Уровень временного ряда (yt) формируется под воздействием различных факторов – компонент: Т (тенденция), S (циклические и/или сезонные колебания), Е (случайные факторы). Для аддитивной модели временного ряда для уровня y3 получено уравнение тренда T = 3,14 + 2,07t. Известны значения компонент: S3 = 1,6; E3 = –0,3. Тогда значение уровня временного ряда y3 будет равно …
Аддитивная модель временного ряда записывается в виде выражения и предполагает, что сумма компонент ряда T, S и Е равна значению уровня ряда yt. Расчет компоненты Т осуществим по формуле T = 3,14 + 2,07t , где t = 3, так как необходимо рассчитать значение уровня y3.
Получаем: y3 = 3,14 + 2,07 * 3 +1,6 + (–0,3) = 10,65.
Бывшев, В.А. Эконометрика: учеб. пособие / В.А. Бывшев. – М. : Финансы и статистика, 2008. – С. 236 –237.
Эконометрика: учеб. / И.И. Елисеева и [др.]; под ред. И.И. Елисеевой. – 2-е изд., перераб. и доп. – М. : Финансы и статистика, 2005. – С. 311 –313.
ответ тест i-exam
Имеет выраженную сезонную компоненту с лагом 4
содержит только тенденцию, и не содержит сезонной компоненты
имеет выраженную сезонную компоненту с лагом 6
не имеет ни тенденции, ни сезонной компоненты, имеет только случайную компоненту
Решение:
Высокое значение коэффициентов автокорреляции четвертого и кратного ему восьмого уровней позволяет сделать вывод, что ряд имеет выраженную сезонную компоненты, периодичность которой равна четырем.
Низкое значение коэффициента автокорреляции первого порядка позволяет предположить, что ряд не содержит трендовой компоненты.
3. Автокорреляционной функцией временного ряда называется последовательность коэффициентов автокорреляции …
первого, второго, третьего и последующих порядков
между трендовой, сезонной и случайной компонентами
между несколькими временными рядами
факторов, формирующих уровень ряда
Решение:
Автокорреляционной функцией временного ряда называется последовательность коэффициентов автокорреляции первого, второго и последующих порядков.
4. Значение коэффициента автокорреляции второго порядка равно (-0,6), следовательно, ряд содержит …
затухающую сезонную волну периодичностью 2 момента времени
полиномиальную тенденцию с точкой минимума
Решение:
Структура временного ряда определяется по значениям коэффициента автокорреляции, рассчитанным для разных порядков. Коэффициент автокорреляции характеризует тесноту связи между уровнями исходного ряда и уровнями этого же ряда, сдвинутыми на значение порядка коэффициента автокорреляции. Если временной ряд содержит тенденцию, то наиболее высокое (максимальное или чуть меньше, чем максимальное) значение наблюдается у коэффициента автокорреляции первого и/или второго порядка. Однако, по знаку коэффициента автокорреляции нельзя делать вывод о направленности тенденции. Поэтому вариант «ряд содержит убывающую тенденцию» является ошибочным, так как ряд при данном значении коэффициента автокорреляции может содержать и положительную тенденцию. Правильный вариант – «ряд содержит тенденцию».
5. Автокорреляцией уровней ряда называется корреляционная зависимость между …
последовательными уровнями ряда
уровнями двух рядов
компонентами, образующими уровни ряда
факторами, формирующими уровень ряда
Решение:
Автокорреляцией уровней ряда называется корреляционная зависимость между последовательными уровнями ряда.
Тема 19: Аддитивная и мультипликативная модели временных рядов
1. Уровень временного ряда (yt) формируется под воздействием различных факторов – компонент: Т (тенденция), S (циклические и/или сезонные колебания), Е (случайные факторы). Для аддитивной модели временного ряда для уровня y3 получено уравнение тренда T = 3,14 + 2,07t. Известны значения компонент: S3 = 1,6; E3 = –0,3. Тогда значение уровня временного ряда y3 будет равно …
Решение:
Аддитивная модель временного ряда записывается в виде выражения и предполагает, что сумма компонент ряда T, S и Е равна значению уровня ряда yt. Расчет компоненты Т осуществим по формуле T = 3,14 + 2,07t , где t = 3, так как необходимо рассчитать значение уровня y3.
