- •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.
4.10.1. Метод отклонений от тренда
При этом вычисляют значения uxt, uуt, представляющие собой отклонения уровней Хt и Yt от их значений, рассчитанных по уравнениям трендов: и , . Затем измеряют корреляцию между этими отклонениями (и ), например, с помощью коэффициента корреляции:
.
Если предполагаемая функция регрессии линейная, то можно построить уравнение регрессии, измеряющее зависимость отклонения ux от отклонения uy = a+ b ∙ux. Параметры данного уравнения могут быть оценены с помощью МНК по формулам:
.
То есть решение имеет вид: .
Содержательная интерпретация параметра этой модели затруднительна. Так, параметр b показывает, настолько в среднем за период отклонилось значение Y от тренда при отклонении X от своего тренда на 1 единицу измерения.
Однако данное уравнение регрессии можно использовать для прогнозирования. Для этого необходимо определить трендовое значение факторного признака и оценить величину предполагаемого отклонения фактического значения X от трендового. Далее определяют по уравнению тренда Y значение . По уравнению регрессии отклонений от трендов находят величину . Затем находят точечный прогноз фактического значения по формуле: .
4.10.2. Метод последовательных разностей
При этом вычисляют разности между текущим и предыдущим уровнями, т.е. величины абсолютных цепных приростов: ∆yt = Yt – Yt-1; ∆хt = Xt – Xt-1.
Тогда показатель тесноты связи – коэффициент линейной корреляции абсолютных приростов будет выглядеть так:
Уравнение регрессии по абсолютным приростам:
∆yt =a+b∙∆xt.
В отличие от уравнения регрессии по отклонениям параметрам данного уравнения (по абсолютным разностям) легко дать интерпретацию. Параметр b показывает прирост Y в среднем при изменении прироста X на 1 единицу измерения. Параметр a характеризует прирост Y при нулевом приросте X.
Недостатком данного метода является сокращение числа пар наблюдений, т.е. потеря информации.
Разности первого порядка исключают автокорреляцию только в тех рядах динамики, в которых основной тенденцией является прямая линия.
Для рядов, с основной тенденцией близкой к экспоненте, следует рекомендовать исследовать корреляцию цепных коэффициентов (темпов) роста.
Для рядов, с основной тенденцией, близкой к параболе 2-го порядка, следует рекомендовать исследовать корреляцию конечных разностей второго порядка:; .
Если ряды динамики имеют разные типы тенденции, вполне допустимо коррелировать соответствующие разные цепные показатели: например, абсолютные измерения в одном ряду с темпами измерений в другом.
4.11. Резюме по теме.
Фактически любая случайная величина является временным рядом, если для исследователей важен характер изменения значений временного ряда во времени. Существует две основных цели анализа временных рядов: определение природы ряда и прогнозирование (предсказание будущих значений временного ряда по настоящим и прошлым значениям). Порядок как раз и важен при прогнозировании будущих значений ряда. Для этого определяется тенденция развития экономического процесса во времени – находится неслучайная компонента, зависящая от времени – тренд. После этого, зная, как формируются значения временного ряда по тенденции, можно делать прогноз. Существуют временные ряды, статистические свойства которых не изменяются по времени - стационарные временные ряды. Для них вводится понятие корреляционной функции – коэффициента корреляции между отстоящими друг от друга значениями ряда. С помощью автокорреляции можно выявлять структуру временного ряда. Также в этой главе рассмотрены модели авторегрессии временных рядов, в которых прогноз будущих значений формируется по предыдущим, расчет сезонной компоненты временного ряда и методы устранения тенденции.