Аналитическое выравнивание временных рядов, оценка параметров уравнения тренда - раздел Экономика, Курс лекций по дисциплине Эконометрика. В последнее время специалисты Метод Обработки Временных Рядов, Целями Которого Является Устранение Случайны...
Метод обработки временных рядов, целями которого является устранение случайных колебаний и построение аналитической функции, характеризующей зависимость уровней ряда от времени – тренда, называется аналитическим выравниванием временного ряда.
Суть метода аналитического выравнивания состоит в том, чтобы заменить фактические уровни временного ряда на теоретические . Расчет осуществляется по некоторому формализованному уравнению, принятому за математическую модель тренда. Для построения трендов чаще всего применяют такие функции, как:
· линейная: ;
· степенная: ;
· гиперболическая: ;
· экспоненциальная: ;
· полиномы второго и более высоких порядков: .
Расчет параметров тренда производится методом МНК. В качестве зависимой переменной выступают фактические уровни ряда , а независимой переменной является время . Заметим, что для нелинейных трендов необходима процедура линеаризации, аналогичная рассмотренной в разделе 3.
Выбор функции тренда может быть осуществлен несколькими способами. Наиболее простым считается тот, в ходе которого анализируют цепные абсолютные приросты (первые разности уровней ряда) , абсолютные ускорения уровней ряда (вторые разности ряда) и цепные коэффициенты роста.
Если примерно одинаковы , то ряд имеет линейный тренд, если же примерно постоянны , то для описания тенденции временного ряда следует выбрать параболу второго порядка, и, если примерно равны , необходимо использовать экспоненциальную или степенную функции.
Пример 1.9 Рассчитаем параметры уравнения тренда по следующим данным:
Таблица 5.2
Темпы роста номинальной месячной заработной платы (за 10 месяцев 1999г., % к уровню декабря 1998г.)
Месяц
Темп роста номинальной
заработной платы
Месяц
Темп роста номинальной
заработной платы
Январь
82,9
Июнь
121,6
Февраль
87,3
Июль
118,6
Март
99,4
Август
114,1
Апрель
104,8
Сентябрь
123,0
Май
107,2
Октябрь
127,3
Для выявления тенденции временного ряда рассчитаем цепные абсолютные приросты (первые разности уровней ряда) , абсолютные ускорения уровней ряда (вторые разности ряда) и цепные коэффициенты роста.
Таблица 5.3
Месяц
t
Январь
82,9
-
-
-
Февраль
87,3
4,4
-
1,053
Март
99,4
12,1
7,7
1,139
Апрель
104,8
5,4
-6,7
1,054
Май
107,2
2,4
-3,0
1,023
Июнь
121,6
14,4
12,0
1,134
Июль
118,6
-3,0
-17,4
0,975
Август
114,1
-4,5
-1,5
0,962
Сентябрь
123,0
8,9
13,4
1,078
Октябрь
127,3
3,7
-5,2
1,035
Наибольшей стабильностью отличаются цепные коэффициенты роста. Для описания тенденции временного ряда используем степенной или экспоненциальный тренд. Для того чтобы убедиться в этом, рассчитаем уравнение тренда и коэффициенты детерминации уравнения для наиболее часто применяемых функций, применяя МНК. Получим табл. 5.4. Коэффициенты детерминации рассчитаны по линеаризованным уравнениям регрессии.
Как мы и предполагали, степенной тренд лучше всего описывает тенденцию анализируемого временного ряда, что подтверждается высоким значением коэффициента детерминации. Ñ
Таблица 5.4
Уравнения трендов
Тип тренда
Уравнение
Линейный
0,873
Парабола второго порядка
0,920
Степенной
0,931
Экспоненциальный
0,856
Гиперболический
0,728
Интерпретация параметров тренда существенно зависит от его типа.
Если тренд имеет линейную форму, то a - начальный уровень временного ряда в период времени t=0 и b - средний за период абсолютный прирост уровней ряда.
Если же ряд имеет, например, экспоненциальный тренд, то a - начальный уровень временного ряда в период времени t=0 и - средний за единицу времени коэффициент роста уровней ряда.
Пример (продолжение примера 1). Согласно уравнению линейного тренда темпы роста заработной платы за 10 месяцев 1999 г. изменялись от начального уровня 82,66% со средним за месяц абсолютным приростом в 4,72 процентных пункта.