Получаем: y3 = 3,14 + 2,07 * 3 +1,6 + (–0,3) = 10,65.
2. Уровень временного ряда (yt) формируется под воздействием различных факторов – компонент: Т (тенденция), S (циклические и/или сезонные колебания), Е (случайные факторы). Для мультипликативной модели временного ряда, содержащего периодические колебания в 4 момента, получены значения сезонных компонент: S1 = 2,087; S2 = 0,632; S3 = 0,931; S4 = 3,256. Известны значения компонент: T5 = 20,6 и E5 = 0,4. Рассчитайте значение уровня временного ряда y5.
Решение:
Мультипликативная модель временного ряда записывается в виде выражения и предполагает, что произведение компонент ряда T, S и Е равно значению уровня ряда yt. Значение компоненты S определим из имеющихся, так как необходимо рассчитать значение уровня y5, периодичность колебаний составляет 4 момента времени, тогда для t = 5 значение компоненты S5 = S1 = 2,087. Получаем:
3. Для аддитивной модели временного ряда Y = T + S + E лаг модели равен 4 и известны значения трех скорректированных сезонных компонент: , , . равна …
Решение:
Для аддитивной модели временного ряда Y = T + S + E сумма скорректированных сезонных компонент равна нулю. .
Значит,
4. Для мультипликативной модели временного ряда Y = T · S · E сумма скорректированных сезонных компонент равна …
Решение:
Для мультипликативной модели временного ряда Y = T · S · E сумма скорректированных сезонных компонент равна лагу.
Тема 20: Модели стационарных и нестационарных временных рядов и их идентификация
1. Известно, что дисперсия временного ряда Y увеличивается с течением времени. Значит, ряд Y …
Решение:
Временной ряд называется стационарным, если он является конкретной реализацией стационарного стохастического процесса. Под стационарным в слабом смысле понимается стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода времени имеют постоянное значение. Автоковариация зависит только от длины лага между рассматриваемыми переменными. Если дисперсия ряда увеличивается, то есть она не постоянна, то ряд будет нестационарным.
Правильный ответ: временной ряд Y – нестационарный.
2. Известно, что временной ряд Y порожден случайным процессом, который по своим характеристикам является «белым шумом». Значит, ряд Y …
Решение:
По своим характеристикам временной ряд, образованный случайным процессом «белый шум», является стационарным. Математическое ожидание временного ряда, образованного случайным процессом «белый шум» постоянно, дисперсия постоянна, автоковариация зависит только от длины лага. Правильный ответ: временной ряд Y – стационарный.
3. Известно, что временной ряд Y характеризуется устойчивой тенденцией, то есть его среднее значение меняется. Значит, ряд Y, скорее всего,является …
Решение:
Временной ряд называется стационарным, если он является конкретной реализацией стационарного стохастического процесса. Под стационарным в слабом смысле понимается стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода времени имеют постоянное значение. Автоковариация зависит только от длины лага между рассматриваемыми переменными. Если среднее значения ряда меняется, то ряд будет нестационарным. Правильный ответ: временной ряд Y – нестационарный.
4. Для временного ряда известны характеристики: – среднее и – дисперсия. Если временной ряд является стационарным, то …
Решение:
При моделировании временных рядов рассматривается отдельный класс – стационарные временные ряды. Основные характеристики стационарного временного ряда состоят в том, что среднее и дисперсия стохастического процесса, сгенерировавшего конкретный временной, не зависят от времени t, то есть ; .
Тема 21: Общие понятия о системах уравнений, используемых в эконометрике
1. Левая часть системы эконометрических уравнений представлена совокупностью _________ переменных.
Решение:
Система эконометрических уравнений включает множество переменных, среди которых выделяют экзогенные и эндогенные переменные. В левой части системы эконометрических уравнений находятся только эндогенные (зависимые) переменные.
2. Модель равенства спроса и предложения, где предложение и спрос являются линейными функциями цены p, состоит из уравнений …
Решение:
В модели предложение и спрос являются линейными функциями цены p. Значит, уравнение для предложения будет иметь вид , а уравнение для спроса – . Так как рассматривается модель равенства спроса и предложения, значит, первые два уравнения должны быть дополнены третьим: .
