Главная страница
Навигация по странице:

  • Рис.5 10 12 14 16 18 20 22 24 10 20 30 40 50 X ,тыс.руб.Y,тыс.руб. 49 12. ТРЕНДОВЫЕ МОДЕЛИ РЯДОВ ДИНАМИКИ

  • 13. АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ РЯДА ДИНАМИКИ. МОДЕЛИРОВАНИЕ ЦИКЛИЧЕСКИХ КОЛЕБАНИЙ

  • Пример 28.

  • Гефан Г.Д. Эконометрика, 2005. Учебное пособие для студентов специальностей Бухгалтерский учёт, анализ и аудит


    Скачать 0.9 Mb.
    НазваниеУчебное пособие для студентов специальностей Бухгалтерский учёт, анализ и аудит
    Дата04.06.2020
    Размер0.9 Mb.
    Формат файлаpdf
    Имя файлаГефан Г.Д. Эконометрика, 2005.pdf
    ТипУчебное пособие
    #128060
    страница7 из 10
    1   2   3   4   5   6   7   8   9   10
    Пример 24 (продолжение примера 21). Дополнительно требуется:
     визуально убедиться в наличии гетероскедастичности остатков;
     считая, что в линейной модели регрессии дисперсия случайного чле- на прямо пропорциональна квадрату объясняющей переменной, пе- рейти к обобщённому МНК и оценить коэффициенты регрессии;
     на одном графике показать исходные данные и две линии регрессии, полученные обычным МНК и обобщённым МНК.
    Решение
    На рис.5 исходные данные показаны точками. Тест Голдфелда-
    Квандта при малом количестве наблюдений использовать трудно, но вид диаграммы указывает на наличие гетероскедастичности (разброс значений
    Y увеличивается с ростом X ). В примере 21 для этих же исходных данных мы перешли к степенной модели и добились роста коэффициента детерми- нации. Здесь мы опробуем обобщённый МНК.
    Удобно составить следующую таблицу:

    48
    Для новых переменных оценка уравнения регрессии обычным МНК даёт следующий результат:
    442 0
    700 4


    u
    v
    u
    Как мы видели выше, при возвращении к старым переменным коэффици- енты регрессии должны поменяться ролями:
    700 4
    442 0


    x
    y
    x
    Сравнив этот результат с оценкой линейной регрессии для тех же данных обычным МНК в примере 21, обнаруживаем довольно существенную раз- ницу. На рис.5 линия регрессии, полученная обычным МНК, показана штриховой линией, а результат применения обобщённого МНК (с целью устранения влияния гетероскедастичности остатков) – сплошной линией.
    i
    i
    x
    i
    y
    i
    i
    x
    u
    /
    1

    i
    i
    i
    x
    y
    v
    /

    1 22 15 0.04545 0.68182 2 33 22 0.03030 0.66667 3 27 18 0.03704 0.66667 4 17 12 0.05882 0.70588 5 15 11 0.06667 0.73333 6 35 18 0.02857 0.51429 7 24 14 0.04167 0.58333 8 27 19 0.03704 0.70370 9 40 20 0.02500 0.50000 10 33 18 0.03030 0.54545
    Рис.5
    10 12 14 16 18 20 22 24 10 20 30 40 50
    X ,тыс.руб.
    Y,тыс.
    руб.

    49
    12. ТРЕНДОВЫЕ МОДЕЛИ РЯДОВ ДИНАМИКИ
    12.1. Что такое ряд динамики?
    Динамика явлений — это процесс их развития, процесс изменения во времени. Всякий ряд динамики (временной ряд) содержит, во-первых, по- казания времени (моменты или периоды), и, во-вторых, соответствующие им значения количественного признака Y, которые принято называть уров- нями развития или уровнями ряда.
    Вызывающие динамику факторы резко различаются по своей сути.
    Одни из них оказывают регулярное воздействие, другие — периодическое, третьи проявляются случайным образом. Например,урожайность сель- скохозяйственных культур имеет определённую динамику. Каковы её со- ставляющие? Во-первых, существует общая тенденция экономического роста, связанная с увеличением затрат на исследовательские и агротехни- ческие работы. Объективно эта тенденция должна проявляться в положи- тельной динамике урожайности. Во-вторых, существуют природные фак- торы, имеющие некоторую периодичность. Например, солнечная актив- ность, влияющая на урожайность, изменяется в 11-летнем цикле. Наконец, присутствует случайная составляющая, которая включает в себя целый ряд факторов: осадки, температура, стихийные бедствия и т.п.
    Ряд динамики (временной ряд) теоретически может быть представ- лен в виде суперпозиции следующих составляющих:
    1) основная тенденция развития (тренд);
    2) циклические колебания;
    3) случайные колебания.
    Наличие тренда предполагает, что уровни ряда динамики можно представить в виде
    t
    t
    t
    f
    y



