- •0.1. Эконометрика как наука.
- •0.2. История возникновения эконометрики
- •0.3.Элементы теории вероятности.
- •0.3.1. Вероятностные характеристики случайных переменных
- •0.3.2.Законы распределения:
- •0.3.3 Условное математическое ожидание
- •0.4.Элементы математич статистики
- •0.4.1.Оценивание «хороших» св-в оценок
- •1) Состоятельность оценок
- •2) Несмещенность оценок
- •3) Эффективность оценок
- •0.4.2. Проверка гипотез и интервальное оценивание
- •1.1 Определение линейной однофакторной регрессии.
- •1.1.1.Основные понятия регрессионного анализа
- •1.1.2. Линейная однофакторная регрессия
- •1.1.3. Матричная запись линейной регрессии
- •1.1.4 Оценки параметров регрессии
- •1.1.5 Смысл коэффициента регрессии
- •1.2 Проверка адекватности ру
- •1.2.1 Показатели качества подгонки
- •1.3 Предпосылки мнк (ls)
- •1.3.1. Общие положения мнк
- •1.3.2. Выполнение первой предпосылки мнк (случайный характер остатков)
- •1.3.5 Выполнение 4-го условия мнк (отсутствие автокорреляции остатков)
- •1.3.6 Выполнение 5-го условия мнк (нормальность остатков)
- •1.4. Устранение нарушения предпосылок мнк для оценки парной регрессии
- •1.3.4. Выполнение третьей предпосылки мнк (гомоскедастичность остатков)
- •1.4.1. Автокорреляция остатков
- •1.4.2.Гетероскедастичность остатков и избавление от нее
- •1 Подход: преобразование исходных данных
- •2 Подход: применение другого метода оценивания коэф-ов регрессии.
- •3 Подход) включение дисперсии в модель
- •1.4.3. Метод максимального правдоподобия.
- •2.1 Множественная линейная регрессия
- •2.1.1. Основные понятия
- •2.1.2. Методы оценивания коэффициентов линейной многофакторной регрессии.
- •2.2.Проверка адекватности уравнений линейной множественной регрессии
- •2.2.1. Проверка качества подборки мнк.
- •2.2.2.Проверка гипотез для млр
- •2.2.3. Допущение выполнения мнк или получение «хороших» оценок
- •2.3. Мультиколлинеарность факторов
- •2.3.1. Обнаружение мультиколлинеарности
- •2.3.2 Избавление от мультиколлинеарности. Метод главных компонент
- •2.4.Учет качественных факторов
- •2.4.1.Множественные переменные
- •2.4.2. Фиктивные переменные
- •2.4.3. Структурные изменения тенденций. Тест Чоу.
- •2.4.4. Модели бинарного выбора
- •3.1.Виды нелинейной зависимости
- •3.1.1.Основные понятия
- •3.1.2. Методы оценивания линеаризуемых функций:
- •3.2.Проверка адекватности нелинейной регрессии
- •3.2.1. Показатели качества подгонки
- •3.1.3. Нелинеаризуемые функции и методы их оценки
- •1 .Квазиньютоновский
- •2.Симплекс-метод
- •3.Метод Хука-Дживса
- •3.2.2. Проверка гипотезы о значимости нелинейных моделей
- •3.2.3. Проверка выполнения условий для получения «хороших» оценок методом оценивания
- •3.3.Выбор типа зависимости
- •3.3.1. Теоретические предпосылки
- •3.3.2. Процедура Бокса – Кокса и тест Зарембеки
- •Тест Зарембеки
- •3.3.3.Производственные функции (пф)
- •3.3.4. Коэффициент эластичности
- •3.4.Спецификация и прогноз регрессионных уравнений
- •3.4.1. Информационные критерии (критерий Акайке, Шварца)
- •3.4.2. Ложная регрессия
- •3.4.3. Прогноз по регрессионным моделям. Доверительный интервал.
- •3.4.4. Применение регрессионного анализа в хеджировании
- •4.1.Понятие и виды сру
- •4.1.1. Система независимых уравнений
- •4.1.2. Системы рекурсивных уравнений
- •4.2. Структурный и приведенный виды сру
- •4.3 Идентификация модели
- •4.4 Оценка параметров сру
- •4.4.1.Кмнк.
- •4.4.2.Дмнк.
- •4.4.3.Тмнк.
