- •Лекции по эконометрике Учебное пособие Введение
- •1. Предмет и методы эконометрики
- •1.1. Предмет и методы эконометрики
- •1.2. Характеристика взаимосвязей
- •1.3. Основные этапы построения эконометрической модели
- •1.4. Методы отбора факторов
- •1.4.1. Эконометрические переменные
- •1.4.2. Методика отбора факторов для включения в модель
- •1.5. Выбор вида эконометрической модели
- •1.6. Оценка параметров моделей
- •1.7. Примеры эконометрических моделей
- •Контрольные вопросы
- •2. Парный регрессионный анализ
- •2.1. Понятие парной регрессии
- •2.2. Построение уравнения регрессии
- •2.2.1. Постановка задачи
- •2.2.2. Спецификация модели
- •2.3. Оценка параметров линейной парной регрессии
- •2.4. Оценка параметров нелинейных моделей
- •2.5. Качество оценок мнк линейной регрессии. Теорема Гаусса-Маркова
- •2.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •2.7. Коэффициенты корреляции. Оценка тесноты связи
- •2.8. Точность коэффициентов регрессии. Проверка значимости
- •2.9. Точечный и интервальный прогноз по уравнению линейной регрессии
- •2.10. Коэффициент эластичности
- •Контрольные вопросы
- •3. Множественный регрессионный анализ
- •3.1. Понятие множественной регрессии
- •3.2. Отбор факторов при построении множественной регрессии
- •3.2.1. Требования к факторам
- •3.2.2. Мультиколлинеарность
- •3.3. Выбор формы уравнения регрессии
- •3.4. Оценка параметров уравнения линейной множественной регрессии
- •3.5. Качество оценок мнк линейной множественной регрессии. Теорема Гаусса-Маркова
- •3.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •3.7. Точность коэффициентов регрессии. Доверительные интервалы
- •3.8. Частные уравнения регрессии. Частная корреляция
- •3.9. Обобщенный метод наименьших квадратов. Гетероскедастичность
- •3.9.1. Обобщенный метод наименьших квадратов
- •3.9.2. Обобщенный метод наименьших квадратов в случае гетероскедастичности остатков
- •3.10. Проверка остатков регрессии на гетероскедастичность
- •3.11. Построение регрессионных моделей при наличии автокорреляции остатков
- •3.12. Регрессионные модели с переменной структурой. Фиктивные переменные
- •3.12.1. Фиктивные переменные
- •3.12.2. Тест Чоу
- •3.11. Проблемы построения регрессионных моделей
- •Контрольные вопросы
- •4. Системы эконометрических уравнений
- •4.1. Структурная и приведенная формы модели
- •4.2. Оценка параметров структурной формы модели
- •4.3. Косвенный метод наименьших квадратов
- •4.4. Двухшаговый метод наименьших квадратов
- •4.5. Трехшаговый метод наименьших квадратов
- •Контрольные вопросы
- •5. Моделирование одномерных временных рядов и прогнозирование
- •5.1. Составляющие временного ряда
- •5.2. Автокорреляция уровней временного ряда
- •5.3. Моделирование тенденции временного ряда
- •5.3.1. Методы определения наличия тенденции
- •5.3.2. Сглаживание временного ряда по методу скользящей средней
- •5.3.3. Метод аналитического выравнивания
- •5.3.4. Выбор вида тенденции
- •5.3.5. Оценка адекватности и точности модели тенденции
- •5.4. Моделирование периодических колебаний
- •5.4.1. Выделение периодической компоненты по методу скользящей средней
- •5.4.2. Моделирование сезонных колебаний с помощью фиктивных переменных
- •5.4.3 Моделирование сезонных колебаний с помощью гармонического анализа
- •5.5. Прогнозирование уровней временного ряда на основе кривых роста.
- •5.5.1. Метод аналитического выравнивания
- •5.6. Адаптивные модели прогнозирования
- •5.6.1. Понятие адаптивных методов прогнозирования
- •5.6.2. Экспоненциальное сглаживание
- •5.6.3. Использование экспоненциальной средней для краткосрочного прогнозирования
- •5.6.4. Адаптивные полиномиальные модели
- •5.7. Исследование взаимосвязи двух временных рядов
- •5.8. Коинтеграция временных рядов
- •Контрольные вопросы
- •6. Линейные модели стохастических процессов
- •6.1. Стационарные стохастические процессы
- •6.1.1. Основные понятия
- •6.1.2. Параметрические тесты стационарности
- •6.1.3. Непараметрические тесты стационарности
- •6.2. Линейные модели стационарных временных рядов. Процессы arma
- •6.2.1. Модели авторегрессии (ar)
- •6.2.2. Модели скользящего среднего (ma)
- •6.2.3. Модели авторегрессии-скользящего среднего (arma)
- •6.3. Автокорреляционные функции
- •6.3.1. Автокорреляционная функция
- •6.3.2. Частная автокорреляционная функция
- •6.4. Прогнозирование arma-процессов
- •6.4.3. Arma-процессы
- •6.5. Нестационарные интегрируемые процессы
- •6.5.1. Нестационарные стохастические процессы. Нестационарные временные ряды
- •6.5.2. Тесты Дики-Фуллера
- •6.5.3. Модификации теста Дики-Фуллера для случая автокорреляции
- •6.5.4. Метод разностей и интегрируемость
- •6.6. Модели arima
- •6.6.1. Определение и идентификация модели
- •Контрольные вопросы
- •6.6.2. Прогнозирование arima-процессов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика динамических моделей
- •7.2. Модели с распределенным лагом
- •7.2.1. Оценка параметров модели с распределенным лагом методом Койка
- •7.2.2. Оценка параметров модели с распределенным лагом методом Алмон.