Модель будет иметь вид
3. Системой эконометрических уравнений не является система линейных _____ уравнений.
Решение:
Система линейных одновременных уравнений является одним из видов систем эконометрических уравнений.
Система рекурсивных уравнений также является видом системы эконометрических уравнений.
Система нормальных уравнений используется при расчете оценок параметров линейных моделей с помощью МНК и не является системой эконометрических уравнений (правильный вариант ответа).
Стандартизованное уравнение регрессии используется при моделировании линейных уравнений множественной регрессии для расчета стандартизованных коэффициентов регрессии и ранжировании факторов по силе связи с зависимой переменной и не является системой эконометрических уравнений (правильный вариант ответа).
Тема 22: Классификация систем уравнений
1. При построении систем эконометрических уравнений различают три класса моделей:
(1) система независимых уравнений;
(2) система рекурсивных уравнений;
(3) система одновременных уравнений.
Отнесите предложенные модели к соответствующему классу.
(1)
(2)
(3)
Решение: http://ravanda.ru/i-exam/35682
Модель, в которой – продуктивность коров, можно назвать моделью экономической эффективности сельскохозяйственного производства. Эта модель содержит в правой части только независимые переменные, поэтому она может быть отнесена к классу «система независимых уравнений».
Модель, в которой – производительность труда, может быть названа моделью производительности труда и фондоотдачи. Это модель содержит в первом уравнении только независимые переменные, а во втором уравнении в правой части встречается и зависимая переменная ; это значит, что модель можно отнести к классу «система рекурсивных уравнений».
Модель, в которой – темп изменения месячной заработной платы, может служить моделью динамики цены и заработной платы. В правых частях обоих уравнений содержатся зависимые переменные, поэтому данная модель может быть отнесена к классу «система одновременных уравнений».
Система, в которой y – объем производства, вообще не является какой бы то ни было системой эконометрических уравнений – это система нормальных уравнений для определения параметров парной линейной регрессии.
2. Изучаются модели зависимости спроса и предложения от цены p и прочих факторов. Установите соответствие между видом и классом эконометрических уравнений.
(1)
(2)
(3)
система независимых уравнений
система одновременных уравнений
система рекурсивных уравнений
система приведенных уравнений
Решение:
В системе (1) оба уравнения зависят только от независимой переменной p. Это система независимых уравнений, и мы не предполагаем, что спрос и предложение связаны между собой.
В системе (2) зависимые переменные спрос и предложение содержатся и в правой, и в левой частях уравнения. Это система одновременных уравнений.
В системе (3) первое уравнение содержит в правой части только независимую переменную p, а второе уравнение уже включает в себя и зависимую переменную , определенную в первом уравнении. Это система рекурсивных уравнений.
Система приведенных уравнений не является классом систем одновременных уравнений.
Контрольная работа: Анализ временных рядов
Название: Анализ временных рядов Раздел: Рефераты по экономике Тип: контрольная работа Добавлен 12:35:47 23 февраля 2010 Похожие работы Просмотров: 7155 Комментариев: 20 Оценило: 6 человек Средний балл: 4.7 Оценка: 5 Скачать |
. (1.6.2)
Как известно, линейный коэффициент корреляции находится в пределах:
Следует иметь в виду, что величина линейного коэффициента корреляции оценивает тесноту связи рассматриваемых признаков в её линейной форме. Поэтому близость абсолютной величины линейного коэффициента корреляции к нулю ещё не означает отсутствия связи между признаками.
Для оценки качества подбора линейной функции рассчитывается квадрат линейного коэффициента корреляции ryt 2 , называемый коэффициентом детерминации . Коэффициент детерминации характеризует долю дисперсии результативного признака уt , объясняемую регрессией, в общей дисперсии результативного признака:
(1.6.3)
общая дисперсия результативного признака у;
остаточная дисперсия, определяемая, исходя из уравнения регрессии
Соответственно величина 1 – r 2 характеризует долю дисперсии у, вызванную влиянием остальных, не учтённых в модели факторов.
Уравнение нелинейной регрессии, так же как и в линейной зависимости, дополняется показателем корреляции, а именно индексом корреляции R:
(1.6.4)
Иначе, индекс корреляции можно выразить как
Величина данного показателя находится в границах:
чем ближе к единице, тем теснее связь рассматриваемых признаков, тем более надёжно найденное уравнение регрессии.
