Эконометрические исследования

25. Модель множественной линейной регрессии

Множественная регрессия - уравнение связи с несколькими независимыми переменными:

где - зависимая переменная (результативный признак);

- независимые переменные (факторы).

Линейная модель множественной регрессии имеет вид:

Yi = б0 + б1xi1 + б2xi2 + ... + б mxim + еi (4.1)

Коэффициент регрессии бj показывает, на какую величину в среднем изменится результативный признак Y, если переменную xj увеличить на единицу измерения, т.е. бj является нормативным коэффициентом. Обычно предполагается, что случайная величина еi имеет нормальный закон распределения с математическим ожиданием равным нулю и с дисперсией у2.

Анализ уравнения (4.1) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи уравнения (4.2):

Y = X б + е (4.2)

где Y -- вектор зависимой переменной размерности nЧ1, представляющий собой n наблюдений значений yj,

X -- матрица n наблюдений независимых переменных Х1, Х2, Х3, ..., Хm, размерность матрицы X равнаnЧ(m+1);

б -- подлежащий оцениванию вектор неизвестных параметров размерности (m+1) Ч1;

е -- вектор случайных отклонений (возмущений) размерности nЧ1.

Таким образом,

Уравнение (4.1) содержит значения неизвестных параметров б0, б1, б2, ..., бm. Эти величины оцениваются на основе выборочных наблюдений, поэтому полученные расчетные показатели не являются истинными, а представляют собой лишь их статистические оценки. Модель линейной регрессии, в которой вместо истинных значений параметров подставлены их оценки (а именно такие регрессии и применяются на практике), имеет вид:

, (4.3)

где б -- вектор оценок параметров; е -- вектор «оцененных» отклонений регрессии, остатки регрессии е = Y - Xб; -- оценка значений Y, равная Ха.

Для построения уравнения множественной регрессии чаще используются следующие функции:

линейная -

степенная -

экспонента -

гипербола - .

Можно использовать и другие функции, приводимые к линейному виду.

26. Частные уравнения регрессии

Уравнение линейной множественной регрессии (3.2) позволяет построить, так называемые, частные уравнения регрессии, показывающие зависимость результативного признака от отдельного фактора, при исключении влияния остальных факторов, входящих в уравнение множественной регрессии.

Частные уравнения регрессии получаются из уравнения множественной регрессии (3.2) с помощью замены всех факторов, кроме одного на их средние значения

В отличие от парной регрессии, частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии.

27. Мультиколлинеарность переменных

Мультиколлинеарность -- в эконометрике (регрессионный анализ) -- наличие линейной зависимости между независимыми переменными (факторами) регрессионной модели. При этом различают полную коллинеарность, которая означает наличие функциональной (тождественной) линейной зависимости и частичную или просто мультиколлинеарность -- наличие сильной корреляции между факторами.

Косвенными признаками мультиколлинеарности являются высокие стандартные ошибки оценок параметров модели, малые t-статистики (то есть незначимость коэффициентов), неправильные знаки оценок, при том, что модель в целом признается статистически значимой (большое значение F-статистики). О мультиколлинеарности также может свидетельствовать сильное изменение оценок параметров от добавления (или удаления) выборочных данных (если соблюдены требования достаточной однородности выборки).

Для обнаружения мультиколлинеарности факторов можно проанализировать непосредственно корреляционную матрицу факторов. Уже наличие больших по модулю (выше 0,7-0,8) значений коэффициентов парной корреляции свидетельствует о возможных проблемах с качеством получаемых оценок.

28. Методы определения и устранения мультиколлинеарности

Метод главных компонент

Учет знаков коэффициентов корреляции

В линейных моделях коэффициенты корреляции между параметрами могут быть положительными и отрицательными. В первом случае увеличение одного параметра сопровождается увеличением и другого параметра. Во втором случае при повышении одного параметра происходит снижение другого. Исходя из этого, можно установить допустимую и недопустимую мультиколлинеарность. Недопустимая мультиколлинеарность будет тогда, когда между факторами 1 и 2 существует значительная положительная корреляция и при этом влияние каждого фактора на корреляционную связь с функцией у однонаправленное, то есть увеличение обоих факторов 1 и 2 ведёт к увеличению или снижению функции у: ry1/ ry2 > 0. Другими словами, оба фактора действуют на функцию у одинаково и значительная положительная корреляция между ними может позволить исключить один из них. Допустимая мультиколлинеарность такова, при которой факторы действуют на функцию у неодинаково. Здесь возможны два случая:

