- •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.
31. Модели arima(p,d,q). Методолгия Бокса-Дженкинса. Интерпретация функций акф и чакф.
Метод последовательных разностей. Пусть . Это очевидно, ряд нестационарный – y растет со временем t. Перейдем к первой последовательной разности. Имеем ; . Это уже ряд стационарный – случайные колебания относительно постоянного среднего .
Т.о. взятие первой разности позволяет получить стационарный временной ряд в случае линейного тренда исходного ряда.
А если тренд квадратичный – y растет со временем в квадрате . Перейдем ко второй последовательной разности. Имеем ; . И снова это уже ряд стационарный. И так далее. Эта операция – переход от исходного временного ряда к ряду последовательных разностей – иногда называется дифференцированием временного ряда первого, второго и т.д. порядка.
13-1421 Интегрированные модели авторегрессии – скользящего среднего ARIMA(p,d,q). Один из способов выравнивания нестационарного временного ряда – переход к последовательным разностям. ; ; , и так далее. Модель ARIMA(p,d,q) – это модель ARMA(p,q), примененная к ряду разностей порядка d.
ARIMA(p,d,q): .
Например, модель ARIMA(1,1,2) – это модель ARMA(1,2), примененная к ряду разностей порядка 1. ; ; ;
(Методология Бокса-Дженкинса.
1. Получение стационарного ряда любым способом, например, дифференцированием, т.е. переходом к последовательным разностям (как правило, не более двух раз). Проверка стационарности по критериям и по графикам АКФ и ЧАКФ.
2. Идентификация модели ARMA(p,q) применительно к стационарному ряду (ряду разностей), т.е. определение p и q, как правило, путем построения графиков АКФ и ЧАКФ.
3. Оценивание параметров моделей (снова, используя значения АКФ и ЧАКФ. Проверка их адекватности).
4. Прогнозирование следующих членов временного ряда.
Особенности интерпретации АКФ и ЧАКФ.
Если ряд нестационарен, то коррелограмма не стремится к нулю экспоненциально (быстро), а медленно, линейно снижается. По ней нельзя судить о параметрах ARMA моделей – она характеризует нестационарость.
Если ряд стационарен, то коррелограмма либо экспоненциально стремится к нулю, либо обрывается поле какого-то лага (коэффициенты автокорреляции становятся незначимо отличающимися от нуля). По графика АКФ и ЧАКФ подбирают подходящую ARMA модель.)Думаю, что это не надо. Это относится к 30 вопросу.