- •1.2. Типы моделей
- •1.3. Типы данных
- •1.4. История
- •1.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •2. Парная регрессия и корреляция. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Задачи корреляционно-регрессивного анализа
- •Содержательный характер задач корреляционно-регрессивного метода
- •2.2. Вычисление и интерпретация параметров парной линейной корреляции
- •2.3. Статистическая оценка надёжности параметров парной корреляции
- •2.4. Применение парного линейного уравнения регрессии
- •Коэффициент корреляции рангов
- •2.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •3. Множественная регрессия
- •3.1. Формулы для коэффициентов и стандартных ошибок
- •3.2. Множественная регрессия и оценка параметров Кобба-Дугласа
- •3.3. Мультиколлинеарность
- •3.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •4. Выбор уравнения
- •4.1. Влияние отсутствия необходимой переменной
- •4.2. Лишняя переменная
- •4.3. Замещающие переменные
- •4.4. Лаговые переменные
- •4.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •5. Фиктивные переменные
- •5.1. Фиктивные и нефиктивные переменные в регрессии
- •5.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •6. Гетероскедастичность
- •6.1. Коэффициент ранговой корреляции Спирмена (кркс)
- •6.2. Тест Голдфелда-Куандта
- •6.3. Тест Глейзера
- •6.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •7. Автокорреляция
- •7.1. Поправка Прайса–Уинстена
- •7.2. Процедура Кохрана–Оркатта
- •7.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •8. Модели временных рядов
- •8.1. Модели рядов, содержащих сезонную компоненту
- •Ответы к тесту:
- •9. Автоковариационная и автокорреляционная функции, их свойства. Коррелограмма
- •9.1. Спектральная плотность
- •9.2. Спектральный (Фурье) анализ
- •9.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •10. Неслучайная составляющая временного ряда
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда
- •10.2. Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)])
- •10.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •11. Стационарные временные ряды и их идентификация
- •11.1. Основные понятия
- •11.2 Модели скользящего среднего сс(1) и сс(2). Двойственность. Обратимость. Идентификация
- •11.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •12. Лаговые переменные. Нестационарные временные ряды и их идентификация
- •12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
- •12.2. Модели рядов, содержащих сезонную компоненту
- •12.3. Полиномиальная лаговая структура Ширли Алмон
- •12.4. Геометрическая лаговая структура Койка
- •12.5. Модель частичного приспособления
- •12.6. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •13. Предсказания
- •13.1 Основные понятия
- •13.2. Доверительные интервалы и интервалы предсказания
- •13.3. Критерий г. Чоу
- •13.4. Коэффициент Тейла
- •13.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14. Модели в виде систем линейных одновременных уравнений и их идентификация
- •14.1. Основные понятия
- •14.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14.3. Использование эконометрической модели при исследовании зависимости затрат от объёма производства и структуры продукции на примере конкретного предприятия
- •Расчетное задание 1 «Построение уравнений парной регрессии и оценка их значимости»
- •Варианты лабораторных задач Задание
- •Расчетное задание 2. «Построение уравнений линейной множественной регрессии и оценка его значимости» Задача
- •Варианты лабораторных задач
- •Глоссарий
- •Библиографисеский список
- •Оглавление
- •1.1.Модели 3
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда 88
- •Эконометрика Учебное пособие
11.3. Тестовые задания для самостоятельной работы
1. Какой процесс отражает модель авторегрессии 1-го порядка AP (1):
1) марковский процесс;
2) ленинский процесс;
3) процесс обратимости;
4) процесс перехода количественных изменений в качественные.
2. Процесс выявления структуры модели и оценивания ее параметров называется:
1) анализ;
2) обратимость;
3) идентификация;
4) прогноз.
3. Сколько типов параметров включает в себя общая модель, предложенная Боксом и Дженкинсом:
1) один;
2) два;
3) три;
4) пять.
4. Если в модели имеется только один параметр, то для обеспечения условия стационарности модели этот параметр находится в интервале:
1) (-1; 1);
2) (0; 2);
3) (0; 1];
4) [-2; 2].
5. Авторегрессия 2-го порядка это:
1) несвязный процесс;
2) односвязный процесс;
3) двухсвязный процесс;
4) трехсвязный процесс.
6. Экономность модели означает:
наибольшее число параметров и наибольшее число степеней свободы;
наименьшее число параметров и наименьшее число степеней свободы;
наименьшее число параметров и наибольшее число степеней свободы;
наибольшее число параметров и наименьшее число степеней свободы.
7. На каком этапе используются полученные оценки параметров:
1) на начальном;
2) на последнем;
3) не используется;
4) на любом.
