- •0.1. Эконометрика как наука.
- •0.2. История возникновения эконометрики
- •0.3.Элементы теории вероятности.
- •0.3.1. Вероятностные характеристики случайных переменных
- •0.3.2.Законы распределения:
- •0.3.3 Условное математическое ожидание
- •0.4.Элементы математич статистики
- •0.4.1.Оценивание «хороших» св-в оценок
- •1) Состоятельность оценок
- •2) Несмещенность оценок
- •3) Эффективность оценок
- •0.4.2. Проверка гипотез и интервальное оценивание
- •1.1 Определение линейной однофакторной регрессии.
- •1.1.1.Основные понятия регрессионного анализа
- •1.1.2. Линейная однофакторная регрессия
- •1.1.3. Матричная запись линейной регрессии
- •1.1.4 Оценки параметров регрессии
- •1.1.5 Смысл коэффициента регрессии
- •1.2 Проверка адекватности ру
- •1.2.1 Показатели качества подгонки
- •1.3 Предпосылки мнк (ls)
- •1.3.1. Общие положения мнк
- •1.3.2. Выполнение первой предпосылки мнк (случайный характер остатков)
- •1.3.5 Выполнение 4-го условия мнк (отсутствие автокорреляции остатков)
- •1.3.6 Выполнение 5-го условия мнк (нормальность остатков)
- •1.4. Устранение нарушения предпосылок мнк для оценки парной регрессии
- •1.3.4. Выполнение третьей предпосылки мнк (гомоскедастичность остатков)
- •1.4.1. Автокорреляция остатков
- •1.4.2.Гетероскедастичность остатков и избавление от нее
- •1 Подход: преобразование исходных данных
- •2 Подход: применение другого метода оценивания коэф-ов регрессии.
- •3 Подход) включение дисперсии в модель
- •1.4.3. Метод максимального правдоподобия.
- •2.1 Множественная линейная регрессия
- •2.1.1. Основные понятия
- •2.1.2. Методы оценивания коэффициентов линейной многофакторной регрессии.
- •2.2.Проверка адекватности уравнений линейной множественной регрессии
- •2.2.1. Проверка качества подборки мнк.
- •2.2.2.Проверка гипотез для млр
- •2.2.3. Допущение выполнения мнк или получение «хороших» оценок
- •2.3. Мультиколлинеарность факторов
- •2.3.1. Обнаружение мультиколлинеарности
- •2.3.2 Избавление от мультиколлинеарности. Метод главных компонент
- •2.4.Учет качественных факторов
- •2.4.1.Множественные переменные
- •2.4.2. Фиктивные переменные
- •2.4.3. Структурные изменения тенденций. Тест Чоу.
- •2.4.4. Модели бинарного выбора
- •3.1.Виды нелинейной зависимости
- •3.1.1.Основные понятия
- •3.1.2. Методы оценивания линеаризуемых функций:
- •3.2.Проверка адекватности нелинейной регрессии
- •3.2.1. Показатели качества подгонки
- •3.1.3. Нелинеаризуемые функции и методы их оценки
- •1 .Квазиньютоновский
- •2.Симплекс-метод
- •3.Метод Хука-Дживса
- •3.2.2. Проверка гипотезы о значимости нелинейных моделей
- •3.2.3. Проверка выполнения условий для получения «хороших» оценок методом оценивания
- •3.3.Выбор типа зависимости
- •3.3.1. Теоретические предпосылки
- •3.3.2. Процедура Бокса – Кокса и тест Зарембеки
- •Тест Зарембеки
- •3.3.3.Производственные функции (пф)
- •3.3.4. Коэффициент эластичности
- •3.4.Спецификация и прогноз регрессионных уравнений
- •3.4.1. Информационные критерии (критерий Акайке, Шварца)
- •3.4.2. Ложная регрессия
- •3.4.3. Прогноз по регрессионным моделям. Доверительный интервал.
- •3.4.4. Применение регрессионного анализа в хеджировании
- •4.1.Понятие и виды сру
- •4.1.1. Система независимых уравнений
- •4.1.2. Системы рекурсивных уравнений
- •4.2. Структурный и приведенный виды сру
- •4.3 Идентификация модели
- •4.4 Оценка параметров сру
- •4.4.1.Кмнк.
- •4.4.2.Дмнк.
- •4.4.3.Тмнк.
