- •4.Просторові дані. Часові ряди. Особливості часових рядів. Кореляційне поле.
- •6. Методи вибору найкращої функції регресії
- •9.Моделі часових рядів. Регресійні моделі з одним рівнянням.
- •11) Порівнянність та однорідність даних. Повнота даних та стійкість.
- •12) Сутність методу найменших квадратів
- •14) Поняття кореляція. Кореляційний момент або коваріація. Коефіцієнт кореляції. Вибірковий кореляційний момент. Стандартна похибка.
- •15) Якісна оцінка коефіцієнтів кореляції за шкалою Чеддока. Розподіл Фішера-Іейтса.
- •16, 14(1)) Поняття кореляції. Оцінка значимості коефіцієнта кореляції з використанням t-критерію Стьюдента.
- •17) Матриця коефіцієнтів парної кореляції. Вибірковий коефіцієнт множинної кореляції та коефіцієнт детермінації. Вибірковий частинний коефіцієнт кореляції.
- •18) Проблема мультиколінеарності. Застосування алгоритму Фаррера-Глобера.
- •19) Індекс кореляції. Методика розрахунку кореляційного відношення.
- •20) Побудова економетричної моделі на основі покрокової регресії.
- •21 «Істинне» рівняння регресії. Парна регресія. Систематична та випадкова складові.
- •22.Умови Гаусса-Маркова.
- •23. Властивості оцінок параметрів регресійного рівняння: незміщеність, обґрунтованість, ефективність та інваріантність.
- •24. Оцінки найменших квадратів. Верифікація моделі. Стандартна похибка рівняння. Оцінений коефіцієнт детермінації.
- •26 Множинна регресія. Специфікація багатофакторної моделі. Помилки специфікації множинної регресії.
- •27 Мультиколінеарність. Практичні наслідки мультиколінеарності та методи її усунення.
- •28 Оцінка якості моделі множинної регресії. Перевірка виконання передумов мнк. Перевірка гіпотези про нормальний розподіл залишків регресії
- •29Етапи побудови економетричної моделі
- •31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •32. Особливості параметризації нелінійної регресії. Вибір аналітичної форми дослідження.
- •33. Фіктивні змінні. Ілюстрація використання фіктивної змінної. Множинні сукупності фіктивних змінних.
- •34. Оцінка якості моделі. Дослідження відповідності моделі емпіричним даним. Оцінка точності моделі.
- •35. Поняття гомоскедастичності та гетероскедастичності залишків. Наслідки порушень припущення про гомоскедастичність.
- •36. Методи виявлення гетероскедастичності. Тест Голдфельда-Квандта. Тест рангової кореляції Спірмена.
- •37. Методи виявлення гетероскедастичності. Перевірка гетероскедастичності на основі критерію . Тест Глейсера
- •38. Трансформування початкової моделі з гетероскедастичністю.
- •39. Зважений метод найменших квадратів.
- •40. Оцінювання параметрів регресії за допомогою узагальненого методу найменших квадратів (методу Ейткена).
- •41. Поняття автокореляції. Автокореляція залишків. Лагові затримки.
- •42. Природа автокореляції та її наслідки. Методи усунення автокореляції.
- •43. Тестування наявності автокореляції. Критерій Дарбіна-Уотсона. Критерій фон Неймана.
- •44. Коефіцієнти автокореляції та їх застосування. Автокореляційна функція та корелограма.
- •45. Оцінка параметрів моделі з автокорельованими залишками. Метод Ейткена.
- •46. Оцінка параметрів моделі з автокорельованими залишками. Метод Кочрена-Оркатта.
- •47. Прогноз на основі моделі з автокорельованими залишками.
- •48. Узагальнені економетричні моделі.
- •49. Поняття лагу і лагових змінних.
- •50. Дистрибутивно-лагові моделі. Авторегресійні моделі.
- •51. Моделі розподіленого лагу. Узагальнена модель розподіленого лагу.
- •52. Оцінка параметрів лагових моделей. Метод послідовного збільшення кількості лагів.
- •53. Перетворення Койка (метод геометричної прогресії).
- •54. Модель адаптивних сподівань. Модель часткового коригування.
- •55. Оцінювання параметрів методом Ейткена.
- •56. Динамічний та часовий ряди. Систематичні та випадкові компоненти часового ряду. Стаціонарність часового ряду.
- •57. Фільтрація компонент часового ряду. Ts, ds, тренд-сезонні, нелінійні часові ряди.
- •58. Дослідження автокореляційної функції часового ряду.
- •59. Методи фільтрації сезонної компоненти
- •60. Прогнозування тенденції часового ряду за механічними методами
- •62.Метод декомпозиції часового ряду. Розрахунок сезонної хвилі.
- •65. Ідентифікованість моделі. Необхідна та достатня умови ідентифікованості системи.
- •66. Непрямий метод найменших квадратів.
- •67. Двокроковий та трикроковий методи найменших квадратів.
- •68. Прогноз ендогенних змінних і загальні довірчі інтервали.