    )
    (
    , где t – показания времени (далее для простоты будем полагать, что
    n
    t
    ...,
    ,
    2
    ,
    1
    ,
    0

    );
    )
    (t
    f
    – функция, определяющая основную тенденцию раз- вития;
    t

    – случайное и циклическое отклонение от тенденции. Подбор функции
    )
    (t
    f
    можно свести к задаче оценки регрессии, если выбрать под- ходящую форму тренда и применить метод наименьших квадратов. Такой подход называется аналитическим выравниванием.
    12.2. Как выбрать подходящий вид тренда?
    Чаще всего при выравнивании используются следующие виды трен- да:
     линейный
    b
    at
    t
    f


    )
    (
    ;
     степенной
    a
    bt
    t
    f

    )
    (
    ;

    50
     экспоненциальный
    at
    be
    t
    f

    )
    (
    Из общей теории статистики известны следующие показатели ряда динамики:
    1
    ц




    t
    t
    t
    y
    y
    – абсолютный цепной прирост;
    1
    ц


    t
    t
    t
    y
    y
    K
    – цепной коэффициент роста.
    Пусть ряд динамики в качестве показаний времени имеет равноот- стоящие моменты (или одинаковые периоды)
    n
    t
    ...,
    ,
    2
    ,
    1
    ,
    0

    . Какими свой- ствами должны обладать показатели динамики этого ряда, чтобы он иде- ально соответствовал: (а) линейному, (б) экспоненциальному видам трен- да?
    (а) Предположим, что ряд динамики идеально соответствует линей- ной зависимости. Тогда для любых двух соседних моментов (периодов) времени будет выполняться условие









    ,
    ,
    )
    1
    (
    1
    b
    at
    y
    b
    t
    a
    y
    t
    t
    т.е.
    a
    y
    y
    t
    t


    1
    . (Абсолютные цепные приросты одинаковы для всего ряда
    — равномерное развитие.)
    Если абсолютные цепные приросты ряда примерно постоянны, то тренд следует искать в виде линейной зависимости.
    (б) Пусть ряд динамики идеально соответствует экспоненциальной зависимости. Тогда









    ,
    ,
    )
    1
    (
    1
    at
    t
    t
    a
    t
    be
    y
    be
    y
    т.е.
    a
    t
    t
    e
    y
    y

    1
    . (Коэффициенты роста постоянны — развитие по закону гео- метрической прогрессии.)
    Если коэффициенты роста (темпы роста, темпы прироста) ряда при- мерно постоянны, то тренд следует искать в виде экспоненциальной зависимости.
    Пример 25. В таблице показана динамика золотовалютных резервов
    ЦБ России (Y, млрд. долларов) в июне-июле 2001 года.
    Дата
    8.06 15.06 22.06 29.06 6.07 13.07 22.07 27.07
    t
    0 1
    2 3
    4 5
    6 7
    t
    y
    33.1 33.6 34.0 34.6 35.2 35.5 35.9 36.2 ц
    t


    0.5 0.4 0.6 0.6 0.3 0.4 0.3

    51
    Здесь абсолютные цепные приросты более или менее стабильны (во вся- ком случае, не обнаруживают тенденции к возрастанию или убыванию).
    Найдём линейный тренд. Оценка параметров парной линейной регрессии даёт выборочное уравнение
    2 33 446 0


    t
    y
    t
    , где t – число прошедших недель, начиная с 8 июня. Коэффициент детерминации r
    2
    = 0.986
    Выявленная тенденция позволяет экстраполировать данные, т.е. де- лать прогноз. Пусть, например, мы хотим предсказать уровень золотова- лютных резервов к началу сентября 2001 года, т.е. через 12 недель после 8 июня. Из уравнения регрессии получаем
    6 38
    )
    12
    (

    t
    y
    12.3. Как линеаризовать модель с экспоненциальным
    трендом?
    Пусть истинное соотношение между Y и t близко к функции
    at
    be
    Y
    . Требуется линеаризовать регрессионную модель.
    Если случайный член ε в исходном соотношении присутствует не как слагаемое, а как множитель, логарифмирование даёт линейную модель регрессии
    t
    t
    t
    c
    at
    b
    at
    y








    ln ln ln
    , откуда
    t
    a
    c
    t
    e
    e
    y
    *
    *

    Пример 26. Имеются данные об объёме продаж компьютерных дис- ков магазином (Y, шт.) в течение 5 лет:
    Как видно, коэффициенты роста приблизительно постоянны. Найдём экс- поненциальный тренд. Для этого представим данные в виде следующей таблицы:
    Выборочное уравнение линейной регрессии имеет вид
    )
    9995 0
    (
    83 5
    694 0
    ln
    2



    r
    t
    y
    t
    , откуда
    t
    t
    e
    y
    694 0
    340

    . Прогноз на 2001 год:
    10930
    )
    5
    (

    t
    y
    Год
    1996 1997 1998 1999 2000
    t
    0 1
    2 3
    4
    t
    y
    350 660 1340 2780 5490 ц
    t
    K

