Гефан Г.Д. Эконометрика, 2005. Учебное пособие для студентов специальностей Бухгалтерский учёт, анализ и аудит
Скачать 0.9 Mb.
|
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 (Y – обменный 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. |