8. Какая модель обозначается этой формулой:
xt = µ + – – - –
1) авторегрессионная модель;
2) скользящего среднего;
3) идентификации;
4) смешенная модель авторегрессии.
9. Как называется явление при котором уравнение скользящего среднего можно переписать в виде уравнения авторегрессии (неограниченного порядка), и наоборот:
1) обратимость;
2) двойственность;
3) интерация;
4) идентификация.
10. Чтобы ряд был стационарным необходимо наличие следующих условий:
1) среднее ряда постоянно, а выборочные дисперсии и автокорреляции не меняются во времени;
2) среднее ряда переменно, а выборочные дисперсии и автокорреляции не меняются во времени;
3) среднее ряда переменно, а выборочные дисперсии и автокорреляции изменяются во времени;
4) среднее ряда постоянно, а выборочные дисперсии и автокорреляции изменяются во времени.
Ответы к тесту:
Номер задания |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Номер ответа |
1 |
3 |
3 |
1 |
3 |
3 |
2 |
2 |
1 |
1 |
12. Лаговые переменные. Нестационарные временные ряды и их идентификация
12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
Эта модель предложена Дж. Боксом и Г. Дженкинсом [Бокс, Дженкинс (1974)]. Она предназначена для описания нестационарных временных рядов xt, обладающих следующими свойствами:
Анализируемый временной ряд аддитивно включает в себя составляющую f(t), имеющую вид алгебраического полинома (от параметра времени t) некоторой степени k 1; при этом коэффициенты этого полинома могут быть как стохастической, так и нестохастической природы;
Ряд получившийся из xt после применения к нему k-кратной процедуры метода последовательных разностей, может быть описан моделью ARMA(p, q).
Это означает, что ARIMA(p, k, p)-модель анализируемого процесса xt, может быть записана в виде
где
Заметим, что классу моделей ARIMA принадлежит и простейшая модель стохастического тренда – процесс случайного блуждания (или просто случайное блуждание). Случайное блуждание определяется аналогично процессу авторегрессии первого порядка , но только у случайного блуждания a = 1, так что
et = et-1 + dt.
Ряд первых разностей случайного блуждания dt представляет собой белый шум, т.е. процесс ARMA(0, 0). Поэтому само случайное блуждание входит в класс моделей ARIMA как модель ARIMA(0, 1, 0).
Идентификация ARIMA-моделей. В первую очередь, следует подобрать порядок k модели. Первый тип критерия подбора основан на отслеживании поведения величины в зависимости от k: в качестве верхней оценки для порядка k определяется то значение k0, начиная с которого тенденция к убыванию гасится и само значение относительно стабилизируется. Второй тип критерия подбора порядка k ARIMA-модели основан на анализе поведения автокорреляционных функций процессов Dxt, D2xt,…. Последовательные преобразования анализируемого процесса xt с помощью операторов D, D2,… нацелены на устранение его нестационарности. Поэтому до тех пор, пока l k процессы Dlxt будут оставаться нестационарными, что будет выражаться в отсутствии быстрого спада в поведении их выборочной автокорреляционной функции. Поэтому предполагается, что необходимая для получения стационарности степень k разности D достигнута, если автокорреляционная функция ряда быстро затухает.
После подбора порядка k анализируется уже не сам ряд xt, а его k-е разности. Идентификация этого ряда сводится к идентификации ARMA(p, q)моделей.
Коинтеграция временных рядов в регрессионном анализе. В регрессионном анализе одновременно рассматривается несколько временных рядов. Если xt – интегрированный временной ряд порядка k1, приводящийся к стационарному ряду переходом к разностям порядка k1, а yt – интегрированный временной ряд порядка k2 k1, остационариваемый переходом к разностям порядка k2, то при любом значении параметра q случайный остаток et = yt – qxt будет интегрированным временным рядом порядка k2. Если же k1 = k2 = k, то константа q иногда может быть подобрана так, что et будет стационарным (интегрированным порядка 0) с нулевым средним. При этом говорят, что ряды xt и yt коинтегрированы, а вектор (1, -q) называется коинтегрирующим. При регрессионном анализе интегрированных рядов xt и yt отсутствие коинтегрированности этих рядов приводит к фиктивной (паразитной) регрессии.
Проверка на коинтегрированность пары интегрированных рядов первого порядка может производиться, например, по следующей схеме: 1) рассматривается модель yt = qxt + et и строится оценка параметра q; 2) ряд анализируется на стационарность в рамках одной из моделей ARMA(p, q); например, в рамках AR(1)-модели проверяется гипотеза |a| 1 в представлении .
Подробнее с проблемой коинтеграции временных рядов можно познакомиться, например, в [Greene (1997)]. Исчерпывающий обзор литературы по этой проблеме приведен в книге [Maddala, Kim (1998)].