- •Анализ и прогнозирование финансовых процессов
- •Глава 1. Математические методы и модели как средства исследования экономических процессов ………………………………………………………….7
- •Глава 8. Построение доверительных интервалов прогнозов ………………….210
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей ………………………………………………………….232
- •Предисловие
- •Глава 1. Математические методы и модели как средства исследования экономических процессов
- •1.1. Экономико-математические методы и модели исследования экономических процессов
- •1.2. Разновидности экономико-математических моделей и методов
- •1.3. Программные средства анализа экономических данных
- •1.4. Методика статистического анализа и прогнозирования данных
- •Контрольные вопросы
- •Глава 2. Исследование структуры временных рядов экономических показателей
- •2.1. Понятие временного ряда
- •В таблице 2.4 представлен ряд динамики средних величин - Среднедушевые номинальные денежные доходы населения России в месяц,
- •2.2. Структура временного ряда
- •2.3. Оценивание однородности и направленности изменений финансовых процессов, представленными временными рядами
- •2.4. Статистические показатели измерения динамики финансовых процессов
- •2.5. Показатели и критерии устойчивости и колеблемости развития финансовых процессов
- •Контрольные вопросы и задания
- •Глава 3. Прогнозирование финансовых процессов с использованием кривых роста
- •3.1. Основные этапы прогнозирования с использованием кривых роста
- •3.2. Характеристика кривых роста
- •3.3. Методы выбора кривых роста для выравнивания
- •3.4. Методы оценки параметров кривых роста
- •Контрольные вопросы и задания
- •Глава 4. Сезонные колебания в финансовых процессах
- •4.1. Исследование сезонных колебаний в финансовых процессах
- •4.2. Статистические критерии выявления сезонных колебаний
- •4.3 Показатели измерения сезонности
- •4.4. Моделирование тренд-сезонных временных рядов
- •Контрольные вопросы и задания
- •Глава 5. Адаптивные методы прогнозирования
- •5.1. Сущность адаптивных методов
- •5.2. Экспоненциальное сглаживание
- •5.3. Полиномиальные адаптивные модели
- •5.4. Адаптивные модели прогнозирования сезонных процессов
- •5.5. Метод эволюции
- •5.6. Модели авторегрессии и скользящего среднего
- •Контрольные вопросы и задания
- •Глава 6. Оценка точности и адекватности модели
- •6.1. Оценка адекватности модели
- •Проверка равенства математического ожидания уровней ряда остатков нулю.
- •6.2. Оценка точности модели
- •Контрольные вопросы и задания
- •Глава 7. Применение регрессионных моделей для прогнозирования
- •7.1.Типы регрессионных моделей
- •7.2. Определение зависимости между моделируемыми показателями и определяющими их факторами
- •7.3. Оценка тесноты линейной и нелинейной связи
- •7.4. Линейная модель парной регрессии. Оценка значимости параметров линейной регрессии
- •7.5. Нелинейная регрессия
- •Полиномы разных степеней -;
- •7.6. Модель множественной регрессии
- •7.7. Отбор факторов при построении модели множественной регрессии. Мультиколлинеарность
- •7.8. Регрессионные модели с фиктивными переменными
- •7.9. Прогнозирование в регрессионных моделях
- •Контрольные вопросы и задания
- •Глава 8. Построение доверительных интервалов прогнозов
- •8.1. Методы и критерии, используемых при построении доверительных интервалов
- •8.2. Доверительные интервалы при получении оценок по моделям регрессии
- •8.3.Оценка доверительных интервалов в моделях экономического прогнозирования
- •Доверительный интервал для тренда в общем виде определяется как
- •Контрольные вопросы и задания
- •Глава 9. Анализ и прогнозирование финансовых процессов на базе рассмотренных моделей
- •9.1. Алгоритм методики оценивания доверительных интервалов прогнозов
- •9.2. Практическая реализация методов прогнозирования
- •(По индексам)
- •Контрольные вопросы и задания
- •Литература
- •Шелобаев Сергей Иванович
Глава 6. Оценка точности и адекватности модели
6.1. Оценка адекватности модели
После построения математической модели временного ряда ставится вопрос о возможности ее применения для анализа и прогнозирования изучаемого явления. Ответ на этот вопрос может быть получен после проверки расчетной модели на адекватность реальному процессу. Полного соответствия математической модели реальному процессу быть не может, поэтому проверяется не адекватность вообще, а адекватность тех свойств, которые являются существенными для исследователя, а именно правильность отражения моделью систематических компонент временного ряда. Систематические компоненты включает в себя тренд и периодические колебания. При правильном отображении этих компонент изменение остаточной компоненты не будет связано с изменением времени, т.е. будет носить случайный характер.
