- •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.
Задачи для самостоятельного решения.
Задана нелинейная спецификация модели
y = f(x,a,b,),
где y - зависимая, объясняемая переменная; x - независимая, объясняющая переменная; a, b - параметры модели, для которых должны быть получены оценки; - аддитивный или мультипликативный случайный фактор.
Требуется
1. Преобразовать исходные данные х х*, у у* так, чтобы модифицированная регрессия(спецификация) была линейной: y* = a*x* + b*.
2. Методом наименьших квадратов получить оценки параметров a*, b*.
3. По оценкам a*, b* вычислить искомые оценки параметров a, b исходной регрессии.
Варианты задач
Вариант 1 |
|
Вариант 2 |
|
Вариант 3 |
| |||||||||
y=b+a/x+e, a>0 |
y=b+a/x+e, a<0 |
y=1/(b+ax+e) | ||||||||||||
X |
Y |
X |
Y |
X |
Y | |||||||||
0,916292786 |
2,343363505 |
0,8754701 |
-1,26416 |
0,8554965 |
0,449422 | |||||||||
1,96776321 |
1,254419585 |
1,71458982 |
-0,14667 |
1,9269758 |
0,30483 | |||||||||
2,927757642 |
0,840675808 |
3,21629606 |
0,423662 |
3,2220226 |
0,163384 | |||||||||
4,075754243 |
0,711689435 |
4,29114476 |
0,488321 |
4,0471988 |
0,13331 | |||||||||
5,079008984 |
0,584852629 |
4,57218017 |
0,521846 |
5,1965291 |
0,106708 | |||||||||
5,922022819 |
0,561834353 |
5,52632472 |
0,662738 |
6,0097174 |
0,118901 | |||||||||
7,034135167 |
0,555505126 |
7,36311137 |
0,761182 |
7,0891826 |
0,114027 | |||||||||
8,033758859 |
0,438769487 |
8,16170418 |
0,785765 |
8,0076095 |
0,119111 | |||||||||
9,021557157 |
0,383531491 |
9,21670881 |
0,733856 |
8,8652203 |
0,097962 | |||||||||
9,940281582 |
0,35673309 |
9,54617082 |
0,805989 |
10,193225 |
0,100949 | |||||||||
11,0485224 |
0,364696832 |
11,218714 |
0,841907 |
10,784798 |
0,072188 | |||||||||
12,04614621 |
0,403594817 |
12,1501452 |
0,814111 |
11,993337 |
0,063631 | |||||||||
13,0913511 |
0,353969121 |
13,1276866 |
0,869817 |
13,170309 |
0,058044 | |||||||||
14,06678827 |
0,316563563 |
14,2371927 |
0,827654 |
14,246495 |
0,064075 | |||||||||
15,08004542 |
0,305715214 |
15,3580428 |
0,824779 |
15,215612 |
0,054045 | |||||||||
15,91655332 |
0,251197241 |
16,1246149 |
0,88135 |
16,110331 |
0,050658 | |||||||||
16,94457031 |
0,375252251 |
16,931787 |
0,911042 |
16,859436 |
0,049641 | |||||||||
17,97281252 |
0,340207852 |
18,3341632 |
0,893731 |
17,871849 |
0,049417 | |||||||||
19,08744601 |
0,346897736 |
18,9035464 |
0,888224 |
19,22026 |
0,052684 | |||||||||
20,06500789 |
0,371743311 |
20,2874912 |
0,867629 |
20,077762 |
0,049665 | |||||||||
|
|
|
|
|
| |||||||||
Вариант 4 |
Вариант 5 |
Вариант 6 | ||||||||||||
y=x/(b+ax+xe), b<0 |
y=beax+, a>0 |
y=beax+, a<0 | ||||||||||||
X |
Y |
X |
Y |
Х |
У | |||||||||
0,70420704 |
0,63955744 |
11,6396592 |
4,198294 |
0,5366679 |
2,476816917 | |||||||||
0,89923496 |
0,54089936 |
21,6591799 |
5,322306 |
2,1629918 |
2,148240118 | |||||||||
1,09888702 |
0,46827711 |
29,1876072 |
4,401264 |
5,6388971 |
1,48530221 | |||||||||
1,29707832 |
0,45920069 |
40,3866137 |
5,100606 |
6,6146724 |
0,720592743 | |||||||||
1,49528961 |
0,42137335 |
50,7178631 |
7,306009 |
6,0234452 |
0,980893256 | |||||||||
1,6981285 |
