- •1. Эконометрическая модель и проблемы эконометрического моделирования
- •1.1. Общие понятия
- •1.2. Экономическая модель
- •1.3. Эконометрическая модель
- •1.4. Элементы эконометрической модели и их свойства
- •1.5. Задачи эконометрики
- •1.6. Эконометрика и её место в ряду математических и экономических дисциплин
- •1.7. Резюме по теме.
- •1.8. Вопросы для повторения
- •2. Элементы теории вероятностей и математической статистики
- •2.1. Дискретные, непрерывные случайные величины
- •2.2. Зависимые случайные величины
- •2.3. Понятия генеральной совокупности и выборки (выборочной совокупности)
- •2.4. Оценки параметров генеральной совокупности. Несмещённость и состоятельность оценок
- •2.5. Резюме по теме
- •2.6. Вопросы для повторения
- •3. Модели и методы регрессионного анализа
- •3.1. Основные понятия регрессионного анализа
- •3.2. Линейная парная регрессия
- •3.2.1. Определения
- •3.2.2. Принцип, метод наименьших квадратов
- •3.2.3. Свойства оценок параметров парной линейной регрессии
- •3.2.4. Анализ статистической значимости коэффициентов линейной регрессии
- •3.3. Нелинейная регрессия
- •3.4. Характеристики парной регрессии
- •3.5. Множественная регрессия
- •3.6. Гомо- и гетероскедастичность остатков
- •Методы определения гетероскедастичности
- •Тест ранговой корреляции Спирмена
- •3.7. Резюме по теме.
- •3.8. Вопросы для повторения
- •4. Анализ временных рядов
- •4.1. Общие понятия
- •4.2. Понятие временного ряда
- •4.3. Основные понятия и модели анализа временных рядов
- •4.4. Трендовые модели генерации значений временного ряда.
- •4.5. Фильтрация и сглаживание временного ряда
- •4.5.1. Медианная фильтрация (сглаживание)
- •Проверка гипотезы о наличии тренда во временном ряде
- •4.6. Методы сглаживания временного ряда
- •4.6.1. Общие понятия
- •4.6.2. Аналитические методы
- •4.6.3. Метод скользящего среднего
- •4.6.4. Метод экспоненциально взвешенного скользящего среднего (метод Брауна)
- •4.7. Стационарные временные ряды
- •4.7.1. Основные понятия
- •4.7.2. Корреляционная функция
- •4.7.3. Использование автокорреляции для выявления структуры временного ряда
- •4.8. Модели авторегрессии стационарных временных рядов и их идентификация
- •4.8.1. Основные понятия
- •4.8.2. Модель авторегрессии 1-го порядка
- •4.8.3. Модель авторегрессии второго порядка
- •4.8.4. Оценивание параметров моделей авторегрессии. Метод инструментальных переменных.
- •4.9. Моделирование сезонных и циклических колебаний
- •4.9.1. Расчет сезонной компоненты и построение модели временного ряда
- •4.9.2. Использование сезонных фиктивных компонент при моделировании сезонных колебаний
- •4.10. Специфика изучения взаимосвязей по временным рядам. Исключение сезонных колебаний. Исключение тенденции.
- •4.10.1. Метод отклонений от тренда
- •4.10.2. Метод последовательных разностей
- •4.11. Резюме по теме.
- •4.12. Вопросы для повторения
- •5. Системы одновременных уравнений
- •5.1. Модель спроса и предложения
- •5.2. Структурная и приведённая форма системы
- •5.3. Идентифицируемость систем одновременных уравнений
- •5.4. Резюме по теме.
- •5.5. Вопросы для повторения
- •Задачник
- •Примеры решения типовых задач
- •Задачи для самостоятельного решения
- •Варианты задач
- •Нелинейные модели регрессии и их линеаризация
- •Решение типовых задач
- •Задачи для самостоятельного решения.
- •Варианты задач
- •Решение типовых задач.
- •Постановка задачи
- •Варианты для самостоятельного решения.
4.2. Понятие временного ряда
Последовательность (набор) данных х1, …,хn – называется временным рядом, в тех случаях, когда важным является порядок следования каждого из зарегистрированных значений; так как обычно данные получаются в результате их регистрации в определённые моменты времени.
Основная гипотеза при рассмотрении случайной величины (см. выше) заключается в предположении о независимости отдельных выборочных значений. В этих условиях данные можно перемешивать, меняя их местами, то есть выявить зависимость от времени в этих условиях нельзя. Строго говоря, любые данные представляют собой временной ряд, но в некоторых случаях зависимостью от времени можно пренебречь.
Когда возникает необходимость предсказания будущих значений в регистрируемой последовательности, адекватным является понятие временного ряда.
Предсказание будущих значений ряда может обоснованно осуществить только, если будет выявлено некоторая тенденция их поведения. Именно в силу наличия тенденции, оказывается важным порядок следования значений временного ряда.
Таким образом важнейшей задачей анализа временного ряда является определение схемы генерации их значений, которые описывают искомые тенденции.
4.3. Основные понятия и модели анализа временных рядов
К числу основных понятий относятся:
1. Тренд, фильтрация и сглаживание.
2. Автоковариация и спектральная плотность.
3. Модели генерации значений.
4.4. Трендовые модели генерации значений временного ряда.
Тренд – неслучайная функция времени, которая описывает основную тенденцию поведения временного ряда.
Рис.4
Рис.4 Пример непрерывной реализации временного ряда.
Обычное математическое представление трендовых моделей имеет вид:
xt = f(t) + (t), (3)
где f(t) – тренд;
(t) – «невязка», характеризующая неточность совпадения значений временного ряда со значениями тренда.
Предполагается выполнение условий несмещённости и некоррелированности:
E(t) = 0;
E(t1t2) = .
Более строго предполагаем, что t – имеет независимые значения. При этом, как последовательность она является стационарной в том смысле, что соотношение (150) и (151) выполняются при любых значениях t1 и t2, независимо от того, где их взяли (неизменной является и дисперсия).
Рис.5 Иллюстрация к представлению (3)
Задача заключается в определении (t) – как некой функции о времени, так как в этом случае появляется возможность осуществить предсказание значений временного ряда за пределами его интервалов регистрации.
Возникает проблема определения вида функции , которая в некотором смысле наилучшим образом позволяет экстраполировать данные за пределы их регистрации. Чаще всего в качестве меры отклонения временного анализа от гипотетического тренда используется оценка среднеквадратического отклонения:
Таким образом, основным принципом подбора функций тренда является принцип наименьших квадратов:
Для реализации этого принципа необходимо задавать конкретный вид функциональной зависимости (t).
Для разных временных рядов вид этой функциональной зависимости – разный, поэтому прежде чем переходить к минимизации следует провести разведочный анализ данных, которые могут дать ответ о действительном наличии некоторого тренда, и о приблизительном виде соответствующей функциональной зависимости
Рис.6. Примеры трендов.