Мы можем заменить фактические уровни временного ряда на теоретические , подставляя значения t в уравнение тренда:
Уравнение экспоненциального тренда в исходной форме имеет вид:
Таким образом, начальный уровень ряда в начальный период времени равен 83,96, а средний цепной коэффициент роста - 1,045. Следовательно, темпы роста заработной платы за 10 месяцев 1999 г. изменялись от начального уровня 83,96% со средним за месяц цепным коэффициентом роста в 104,5%. Теоретические значения временного ряда рассчитываются как:
Уравнение тренда параболы второго порядка имеет вид:
.
Следовательно, темпы роста заработной платы за 10 месяцев 1999 г. изменялись от начального уровня 72,9% со среднемесячным абсолютным приростом, описываемым зависимостью вида . Теоретические значения уровней ряда могут быть рассчитаны как:
Области применения эконометрических моделей
Области применения эконометрических моделей напрямую связаны с целями эконометрического моделирования, основными из которых являются:
1) прогноз экономических и социально-экономичес
Постановка задачи регрессии
Поставим задачу регрессии Y на X.
Пусть мы располагаем n парами выборочных наблюдений над двумя переменными X и Y:
Парная регрессия и метод наименьших квадратов
Будем предполагать в рамках модели (2.2) линейную зависимость между двумя переменными Y и X. Т.е. имеем модель парной регрессии в виде:
Yi =a+
Оценка статистической значимости регрессии
Перейдем к вопросу о том, как отличить "хорошие" оценки МНК от "плохих". Конечно, предполагается, что существуют критерии качества рассчитанной линии регрессии.
Перечис
Интерпретация уравнения регрессии
Проанализируем, какую информацию дает нам оцененное уравнение регрессии (2.6), т.е. поставим вопрос об интерпретации (содержательном объяснении) коэффициентов уравнения.
Во-первых,
Предположения модели
Пусть мы располагаем выборочными наблюдениями над k переменными Yi и , j=1,..., k,
Методом наименьших квадратов
Применяя к (3.1) с учетом (3.2)-(3.5) МНК, получаем из необходимых условий минимизации функционала:
,
т.
Парная и частная корреляция в КЛММР
В случаях, когда имеется одна независимая и одна зависимая переменные, естественной мерой зависимости (в рамках линейного подхода) является выборочный (парный) коэффициент корреляции между ними.
И множественный коэффициент детерминации
Множественный коэффициент корреляции используется в качестве меры степени тесноты статистической связи между результирующим показателем (зависимой переменной) y и набором объясняющих
Оценка качества модели множественной регрессии
Проверка качества модели множественной регрессии может быть осуществлена с помощью дисперсионного анализа.
Как уже было отмечено (см. 2.5), сумма квадратов отклонений от среднего в выборке
Спецификация уравнения регрессии и ошибки спецификации
При построении эконометрической модели исследователь специфицирует составляющие ее соотношения, выбирает переменные, входящие в эти соотношения, а также определяет вид математическо
С гетероскедастичными остатками
Довольно часто при построении регрессии анализируемые объекты неоднородны, например, при исследовании структуры потребления домохозяйств естественно ожидать, что колебания в структуре будут выше дл
С автокорреляцией остатков
Вернемся еще раз к предположению (3.3). Из него, в частности, следует, что ковариации случайной ошибки для разных наблюдений равны нулю. Если к тому же случайные ошибки распределены нормально, то э
Фиктивные переменные. Тест Чоу
Факторы (объясняющие переменные), применяемые в задаче регрессии до сих пор, принимали значения из некоторого непрерывного интервала. Иногда может понадобиться ввести в модель переменные, значения
Специфика временных рядов
Часто исследователь имеет дело с данными в виде временных рядов.
Совокупность наблюдений анализируемой величины
Проверка гипотезы о существовании тренда
Для выявления факта наличия или отсутствия неслучайной составляющей f(t), то есть для проверки гипотезы о существовании тренда - Н0: Еy(t
Метод последовательных разностей
Часто при аналитическом выравнивании ряда используется модель тренда в виде полинома.
Для определения порядка аппроксимирующего полинома в этом случае выделения тренда широко используется
Аддитивная и мультипликативная модели временного ряда
Простейшим подходом к моделированию временных рядов, содержащих сезонные колебания, является построение аддитивной или мультипликативной моделей временного ряда.
Выбор одной из этих моделе
Тестирование стационарности временного ряда
Как было отмечено выше, стационарные временные ряды имеют следующие отличительные черты: значения ряда колеблются вокруг постоянного среднего значения с постоянной дисперсией, которая не зависит от
Библиографический список
1. Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики. Учебник для вузов. М.: ЮНИТИ, 1998. 1022 с.
2. Джонстон Дж. Эконометрические методы.- М.: Статис
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов