- •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.
4.9.2. Использование сезонных фиктивных компонент при моделировании сезонных колебаний
При этом подходе строится модель регрессии, включающая наряду с фактором времени фиктивные переменные. Количество фиктивных переменных в модели должно быть меньше на единицу числа сезонов внутри года, т.е. равно L-1 в наших обозначениях. Например, при моделировании поквартальных данных модель должна содержать три фиктивные компоненты наряду с фактором времени.
Каждому сезону соответствует определенное сочетание значений фиктивных переменных. Тот из сезонов, для которого значения всех фиктивных переменных равны нулю, принимается за эталон сравнения. Для остальных сезонов одна из фиктивных переменных должна принимать значение, равное единице. Например, если имеются поквартальные данные, то значения фиктивных переменных (Z2, Z3, Z4) для каждого квартала будут следующими:
Квартал |
Z2 |
Z3 |
Z4 |
1 |
0 |
0 |
0 |
2 |
1 |
0 |
0 |
3 |
0 |
1 |
0 |
4 |
0 |
0 |
1 |
Общий вид модели будет следующим:
.
Уравнение тренда для каждого квартала будут иметь вид:
Для первого квартала: .
Для второго квартала: .
Для третьего квартала: .
Для четвертого квартала: .
Данные уравнения отличаются только величиной свободного члена уравнения регрессии. Параметр b в этой модели характеризует среднее абсолютное изменение уровней ряда под воздействием тенденции. Данная модель является аналогом аддитивной модели временного ряда.
Усреднив значения свободных членов в частных уравнениях регрессии, найдем их среднюю оценку - . Разность между средней оценкой и значением постоянного члена в уравнении регрессии для некоторого сезона дает оценку сезонного отклонения. Например, в случае поквартальных данных оценка сезонного отклонения может быть рассчитана следующим образом.
Для 1-го квартала: .
Для 2-го квартала: .
Для 3-го квартала: .
Для 4-го квартала: ,
где .
Заметим, что сумма сезонных отклонений в аддитивной модели должна равняться нулю.
4.10. Специфика изучения взаимосвязей по временным рядам. Исключение сезонных колебаний. Исключение тенденции.
Предположим, изучается зависимость между рядами Хt и Yt.
При моделировании взаимосвязи двух или более временных рядов могут возникнуть следующие проблемы.
1. Искажение показателей тесноты и силы связи:
если ряды содержат циклические или сезонные колебания одинаковой периодичности, то это приведет к завышению истинных показателей тесноты связи изучаемых временных рядов;
если только один из рядов содержит циклические или сезонные колебания или периодичность колебаний различна, то это приведет к занижению истинных показателей тесноты связи изучаемых временных рядов.
2. Проблема «ложной корреляции»:
если ряды имеют тренды одинаковой направленности, то между уровнями этих рядов всегда будет наблюдаться положительная корреляция, независимо от того, существует причинная связь между этими рядами или нет;
если ряды имеют тренды разной направленности, то корреляция рядов окажется отрицательной.
Для того, чтобы избавиться от данных проблем, необходимо устранить в уровнях ряда трендовую и сезонную (циклическую) компоненты.
Устранить сезонную компоненту в случае аддитивной модели можно, оценив абсолютные разности где L – число сезонов) и вычтя их из исходных уровней ряда. В случае мультипликативной модели необходимо оценить индексы сезонности – Isi (i=1;L, где L – число сезонов) и разделить исходные уровни ряда на них. Как рассчитать сезонные компоненты, см. в п. 4.9.
Чтобы избавиться от «ложной корреляции», необходимо исключить тенденцию из уровней ряда. Предположим, что по двум временным рядам Хi и Yi строится уравнение парной регрессии: . Обнаружить «ложную корреляцию» можно, проанализировав остатки в данном уравнении регрессии. Если имеет место автокорреляция остатков, то, следовательно, имеет место и «ложная корреляция», и наоборот.
Для устранения тенденции обычно применяют следующие методы.