а) при значительной положительной корреляции между факторами влияние каждого фактора на корреляционную связь с функцией у разнонаправленное, т.е. увеличение одного фактора ведёт к росту функции у (ry1> 0), а увеличение другого фактора приводит к уменьшению функции у (ry2 < 0): ry1/ ry2<0;

б) при значительной отрицательной корреляции между факторами увеличение одного фактора сопровождается уменьшением другого фактора и это делает факторы разнозначными, поэтому возможен любой знак влияния факторов на функцию у: ry1/ ry2 > < 0.

При наличии недопустимой мультиколлинеарности исключение одного из факторов проводится в следующей последовательности [Кремер, Путко], этот же подход полезен для проверки наличии допустимой мультиколлинеарности:

1. из двух факторов, связанных значительной корреляцией, исключается, прежде всего, фактор на основании теоретических соображений. Если такой подход не даёт результата, то исключается тот фактор, которому соответствует меньший коэффициент корреляции с функцией;

2. после удаления фактора математической модели должен соответствовать больший коэффициент корреляции, чем до удаления фактора. Тогда это подтверждает наличие недопустимой мультиколлинеарности между рассмотренными факторами и правильность удаления одного из них.

Рекурсивный МНК

29. Частная корреляция

Частная корреляция - это корреляция между двумя переменными, когда одна или больше из оставшихся переменных удерживаются на постоянном уровне. Частные коэффициенты корреляции, как и парные, могут принимать значения от -1 до +1.

Частные коэффициенты (или индексы) корреляции характеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включенных в уравнение регрессии.

Показатели частной корреляции представляют собой отношение сокращения остаточной дисперсии за счет дополнительного включения в анализ нового фактора к остаточной дисперсии, имевшей место до введения его в модель.

В общем виде при наличии р факторов для уравнения y=a+b1x1+b2x2+ … +bpxp+е

коэффициент частной корреляции, измеряющий влияние на у фактора хi при неизменном уровне других факторов, можно определить по формуле

,

- множественный коэффициент детерминации всего комплекса р факторов с результатом;

- тот же показатель детерминации, но без введения в модель фактора хр.

При i=1 формула коэффициента частной корреляции примет вид:

.

Данный коэффициент частной корреляции позволяет измерить тесноту связи между у и хi при неизменном уровне всех других факторов, включенных в уравнение регрессии.

Коэффициенты частной корреляции более высоких порядков можно определить через коэффициенты частной корреляции более низких порядков по формуле

30. Оценка адекватности модели

В общем случае под адекватностью понимают степень соответствия модели тому реальному явлению или объекту, для описания которого она строится. Вместе с тем, создаваемая модель ориентирована, как правило, на исследование определенного подмножества свойств этого объекта. Поэтому можно считать, что адекватность модели определяется степенью ее соответствия не столько реальному объекту, сколько целям исследования. В наибольшей степени это утверждение справедливо относительно моделей проектируемых систем (т. е. в ситуациях, когда реальная система вообще не существует). Тем не менее, во многих случаях полезно иметь формальное подтверждение (или обоснование) адекватности разработанной модели. Один из наиболее распространенных способов такого обоснования - использование методов математической статистики. Суть этих методов заключается в проверке выдвинутой гипотезы (в данном случае - об адекватности модели) на основе некоторых статистических критериев.

Процедура оценки основана на сравнении измерений на реальной системе и результатов экспериментов на модели и может проводиться различными способами. Наиболее распространенные из них:

- по средним значениям откликов модели и системы;

- по дисперсиям отклонений откликов модели от среднего значения откликов системы;

- по максимальному значению относительных отклонений откликов модели от откликов системы.

При первом способе проверяется гипотеза о близости среднего значения наблюдаемой переменной среднему значению отклика реальной системы .

