- •1. Определение эконометрики.
- •2. История возникновения эконометрики
- •3. Значение эконометрики для экономической теории и практики. Эконометрика и ее связь с экономической теорией.
- •5.Типы данных в эконометрическом исследовании.
- •7.Специфика экономических измерений.
- •37. . Оценивание в моделях распределенных лагов.
- •14.Уравнения в отклонениях.
- •8. Экономические модели. Понятие экономической модели
- •13. Предпосылки мнк
- •15. Линейная регрессионная модель с двумя переменными
- •17. Определение качества оценок
- •17. Расчет средней ошибки аппроксимации
- •20. Гомоскедастичность и гетероскедастичность дисперсии остатков
- •20. Коэффициент детерминации r2
- •28. Обобщенный метод наименьших квадратов
- •21. Использование статистик для определения значимости оценок параметров (уравнения регрессии).
- •22. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам
- •23. Регрессии нелинейные по оцениваемым параметрам.
- •26. Оценка параметров множественной регрессии методом наименьших квадратов
- •24. Отбор факторов при построении множественной регрессии
- •Мультиколлинеарность
- •27. Фиктивные переменные
- •29. .Использование омнк
- •30. Основные элементы временного ряда.
- •31. Панельные данные
- •32. Основные модели для панельных данных
- •33. Выбор модели
- •35. Модели распределенных лагов
- •38. Системы эконометрических уравнений
- •39. Проблема идентификации системы. Косвенный метод наименьших квадратов
- •40. Методы оценки параметров одновременных уравнений
- •41.Прогнозирование в регрессионных моделях
- •47. Интервалы прогноза по линейному уравнению регрессии
41.Прогнозирование в регрессионных моделях
Одна из важнейших целей моделирования заключается в прогнозировании поведения исследуемого объекта. Для временных рядов обычно термин «прогнозирование» используется в тех ситуациях, когда требуется предсказать состояние системы в будущем. В более широком смысле, прогнозирование в эконометрике следует понимать, как построение оценки зависимой переменной для некоторого набора независимых переменных, которых нет в исходных наблюдениях. Проблема прогнозирования имеет много различных аспектов.
Можно различать точечное и интервальное прогнозирование. В первом случае оценка – это конкретное число, во втором – интервал, в котором истинное значение переменной находится с заданным уровнем доверия.
И нтервальная оценка прогнозного значения у* находится по формуле:
Где - стандартная ошибка
Кроме того, для временных рядов при нахождении прогноза существенно наличие или отсутствие корреляции по времени между ошибками (автокорреляции ошибок).
Доверительный интервал накрывает истинное значение переменной с заданной вероятностью (в данном случае 95 %).
Безусловное и условное прогнозирование:
Безусловное прогнозирование означает, что вектор независимых переменных известен точно.
Например, модель временного ряда включает в себя только факторы времени t и какие-либо фиктивные переменные.
Если же в модель входят другие факторы, представляющие собой реальные данные, то для определения прогнозных значений Y приходится предварительно делать прогнозы этих факторов, что неизбежно приводит к отклонению от истинных значений. В этом случае к доверительному интервалу добавляется величина, зависящая от дисперсии этих факторов (условное прогнозирование).
доверительный интервал нельзя найти аналитически, однако существуют численные процедуры, позволяющие строить его приближенно.
Какие ряды использовать для статистических оценок?
В ряде случаев аналитиков интересует долговременные существенные изменения экономической активности (тенденция). Этими изменениями особенно интересуются специалисты по конъюнктуре. Поэтому они вычисляют и используют индекс с элиминированной сезонностью, полученный из первоначального индекса вычитанием индекса оценки сезонной составляющей.
Также иногда полезно рассматривать ряды с исключенной тенденцией. Например, потребление электроэнергии возрастает приблизительно экспоненциально, соответст-венно удваиваясь за каждые десять лет. Его годовые колебания можно описать с помощью индекса отношения годовых данных к тенденции. Это более показательно, чем первичные данные.
Ответ на поставленный вопрос можно дать лишь после точного изучения смысла оцениваемой модели. В ряде случаев, исключить тенденцию или сезонность — значит лишиться части информации наблюдаемых рядов. Поэтому предпочтительнее использовать исходные данные. Что необходимо учитывать при построении модели для прогнозирования?
каждый исправленный ряд имеет число степе-ней свободы, меньшее, чем ряд наблюдений;
когда сезонные факторы или тенденции входят в изучаемые явления, возможно сконструировать модель, которая применяется к исходным рядам;
В ряде случаев для уменьшения дисперсии данных полезно применить их сглаживание (или выравнивание), например, методом скользящего среднего.