- •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
7.5. Нелинейная регрессия
В практических исследованиях использование линейных моделей для моделирования экономических зависимостей во многих случаях дает вполне удовлетворительный результат. Линейные модели в силу свой простоты, четкой экономической интерпретации параметров широко используются для анализа и прогнозирования. Однако зависимости между многими экономическими явлениями имеют нелинейный характер, и использование линейной модели не позволит неадекватно отобразить исследуемое явление. Примером нелинейной зависимости может служит зависимость урожайности от количества осадков, спрос на товар от его цены и т.д. Поэтому ограничиться рассмотрением только линейных регрессионных моделей невозможно.
Говоря о линейности модели, этот термин можно отнести как к независимым переменным модели, так и к ее параметрам. Различают два класса нелинейных регрессии:
- нелинейные относительно объясняющих переменных, но линейные по оцениваемым параметрам;
- нелинейные по оцениваемым параметрам.
Класс регрессий, нелинейных относительно включаемых в нее объясняющих переменных, но линейных по оцениваемым параметрам, включает уравнения, в которых зависимая переменная линейно связана с параметрами. Примером таких регрессий могут служить:
Полиномы разных степеней -;
равносторонняя гипербола - .
К классу регрессий, нелинейных по оцениваемым параметрам относятся уравнения, в которых зависимая переменная нелинейно связана с параметрами. Примером таких регрессий являются функции:
степенная - ;
показательная - ;
экспоненциальная - .
При оценке параметров регрессий, нелинейных по объясняющим переменным, используется метод замены переменных. Суть которого состоит в заменен нелинейных объясняющих переменных новыми линейными переменными, в результате чего нелинейная регрессия сводится к линейной. К новой, преобразованной модели может быть применен обычный метод наименьших квадратов. Например, в полиноме второго порядка
,
заменяя переменную на, получим двухфакторное уравнение линейной регрессии:
,
для оценки параметров которого может быть применен обычный МНК.
Полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров и проверки гипотез. Среди нелинейной полиномиальной регрессии чаще всего используется парабола второй степени, в отдельных случаях – полином третьего порядка. Ограничение в использовании полиномов более высоких порядков связано с требованием однородности исследуемой совокупности: чем выше порядок полинома, тем больше изгибов имеет кривая и, соответственно, менее однородна совокупность по результативному признаку.
Парабола второй степени целесообразна к применению, если для определенного интервала значений фактора меняется характер связи с результатом: прямая связь меняется на обратную или обратная на прямую. Например, изменение заработной платы работников физического труда от возраста. С увеличение возраста повышается заработная плата ввиду одновременного увеличения опыта и повышения квалификации работника. Однако с определенного возраста ввиду старения организма и снижения производительности труда дальнейшее повышение возраста может приводить к снижению заработной платы. Значение фактора, при котором достигается максимальное (или минимальное) значение результативного признака, определятся приравниванием к нулю первой производной второй степени.
Ввиду симметричности кривой параболу второй степени далеко не всегда можно использовать в конкретных исследованиях. Чаще исследователь имеет место лишь с отдельными сегментами параболы, а не с полной параболической формой. Поэтому если исходные данные не обнаруживают изменения направленности связи, то параметры параболы второй степени становятся трудно интерпретируемыми, а форма связи может быть заменена другими нелинейными моделями.
Для равносторонней гиперболы , заменяянаполучим линейное уравнение регрессии, для оценки параметров которого может быть использован обычный МНК.
Равносторонняя гипотеза может быть использована, например, для характеристики связи удельных расходов сырья, материалов, топлива с объемом выпускаемой продукции. Также примером использования равносторонней гиперболы являются кривые Филлипса (показывает взаимное изменение уровней безработицы и инфляции в экономике) и Энгеля (показывает величину расходов на товары в зависимости от роста дохода).
Регрессии, нелинейные по оцениваемым параметрам, подразделяются на два типа:
- нелинейные модели внутренне линейные;
- нелинейные модели внутренне нелинейные.
Если нелинейная модель внутренне линейна, то она с помощью соответствующих преобразований может быть приведена к линейному виду (например, логарифмированием или заменой переменных). Примером регрессии, нелинейной по параметрам, но внутренне линейной, является степенная функция, которая широко используется в эконометрических исследованиях при изучении зависимости спроса от цены: , гдеy – величина спроса, х - цена товара.
Данная модель нелинейна относительно оцениваемых параметров, так как включает параметры α и β неаддитивно. Однако ее можно считать внутренне линейной, ибо логарифмирование данного уравнения по основанию е приводит его к линейному виду:
.
Оценки параметров α и β в полученной линейной модели могут быть найдены с помощью МНК.
Широкое использование степенной функции связано с тем, что параметрβ в ней имеет четкое экономическое истолковании, - он является коэффициентом эластичности. Это значит, что величина коэффициента β показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%.
Коэффициент эластичности можно определять и при других формах связи, но только для степенной функции он представляет собой постоянную величину, равную параметру β.
В рассматриваемой выше степенной функции предполагается, что случайная составляющая εi мультипликативно связана с объясняющей переменной х. Если же модель представить в виде , то она становится внутренне нелинейной, так как ее невозможно преобразовать в линейный вид.
Внутренне нелинейными будут и модели вида
, ,
потому, что эти уравнения не могут быть преобразованы в уравнения, линейные по коэффициентам.
Если же нелинейная модель внутренне нелинейна, то она не может быть сведена к линейной функции и для оценки ее параметров используются итеративные процедуры, успешность которых зависит от вида уравнений и особенностей применяемого итеративного подхода.
В моделях, нелинейных по оцениваемым параметрам, но приводимых к линейному виду, метод наименьших квадратов применяется к преобразованным уравнениям. Если в линейной модели и моделях, нелинейных по переменным, при оценке параметров исходят из критерия , то в моделях, нелинейных по оцениваемым параметрам, требование МНК применяется не к исходным данным результативного признака, а к их преобразованным величинам, т.е.lny, 1/y. Так в степенной функции оценка параметров основывается на минимизации суммы квадратов отклонений в логарифмах:
.
Соответственно, если в линейных моделях (включая нелинейные по переменным) , то в моделях, нелинейных по оцениваемым параметрам,, а. Вследствие этого оценка параметров для линеаризуемых функций методом наименьших квадратов оказывается несколько смещенной.