- •5.8.2 Доверительный интервал в прогнозах
- •5.8.3 Общая схема прогнозирования на основе временных рядов
- •5.1 Общие положения о временных рядах
- •§ 5.2.1. Модель Брауна
- •§ 5.2.2. Модель Хольта.
- •5.2.Адаптивные модели.
- •5.2.3. Модель Хольта-Уинтерса
- •5.4Оценка тренда
- •5.4.1Параметрические методы оценки тренда
- •5.4.2. Метод скользящих средних
- •5.5 Оценка сезонной компоненты.
- •Аддитивная сезонная модель:
- •5.5.1 Оценка сезонной компоненты с помощью тригонометрических функций.
- •5.5.2. Метод сезонных индексов.
- •5.5.3. Прогнозирование сезонной компоненты
- •5.6. Моделирование стационарных случайных процессов
- •5.6.1. Авторегрессионные модели
- •Процесс Юла
- •Моделирование стационарных процессов
- •5.6.3Модель скользящей средней.
- •5.6.4Модель арсс (аrма)
- •5.6.5 Модели ap проинтегрированного скользящего среднего (арпсс).
- •Спектральный анализ Фурье.
- •5.7Спектральная плотность случайного процесса.
- •Различные параметры спектров.
- •5.8Прогнозирование временных рядов.
- •5.8.1 Адекватность математических моделей временных рядов.
- •Параметрические
- •Непараметрические
- •5.7. Периодограмма и спектрограмма
- •5.6.2.Понятие автокорреляции и частная автокорреляция
- •Следствия автокорреляции остатков
5.5 Оценка сезонной компоненты.
Сезонные эффекты имеют регулярный характер, которые другие элементы временного ряда не имеют, поэтому термин сезонность будем относить ко всем строго периодическим колебаниям в случайном процессе.
Р азличают 2 типа моделей, в зависимости от того, каким образом в них входит сезонный эффект St
Аддитивная сезонная модель:
Xt= mt + st + et + (vt)
а) Удаление тренда: xt - mt = st + et
б) Оценить сезонную компоненту st
Мультипликативная модель:
Xt= mt * st * et * (vt)
1 способ:
а) логарифмируем ряд
ln xt = ln(mt * st * et) = ln mt + ln st + ln et
Xt ́= mt́ + st ́+ et́
б) удаляем тренд mt́ хt ́+ mt́ = st ́+ et́
в) оцениваем сезонную компоненту st ́
2 способ:
Xt= mt * st * et
Удаляем тренд xt /mt = st * et
Оцениваем сезонную компоненту.
Рассмотрим 2 способа оценки сезонной компоненты
- оценка с помощью тригонометрических функций
- метод сезонных поправок
5.5.1 Оценка сезонной компоненты с помощью тригонометрических функций.
Если рассмотреть график сезонной компоненты, то можно увидеть, что динамика ее является возрастающей и убывающей на определенных участках ,с определенной периодичностью.
Аналитическими функциями, графики которых наилучшим образом отражают такое поведение являются sin и cos.
В общем случае сезонную компоненту можно оценить с помощью суммы , тригонометрической функцией. На самом деле любая интегрируемая на функция может быть разложена в ряд Фурье.
;
T-период.
Пару называют гармоникой с периодом T.
На практике сезонную компоненту обычно представляют в виде одной гармонической пары.
Коэффициенты a,b,c – определяются с помощью метода наименьших квадратов, но не всегда результат , полученный с помощью только одной гармонической пары является удовлетворительным, поэтому иногда приходится брать 2, 3,4 …гармонической пары с периодом
Подробнее рассмотрим способ оценки St с помощью тригонометрических функций cos, т.е. будем представлять St в виде:
b – амплитуда колебаний;
l – угловая частота колебаний заранее известная величина;
T – период колебаний ,T=
При известном значении l параметры a и b определяют с помощью МНК, т.е. будем минимизировать сумму квадратов.
Это необходимое условие нахождения экстремума.
В качестве примера возьмём
т.к. ; ;
Пусть T=4, тогда
+
5.5.2. Метод сезонных индексов.
Этот метод часто применяется при оценке начальных сезонных индексов (например, в модели Хольта-Уинтерса).
Аддитивная модель с линейным трендом.
= a+bt+St
St = –
,
где - целая часть, т.е. число полных периодов в данных.
;
Мультипликативная модель с линейным трендом.
=(a+bt)*
=
f1
Модель мультипликативная с нелинейным трендом.
= Ft *ft ,
где Т – период сезонности.
, N 5.