- •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
Моделирование стационарных процессов
Моделирование стаци-х случайных процессов возможно на основе моделей :
-авторегрессионного
- скользящего ср.
- авторегрессионного скользящего ср.
Авторегрессионные модели процесс, при котором значение ряда находится в линейной зависимости от предыдущих значений. Если анализный процесс зависит от 1 до k, то имеет AP процесс порядка:
Где - белый шум. Это выражение можно рассмотреть как регрессию на , ,…, со случайным остатком и коэффициенты , , …, . При упрощенном подходе можно оценить МНК, но такие оценки являются смещ., необходимо использовать другие методы для вычисления … .
Марковский процесс.
Линейный AP процесс 1-го порядка, определяется формулой:
(*) где на накладываются условия .
Если , то ряд нестационарный, а «блуждает» с возрастанием D(x).
(*) можно рассматривать как скользящий средний с длиной отрезка усреднения. , .
Свободное блуждание.
М(x), D(x)=?
, - начальный момент времени.
,
Т.е. D случайно блуждая, меняется со временем пропорционально, следовательно, процесс случайного блуждания не является стационарным в широком смысле (слабая стационарность).
Авторегрессионный процесс 2-го порядка носит название процесса Юла:
для того, чтобы процесс был стационарным накладывается условие на .
5.6.3Модель скользящей средней.
Пусть величина задается линейной функцией от конечного числа членов , ,
С.С. порядка q: q – период запоздания,
- белый шум.
Термин С.С. не следует путать со схожим термином относящимся к оценке тренда. Здесь имеет место только совпадение названия. В данном случае весов .
5.6.4Модель арсс (аrма)
Между моделями АР и СС существует важная зависимость, которая может быть использована при практическом моделировании, а именно АР модель является частным видом модели бесконечной СС.
И наоборот модель С.С. может быть записана как прошлое значение.
Таким образом процесс С.С. превращается в А.Р. процесс, т.е А.Р. процесс в виде конечной С.С.
С.С. предстает как конечная С.С.
представления стационарных процессов не могут быть практически полезными.
На практике полученных экономических представлений иногда бывает необходимо вкл. Модель как члены описывающей А.Р., так и члены, моделирующие С.С. такие модели называются А.Р.С.С.
- АРСС (p,q). АRМА (p,q).
Глобальная проблема при применении такой модели является определение эффективной оценки ее параметров. Имеется два типа параметров:
А.Р. (=Р); С.С. (q)
Надо помнить, что при выборе формы представления стационарного процесса всегда, когда это возможно нужно стремиться к простоте. На практике не требуется значение любого из параметров р и q>2, но даже в этом случае оценка происходит довольно сложно.
Идентификация модели АРСС.
Это процедура определения неизвестных порядков по наблюдаемому временному ряду. Широко известен метод идентификации основанный на изучении поведения оценок АКФ и ЧАКФ. Характерная особенность теоретической АКФ состоит в том, что:
- в случае АР модели она меньше по абсолютной величине.
- в случае смешанной модели АРСС, АКФ ведет себя после значений так, как в случае чистой АР.
Особенности ЧАКФ:
- для модели АР она обрывается и = 0 после первых значений.
- для модели СС она плавно спадает по абсолютной величине.
- для смешанных моделей ее поведение после первых значений такое же, как в случае чистого СС.
На практике большинство стационарных случайных процессов могут быть хорошо описаны 1 из 5 базовых моделей.
p=1, q=0 AP(1)
p=2, q=0 AP(2)
p=0, q=1 CC(1)
p=0, q=2 CC(2)
p=1, q=1 APCC(1,1)
Поведение выборочных АКФ и ЧАКФ не могут указать на порядок моделей столь же четко и однозначно, как поведение теоретических характеристик, но по АКФ и ЧАКФ может быть получено достаточно информации, чтобы выбрать подходящие порядки АР и СС.
Порядок идентификации модели:
- получение стационарного ряда, тестируем на стационарность, используем визуальный анализ графика АКФ и ЧАКФ.
- после получения стационарного ряда строим его выборочно. АКФ и ЧАКФ обычно рекомендуется использовать модели более низкого порядка, если нет сезонного компонента.
- проверка соответствия данным (адекватность модели), смотрим на статистику, из модели адекватных выбирается самая простая.