Поэтому принято считать, что модель адекватна изучаемому процессу, если остаточная компонента представляет собой случайную компоненту временного ряда. Это требование будет выполняться, если остаточная компонента удовлетворяет свойствам:
случайности колебаний уровней остаточной последовательности;
соответствию распределения остаточной компоненты нормальному закону распределения;
равенству математического ожидания остаточной компоненты нулю;
независимости значений уровней остаточной компоненты между собой.
Рассмотрим проверку перечисленных свойств подробнее.
Проверка случайности колебаний уровней остаточной последовательности. Проверку случайности колебаний уровней остаточной компоненты проводят используя критерии серий, основанный на медиане (рассмотрен в параграфе 2.3) или критерий поворотных точек (критерий пиков).
Критерий поворотных точек (критерий пиков).
Точка считается поворотной, если она одновременно больше или меньше двух рядом стоящих точек, т.е. <>или><. Наиболее просто определить поворотные точки, если ряд остатков изобразить графически. Начальное значение также как и последнее значение нельзя считать поворотной точкой. На рисунке 6.1 представлен ряд остатков, хорошо видно, что в ряду число поворотных точек равно 10.
Рис. 6.1. Ряд остатков.
Если остатки случайны, то поворотная точка приходится примерно на каждые 1,5 наблюдения. Если точек больше, то ряд является быстро колеблющимся и это не может быть объяснено только случайностью. Если же их меньше, то последовательные значения положительно коррелированны. Общее число поворотных точек для ряда остатков обозначим через р.
Вслучайной выборке математическое ожидание числа точек поворотар и дисперсия выражается формулами:
Ряд является случайным с 5% уровнем значимости, если выполняется неравенство:
,
где квадратные скобки означают целую часть числа.
Если это неравенство не выполняется, то ряд остатков нельзя считать случайным, т.е. он содержит регулярную компоненту, модель не является неадекватной.
Соответствие распределения остаточной компоненты нормальному закону распределения. Анализ соответствия ряда остатков нормальному закону распределения осуществляется по RS – критерию:
,
где - соответственно максимальное и минимальное значение остаточной компоненты,
- среднеквадратическое отклонение ряда остатков.
Расчетное значение RS– критерия сравнивается с табличными значениямиRS– критерия (таб. 6.1) . Если расчетное попадает в интервал, ограниченный табличными значениями данного критерия, то с заданным уровнем значимости гипотеза о нормальности распределения остаточной компоненты принимается. В противном случая модель считается неадекватной.
Таблица 6.1
Критические границы RS– критерия
Число наблюдений |
α=0,05 |
α=0,10 | ||
Нижняя граница |
Верхняя граница |
Нижняя граница |
Верхняя граница | |
8 10 12 14 16 18 20 25 30 35 40 45 50 |
2,50 2,67 2,80 2,92 3,01 3,10 3,18 3,34 3,47 3,58 3,67 3,75 3,83 |
3,399 3,685 3,91 4,09 4,24 4,37 4,49 4,71 4,89 5,04 5,16 5,26 5,35 |
2,59 2,76 2,90 3,02 3,12 3,21 3,29 3,45 3,59 3,70 3,79 3,88 3,95 |
3,308 3,57 3,78 3,95 4,09 4,21 4,32 4,53 4,70 4,84 4,96 5,06 5,14 |
Проверка соответствия распределения остаточной компоненты нормальному закону распределения может быть произведена с помощью исследования показателей асимметрии и эксцесса. Значения коэффициентов асимметрии и эксцесса для нормально распределенной совокупности равны нулю. Так как предполагают, что значения остаточной компоненты являются выборкой из некоторой генеральной совокупности, то можно определить выборочные характеристики асимметрии, эксцесса и их ошибки по формулам:
где А – выборочная характеристика асимметрии; Э – выборочная характеристика эксцесса; и – соответствующие среднеквадратические ошибки.
Если одновременно выполняются следующие неравенства:
то гипотеза о нормальном характере распределения остаточной компоненты принимается.
Если выполняется хотя бы одно из неравенств
то гипотеза о нормальном характере распределения отвергается, модель признается неадекватной.
Другие случаи требуют дополнительной проверки с помощью более сложных критериев.