    1.89 2.03 2.07 1.97
    t
    0 1
    2 3
    4
    t
    y
    ln
    5.86 6.49 7.20 7.93 8.61

    52
    13. АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ РЯДА ДИНАМИКИ.
    МОДЕЛИРОВАНИЕ ЦИКЛИЧЕСКИХ КОЛЕБАНИЙ
    13.1. Что такое автокорреляция уровней ряда динамики?
    Весьма часто последующий уровень ряда динамики коррелирует с предыдущими уровнями. Это явление, имеющее место как при наличии тренда (тенденции), так и при наличии циклических колебаний, называется
    автокорреляцией уровней ряда.
    Пример 27. Имеются данные о динамике обменного курса доллара за 12 месяцев отчётного года (Yобменный курс в рублях, t – номер ме- сяца).
    Проанализируем автокорреляцию уровней ряда, составив следую- щую таблицу:
    Найдём линейный коэффициент корреляции между
    t
    y и
    1

    t
    y
    . Для этого придётся произвести следующие вычисления:
    ;
    26 641 1
    1
    ;
    1 25 1
    1
    ;
    49 25 1
    1 2
    1 1
    2 1
    1 2



















    n
    t
    t
    t
    t
    t
    n
    t
    t
    t
    n
    t
    t
    t
    y
    y
    n
    y
    y
    y
    n
    y
    y
    n
    y
    ;
    464 1
    ;
    428 1
    ;
    47 631 1
    1
    ;
    22 651 1
    1 2
    1 2
    2 2
    1 2
    1 2
    2 2















    t
    t
    n
    t
    t
    t
    n
    t
    t
    t
    y
    n
    y
    y
    n
    y


    t
    1 2
    3 4
    5 6
    7 8
    9 10 11 12
    t
    y
    23.1 23.5 24.0 24.5 24.7 25.2 25.6 25.8 26.0 26.6 27.1 27.4
    t
    t
    y
    1

    t
    y
    2

    t
    y
    3

    t
    y
    1 23.1



    2 23.5 23.1


    3 24.0 23.5 23.1

    4 24.5 24.0 23.5 23.1 5
    24.7 24.5 24.0 23.5 6
    25.2 24.7 24.5 24.0 7
    25.6 25.2 24.7 24.5 8
    25.8 25.6 25.2 24.7 9
    26.0 25.8 25.6 25.2 10 26.6 26.0 25.8 25.6 11 27.1 26.6 26.0 25.8 12 27.4 27.1 26.6 26.0

    53 9935 0
    1 1
    1 1
    1








    t
    t
    t
    t
    t
    t
    y
    y
    y
    y
    y
    y
    r
    r
    t
    t


    Полученный коэффициент называется коэффициентом автокорреляции 1-
    го порядка. Его значение, близкое к 1, свидетельствует об очень сильной зависимости между обменными курсами доллара текущего и непосредст- венно предшествующего месяцев.
    Аналогично можно определить коэффициенты автокорреляции более высоких порядков. Например, коэффициент автокорреляции второго по- рядка может быть вычислен по формуле
    2 2
    2 2
    2







    t
    t
    t
    t
    t
    t
    y
    y
    y
    y
    y
    y
    r
    r
    t
    t


    , где
    ;
    2 1
    ;
    2 1
    ;
    2 1
    3 2
    2 3
    2 2
    3
















    n
    t
    t
    t
    t
    t
    n
    t
    t
    t
    n
    t
    t
    t
    y
    y
    n
    y
    y
    y
    n
    y
    y
    n
    y










    n
    t
    t
    t
    n
    t
    t
    t
    y
    n
    y
    y
    n
    y
    3 2
    2 2
    2 3
    2 2
    2 1
    ;
    2 1
    Необходимо отметить, что с ростом порядка коэффициента автокорреля- ции количество пар значений, используемых при расчётах, снижается. По- этому и значения
    t
    y и
    t

    , используемые при вычислении различных ко- эффициентов автокорреляции, будут несколько изменяться.
    Для данных рассматриваемого примера
    0.9822 0.9841,
    3 2


    r
    r
    . Это тоже очень высокие значения, но они меньше, чем
    1
    r .
    Запаздывание на

    временных интервалов между уровнями времен- ного ряда
    t
    y и


    t
    y
    называется лагом. Считается, что лаг не должен превышать
    4
    n
    , где n – общая длина временного ряда.
    Последовательность коэффициентов автокорреляции с лагом 1, 2, … называется автокорреляционной функцией временного ряда. Если наиболее высоким оказался коэффициент с лагом 1, то имеется толь- ко линейная тенденция. Если наиболее высоким оказался коэффици- ент с лагом

    , то во временном ряде содержится циклическая со- ставляющая с периодом

    Таким образом, в примере 27 выявлена сильная линейная тенденция и не выявлено цикличности.

