|
||||||||||||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Функция регрессии как оптимальный прогнозИмеем оценку линейной модели множественной регрессии
Параметры модели получены по выборке {y,X} и предполагаем, что все предпосылки теоремы Гаусса-Маркова выполнены Обозначим символом z0 «точку», в котрой необходтмо вычислить прогнозное значение эндогенной переменной Это значение обозначим y(z0)=y0 При этом:
Точечный прогноз Согласно теореме Гаусса – Маркова наилучший точечный прогноз эндогенной переменной вычисляется по формуле:
Стандартная ошибка прогноза (СКО) есть
Интервальное прогнозирование В отличие от точечного метода прогнозирования интервальный позволяет в качестве прогноза получить числовой интервал, внутри которого может лежать прогнозное значение эндогенной переменной Для построения такого прогноза образуется дробь Стьюдента в виде:
Знаем, что в схеме Гаусса-Маркова дробь имеет закон распределения Стьюдента с числом степеней свободы η=n-к-1 где к – количество регрессоров в модели. Задав уровень доверительной вероятности Рдов (α=1-Рдов), легко оценить границы интервала (y-0:y+0), внутри которого с вероятностью Рдов лежат значения прогноза
27) Составление спецификации модели временного ряда (Ахтунг! сдуто из книги Катаргина частично) Эконометрическую модель можно построить, используя три типа исходных данных: - данные, характеризующие совокупность различных объектов в определенный момент (период) времени; - данные, характеризующие один объект за ряд последовательных моментов (периодов) времени; - данные, характеризующие совокупность различных объектов за ряд последовательных моментов времени (панельные). Модели, построенные по данным первого типа, называются пространственными моделями. Модели, построенные по данным второго типа, называются моделями временных рядов. Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов (периодов) времени или последовательность значений датированных переменных в различные дискретные моменты времени. Пусть yt – некоторый временной ряд. Модели временного ряда предназначены для объяснения (прогноза) уровня ряда yt фактором времени t. Т.е. экзогенная переменная - t(уровень ряда), а эндогенная – yt. Переменная yt служит количественной характеристикой некоторого экономического объекта, поэтому изменение ее во времени определяется факторами, оказывающими различное воздействие на данный объект с течением времени. Факторы можно условно подразделить на три группы: - факторы, формирующие тенденцию (тренд) ряда; - факторы, формирующие циклические колебания ряда, например сезонный, недельный; - случайные факторы. В большинстве случаев значения временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. yt = Tt + St + ut –аддитивная модель, используется в случае, когда амплитуда циклической составляющей не зависит от t. yt = Tt * St + ut - мультипликативная, используется, когда амплитуда циклической составляющей меняется в том же направлении, что и тренд, то есть зависит от t. y = a0 + a1t +sin + ut . y = факт a0 + a1t +sin = прогноз [a0 + a1t = тренд, sin = цикл] факт - прогноз = ut – погрешность, ошибка модели. Частный случай: В структуре временного ряда может присутствовать только либо цикл, либо тренд. Построение модели включает следующие шаги:
1) выравнивание исходного ряда методом скользящей средней; 2) расчет значений циклической компоненты S; 3) устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной (Т + U) или в мультипликативной (Т * U) модели; 4) аналитическое выравнивание уровней (Т + U) или (Т * U) и расчет значений Т с использованием полученного уравнения тренда;
5) расчет полученных по модели значений (T + S) или (Т * S);
6) расчет абсолютных и/или относительных ошибок.
Построение аналитической функции для моделирования тенденции (тренда) временного ряда называют аналитическим выравниванием временного ряда. Параметры трендов определяются обычным МНК, в качестве независимой переменной выступает время t = 1, 2,..., п, а в качестве зависимой переменной - фактические уровни временного ряда уt. Критерием отбора наилучшей формы тренда является наибольшее значение скорректированного коэффициента детерминации R2.
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.) |