В результате опытов на реальной системе получают множество значений (выборку) . Выполнив экспериментов на модели, также получают множество значений наблюдаемой переменной .

Затем вычисляются оценки математического ожидания и дисперсии откликов модели и системы, после чего выдвигается гипотеза о близости средних значений величин и (в статистическом смысле). Основой для проверки гипотезы является -статистика (распределение Стьюдента). Ее значение, вычисленное по результатам испытаний, сравнивается с критическим значением , взятым из справочной таблицы. Если выполняется неравенство , то гипотеза принимается. Необходимо еще раз подчеркнуть, что статистические методы применимы только в том случае, если оценивается адекватность модели существующей системе. На проектируемой системе провести измерения, естественно, не представляется возможным. Единственный способ преодолеть это препятствие заключается в том, чтобы принять в качестве эталонного объекта концептуальную модель проектируемой системы. Тогда оценка адекватности программно реализованной модели заключается в проверке того, насколько корректно она отражает концептуальную модель.

31. Прогнозирование по линейному уравнению регрессии

Для прогнозирования с помощью уравнения регрессии необходимо вычислить коэффициенты и уравнения регрессии. И здесь существует еще одна проблема сказывающаяся на точности прогнозирования. Она заключается в том, что обычно нет всех возможных значений переменных Х и У, т.е. генеральная совокупность совместного распределения в задачах прогнозирования не известна, известна только выборка из этой генеральной совокупности. В результате этого при прогнозировании помимо случайной составляющей возникает еще один источник ошибок - ошибки, вызванные не полным соответствием выборки генеральной совокупности и порождаемыми этим погрешностями в определении коэффициентов уравнения регрессии.

Иными словами вследствие того, что генеральная совокупность не известна, точные значения коэффициентов и уравнения регрессии определить не возможно. Используя выборку из этой неизвестной генеральной совокупности можно лишь получить оценки и истинных коэффициентов.

Для того чтобы ошибки прогнозирования в результате такой замены были минимальными, оценку необходимо осуществлять методом который гарантирует несмещенность и эффективность полученных значений. Метод обеспечивает несмещенные оценки, если при неоднократном его повторении с новыми выборками из одной и той же генеральной совокупности обеспечивается выполнение условия.

В теории вероятности доказана теорема согласно которой эффективность и несмещенность оценок коэффициентов уравнения линейной регрессии по данным выборки обеспечивается при применении метода наименьших квадратов.

Суть метода наименьших квадратов заключается в следующем.

Для каждой из точек выборки записываются уравнение вида . Затем находятся ошибка между расчетным и фактическим значениями . Решение оптимизационной задачи по нахождению таких значений и которые обеспечивают минимальную сумму квадратов ошибок для всех n точек, т.е. решение задачи поиска , дает несмещенные и эффективные оценки коэффициентов и .

Полученные коэффициенты уравнения регрессии определяют положение регрессионной прямой, она является главной осью облака образованного точками исходной выборки. Оба коэффициента имеют вполне определенный смысл.

32. Временные ряды: понятие, классификация

Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов.

Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов.

Предполагается, что в общем случае каждый уровень временного ряда содержит три основные компоненты: тенденцию (Т), циклические или сезонные колебания (S) и случайную компоненту (E).

Виды временных рядов.

Временные ряды делятся на моментные и интервальные. В моментных временных рядах уровни характеризуют значения показателя по состоянию на определенные моменты времени. Например, моментными являются временные ряды цен на определенные виды товаров, временные ряды курсов акций, уровни которых фиксируются для конкретных чисел.

В интервальных рядах уровни характеризуют значение показателя за определенные интервалы (периоды) времени. Примерами рядов этого типа могут служить временные ряды производства продукции в натуральном или стоимостном выражении за месяц, квартал, год и т.д.

Иногда уровни ряда представляют собой не непосредственно наблюдаемые значения, а производные величины: средние или относительные. Такие ряды называются производными. Уровни таких временных рядов получаются с помощью некоторых вычислений на основе непосредственно наблюдаемых показателей. Примерами таких рядов могут служить ряды среднесуточного производства основных видов промышленной продукции или ряды индексов цен.

Уровни ряда могут принимать детерминированные или случайные значения. Примером ряда с детерминированными значениями уровней _ служит ряд последовательных данных о количестве дней в месяцах. Естественно, анализу, а в дальнейшем и прогнозированию, подвергаются ряды со случайными значениями уровней. В таких рядах каждый уровень может рассматриваться как реализация случайной величины - дискретной или непрерывной.

33. Компонентный анализ рядов динамики

Ряды динамики -- это ряды статистических показателей, характеризующих развитие явлений природы и общества во времени. Публикуемые Госкомстатом России статистические сборники содержат большое количество рядов динамики в табличной форме. Ряды динамики позволяют выявить закономерности развития изучаемых явлений.

Для более глубокого изучения закономерностей развития показателя используется компонентный анализ, который представляет из себя разложение данного временного ряда на конечное число соответствующих. Любой экономический процесс может быть представлен хотя бы одним из нижеуказанных компонент.

Наиболее часто встречающимися, на которые можно разложить временной ряд, являются следующие:

U (t) - характеризует устойчивые систематические изменения уровней ряда, т.е. тренд

K (t) - нестрого периодические циклические колебания

V (t) - строго периодические колебания (сезонные).

E (t) - случайная компонента (несистематические колебания, которые возникают от случая.

Однако часто приходится встречаться с такими рядами динамики, в которых уровни ряда претерпевают самые различные изменения (то возрастают, то убывают) и общая тенденция развития неясна.

На развитие явления во времени оказывают влияние факторы, различные по характеру и силе воздействия. Одни из них оказывают практически постоянное воздействие и формируют в рядах динамики определенную тенденцию развития. Воздействие же других факторов может быть кратковременным или носить случайный характер.

Поэтому при анализе динамики речь идет не просто о тенденции развития, а об основной тенденции, достаточно стабильной (устойчивой) на протяжении изученного этапа развития.

34. Способы установления наличия тенденции в ряду динамики

Приемы для установления тенденций или закономерностей.

o Преобразование ряда -- применяется для большей наглядности изменений изучаемых явлений. Одно число ряда принимается за 1, чаще всего за 100 или 1000, и, по отношению к данному числу ряда, рассчитываются остальные.

o Выравнивание ряда -- применяется при скачкообразных изменениях (колебаниях) уровней ряда. Цель выравнивания -- устранить влияние случайных факторов и выявить тенденцию изменений значений явлений (или признаков), а в дальнейшем установить закономерности этих изменений

Способы и методы выявления тренда:

1)Увеличение интервалов.

Первоначальный ряд динамики заменяется другим рядом, уровни которого относятся к большим по продолжительности периодам времени. Новые уровни образуются суммированием старых.

2)Вычисление средних уровней для укрупненных интервалов. Является частным случаем первого метода.

3)Определение скользящей средней - для первоначального ряда динамики формируются увеличенные интервалы, состоящие из одинакового количества уровней. Каждый новый интервал получается из предыдущего смещением на один уровень.

4)Аналитическое выравнивание - в основе метода лежит функциональная зависимость уровня ряда от времени. Метод предполагает установление вида функции с использованием корелляционного анализа. На практике чаще всего применяют математические функции следующего вида: 1.линейная 2.параболическая 3.гиперболическая 4.степенная:

35. Методы определения параметров уравнения тренда

36. Методы измерения устойчивости тенденций динамики (коэффициент рангов Спирмена)

Понятие «устойчивость» используется в весьма различных смыслах. По отношению кстатистическому изучению динамики мы рассмотрим два аспекта этого понятия: 1) устойчивость как категория, противоположная колеблемости; 2) устойчивость направленности изменений, т.е. устойчивость тенденции.

Устойчивость во втором смысле характеризует не сами по себе уровни, а процесс их направленного изменения. С этой точки зрения полной устойчивостью направленного изменения уровней динамического ряда следует считать такое изменение, впроцессе которого каждый следующий уровень либо выше всех предшествующих (устойчивыйрост), либо ниже всех предшествующих (устойчивое снижение). Всякое нарушение строгоранжированной последовательности уровней свидетельствует о неполной устойчивостиизменений.

Из определения понятия устойчивости тенденции вытекает и метод построения ее показателя. В качестве показателя устойчивости можно использовать коэффициент корреляции рангов Ч.Спирмэна (Spearman) - rx.

где п -- число уровней;

Дi - разность рангов уровней и номеров периодов времени.

При полном совпадении рангов уровней, начиная с наименьшего, и номеров периодов (моментов)времени по их хронологическому порядку коэффициент корреляции рангов равен +1. Этозначение соответствует случаю полной устойчивости возрастания уровней. При полнойпротивоположности рангов уровней рангам лет коэффициент Спирмэна равен -1, что означаетполную устойчивость процесса сокращения уровней. При хаотическом чередовании ранговуровней коэффициент близок к нулю, это означает неустойчивость какой-либо тенденции.

Отрицательное значение rx указывает на наличие тенденции снижения уровней, причемустойчивость этой тенденции ниже средней.

При этом следует иметь в виду, что даже при 100%-ной устойчивости тенденции в рядудинамики может быть колеблемость уровней, и коэффициент их устойчивости будет ниже100%. Вцелом же оба показателя связаны, конечно, прямой зависимостью: чаще всего большаяустойчивость уровней наблюдается одновременно с большей устойчивостью тренда.

37. Моделирование тенденции ряда динамики при наличии структурных изменений

От сезонных и циклических колебаний следует отличать единовременные изменения характера тенденции временного ряда, вызванные структурными изменениями в экономике или иными факторами. В этом случае, начиная с некоторого момента времени t, происходит изменение характера динамики изучаемого показателя, что приводит к изменению параметров тренда, описывающего эту динамику.

Момент t сопровождается значительными изменениями ряда факторов, оказывающих сильное воздействие на изучаемый показатель Моделирование тенденции временного ряда при наличии структурных изменений.. Чаще всего эти изменения вызваны изменениями в общеэкономической ситуации или событиями глобального характера, приведшими к изменению структуры экономики. Если исследуемый временной ряд включает в себя соответствующий момент времени, то одной из задач его изучения становится выяснение вопроса о том, значительно ли повлияли общие структурные изменения на характер этой тенденции.

Если это влияние значимо, то для моделирования тенденции данного временного ряда следует использовать кусочно-линейные модели регрессии, т.е. разделить исходную совокупность на 2 подсовокупности (до момента времени t и после) и строить отдельно по каждой подсовокупности уравнения линейной регрессии.

Если структурные изменения незначительно повлияли на характер тенденции ряда Моделирование тенденции временного ряда при наличии структурных изменений., то ее можно писать с помощью единого для всей совокупности данных уравнения тренда.

Каждый из описанных выше подходов имеет свои положительные и отрицательные стороны. При построении кусочно-линейной модели снижается остаточная сумма квадратов по сравнению с единым для всей совокупности уравнением тренда. Но разделение совокупности на части ведет к потере числа наблюдений, и к снижению числа степеней свободы в каждом уравнении кусочно-линейной модели. Построение единого уравнения тренда позволяет сохранить число наблюдений исходной совокупности, но остаточная сумма квадратов по этому уравнению будет выше по сравнению с кусочно-линейной моделью. Очевидно, что выбор модели зависит от соотношения между снижением остаточной дисперсии и потерей числа степеней свободы при переходе от единого уравнения регрессии к кусочно-линейной модели.

38. Регрессионный анализ связных динамических рядов

Многомерные временные ряды, показывающие зависимость результативного признака от одного или нескольких факторных, называют связными рядами динамики. Применение методов наименьших квадратов для обработки рядов динамики не требует выдвижения никаких предположений о законах распределения исходных данных. Однако при использовании метода наименьших квадратов для обработки связных рядов следует учитывать наличие автокорреляции (авторегрессии), которая не учитывалась при обработке одномерных рядов динамики, поскольку ее наличие способствовало более плотному и четкому выявлению тенденции развития рассматриваемого социально - экономического явления во времени.

Выявление автокорреляции в уровнях ряда динамики.

В рядах динамики экономических процессов между уровнями, особенно близко расположенными, существует взаимосвязь. Ее удобно представить в виде корреляционной зависимости между рядами y_1,y_2,y_3,…..y_n h y_1+h, y_2+h,,…, y_n+h. Временное смещение L называется сдвигом, а само явление взаимосвязи - автокорреляцией.

Автокорреляционная зависимость особенно существенна между последующими и предшествующими уровнями ряда динамики.

Различают два вида автокорреляции:

- автокорреляция в наблюдениях за одной или более переменными;

- автокорреляция ошибок или автокорреляция в отклонениях от тренда.

Наличие последней приводит к искажению величин средних квадратических ошибок коэффициентов регрессии, что затрудняет построение доверительных интервалов для коэффициентов регрессии, а так же проверку их значимости.

Автокорреляцию измеряют при помощи циклического коэффициента автокорреляции, который может рассчитываться не только между соседними уровнями, т.е. сдвинутыми на один период, но и между сдвинутыми на любое число единиц времени (L). Этот сдвиг, именуемый временным лагом, определяет и порядок коэффициентов автокорреляции: первого порядка (при L=1), второго порядка (при L=2) и т.д. Однако наибольший интерес для исследования представляет вычисление нециклического коэффициента (первого порядка), так как наиболее сильные искажения результатов анализа возникают при корреляции между исходными уровнями ряда и теми же уровнями, сдвинутыми на одну единицу времени.

Для суждения о наличии или отсутствия автокорреляции в исследуемом ряду фактическое значение коэффициентов автокорреляции сопоставляется с табличным (критическим) для 5% - го или 1% - го уровня значимости.

Если фактическое значение коэффициента автокорреляции меньше табличного, то гипотеза об отсутствии автокорреляции в ряду может быть принята. Когда же фактическое значение больше табличного, можно сделать вывод о наличии автокорреляции в ряду динамики.

39. Автокорреляция временного ряда

Временной ряд -- это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы: факторы, формирующие тенденцию ряда; факторы, формирующие циклические колебания ряда; случайные факторы.

При различных сочетаниях в изучаемом явлении или процессе этих факторов зависимость уровней ряда от времени может принимать различные формы. Во-первых, большинство временных рядов экономических показателей имеют тенденцию, характеризующую совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Во-вторых, изучаемый показатель может быть подвержен циклическим колебаниям.

Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования от дельного временного ряда -- выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.

При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.

Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени. Коэффициент корреляции имеет вид:

В качестве переменой x рассмотрим ряд в качестве переменной y - ряд Тогда коэффициент автокорреляции первого порядка:

где

Коэффициент автокорреляции первого порядка измеряет зависимость между соседними уровнями рядаt и t-1, т.е. при лаге 1.

Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями уt и yt-2 и определяется по формуле:

где

Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается.

Отметим два важных свойства коэффициента автокорреляции.

Во-первых, он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной (или близкой к линейной) связи текущего и предыдущего уровней ряда. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.

Во-вторых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда.

Последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага называется коррелограммой.

Анализ автокорреляционной функции и графика можно выявить структуру ряда. Если наиболее высоким оказался коэффициент автокорреляции 1го порядка, то ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент порядка - то содержит циклические колебания с периодичностью в моментов времени. Если ни один из коэффициентов не является значимым, то 2 предположения: 1. ряд не содержит тенденции и циклических колебаний, 2. ряд содержит сильную нелинейную тенденцию.

40. Критерий Дарбина-Уотсона

Критерий Дарбина-Уотсона (или DW-критерий) -- статистический критерий, используемый для нахождения автокорреляции остатков первого порядка регрессионной модели. Критерий назван в честь Джеймса Дарбина и Джеффри Уотсона. Критерий Дарбина-Уотсона рассчитывается по следующей формуле:

где с₁ -- коэффициент автокорреляции первого порядка.

В случае отсутствия автокорреляции ошибок d = 2, при положительной автокорреляции d стремится к нулю, а при отрицательной стремится к 4:

На практике применение критерия Дарбина--Уотсона основано на сравнении величины d с теоретическими значениями d_L и d_U для заданного числа наблюдений n, числа независимых переменных модели k и уровня значимости б.

