- •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
12.2. Модели рядов, содержащих сезонную компоненту
Под временными рядами, содержащими сезонную компоненту, понимаются процессы, при формировании значений которых обязательно присутствовали сезонные и/или циклические факторы.
Один из распространенных подходов к прогнозированию состоит в следующем: ряд раскладывается на долговременную, сезонную (в том числе, циклическую) и случайную составляющие; затем долговременную составляющую подгоняют полиномом, сезонную – рядом Фурье, после чего прогноз осуществляется экстраполяцией этих подогнанных значений в будущее. Однако этот подход может приводить к серьезным ошибкам. Во-первых, короткие участки стационарного ряда (а в экономических приложениях редко бывают достаточно длинные временные ряды) могут выглядеть похожими на фрагменты полиномиальных или гармонических функций, что приведет к их неправомерной аппроксимации и представлению в качестве неслучайной составляющей. Во-вторых, даже если ряд действительно включает неслучайные полиномиальные и гармонические компоненты, их формальная аппроксимация может потребовать слишком большого числа параметров, т.е. получающаяся параметризация модели оказывается неэкономичной.
Принципиально другой подход основан на модификации ARIMA-моделей с помощью «упрощающих операторов». Схематично процедура построения сезонных моделей, основанных на ARIMA-конструкциях, модифицированных с помощью упрощающих операторов ÑT = 1 – LT_, может быть описана следующим образом (детальное описание соответствующих процедур см., например, в [Бокс, Дженкинс (1974)]:
Применяем к наблюдаемому ряду xt операторы D и ÑT для достижения стационарности;
По виду автокорреляционной функции преобразованного ряда подбираем пробную модель в классе ARMA– или модифицированных (в правой части) ARMA-моделей;
По значениям соответствующих автоковариаций ряда получаем (методом моментов) оценки параметров пробной модели;
Диагностическая проверка полученной модели (анализ остатков в описании реального ряда xt с помощью построенной модели) может либо подтвердить правильность модели, либо указать пути ее улучшения, что приводит к новой подгонке и повторению всей процедуры.
Более детальное описание этих процедур можно найти в [Бокс, Дженкинс (1974)].
Регрессионные модели с распределенными лагами. Построение анализа линейных регрессионных моделей. Уместность рассмотрения некоторых специальных вопросов этой проблематики, посвященной временным рядам, объясняется тем, что в качестве исходных статистических данных мы располагаем наблюдениями двух временных рядов
х(1), х(2),…,х(N), (12.1)
y(1), y(2),…,y(N).
Нашей целью является построение линейной регрессионной модели, позволяющей с наименьшими (в определенном смысле) ошибками восстанавливать и прогнозировать значения y(t) по значениям x(t), x(t – 1),.. .,x(t – Т) для t T +1 (при этом предполагается, конечно, что Т N). Иначе говоря, мы будем рассматривать модели вида
y(t) =c0 + kx(t-k) +(t), t = T +1, T+2,…, (12. 2)
где (t), t = 1,2,..., N, как и прежде, последовательность гомоскедастичных и взаимно не коррелированных (и не коррелированных с x(t),x(t – 1),...,x(t – T)) регрессионных остатков, а со, 0, 1,…,T и 02 = D(t) – неизвестные параметры модели.
При этом, для «очень длинных» (теоретически-бесконечных) временных рядов (12.1) в анализируемой модели (12.2) допускается случай Т =∞, т.е. суммирование в правой части (12.2) ведется по k от 0 до ∞.
Подобные модели оказываются естественными (и, соответственно, правильно специфицированными) в ситуациях, когда две переменные х и у связаны так, что воздействие единовременного изменения одной из них (х) на другую (у) сказывается в течение достаточно продолжительного периода времени (Т), т.е. наблюдается распределенный во времени эффект воздействия. В частности, такие связи возникают, в первую очередь, между, регистрируемыми во времени входными и выходными характеристиками процессов накопления и распределения ресурсов (например, процессов преобразования доходов населения в его расходы) или процессов трансформации затрат, результаты (например, процессов воспроизводства основных доходов). Рассмотрим эти примеры.