    54
    Пример 28. В течение 4 лет изучалась динамика потребления электроэнергии на промышленном предприятии в зимний и летний пе- риоды времени. В таблице представ- лены среднесуточные объёмы потреб- ления электроэнергии за каждый сезон
    (Y , тыс. кВт час / сутки). Выявить ли- нейную тенденцию и цикличность временного ряда.
    Действуя точно так, как при решении примера 26, можно получить сле- дующие значения коэффициентов автокорреляции:
    0.956 0.796;
    2 1


    r
    r
    .
    Это указывает на наличие заметной линейной тенденции и чётко выражен- ной сезонной цикличности. На рис.6 зимние сезоны имеют нечётные, а летние сезоны – чётные номера. Действительно, можно видеть, что от года к году происходит рост значений количественного признака, однако на эту тенденцию накладываются колебания с лагом 2, т.е. с периодом в 1 год. В летние сезоны потребление электроэнергии снижается, или, по крайней мере, замедляет рост. Таким образом, ряд динамики имеет «пилообраз- ную» структуру.
    В заключение данного пункта кратко остановимся на понятии неста-
    ционарного временного ряда.
    Эконометрическая модель называется динамической, если в данный момент времени t она учитывает значения входящих в неё перемен- ных, относящихся не только к текущему, но и к предыдущим момен- там времени. Соответствующие переменные называются лаговыми.
    Сам временной ряд в этом случае называется нестационарным.
    Год
    Сезон
    Y
    2000 зима
    62 2000 лето
    60 2001 зима
    68 2001 лето
    65 2002 зима
    75 2002 лето
    76 2003 зима
    84 2003 лето
    82
    Р и с .6
    5 0 6 0 7 0 8 0 9 0 1
    2 3
    4 5
    6 7
    8
    Н о м ер сез о н а
    Y

    55
    Пример: расходы населения на некоторые виды товаров (обычно до- рогостоящих) зависят не только от уровня доходов данного периода, но и от доходов предыдущего периода (года).
    13.2. Можно ли моделировать циклические колебания?
    Циклические колебания в экономике чаще всего связаны с сезонны- ми изменениями. Для включения в модель временного ряда циклической составляющей существует несколько подходов.
    1-ый подход заключается в использовании различных методик, раз- работанных в общей теории статистики. Это, прежде всего, метод сколь-
    зящей средней с введением корректирующих множителей или слагаемых, соответствующих сезону, кварталу, месяцу и т.п.
    2-ой подход основан на гармоническом анализе: для моделирования сложного квазипериодического процесса используется тригонометриче- ский ряд (ряд Фурье).
    3-ий подход реализует модель регрессии с фактором времени и не- сколькими фиктивными переменными, каждая из которых отражает цик- лическую компоненту временного ряда для какого-либо одного периода.
    Она (переменная) равна единице для данного периода и нулю для всех ос- тальных периодов. Мы рассмотрим именно этот подход, поскольку он наиболее “эконометричен”.
    Пусть, например, имеются поквартальные данные за несколько лет.
    Выявлена годовая цикличность, т.е. наибольшее значение имеет коэффи- циент автокорреляции с лагом 4. Тогда можно построить регрессионную модель в виде
    t
    t
    b
    x
    a
    x
    a
    x
    a
    t
    a
    y







    3 3
    2 2
    1 1
    0
    ,
    где




    кварталов,
    остальных для
    0
    ,
    квартала для
    1
    j
    x
    j
    3
    ,
    2
    ,
    1

    j
    .
    Фактически это означает, что: для 1-го кв.
    t
    t
    b
    a
    t
    a
    y





    1 0
    ;
    для 2-го кв.
    t
    t
    b
    a
    t
    a
    y





    2 0
    ;
    для 3-го кв.
    t
    t
    b
    a
    t
    a
    y





    3 0
    ;
    для 4-го кв.
    t
    t
    b
    t
    a
    y




    0
    .
    Количество фиктивных переменных должно быть на 1 меньше, чем число моментов (периодов) одного цикла колебаний.
    1   2   3   4   5   6   7   8   9   10


    написать администратору сайта