- •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.
4.8. Модели авторегрессии стационарных временных рядов и их идентификация
4.8.1. Основные понятия
Необходимо формировать такие модели нерегулярной компоненты (t), которые бы позволили формировать прогнозы их значений по уже известным значениям (t) в предыдущие моменты времени в отличие от классической регрессионной модели, в которой по известным значениям спецификация полностью определена, а будущие значения вычисляются простой подстановкой в модель времени t.
Такие модели, в которых прогноз будущих значений формируется по предыдущим, называются авторегрессионными.
Стационарный временной ряд (t) называется «белым шумом», если
M(t) = 0,
Таким образом, при любом сколь угодно малом значения (t), (t+) независимы.
4.8.2. Модель авторегрессии 1-го порядка
Достаточно большой класс стационарных временных рядов, имеющих смысл нерегулярной компоненты экономического временного ряда, могут быть представлены следующим образом
(t) = (t – 1) + (t), (3)
где || < 1.
Из представления (3) следует, что (t) формируется только на основе предыдущего значения (t–1) и не зависит от всех прошлых. При этом на значение (t) влияние текущее значение возмущения (t).
Процессы авторегрессии 1-го порядка также называются марковскими.
Для марковских процессов доказано, что
1) M(t) = 0,
2) K() = ,
Таким образом, большое положительное (близкое к 1) значение означает сильную коррелированность значений временного ряда, отстоящих на небольшое значение , и медленное затухание этой зависимости с ростом . Временной ряд при таких имеет более плавный характер. При малом значении степень зависимости значений временного ряда быстро уменьшается. При этом ряд имеет более изрезанный «дёрганный характер».
K(1) = ,
то есть величина – это коэффициент корреляции соседних значений временного ряда.
3)
Из последнего соотношения следует, что, если значение || близко к 1, тогда дисперсия (t) будет значительно больше дисперсии возмущения (t). То есть, если соседние значения ряда (t) сильно коррелированны, то ряд довольно слабых возмущений (t) будет порождать размашистые колебания остатков (t).
Из соотношения
K(1) = ,
следует способ идентификации модели авторегрессии 1-го порядка.
Оценка величины формируется как оценка корреляционной функции в точке 1:
.
4.8.3. Модель авторегрессии второго порядка
(t) = 1(t – 1) + 2(t – 2) + (t).
Условие стационарности (t):
|1| < 2,
2 < 1 – |1|.
Доказано, что
;
;
на основе этих соотношений строятся оценки параметров 1, 2.
Для корреляционных функций процессов авторегрессии 2-го порядка уже не удаётся получить аналитическое выражение для корреляционной функции, однако существует рекуррентный алгоритм вычисления всех значений:
K() = 1K( – 1) + 2K( – 2).
20 = 2 – 1K(1) – 2K(2).
4.8.4. Оценивание параметров моделей авторегрессии. Метод инструментальных переменных.
При построении моделей авторегрессии:
уt=a + b0 xt + c1 yt-1 + ut
возникает проблема: нарушается 1-я предпосылка нормальной линейной модели регрессии об отсутствии связи между факторным признаком и случайной составляющей. В модели авторегрессии факторный признак уt-1 связан со случайной составляющей ut-1. Поэтому применение обычного МНК для оценки параметров уравнения регрессии приводит к получению смещенной оценки параметра при переменной уt-1.
Для оценивания параметров уравнения регрессии может быть использован метод инструментальных переменных.
Суть метода инструментальных переменных состоит в следующем.
Переменную уt-1 из правой части уравнения, для которой нарушается предпосылка МНК, заменяют на новую переменную, удовлетворяющую следующим требованиям:
1) она должна тесно коррелировать с уt-1;
2) она не должна коррелировать со случайной составляющей ut.
Затем оценивают регрессию с новой инструментальной переменной с помощью обычного МНК.
Рассмотрим один из методов получения инструментальной переменной. Так как уt зависит от хt, предположим, что имеет место зависимость уt-1 от хt-1, т.е.
Оценка может быть найдена с помощью обычного МНК.
Новая переменная тесно коррелирует с уt-1 и не коррелирует со случайной составляющей ut, т.е. может служить инструментальной переменной для фактора уt-1.
В результате модель авторегрессии примет вид:
().
Оценки параметров данной модели находят обычным МНК. Полученные оценки являются искомыми оценками модели авторегрессии.
Отметим, что практическая реализация метода инструментальных переменных осложняется появлением проблемы мультиколлинеарности факторов в модели: функциональная связь между и хt-1 () приводит к появлению высокой корреляционной связи между и xt. В некоторых случаях эту проблему можно решить включением в модель фактора времени t.