ap γτ-p
Наконец, система уравнений Юла Уокера для модели AR(p) (используем, что ) выглядит так .
Решая эту систему относительно неизвестных и подставляя выборочные оценки коэффициентов автокорреляции (r вместо ), получаем параметры модели.
Свойства автокорреляционной функции процесса AR(p). При выполнении условий стационарности автокорреляционная функция для модели AR(p) экспоненциально убывает с ростом лага (иногда в виде колебательной экспоненциально затухающей функции). Если есть линейный тренд, то ACF убывает линейно и очень медленно.
Свойство частной автокорреляционной функции для модели AR(p)
Частная автокорреляционная функция измеряет «чистую» автокорреляцию с лагом , исключив (линейно) влияние промежуточных значений ряда. Для модели AR(p) имеем >p. Это свойство часто используется для определения нужного порядка модели авторегрессии. Строится график частной автокорреляционной функции и выбирается тот порядок р, начиная с которого все частные коэффициенты корреляции незначимо отличаются от нуля.
27. Модель авторегрессии ar (1)
Пусть каждое значение yt линейно связано только со своим непосредственно предшествующим наблюдением
εt – белый шум, т.е. ряд из независимых, одинаково распределенных случайных величин с нулевым мат.ожиданием и одинаковой (постоянной) дисперсией δ2.
а0 и а1 – некоторые константы. Их и надо в конце концов определить. Часто
рассматривается и ряд с нулевым средним (без свободного члена)
Числовые характеристики модели AR (1)
Прежде всего, найдем матожидание врем.ряда
E(yt)=E(a0+a1yt-1+ ε t) = E(a0)+E(a1yt-1)+E(ε t)= a0+ a1E(yt-1)+0
Т.к. матожидание константы равно ей же E(a0)= a0
E(ε t)=0 и ряд стационарен, т.е. E(yt)= E(yt-1)
Получается E(yt) = a0+ a1E(yt-1)
Откуда
В модели с нулевым средним очевидно, что a0=0
Теперь найдем дисперсию и автоковариацию
А т.к. дисперсия константы = 0 Var(a0)=0 и ряд стационарен, т.е. Var(yt)=Var(yt-1)
Получается γ0=a12 Var (yt)+δ2
Откуда
Т.к. дисперсия положительна, очевидно, а1<1
Теперь найдем автоковариацию I-го порядка
Ковариация с константой =0 Cov(a0, yt-1)=0 и ковариация между yt-1 и ε t также равна 0, т.к. они получены в разные моменты времени Cov(ε t, yt-1)=0.
Наконец, константу выносим как множитель из ковариации Cov(a1, yt-1)= а1Var(yt-1)
Тогда для автоковариации I-го порядка получаем γ1=a1 Var (yt-1)
А т.к. ряд стационарен, т.е. Var(yt)=Var(yt-1), то получаем
Аналогично для автоковариации порядка τ получаем
Откуда
Т.о. γ2=а1γ1,
γ3=а1γ2,
γ4=а1γ3
Иначе выражая, автоковариация произвольного порядка
Теперь найдем коэффициент автокорреляции любого порядка
Таким образом, Последовательность этих значений и образует ACFs
и так далее.
Кроме того мы помним, что ρ0=1
Оценивание параметров процесса авторегрессии I-го пор. AR(1)
Есть стацион. временной ряд
Требуется найти для него параметры модели AR(1)
Имеем
Т.о., для определения параметров модели AR(1) нужно вычислить среднее значение ряда, его дисперсию и коэффициент автокорреляции I-го порядка.