- •Загальні поняття економетричних моделей. Задачі економетрії.
- •Кореляційно-регресійний аналіз в економіці. Функціональний та кореляційний зв’язки.
- •2) Визначення тісноти зв'язку (задача кореляційного аналізу).
- •Функція регресії. Регресор. Регресат. Причини обов'язкової присутності в регресійних моделях випадкового фактора.
- •Просторові дані. Часові ряди. Особливості часових рядів. Кореляційне поле.
- •Застосування методу Фостера-Стюарта з метою виявлення закономірного зв’язку між змінними
- •Методи вибору найкращої функції регресії
- •Економетрична модель. Специфікація моделі регресії.
- •Економетрична модель. Параметризація рівняння регресії.
- •Моделі часових рядів. Регресійні моделі з одним рівнянням.
- •Моделі часових рядів. Системи незалежних, рекурсивних, взаємозалежних рівнянь.
- •Порівнянність та однорідність даних. Повнота даних та стійкість.
- •Сутність методу найменших квадратів
- •Застосування методу максимальної правдоподібності з метою оцінювання параметрів економетричної моделі
- •Поняття кореляція. Кореляційний момент або коваріація. Коефіцієнт кореляції. Вибірковий кореляційний момент. Стандартна похибка.
- •Якісна оцінка коефіцієнтів кореляції за шкалою Чеддока. Розподіл Фішера-Іейтса.
- •Поняття кореляції. Оцінка значимості коефіцієнта кореляції з використанням t-критерію Стьюдента.
- •Матриця коефіцієнтів парної кореляції. Вибірковий коефіцієнт множинної кореляції та коефіцієнт детермінації. Вибірковий частинний коефіцієнт кореляції.
- •Проблема мультиколінеарності. Застосування алгоритму Фаррера-Глобера.
- •Індекс кореляції. Методика розрахунку кореляційного відношення.
- •Побудова економетричної моделі на основі покрокової регресії.
- •«Істинне» рівняння регресії. Парна регресія. Систематична та випадкова складові.
- •Умови Гаусса-Маркова.
- •Властивості оцінок параметрів регресійного рівняння: незміщеність, обґрунтованість, ефективність та інваріантність.
- •Оцінки найменших квадратів. Верифікація моделі. Стандартна похибка рівняння. Оцінений коефіцієнт детермінації.
- •Оцінки найменших квадратів. Перевірка значущості та довірчі інтервали. Прогнозування за лінійною моделлю.
- •Множинна регресія. Специфікація багатофакторної моделі. Помилки специфікації множинної регресії.
- •Мультиколінеарність. Практичні наслідки мультиколінеарності та методи її усунення.
- •Оцінка якості моделі множинної регресії. Перевірка виконання передумов мнк. Перевірка гіпотези про нормальний розподіл залишків регресії
- •Етапи побудови економетричної моделі.
- •Оцінка якості прогнозів за регресійними моделями
- •Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •Особливості параметризації нелінійної регресії. Вибір аналітичної форми дослідження.
- •Фіктивні змінні. Ілюстрація використання фіктивної змінної. Множинні сукупності фіктивних змінних.
- •Оцінка якості моделі. Дослідження відповідності моделі емпіричним даним. Оцінка точності моделі.
- •Поняття гомоскедастичності та гетероскедастичності залишків. Наслідки порушень припущення про гомоскедастичність.
- •Методи виявлення гетероскедастичності. Тест Голдфельда-Квандта. Тест рангової кореляції Спірмена.
- •Трансформування початкової моделі з гетероскедастичністю.
- •Зважений метод найменших квадратів.
- •Оцінювання параметрів регресії за допомогою узагальненого методу найменших квадратів (методу Ейткена).
- •Поняття автокореляції. Автокореляція залишків. Лагові затримки.
- •Природа автокореляції та її наслідки. Методи усунення автокореляції.
- •Тестування наявності автокореляції. Критерій Дарбіна-Уотсона. Критерій фон Неймана.
- •Коефіцієнти автокореляції та їх застосування. Автокореляційна функція та корелограма.
- •Оцінка параметрів моделі з автокорельованими залишками. Метод Ейткена.
- •Оцінка параметрів моделі з автокорельованими залишками. Метод Кочрена-Оркатта.
- •Прогноз на основі моделі з автокорельованими залишками.
- •Узагальнені економетричні моделі.
- •Поняття лагу і лагових змінних.
- •Дистрибутивно-лагові моделі. Авторегресійні моделі.
- •Моделі розподіленого лагу. Узагальнена модель розподіленого лагу.
- •Оцінка параметрів лагових моделей. Метод послідовного збільшення кількості лагів.
- •Перетворення Койка (метод геометричної прогресії).
- •Модель адаптивних сподівань. Модель часткового коригування.
- •Оцінювання параметрів методом Ейткена.