Парабола второго порядка, как и полином более высокого порядка, при лианеризации принимает вид уравнения множественной регрессии. Если же нелинейное относительно объясняемой переменной уравнение регрессии при линеаризации принимает форму линейного уравнения парной регрессии, то для оценки тесноты связи может быть использован линейный коэффициент корреляции, величина которого в этом случае совпадёт с индексом корреляции.
Иначе обстоит дело, когда преобразования уравнения в линейную форму связаны с зависимой переменной. В этом случае линейный коэффициент корреляции по преобразованным значениям признаков даёт лишь приближённую оценку тесноты связи и численно не совпадает с индексом корреляции. Так, для степенной функции ух = ах b после перехода к логарифмически линейному уравнению lny = lna + blnxможет быть найден линейный коэффициент корреляции не для фактических значений переменных х и у, а для их логарифмов, то есть rlnylnx . Соответственно квадрат его значения будет характеризовать отношение факторной суммы квадратов отклонений к общей, но не для у, а для его логарифмов:
.
Между тем при расчёте индекса корреляции используются суммы квадратов отклонений признака у, а не их логарифмов. С этой целью определяются теоретические значения результативного признака, то есть , как антилогарифм рассчитанной по уравнению величины и остаточная сумма квадратов как . Индекс корреляции определяется по формуле
В знаменателе расчёта R 2 yx участвует общая сумма квадратов отклонений фактических значений у от их средней величины, а в расчёте r 2 lnx lny участвует . Соответственно различаются числители и знаменатели рассматриваемых показателей:
— в индексе корреляции и
— в коэффициенте корреляции.
Вследствие близости результатов и простоты расчётов с использованием компьютерных программ для характеристики тесноты связи по нелинейным функциям широко используется линейный коэффициент корреляции.
Несмотря на близость значений R и r или R и rв нелинейных функциях с преобразованием значения признака у, следует помнить, что если при линейной зависимости признаков один и тот же коэффициент корреляции характеризует регрессию, как следует помнить, что если при линейной зависимости признаков один и тот же коэффициент корреляции характеризует регрессию как , так и , так как, то при криволинейной зависимости для функции y=j(x) не равен для регрессии x=f(y).
Поскольку в расчёте индекса корреляции используется соотношение факторной и общей суммы квадратов отклонений, то имеет тот же смысл, что и коэффициент детерминации. В специальных исследованиях величину для нелинейных связей называют индексом детерминации.
Оценка существенности индекса корреляции проводится, так же как и оценка надёжности коэффициента корреляции.
Индекс корреляции используется для проверки существенности в целом уравнения нелинейной регрессии по F-критерию Фишера:
где — индекс детерминации;
n – число наблюдений;
m – число параметров при переменных х.
Величина m характеризует число степеней свободы для факторной суммы квадратов, а ( n – m — 1) – число степеней свободы для остаточной суммы квадратов.
Для степенной функции m = 1 и формула F – критерия примет тот же вид, что и при линейной зависимости:
Для параболы второй степени y = a0 + a1 x + a2 x 2 +εm = 2 и
(1.6.5)
Расчёт F-критерия можно вести и в таблице дисперсионного анализа результатов регрессии, как это было показано для линейной функции.
Индекс детерминации можно сравнивать с коэффициентом детерминации для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем величина коэффициента детерминации меньше индекса детерминации. Близость этих показателей означает, что нет необходимости усложнять форму уравнения регрессии и можно использовать линейную функцию.
Практически, если величина разности между индексом детерминации и коэффициентом детерминации не превышает 0,1, то предположение о линейной форме связи считается оправданным. В противном случае проводится оценка существенности различия R 2 , вычисленных по одним и тем же исходным данным, через t – критерий Стьюдента:
(1.6.6)
m| R — r | — ошибка разности между R 2 и r 2 , определяемая по формуле
Если t факт >t табл , то различия между рассматриваемыми показателями корреляции существенны и замена нелинейной регрессии уравнением линейной функции невозможна. Практически, если величина t 2 . [20, c.98], [21, c.78]
Для каждого момента (периода) времени t = 1 : N значение компоненты et для аддитивной модели определяется как
,
где — сумма циклической и трендовой компонент, а для мультипликативной модели:
где — произведение циклической и трендовой компонент.
