Метод исследования ИЭПП

Метод исследования ИЭПП. В данной главе курсовой работы мы рассмотрим расчеты значений различных экономических показателей Российской Федерации на период с мая по июль 0000г построенные на основе моделей временных рядов, разработанных в результате исследований, проводимых в течение последних нескольких лет в ИЭПП См например, Энтов Р.М Дробышевский, В.П. Носко С.М Юдин А.Д. 0000 , Эконометрический анализ динамических рядов основных макроэкономических показателей, Москва, ИЭПП Р.М.Энтов, В.П.Носко, А.Д.Юдин, П.А.Кадочников, С.С.Пономаренко 0000 , Проблемы прогнозирования некоторых макроэкономических показателей, Москва, ИЭПП В. Носко, А. Бузаев, П. Кадочников, С. Пономаренко 0000 , Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий, Москва, ИЭПП. Представляемые прогнозы имеют инерционный характер, поскольку соответствующие модели учитывают динамику данных до момента построения прогноза и особенно сильно зависят от тенденций, характерных для временного ряда в период непосредственно предшествующий интервалу времени, для которого строится прогноз.

Данные оценки будущих значений экономических показателей Российской Федерации могут быть использованы нами для сравнительного анализа реального исполнения бюджета представляемых мной в главе 0 настоящей курсовой работы.

Итак, несмотря на наличие значительного объема данных, относящихся к периоду до кризиса 0000 года, анализ и построение моделей для прогнозирования производились лишь на временном интервале после августа 0000 года. Это обусловлено результатами предыдущих исследований Там же, одним из основных выводов которых является то, что учет данных докризисного периода в большинстве случаев ухудшает качество прогнозов.

Оценка моделей рассматриваемых экономических показателей проводилась по стандартным методикам анализа временных рядов.

На первом шаге анализировались кореллограммы исследуемых рядов и их первых разностей с целью определения максимального количества запаздывающих значений, которые необходимо включать в спецификацию модели.

Затем, исходя из результатов анализа кореллограмм, все ряды тестировались на слабую стационарность или стационарность около тренда при помощи теста Дикки-Фуллера.

В некоторых случаях проводилось тестирование рядов на стационарность около сегментированного тренда при помощи тестов на эндогенные структурные сдвиги Перрона или Зивота-Эндрюса См. Perron, P. 0000 Further Evidence on Breaking Trend Functions in Macroeconomic Variables, Journal of Econometrics, 00, pp. 000-000 Zivot, E. and D.W.K. Andrews 0000 Further Evidence on the Great Crash, the Oil-Price Shock, and Unit-Root Hypothesis.

Journal of Business and Economic Statistics 00, pp. 000-000. После разделения рядов на слабостационарные, стационарные около тренда, стационарные около тренда со структурным сдвигом либо стационарные в разностях, для каждого из них были оценены соответствующие его типу модели в уровнях, если необходимо, то с включением тренда либо сегментированного тренда, либо в разностях. На основе информационных критериев Акаике и Шварца, а также свойств остатков моделей отсутствие автокоррелированности, гомоскедастичность, нормальность и качества ретропрогнозов, полученных на их основе, из этих моделей выбиралась лучшая.

Расчеты прогнозных значений проводились на основе лучшей модели, построенной для каждого экономического показателя. Будущие значения налоговых поступлений рассчитываются не только на основе моделей временных рядов, но и по так называемым REM-моделям Revenue Estimating Model Основа REM-модели была разработана Робертом Конрадом Robert Conrad и Морган Смит Morgan Smith из университета Дьюка Duke University, USA для прогнозирования налоговых поступлений.

С разрешения авторов мы используем данную модель при построении прогнозов налоговых поступлений REM-модель - это модель-калькулятор для прогнозирования налоговых поступлений на основе информации о налоговых поступлениях за предыдущие месяцы. Расчет прогнозных значений в REM-модели проводится в постоянных ценах и основывается на значениях поступлений за соответствующий период базового года с учетом возможных изменений ставок и базы налогов если какие-либо изменения произошли, они учитываются простой корректировкой на соответствующий множитель. Помимо этого, в модели осуществляется дополнительная корректировка прогнозных значений на относительное изменение поступлений текущего года по сравнению с предыдущим годом, причем, чем ближе к концу текущего года мы прогнозируем поступления, тем в большей степени значение весового коэффициента пропорционально увеличивается прогноз опирается на информацию о поступлениях текущего года по сравнению с поступлениями того же месяца прошлого года. Кроме того, в работе представлены расчеты значений индексов промышленного производства ГКС и ЦЭК , индекса цен производителей и показателя общей численности безработных, рассчитанные с использованием результатов конъюнктурных опросов ИЭПП. Эмпирические исследования показывают См например В. Носко, А. Бузаев, П. Кадочников, С. Пономаренко 0000 , Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий, Москва, ИЭПП, что, использование рядов конъюнктурных опросов в прогностических моделях в качестве объясняющих переменных В качестве объясняющих переменных использованы следующие ряды конъюнктурных опросов текущие ожидаемые изменение производства, ожидаемые изменения платежеспособного спроса, текущие ожидаемые изменения цен и ожидаемое изменение занятости. в среднем улучшает точность прогноза.

Расчеты будущих значений проводились на основе ADL-моделей с добавлением сезонных авторегрессионных запаздываний. Все расчеты проводились с использованием эконометрических пакетов Eviews и RATS. 0.0.