- •1.2. Типы моделей
- •1.3. Типы данных
- •1.4. История
- •1.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •2. Парная регрессия и корреляция. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Задачи корреляционно-регрессивного анализа
- •Содержательный характер задач корреляционно-регрессивного метода
- •2.2. Вычисление и интерпретация параметров парной линейной корреляции
- •2.3. Статистическая оценка надёжности параметров парной корреляции
- •2.4. Применение парного линейного уравнения регрессии
- •Коэффициент корреляции рангов
- •2.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •3. Множественная регрессия
- •3.1. Формулы для коэффициентов и стандартных ошибок
- •3.2. Множественная регрессия и оценка параметров Кобба-Дугласа
- •3.3. Мультиколлинеарность
- •3.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •4. Выбор уравнения
- •4.1. Влияние отсутствия необходимой переменной
- •4.2. Лишняя переменная
- •4.3. Замещающие переменные
- •4.4. Лаговые переменные
- •4.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •5. Фиктивные переменные
- •5.1. Фиктивные и нефиктивные переменные в регрессии
- •5.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •6. Гетероскедастичность
- •6.1. Коэффициент ранговой корреляции Спирмена (кркс)
- •6.2. Тест Голдфелда-Куандта
- •6.3. Тест Глейзера
- •6.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •7. Автокорреляция
- •7.1. Поправка Прайса–Уинстена
- •7.2. Процедура Кохрана–Оркатта
- •7.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •8. Модели временных рядов
- •8.1. Модели рядов, содержащих сезонную компоненту
- •Ответы к тесту:
- •9. Автоковариационная и автокорреляционная функции, их свойства. Коррелограмма
- •9.1. Спектральная плотность
- •9.2. Спектральный (Фурье) анализ
- •9.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •10. Неслучайная составляющая временного ряда
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда
- •10.2. Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)])
- •10.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •11. Стационарные временные ряды и их идентификация
- •11.1. Основные понятия
- •11.2 Модели скользящего среднего сс(1) и сс(2). Двойственность. Обратимость. Идентификация
- •11.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •12. Лаговые переменные. Нестационарные временные ряды и их идентификация
- •12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
- •12.2. Модели рядов, содержащих сезонную компоненту
- •12.3. Полиномиальная лаговая структура Ширли Алмон
- •12.4. Геометрическая лаговая структура Койка
- •12.5. Модель частичного приспособления
- •12.6. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •13. Предсказания
- •13.1 Основные понятия
- •13.2. Доверительные интервалы и интервалы предсказания
- •13.3. Критерий г. Чоу
- •13.4. Коэффициент Тейла
- •13.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14. Модели в виде систем линейных одновременных уравнений и их идентификация
- •14.1. Основные понятия
- •14.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14.3. Использование эконометрической модели при исследовании зависимости затрат от объёма производства и структуры продукции на примере конкретного предприятия
- •Расчетное задание 1 «Построение уравнений парной регрессии и оценка их значимости»
- •Варианты лабораторных задач Задание
- •Расчетное задание 2. «Построение уравнений линейной множественной регрессии и оценка его значимости» Задача
- •Варианты лабораторных задач
- •Глоссарий
- •Библиографисеский список
- •Оглавление
- •1.1.Модели 3
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда 88
- •Эконометрика Учебное пособие
Ответы к тесту:
Номер задания |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Номер ответа |
3 |
1 |
3 |
2 |
1 |
1 |
1 |
3 |
2 |
3 |
8. Модели временных рядов
Экономический анализ основан на исходных статистических данных. Если процесс их регистрации во времени t и само время фиксируются наряду со значениями анализируемых переменных xij(tm) (i = 1,..., k – номер статистически обследованного объекта; j = 1,..., n – номер переменной; m = l,...N – порядковый номер времени регистрации значения переменной на i -ом объекте), то говорят о статистическом анализе панельных данных.
При фиксировании номера переменной j и номера объекта i расположенную в хронологическом порядке (т.е. по мере возрастания tm) последовательность значений xij(t1), xij(tm),... , xij(tm) называют временным рядом. Если одновременно рассматривают п таких одномерных временных рядов, т.е. исследуют взаимосвязанное поведение временных рядов для j = l,..., n, характеризующее динамику поведения п переменных, измеренных на i – ом объекте, то говорят о статистическом анализе многомерного временного ряда X(t)= x1(tm), x2(tm),…, xn(tm))T, (m = 1,..,N). Здесь далее рассматриваются только одномерные временные ряды с дискретными по времени наблюдениями для равноотстоящих моментов наблюдения: t2 – t1 = t3 – t2 = tN – tN– l = ∆ (где ∆ – заданный период времени: минута, час, сутки, неделя, месяц, год и т.д.).
Временной ряд тогда проще представить в виде x(1), x(2), …, x(N), где x(t) – значение переменной, зафиксированной в t-м периоде времени (t = 1,...,N).
Временные ряды применяются для прогнозирования экономических показателей. При этом имеют в виду кратко – и среднесрочные прогнозы, так как долгосрочный прогноз требует обязательного применения методов анализа специальных экспертных оценок.
Использование доступных к моменту времени t = N наблюдений временного ряда для прогнозирования значений x(t) на один или несколько периодов времени вперед может явиться основой для:
– планирования в экономике, производстве, торговле;
– управления и оптимизации социально-экономических процессов;
– управления важными параметрами демографических процессов и экологии;
– принятия оптимальных решений в бизнесе.
Временной ряд отличается по своим свойствам от последовательности.
В качестве примера приведем аддитивную модель сезонности Тейла-Вейджа.
В экономической практике часто встречаются экспоненциальные тенденции. Поэтому перед использованием аддитивной модели члены анализируемого временного ряда заменяют их логарифмами. Преимущество аддитивной модели – в относительной простоте вычислений. Рассмотрим модель вида:
где: – уровень процесса после сглаживания сезонных колебаний;
– аддитивный коэффициент роста;
– аддитивный коэффициент сезонности;
-" белый шум".
Прогноз на момент t и п временных периодов вперед подсчитывают по формуле;
,
где Т – число временных периодов, содержащихся в полном сезонном цикле (обычно в году), a вычисляют по рекуррентным формулам:
,
;
где – параметры адаптации. Оптимальное значение этих параметров подбирают с помощью компьютера, вычисляя серии наборов для каждого набора параметров и сравнивая среднеквадратические ошибки полученных прогнозов.
Ряд xk(t),t=l,...,N-k, получившийся из х(t) после применения к нему к-кратной процедуры метода последовательных разностей.
Модель данного процесса x(t),t=l,...,N записывается в виде:
Для модели с p=l,q=l,k=l это выражение принимает вид:
При описании несезонных временных рядов наиболее часто встречается модели с:
p = 0; q = 1; k =1;
p = 0; q = 2; k = 2;
p =1; q =1; k =1;
p =1; q =0; k =1;
p =2; q =0; k =1;
Идентификация моделей прежде всего заключается в подборе порядка k. Существуют два вида подбора. Первый основан на отслеживании поведения величины в зависимости от k: в качестве верхней оценки для к определяют то значение k 0, начиная с которого тенденция к убыванию гасится и само значение стабилизируется. Второй основан на анализе поведения автокорреляционных функций процесса. На практике k обычно равно 0,1 или 2.