Ошибки измерений нам неизвестны, а известны лишь эмпирические остатки.
Рассматривая последовательность остатков как временной ряд , можно построить график их зависимости от времени. В соответствии с предпосылками метода наименьших квадратов остатки et должныбыть случайными. Однако при моделировании временных рядов часто встречаются ситуация, когда остатки содержат тенденцию или циклические колебания. Это свидетельствует о том, что каждое следующее значение остатков зависит от предшествующих. В этом случае говорят о наличии автокорреляции остатков.
Автокорреляция остатков может быть вызвана следующими причинами, имеющими различную природу. Во-первых , иногда она связана с исходными данными и вызвана наличием ошибок измерения в значениях результативного признака. Во-вторых , в ряде случаев причину автокорреляции остатков следует искать в формулировке модели. Модель может не включать фактор, существенное воздействие на результат, влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными. Очень часто этим фактором является фактор времени t. Кроме того, в качестве таких существенных факторов могут выступать лаговые значения переменных, включённых в модель.
Либо модель не учитывает несколько второстепенных факторов, совместное влияние которых на результат существенно в виду совпадения тенденций их изменения или фаз циклических колебаний.
Существует два наиболее распространённых метода определения автокорреляции остатков. Первый метод – это построение графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции. Второй метод – использование критерия Дарбина – Уотсона.
Дж. Дарбин и Г. Уотсон построили таблицы, дающие нижние и верхние пределы порогов значимости. Эти таблицы достаточны для большинства конкретных ситуаций. Рассмотрим логические основания критерия .
(1.10.1)
представляет собой «отношение фон Неймана», применённое к остаткам оценки. Этот критерий имеет эффективность аналогичную таковой для критерия r1 , первого коэффициента автокорреляции остатков. Из предыдущей главы известно, что этот критерий будет особенно мощным, если ошибки следуют авторегрессинному процессу первого порядка. Таким образом, он, по-видимому, хорошо приспособлен для экономических моделей.
Значение d в выборке зависит одновременно от последовательности zt и от значений et ( для t = 1,2, . . . ,N). Однако Дарбин и Уотсон показали, что для заданных значений et значение d обязательно заключено между двумя границами dU и dL , не зависящими от значений, принимаемых zt , и являющимися функциями лишь чисел N , именно dL £d£dU .
Для некоторых значений последовательности zt границы dU и dL могут достигаться. Интервал [dL ,dU ] является, следовательно, наименьшим из возможных, если не принимать во внимание точные значения zt .
Границы dU и dL представляют случайные величины, распределение которых можно определить с помощью точных гипотез относительно распределения et .
Для практического использования таблицы полученное значение d * следует сравнить с d1 и d2 .
а) Если d * * > d2 , то вероятность столь малого значения наверняка больше a. Гипотеза независимости не отбрасывается.
в) Если d 1 £d * £d 2 , то приведённые таблицы оставляют вопрос открытым. Возможно, что гипотезу независимости при уровне значимости a следует отбросить. Однако этого нельзя узнать без изучения закона распределения вероятностей dдля последовательности переменных zt . Практически в этом случае часто довольствуются указанием на то , что значение d * попадает в область неопределённости критерия.
В настоящее время принято приводить значение d * вместе с регрессиями для временных рядов и указывать на расположение этого значения относительно d 1 и d 2 .
Есть несколько существенных ограничений на применение критерия Дарбина – Уотсона.
Во-первых, он неприменим к моделям, включающим в качестве независимых переменных лаговые значения результативного признака, то есть к моделям авторегрессии. Для тестирования на автокорреляцию остатков моделей авторегрессии используется критерий h Дарбина.
Во-вторых, методика расчёта и использования критерия Дарбина — Уотсона направлена только на выявление автокорреляции остатков первого порядка. При проверке остатков на автокорреляцию более высоких порядков следует применять другие методы.
В-третьих, критерий Дарбина – Уотсона даёт достоверные результаты только для больших выборок.
http://poisk-ru.ru/s18017t9.html
http://www.bestreferat.ru/referat-106773.html