Если d < d_L, то гипотеза о независимости случайных отклонений отвергается (следовательно присутствует положительная автокорреляция);

Если d > d_U, то гипотеза не отвергается;

Если d_L < d < d_U, то нет достаточных оснований для принятия решений.

Когда расчетное значение d превышает 2, то с d_L и d_U сравнивается не сам коэффициент d, а выражение (4 ? d).

Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю.

Недостатки:

Неприменим к моделям авторегрессии.

Не способен выявлять автокорреляцию второго и более высоких порядков.

Даёт достоверные результаты только для больших выборок^].

Критерий h Дарбина применяется для выявления автокорреляции остатков в модели с распределёнными лагами:

где n -- число наблюдений в модели;

V -- стандартная ошибка лаговой результативной переменной.

При увеличении объёма выборки распределение h-статистики стремится к нормальному с нулевым математическим ожиданием и дисперсией, равной 1. Поэтому гипотеза об отсутствии автокорреляции остатков отвергается, если фактическое значение h-статистики оказывается больше, чем критическое значение нормального распределения.

Критерий Дарбина--Уотсона для панельных данных

Для панельных данных используется немного видоизменённый критерий Дарбина--Уотсона:

В отличие от критерия Дарбина--Уотсона для временных рядов в этом случае область неопределенности является очень узкой, в особенности, для панелей с большим количеством индивидуумов.

41. Методы исключения автокорреляции (отклонений от тренда, последовательных разностей, включения фактора времени)

Сущность всех методов исключения тенденции заключается в том, чтобы устранить воздействие фактора времени на формирование уравнений временного ряда. Основные методы делят на 2 группы:

- основанные на преобразовании уровней ряда в новые переменные, не содержащие тенденции. Полученные переменные используем далее для анализа взаимосвязи изучаемых временных рядов. Эти методы предполагают устранение трендовой компоненты Т из каждого уровня временного ряда. 1.Метод последовательных разностей. 2.Метод отклонения от трендов.

- основанные на изучении взаимосвязей исходных уровней временных рядов при исключении воздействия фактора времени на зависимую и независимые переменные модели: включение в модель регрессии фактора времени.

Метод отклонений от тренда

Пусть имеются два временных ряда и , каждый из которых содержит трендовую компоненту Т и случайную компоненту .

Проведение аналитического выравнивания по каждому из этих рядов позволяет найти параметры соответствующих уравнений трендов и определить расчетные по тренду уровни и соответственно. Эти расчетные значения можно принять за оценку трендовой компоненты Т каждого ряда. Поэтому влияние тенденции можно устранить путем вычитания расчетных значений уровней ряда из фактических. Эту процедуру проделывают для каждого временного ряда в модели. Дальнейший анализ взаимосвязи рядов проводят с использованием не исходных уровней, а отклонений от тренда и при условии, что последние не содержат тенденции.

Метод последовательных разностей

В ряде случаев вместо аналитического выравнивания временного ряда с целью устранения тенденции можно применить более простой метод -- метод последовательных разностей.

Если временной ряд содержит ярко выраженную линейную тенденцию, ее можно устранить путем замены исходных уровней ряда цепными абсолютными приростами - первыми последовательными разностями.

Пусть где - случайная ошибка.

Тогда

Коэффициент b -- константа, которая не зависит от времени. При наличии сильной линейной тенденции остатки достаточно малы и в соответствии с предпосылками МНК носят случайный характер. Поэтому первые разности уровней ряда не зависят от переменной времени, их можно использовать для дальнейшего анализа.

Если временной ряд содержит тенденцию в форме параболы второго порядка, то для ее устранения можно заменить исходные уровни ряда на вторые разности.

Пусть имеет место соотношение

Тогда:

Как показывает это соотношение, первые разности непосредственно зависят от фактора времени t и, следовательно, содержат тенденцию.

Определим вторые разности:

Очевидно, что вторые разности не содержат тенденции, поэтому при наличии в исходных уровнях тренда в форме параболы второго порядка их можно использовать для дальнейшего анализа. Если тенденции временного ряда соответствует экспоненциальный или степенной тренд, метод последовательных разностей следует применять не к исходным уровням ряда, а к их логарифмам.