- •Динамічний та часовий ряди. Систематичні та випадкові компоненти часового ряду. Стаціонарність часового ряду.
- •Фільтрація компонент часового ряду. Ts, ds, тренд-сезонні, нелінійні часові ряди.
- •Дослідження автокореляційної функції часового ряду.
- •Методи фільтрації сезонної компоненти.
- •Прогнозування тенденції часового ряду за механічними методами та аналітичними методами.
- •Адаптивні методи прогнозування.
- •Метод декомпозиції часового ряду. Розрахунок сезонної хвилі.
- •Системи одночасних економетричних рівнянь. Ендогенні та екзогенні змінні.
- •Структурна та зведена форми економетричної моделі. Повна економетрична модель.
- •Ідентифікованість моделі. Необхідна та достатня умови ідентифікованості системи.
- •Непрямий метод найменших квадратів.
- •Двокроковий та трикроковий методи найменших квадратів.
- •Прогноз ендогенних змінних і загальні довірчі інтервали.
Методи фільтрації сезонної компоненти.
Проблема аналізу сезонності (та/або циклічності) полягає у дослідженні сезонних коливань і у вивченні зовнішнього циклічного механізму, що їх породжує. Для дослідження суто сезонних коливань необхідно виокремити з часового ряду уt сезонну компоненту st і потім аналізувати її динаміку. Більшість методів фільтрації побудовано таким чином, що попередньо виокремлюється тренд, а потім сезонна компонента. Тренд у чистому вигляді необхідний і для аналізу динаміки сезонної хвилі. Оскільки індекси сезонності сезонної хвилі величини безрозмірні і не змінюються з року в рік, то їх можна використовувати для визначення рівня сезонності у часовому ряду. У разі використання квартальних даних їх буде чотири, а місячних спостережень – 12.
Найпростішим способом, який характеризує коливання рівнів досліджуваного показника, є розрахунок питомої ваги кожного рівня в загальному річному обсязі, або індексу сезонності.
Часові ряди з інтервалом менше року (місяць, квартал), як правило, містять сезонність. Сезонна компонента має період m: (m = 12 для ряду місячних даних; m = 4 – для ряду квартальних даних). Окрім того, відомо, що m кратне n, тобто , k – ціле число. Очевидно, якщо m – кількість місяців або кварталів у році, то k – кількість років, представлених у часовому ряду {уt}. Тому вхідні дані тренд-сезонного часового ряду часто представляють у вигляді матриці {yij} розміру [k х m].
Розглянемо таку модель:
, (9.11)
де – «річна» складова (тренд);
– індекс сезонності, або стала пропорційності для j-го кварталу (місяця), яка є безрозмірною величиною та не змінюється з року в рік.
Індекс сезонності Іj характеризує ступінь відхилення рівня сезонного часового ряду від ряду середніх (тренду) або, інакше кажучи, ступінь коливань відносно 100 %. Наближені оцінки індексів обчислюють як:
або , (9.12)
де
та . (9.13)
Якщо відомі оцінки тренду і сезонної компоненти в адитивній моделі, то можна оцінити точніше:
. (9.14)
Останнє свідчить про можливості оцінювання рівня сезонності незалежно від того, яку модель розглядають: адитивну або мультиплікативну. Недоліком цього підходу є те, що він не враховує наявності випадкових коливань і тенденцію зміни середньорічного рівня й сезонної хвилі.
Прогнозування тенденції часового ряду за механічними методами та аналітичними методами.
Механічні методи згладжування часових рядів використовують фактичні значення сусідніх рівнів ряду і не досліджують аналітичний вид згладженої функції. Вони мають механізм автоматичного налагодження на зміну досліджуваного показника. Завдяки цьому модель постійно пристосовується до зміни інформації й наприкінці інтервалу прогнозової бази відображає тенденцію, що склалася на поточний момент. До механічних методів належать: згладжування по двох точках, метод простої ковзкої середньої, метод зваженої ковзкої середньої, метод експоненційного згладжування.
Аналітичні методи згладжування часових рядів ґрунтуються на припущенні, що відомий загальний вигляд невипадкової складової часового ряду. Вони реалізуються за допомогою регресійних та адаптивних методів.
Регресійні методи є основою побудови кривих зростання. Для відображення економічних процесів існує велика кількість видів кривих зростання. Щоб правильно підібрати найдоцільнішу криву для моделювання й прогнозування економічного явища, необхідно знати особливості кожного виду кривих.
Вибір форми кривої для згладжування певною мірою залежить від мети згладжування: інтерполяції або екстраполяції. У першому випадку метою є досягнення найбільшої близькості до фактичних рівнів часового ряду. У другому – виявлення основної закономірності розвитку явища, стосовно якої можна припустити, що в майбутньому вона збережеться.
На практиці під час попереднього аналізу часового ряду обирають, як правило, дві-три криві зростання для подальшого дослідження і побудови трендової моделі часового ряду.