59. Методи фільтрації сезонної компоненти
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:
,
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 ,
де
та .
Якщо відомі оцінки тренду і сезонної компоненти в адитивній моделі, то можна оцінити точніше:
.
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.
60. Прогнозування тенденції часового ряду за механічними 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.
Адаптивні методи прогнозування застосовуються в ситуації зміни зовнішніх умов, коли найбільш важливими стають останні реалізації досліджуваного процесу. Загальна схема побудови адаптивних методів може бути подана так:
1) за кількома першими рівнями ряду будується модель і оцінюються її параметри;
2) на основі побудованої моделі розраховується прогноз на один крок вперед, причому його відхилення від фактичного рівня ряду розцінюється як помилка прогнозування, яка враховується відповідно до прийнятої схеми коригування моделі;
3) за моделлю з відкоригованими параметрами розраховується прогнозна оцінка на наступний момент часу тощо.
Схему такого процесу представлено на рис. 5.3.
Рисунок 9.5 – Схема побудови адаптивних моделей
Після надходження фактичного значення обчислюється помилка, розбіжність між фактичним і прогнозованим рівнем (довготермінова функція моделі): .
У моделі передбачається, що зміна фактичного рівня є деякою часткою ( ) від очікуваної зміни . Параметр називається коригувальним коефіцієнтом або параметром адаптації. За критерій оптимальності під час вибору параметра адаптації можна взяти мінімум середнього квадрата помилок прогнозування. Чим ближчий до одиниці, тим більше сподівання економічних суб’єктів відповідають реальній динаміці часового ряду, і навпаки, чим ближче до нуля – тим менше володіємо ситуацією, тому треба вносити корективи.
Таким чином, модель постійно вбирає в себе нову інформацію і до кінця періоду навчання відбиває тенденцію розвитку процесу, що існує на даний момент. Прогноз отримується як екстраполяція останньої тенденції. Численні адаптивні методи відрізняються один від одного лише способами числової оцінки параметрів моделі і визначення параметрів адаптації. Базовими адаптивними методами вважаються методи Хольта, Брауна і Хольта-Уїнтерса.
61.Адаптивні методи прогнозуваннязастосовуються в ситуації зміни зовнішніх умов, коли найбільш важливими стають останні реалізації досліджуваного процесу. Загальна схема побудови адаптивних методів може бути подана так: 1) за кількома першими рівнями ряду будується модель і оцінюються її параметри; 2) на основі побудованої моделі розраховується прогноз на один крок вперед, причому його відхилення від фактичного рівня ряду розцінюється як помилка прогнозування, яка враховується відповідно до прийнятої схеми коригування моделі;3) за моделлю з відкоригованими параметрами розраховується прогнозна оцінка на наступний момент часу тощо.
Після надходження фактичного значення обчислюється помилка, розбіжність між фактичним і прогнозованим рівнем (довготермінова функція моделі): .
У моделі передбачається, що зміна фактичного рівня є деякою часткою ( ) від очікуваної зміни . Параметр називається коригувальним коефіцієнтом або параметром адаптації. За критерій оптимальності під час вибору параметра адаптації можна взяти мінімум середнього квадрата помилок прогнозування. Чим ближчий до одиниці, тим більше сподівання економічних суб’єктів відповідають реальній динаміці часового ряду, і навпаки, чим ближче до нуля – тим менше володіємо ситуацією, тому треба вносити корективи.
Таким чином, модель постійно вбирає в себе нову інформацію і до кінця періоду навчання відбиває тенденцію розвитку процесу, що існує на даний момент. Прогноз отримується як екстраполяція останньої тенденції. Численні адаптивні методи відрізняються один від одного лише способами числової оцінки параметрів моделі і визначення параметрів адаптації. Базовими адаптивними методами вважаються методи Хольта, Брауна і Хольта-Уїнтерса.
Модель Брауна
Якщо є часовий ряд спостережень , то прогноз в момент часу t на кроків вперед можна здійснити за формулою ,де – поточні оцінки коефіцієнтів адаптивного поліному.
В моделі Брауна модифікація (адаптація) коефіцієнтів лінійної моделі здійснюєтьсянаступнимчином
,
де – коефіцієнт дисконтування даних,
– похибка прогнозу ( ).
Початкові значення параметрів моделі можна визначити за методом МНК на основі декількох перших спостережень. Оптимальне значення параметра дисконтування знаходиться в межах [0;1], визначається методом чисельної оптимізації і є постійним для всього періоду спостережень. За рахунок оператору В можна зрушувати всю послідовність на один крок назад: . Застосування оператору В до спостережень і до коефіцієнтів адаптивного поліному дозволяє виразити модель Брауна у вигляді
. (9.17)
Тоді модель Брауна можна трактувати як модель авторегресіїARIMA (0, 2, 2)-моделлю: з коефіцієнтами ковзної середньої – та .
Точковий прогноз розраховують після підстановки значення в оцінювану модель. Межі інтервалу надійності прогнозу можна визначити за формулою: ,де величини .