- •7.2.3. Интерпретация параметров
- •7.3. Модели авторегрессии
- •7.3.1. Интерпретация параметров
- •7.3.2. Оценка параметров моделей авторегрессии
- •7.4. Модель частичной корректировки
- •7.5. Модель адаптивных ожиданий
- •Контрольные вопросы
- •8. Информационные технологии эконометрических исследований
- •8.1. Электронные таблицы Excel
- •8.2. Статистический пакет общего назначения statistica
- •8.3. Эконометрические программные пакеты. Matrixer 5.1
- •8.4. Анализ временных рядов в системе эвриста
- •Контрольные вопросы
- •Глоссарий
5.4. Моделирование периодических колебаний
5.4.1. Выделение периодической компоненты по методу скользящей средней
Простейшим приемом выделения периодической компоненты основано на использовании сглаживания временного ряда по методу простой скользящей средней. Предварительно следует определиться с видом модели временного ряда – аддитивной или мультипликативной. Это можно сделать на основе анализа график временного ряда. Если амплитуда периодических колебаний примерно постоянна, то следует выбрать аддитивную модель
Y = T + S + E,
в которой амплитуда колебаний периодической компоненты предполагается постоянной, не зависящей от времени. Если амплитуда периодических колебаний возрастает с ростом уровней ряда, то следует выбрать мультипликативную модель временного ряда
Y = T ∙ S ∙ E.
Выделение периодической компоненты основывается на том, что если исходный временной ряд содержит периодическую компоненту с периодом g, то сглаженный по методу простой скользящей средней временной с интервалом сглаживания g такой компоненты уже не содержит. Таким образом, в случае аддитивной модели периодическая компонента выделяется путем нахождения разности (Y–Yсгл) между соответствующими уровнями исходного и сглаженного ряда. В случае мультипликативной модели периодическая компонента выделяется путем нахождения отношения (Y/Yсгл) между соответствующими уровнями исходного и сглаженного ряда. Затем вычисляется средние значения, соответствующие наблюдениям внутри одного периода колебаний. для применения этого метода необходимо иметь данные наблюдений в течение не менее 3-4 периодов.
5.4.2. Моделирование сезонных колебаний с помощью фиктивных переменных
Рассмотрим метод моделирования временного ряда, содержащего сезонные колебания, основанный на включении в модель фиктивных переменных. Количество фиктивных переменных принимается равным числу наблюдений в пределах одного цикла колебаний без единицы. Например, при моделировании посезонных данных необходимо ввести три дополнительные переменные
(5.32)
Зиме в этом случае соответствуют нулевые значения всех фиктивных переменных. Уравнение регрессии с учетом фиктивных переменных принимает вид
. (5.33)
Уравнению (5.32) соответствуют четыре уравнения для каждого сезона отдельно:
–
весна;
–
лето;
–
осень;
–
зима.
Коэффициенты ci характеризуют отклонение уровней первых трех сезонов по отношению к последнему. Поэтому модель с фиктивными переменными может рассматриваться как частный случай аддитивной модели временного ряда.
5.4.3 Моделирование сезонных колебаний с помощью гармонического анализа
Согласно гармоническому анализу, временной ряд представляется как совокупность гармонических колебательных процессов. Для каждой точки этого ряда справедливо выражение
(5.34)
Здесь уt – фактический уровень ряда в момент (интервал) времени t; f(t) – выравненный уровень ряда в тот же момент времени, аk, bk – параметры колебательного процесса (гармоники) с номером k, в совокупности оценивающие размах (амплитуду) отклонения от общей тенденции и сдвиг колебаний относительно начальной точки.
Общее число колебательных процессов, которые можно выделить для ряда, состоящего из n уровней, равно n/2. Обычно ограничиваются меньшим числом наиболее важных гармоник. Параметры гармоники с номером k определяются по формулам:
(5.35)
Этот метод хорошо подходит для аналитического выражения сезонных колебаний, имеющих синусоидальную форму. Если ограничиться первой гармоникой, то модель периодических колебаний принимает вид
, (5.36)
где
. (5.37)
