Эконометрика-Практикум-Елисеева. Практикум по эконометрике под редакцией членакорреспондента Российской Академии наук И. И. Елисеевой
Скачать 4.16 Mb.
|
РАЗДЕЛ IV. ВРЕМЕННЫЕ РЯДЫ В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ4.1. МЕТОДИЧЕСКИЕ УКАЗАНИЯМодели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов. Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов. Каждый уровень временного ряда формируется из трендовой (Т), циклической (S) и случайной (Е) компонент. Модели, в которых временной ряд представлен как сумма перечисленных компонент, - аддитивные модели, как произведение -мультипликативные модели временного ряда. Аддитивная модель имеет вид: Y = Т + S + Е; мультипликативная модель: Y=T • S • Е. Построение аддитивной и мультипликативной моделей сводится к расчету значений T, S и Е для каждого уровня ряда. Построение модели включает следующие шаги; 1) выравнивание исходного ряда методом скользящей средней; 2) расчет значений сезонной компоненты S; 3) устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной (T + Е) или в мультипликативной (T • Е) модели; 4) аналитическое выравнивание уровней (T + Е) или (Т • Е) и расчет значений Т с использованием полученного уравнения тренда; 5) расчет полученных по модели значений (Y+ S) или (Т • S); 6) расчет абсолютных и/или относительных ошибок. Автокорреляция уровней ряда - это корреляционная зависимость между последовательными уровнями временного ряда: где ; - коэффициент автокорреляции уровней ряда первого порядка; где ; - коэффициент автокорреляции уровней ряда второго порядка. Формулы для расчета коэффициентов автокорреляции старших порядков легко получить из формулы линейного коэффициента корреляции. Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда, а график зависимости ее значений от величины лага (порядка коэффициента автокорреляции) - коррелограммой. Построение аналитической функции для моделирования тенденции (тренда) временного ряда называют аналитическим выравниванием временного ряда. Для этого чаще всего применяются следующие функции: • линейная = а + b • t; • гипербола = а + b/t ; • экспонента = ea+bt, • степенная функция = а•tb, • парабола второго и более высоких порядков = а + b1 • t + b2 • t2 + ... + bk • tk. Параметры трендов определяются обычным МНК, в качестве независимой переменной выступает время t = 1, 2, ..., п, а в качестве зависимой переменной - фактические уровни временного ряда уt. Критерием отбора наилучшей формы тренда является наибольшее значение скорректированного коэффициента детерминации . При построении моделей регрессии по временным рядам для устранения тенденции используются следующие методы. Метод отклонений от тренда предполагает вычисление трендовых значений для каждого временного ряда модели, например и , и расчет отклонений от трендов: и . Для дальнейшего анализа используют не исходные данные, а отклонения от тренда. Метод последовательных разностей заключается в следующем: если ряд содержит линейный тренд, тогда исходные данные заменяются первыми разностями: ; если параболический тренд - вторыми разностями: . В случае экспоненциального и степенного тренда метод последовательных разностей применяется к логарифмам исходных данных. Модель, включающая фактор времени, имеет вид . Параметры а и b этой модели определяются обычным МНК. Автокорреляция в остатках - корреляционная зависимость между значениями остатков е, за текущий и предыдущие моменты времени. Для определения автокорреляции остатков используют критерий Дарбина - Уотсона и расчет величины: , 0 d 4. Коэффициент автокорреляции остатков первого порядка определяется по формуле , . Критерий Дарбина - Уотсона и коэффициент автокорреляции остатков первого порядка связаны соотношением . Эконометрические модели, содержащие не только текущие, но и лаговые значения факторных переменных, называются моделями с распределенным лагом. Модель с распределенным лагом в предположении, что максимальная величина лага конечна, имеет вид . Коэффициент регрессии b0 при переменной хt характеризует среднее абсолютное изменение уt при изменении хt на 1 ед. своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора х. Этот коэффициент называют краткосрочным мультипликатором. В момент (t + 1) воздействие факторной переменной хt на результат уt составит (b0 + b1) условных единиц; в момент времени (t + 2) воздействие можно охарактеризовать суммой (b0 + b1 + b2) и т.д. Эти суммы называют промежуточными мультипликаторами. Для максимального лага (t + l) воздействие фактора на результат описывается суммой (b0 + b1 + ... + bl = b), которая называется долгосрочным мультипликатором. Величины , , называются относительными коэффициентами модели с распределенным лагом. Если все коэффициенты bj имеют одинаковые знаки, то для любого j и . Величина среднего лага модели множественной регрессии определяется по формуле средней арифметической взвешенной: и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент t. Медианный лаг - это период, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат: , где lMe - медианный лаг. Оценку параметров моделей с распределенными лагами можно проводить согласно одному из двух методов: методу Койка или методу Алмон. В распределении Койка делается предположение, что коэффициенты при лаговых значениях объясняющей переменной убывают в геометрической прогрессии: bl = b0*l, l= 0,1,2,..., 0<<1. Уравнение регрессии преобразуется к виду . После несложных преобразований получаем уравнение, оценки параметров которого приводят к оценкам параметров исходного уравнения. В методе Алмон предполагается, что веса текущих и лаговых значений объясняющих переменных подчиняются полиномиальному распределению: . Уравнение регрессии примет вид , где , i= l, ...,k;j = 1,...,p. Расчет параметров модели с распределенным лагом методом Алмон проводится по следующей схеме: 1) устанавливается максимальная величина лага l; 2) определяется степень полинома k, описывающего структуру лага; 3) рассчитываются значения переменных z0, ..., zk; 4) определяются параметры уравнения линейной регрессии yt от zi; 5) рассчитываются параметры исходной модели с распределенным лагом. Модели, содержащие в качестве факторов лаговые значения зависимой переменной, называются моделями авторегрессии, например: . Как и в модели с распределенным лагом, b0 в этой модели характеризует краткосрочное изменение yt под воздействием изменения xtна 1 ед. Долгосрочный мультипликатор в модели авторегрессии рассчитывается как сумма краткосрочного и промежуточных мультипликаторов: . Отметим, что такая интерпретация коэффициентов модели авторегрессии и расчет долгосрочного мультипликатора основаны на предпосылке о наличии бесконечного лага в воздействии текущего значения зависимой переменной на ее будущие значения. |