- •5.8.2 Доверительный интервал в прогнозах
- •5.8.3 Общая схема прогнозирования на основе временных рядов
- •5.1 Общие положения о временных рядах
- •§ 5.2.1. Модель Брауна
- •§ 5.2.2. Модель Хольта.
- •5.2.Адаптивные модели.
- •5.2.3. Модель Хольта-Уинтерса
- •5.4Оценка тренда
- •5.4.1Параметрические методы оценки тренда
- •5.4.2. Метод скользящих средних
- •5.5 Оценка сезонной компоненты.
- •Аддитивная сезонная модель:
- •5.5.1 Оценка сезонной компоненты с помощью тригонометрических функций.
- •5.5.2. Метод сезонных индексов.
- •5.5.3. Прогнозирование сезонной компоненты
- •5.6. Моделирование стационарных случайных процессов
- •5.6.1. Авторегрессионные модели
- •Процесс Юла
- •Моделирование стационарных процессов
- •5.6.3Модель скользящей средней.
- •5.6.4Модель арсс (аrма)
- •5.6.5 Модели ap проинтегрированного скользящего среднего (арпсс).
- •Спектральный анализ Фурье.
- •5.7Спектральная плотность случайного процесса.
- •Различные параметры спектров.
- •5.8Прогнозирование временных рядов.
- •5.8.1 Адекватность математических моделей временных рядов.
- •Параметрические
- •Непараметрические
- •5.7. Периодограмма и спектрограмма
- •5.6.2.Понятие автокорреляции и частная автокорреляция
- •Следствия автокорреляции остатков
5.7Спектральная плотность случайного процесса.
Пусть дан случайный процесс . Для него можно будет рассмотреть последовательность ковариаций , ,
Для последовательности можно будет определить преобразование Фурье: - угловая частота.
Величина - спектральная плотность случайного процесса. Ее график спектр. Ординаты могут быть очень большими переход к log уменьшает эти значения в таких случаях удобнее вычерчивать спектр с log спектром плотности в качестве ординат.
Спектральная плотность отражает вклад тригонометрической компоненты с частотой и периодом , дисперсия стационарного процесса, представляющая > или < регулярные колебания всплески графика спектра на частоте указывают на наличие периодической компоненты с данной частотой (обратная величина периода). Иногда спектр, как средство улавливания периодичных данных сравнивают с устройством настройки в радиоприемнике, как звук появляется при подборе нужной частоты, так и спектр обнаруживается при наличии колеблемой компоненты с найденной частотой.
Интерпретация спектра не так проста. Трудности при интерпретации связаны с тем, что в спектре наблюдаются такие свойства как эхо эфф., боковые пики, влияние тренда. Если в ряде содержатся колебания частоты альфа, то спектр будет иметь пик в этой точке, но в самом ряде будут присутствовать также другие колебания. Тогда и в спектре появятся пики на низких частотах. Это эхо эффект.
Боковые пики: если в спектре имеется пик в (.) , то появляется ряд меньших пиков в (.) в которых sin достигает мах, а именно в (.)
На графиках основные пики сопровождены по величине боковыми пиками, очень трудно, часто невозможно определить являются ли пики побочным эффектов или нет. Проблемы при интерпретации спектра частично решаются сложением спектра некоторыми спектральными окнами.
Спектральное окно – функция частоты, определяющая весовую функцию, используемую при оценке спектральной плотности . Спектральное окно выбирается обычно зависящим от длины временным рядом. Разные авторы предложили ряд различных функций, можно отметить спектральные окна введенные Бартлетом, Блэкманом, Дерихле. Именно эти функции часто используются в компонентных программах, выполняющих разложение Фурье.
Различные параметры спектров.
- теоретический спектр белого шума - горизонтальная линия с ординатой .
- АР (1), - АР (2), - если в данных имеется линейный тренд, то спектр будет выражаться кривой с высоким пиком в начале отсчета. Фактически в этом анализе тренд трактуется как длинная волна с 0 частотой.
- если спектр имеет беспорядочный вид, в данных сезонности не существует.
Вывод:
Спектр позволяет определить на только частоту периодических колебаний, но и общую структуру случайного процесса:
- беспорядочные колебания
- определение порядка АР
- определение порядка тренда. Спектр, характеризуя структуру временного ряда, позволяет определить возможные варианты модели прогнозирования временного ряда.