0,40428899 |
61,0099721 |
7,35836 |
8,3310035 |
0,847704349 | |||||||||
1,89728299 |
0,41258312 |
67,672226 |
7,862084 |
11,941435 |
0,69897142 | |||||||||
2,1033694 |
0,38231339 |
77,60817 |
9,336061 |
13,424995 |
0,440162518 | |||||||||
2,29960467 |
0,39186135 |
89,597099 |
9,166467 |
14,966856 |
0,416734365 | |||||||||
2,50444049 |
0,37504088 |
101,146367 |
10,59379 |
18,857232 |
0,300226709 | |||||||||
2,69922199 |
0,37496435 |
108,643187 |
12,63302 |
17,876686 |
0,242781254 | |||||||||
2,90475386 |
0,37768223 |
122,25779 |
13,38357 |
20,195971 |
0,215156615 | |||||||||
3,10047027 |
0,37075987 |
128,751711 |
16,49389 |
23,728978 |
0,167938169 | |||||||||
3,29967405 |
0,36672255 |
139,348075 |
14,28992 |
28,313203 |
0,10080251 | |||||||||
3,49606573 |
0,35425163 |
152,431781 |
16,39134 |
27,86847 |
0,110097072 | |||||||||
3,69843332 |
0,38441035 |
158,473867 |
16,49684 |
28,815883 |
0,15055619 | |||||||||
3,90438351 |
0,35441752 |
168,614341 |
26,37435 |
31,888705 |
0,06017931 | |||||||||
4,10321173 |
0,34595593 |
177,931078 |
28,1961 |
33,174267 |
0,09264964 | |||||||||
4,30211311 |
0,34304271 |
190,000015 |
29,44732 |
36,903934 |
0,039875002 | |||||||||
4,49944876 |
0,3662169 |
199,128989 |
34,0054 |
38,042099 |
0,041178868 | |||||||||
|
|
|
|
| ||||||||||
Вариант 7 |
Вариант 8 |
| ||||||||||||
y= |
y=bxae |
| ||||||||||||
X |
Y |
X |
Y |
| ||||||||||
-0,00252 |
0,166794139 |
0,009794792 |
0,14078981 |
| ||||||||||
0,443184 |
0,249817398 |
0,459925478 |
1,16110718 |
| ||||||||||
0,876557 |
0,331910788 |
0,910385205 |
1,61777144 |
| ||||||||||
1,333027 |
0,39546292 |
1,359584249 |
1,8328449 |
| ||||||||||
1,824995 |
0,591862697 |
1,809630841 |
1,79206784 |
| ||||||||||
2,249678 |
0,725425424 |
2,259900787 |
2,11692549 |
| ||||||||||
2,655618 |
0,703094349 |
2,7104565 |
3,00795428 |
| ||||||||||
3,100252 |
0,837453134 |
3,159862068 |
2,25212249 |
| ||||||||||
3,647639 |
0,726742863 |
3,61036957 |
2,58588532 |
| ||||||||||
4,036611 |
0,90607963 |
4,060197961 |
3,52239107 |
| ||||||||||
4,530949 |
0,904472473 |
4,510194061 |
3,29816294 |
| ||||||||||
4,919404 |
0,978331982 |
4,959930223 |
3,2486891 |
| ||||||||||
5,437894 |
0,995397311 |
5,409966221 |
4,20983394 |
| ||||||||||
5,832266 |
1,007182224 |
5,860071196 |
4,31512473 |
| ||||||||||
6,254228 |
0,881896314 |
6,310487825 |
3,97940274 |
| ||||||||||
6,744444 |
1,056702531 |
6,759799248 |
3,36234716 |
| ||||||||||
7,153382 |
1,250786629 |
7,209525218 |
4,67512974 |
| ||||||||||
7,637258 |
0,946742301 |
7,659749875 |
3,73258773 |
| ||||||||||
8,086705 |
1,113236265 |
8,109978847 |
5,15949126 |
| ||||||||||
8,502151 |
0,972237843 |
8,560343099 |
4,02303078 |
| ||||||||||
|
|
|
|
|
|
|
|
|
Проверка гипотезы о наличии тренда во временном ряде. Методы сглаживания временного ряда.
Краткое изложение используемых методов решения и основных теоретических положений
Проверка гипотезы стационарности временного ряда - начальный этап сглаживания. Даны значения временного ряда x(1), x(2),..., x(n). Необходимо определить, имеет ли этот ряд неслучайную компоненту, зависящую от времени - тренд.
Пусть xmed - выборочная медиана этого временного ряда. Образуем ряд z(1), z(2),..., z(n) следующим образом:
z(i) = знак(x(i) - xmed).
Серия - это группа подряд идущих +1 или -1. Обозначим (n) - количество серий; (n) - длина самой протяжённой серии.
Критерий, основанный на выборочной медиане состоит в следующем:
если выполняются оба неравенства
,
,
тогда с вероятностью, заключённой между 0,9025 и 0,95 делается вывод о неизменности среднего значения ряда и об отсутствии тренда. Если хотя бы одно из неравенств не выполняется, тогда с такой же вероятностью следует сделать вывод о наличии тренда.
После того, как установлено, что временной ряд имеет тренд, необходимо выделить этот тренд. Процедура выделения тренда временного ряда называется сглаживанием. Выделение тренда из временного ряда эквивалентно удалению нерегулярной, случайной компоненты временного ряда, после чего этот ряд приобретает «гладкий» вид. По этой причине выделение тренда называется сглаживанием.
Методы выделения тренда (сглаживания) можно условно разделить на два типа:
1) аналитические,
2) алгоритмические.
Аналитические методы основаны на допущении, что известен общий вид, спецификация неслучайной составляющей. Например, тренд ряда может иметь линейную спецификацию
f(t) = 0 + 1t..
Тогда задача выделения тренда сводится к построению оценок для параметров 0, 1. Эти методы называются аналитическими, потому что позволяют получить аналитическое выражение тренда.
Алгоритмические методы не используют предположение о виде тренда, поэтому имеют более широкую область применения. Алгоритмические методы заключаются в выработке алгоритма, способа расчёта значения величины тренда для любого заданного момента времени.
Аналитические методы
Временной ряд представляется в виде модели регрессии
x(t) = f(t;) + (t), t = 1, 2, …, n.
Далее применяются методы регрессионного анализа для получения вектора оценок .
Метод скользящего среднего
В основном методы алгоритмического сглаживания – это различные модификации скользящего среднего.
В основе этих методов лежит следующее соображение: если индивидуальный разброс значений временного ряда x(t) вокруг тренда f(t) характеризуется дисперсией 2, то разброс среднего из N членов временного ряда (x(1) +x(2) +…+ x(N))/N около того же значения будет характеризоваться дисперсией 2/N.
Алгоритм скользящего среднего заключается в следующем:
где wk – некоторые весовые коэффициенты, в сумме равные 1, т.е.
.
Поскольку, изменяя t от m+1 до n-m диапазон суммирования скользит по временному ряду (при переходе от t к t+1 в составе слагаемых происходит замена только одного слагаемого x(t – m) слагаемым x(t + m + 1)), то и методы, основанные на формуле (1) называются методами скользящего среднего (МСС).
Один МСС отличается от другого выбором параметров m и весов wk.
Веса определяются из следующей таблицы
m |
веса |
1 |
1/3, 1/3, 1/3 (средняя арифметическая) |
2 |
-3/35, 12/35, 17/35, 12/35, –3/35 |
3 |
–2/21, 3/21, 6/21, 7/21, 6/21, 3/21, –2/21 |
Метод экспоненциально взвешенного скользящего среднего (метод Брауна)
Методы скользящего среднего основываются на том, что все значения временного ряда имеют одинаковую информационную ценность. Однако в задачах прогноза, в которых сглаженная функция используется обычно для формирования прогнозов на несколько тактов вперёд, недавние значения x(t) очевидно ценнее, чем значения ряда в далёком прошлом, так как ряд далее будет вести себя так, какова сформировавшаяся тенденция в настоящем и недалёком прошлом.
Эта идея реализована в методе экспоненциально взвешенного скользящего среднего Брауна
Таким образом, значения временного ряда тоже сглаживаются, однако существуют следующие отличия от обычного МСС
1) скользит только правый край интервала усреднения(левый край закреплён в точке t = 1)
2) веса при x(t – k) экспоненциально уменьшаются по мере «удаления в прошлое»,
3) формула (2) даёт оценку сглаженного значения временного ряда не в средней, а в правой, конечной точке усреднения,
4) нет проблемы крайних значений.
Дисперсия остаточной случайной компоненты после сглаживания
,
где - остаточная нерегулярная компонента после сглаживания.
2 = Dx(t);
поэтому при значениях , не слишком близких к 1, и для достаточно удалённых от прошлого значений t случайные остатки подвержены существенно меньшему разбросу.
Рекуррентный способ вычисления сглаженных значений .
;