АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Оценка параметров наиболее употребляемых трендов

Читайте также:
  1. D.2 Оценка практического экзамена на 1-й и 2-й уровни – руководящие указания по взвешенным процентам
  2. II. Оценка располагаемых водных ресурсов объекта.
  3. IV. Расчет электрических параметров электрофильтра.
  4. T.5 Определение нормальной скорости распространения пламени и термодинамических параметров
  5. T.5. Определение нормальной скорости распространения пламени и термодинамических параметров.
  6. V этап. Оценка результатов
  7. V этап. Оценка результатов
  8. V этап. Оценка результатов
  9. V этап. Оценка результатов
  10. V. Определение основных параметров шахтного поля
  11. VII. ОЦЕНКА СЕЛЬХОЗУГОДИЙ
  12. Анализ и оценка налоговой нагрузки при применении специальных налоговых режимов

1. Полином m-го порядка: f(t)=

Уравнение модели имеет вид:

где , - оцениваемые параметры тренда. Если осуществить в модели нелинейного тренда подстановку tj = xj, т.е. подать на вход модели вместо вектора времени матрицу экзогенных переменных Х вида:

После чего исходная нелинейная модель приобретает вид линейной зависимости от х.

2. Гиперболическая функция m-го порядка:

Способ сведения к линейной регрессии аналогичный: матрица Х имеет вид:

3. Линейно-логарифмическая функция m-го порядка:

Способ сведения к линейной регрессии аналогичный: матрица Х имеет вид:

4. Линейно-гиперболическая функция:

Эта модель сводится к линейной регрессии от двух независимых переменных. Способ сведения аналогичный; матрица Х имеет вид:

5. Модифицированная экспонента: .

Эта модель сводится к линейной регрессии от 1 независимой переменной. Способ сведения аналогичный; матрица Х имеет вид:

Для следующих трендов к моделям будут применяться преобразования, нарушающие предположения о случайных отклонениях (п.3.3.2). Поэтому полученные оценки окажутся смещенными. Результаты п.п. 3.3.2 - 3.3.4 здесь также могут быть сильно искажены. Покажем это на примере следующего тренда.

6. Первая функция Торнквиста:

Уравнение модели имеет вид:

Оно легко трансформируется в следующий вид:

Затем можно сделаем подстановку: х1 = t, x2 = t yt. Коэффициенты линейной регрессии обозначим: Получим следующую модель: где

Коэффициенты модели оценивают при помощи МНК. После этого получают оценки a и b параметров исходной модели (a и b соответственно):

Проверим, выполняется ли ансамбль предположений о характере распределения случайных отклонений оцененной модели.

1). Математическое ожидание случайной составляющей:

Предположение выполняется.

2). Оценим Mht1 ht2, t1¹t2, т.е. ковариацию случайных:

Предположение выполняется.

3). Дадим оценку дисперсии случайной, т.е. Dht:

Очевидно, что, предположение не выполняется, поскольку Dht1 ¹ Dht2. Таким образом, оценки полученной модели являются смещенными.

Предполагается, что для следующих трендов подобный анализ читатель в состоянии провести самостоятельно. Для упрощения продолжим преобразования трендов, не учитывая случайных воздействий.

7. Степенная функция .

Имеем уравнение , логарифмируя его, имеем:

Получилось уравнение линейной регрессии, где зависимой переменной является , а независимой - lnt, свободным членом - . Параметр получаем, зная оценку .

8. Показательная функция .

Имеем уравнение , логарифмируя которое, получим:

.

Имеем уравнение линейной регрессии, где зависимой переменной является , независимой - t. Параметры a и b получаем, зная оценки и .

9. Обобщенная экспонента .

Имеем уравнение где может быть линейной, параболической или другой функцией. Пусть это линейная функция: .

Имеем: . Логарифмируя последнее уравнение, получаем:

.

Это уравнение линейной регрессии, где зависимой переменной является , а независимыми - t и t2. Применяя МНК, получаем оценки , b и , откуда находим оценки исходных параметров.

10. Кривая Гомперца: .

Имеем уравнение , логарифмируя которое получаем: .

Это еще не линейная регрессия. Но если бы было известно значение g, зависимой переменной можно было бы принять , а независимой - , т.е. получилась бы линейная регрессия. На этом основан алгоритм нахождения параметров. Изменяя значения g (остальные параметры находят при помощи МНК), добиваются минимизации суммы квадратов отклонений от регрессии.

11. Логистическая кривая: .

Имеем уравнение , откуда путем очевидного преобразования получаем:

.

Аналогично предыдущему тренду, фиксируя g, получаем линейную регрессию, где зависимая переменная – 1/yt, а независимая - . Изменяя параметр g (остальные параметры находят при помощи МНК), добиваются минимизации суммы квадратов отклонений от регрессии.

Таким образом, имея эффективное программное обеспечение МНК для линейной регрессии, можно построить любой выбранный тренд.

 


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.004 сек.)