Скачать презентацию Лекция 11 Временные ряды продолжение 1 Оценивание в Скачать презентацию Лекция 11 Временные ряды продолжение 1 Оценивание в

Лекция 11 н2 вр ряды продолжение.pptx

  • Количество слайдов: 13

Лекция 11 Временные ряды (продолжение) 1. Оценивание в моделях распределенных лагов 2. Стационарность процессов Лекция 11 Временные ряды (продолжение) 1. Оценивание в моделях распределенных лагов 2. Стационарность процессов 3. Проверка на существование автокорреляции (тест DW) 4. Оценивание параметров в динамических моделях

Оценивание в моделях распределенных лагов Может производиться МНК (при соблюдении всех предпосылок). Однако, если Оценивание в моделях распределенных лагов Может производиться МНК (при соблюдении всех предпосылок). Однако, если по смыслу задачи ожидается влияние с большим запаздыванием, то может оказаться, что количество коэффициентов слишком велико. В том случае, если ряд xi имеет некоторую структуру, например, автокорреляцию или сезонность, мы оказываемся в ситуации мультиколлинеарности. Для уменьшения числа оцениваемых параметров используют модели полиномиальных лагов (метод Алмон (Almon)) и геометрических лагов (модель Койка (Koyck)).

Модели полиномиальных лагов Если уравнение регрессии имеет вид то зависимость βi от i аппроксимируется Модели полиномиальных лагов Если уравнение регрессии имеет вид то зависимость βi от i аппроксимируется полиномом некоторой степени r Таким образом, получаем модель, содержащую только r + 2 неизвестных параметров и имеет вид: yt = δ+ 0 ot+ 1 1 t+…+ r rt+ t , где переменные 0, . . . , r являются линейными комбинациями переменных xt, . . . , xt-q.

Модель геометрических лагов Модель имеет вид: Параметр λ (0 < λ < 1) связан Модель геометрических лагов Модель имеет вид: Параметр λ (0 < λ < 1) связан обратной зависимостью со скоростью реакции; λ = 0 означает мгновенную полную реакцию у на изменение х. Модель содержит только три параметра ( , β, λ), однако ее оценивание затрyднено тем, что она является нелинейной.

Стационарные ряды Важное значение в анализе временных рядов имеют стационарные ряды, вероятностные свойства которых Стационарные ряды Важное значение в анализе временных рядов имеют стационарные ряды, вероятностные свойства которых не изменяются во времени. Стационарные временные ряды применяются в частности при описании случайных составляющих анализируемых рядов.

Стационарность процессов Стационарными в широком смысле являются те ряды, вероятностные свойства которых не изменяются Стационарность процессов Стационарными в широком смысле являются те ряды, вероятностные свойства которых не изменяются во времени: • E(yt) = μ; • V(yt)=γ 0; • Cov(yt, yt-k) = γk Автокорреляционная функция ACF:

Проверка на стационарность 1. Посмотреть на график полученных наблюдений 2. Построить график выборочной автокорреляционной Проверка на стационарность 1. Посмотреть на график полученных наблюдений 2. Построить график выборочной автокорреляционной функции 3. Использовать формальные тесты для определения наличия автокорреляции (тест Дарбина-Уотсона или Дики–Фуллера или др. ) В том случае, если ряд оказывается не стационарным по тренду, то переходим к уравнениям в первых разностях, т. е вводим замену переменных dyt=yt-yt-1 и повторяем процедуру проверки на стационарность с пункта 1

Тест Дарбина-Уотсона (DW) Нулевая гипотеза – отсутствие автокорреляции. Тест DW основан на статистике При Тест Дарбина-Уотсона (DW) Нулевая гипотеза – отсутствие автокорреляции. Тест DW основан на статистике При большом числе наблюдений можно считать При отсутствии автокорреляции можно считать, что DW близка к 2. Близость к 0 означает положительную автокорреляцию, а к 4 – отрицательную. Для DW-статистики найдены верхняя и нижняя границы (dн и dв).

Иллюстрация критерия Дарбина - Уотсона Положительная автокорреляци я 0 dн Зона Н 0 принимается Иллюстрация критерия Дарбина - Уотсона Положительная автокорреляци я 0 dн Зона Н 0 принимается Отрицательная Зона Неопреде- (отсутствие ленности автокорреляция Неопределенности Автокорреляции) dв 2 dв dн 4

Примеры временных рядов • Белый шум yt = t , t ~ iid(0, σ2), Примеры временных рядов • Белый шум yt = t , t ~ iid(0, σ2), t=1, …, n • АR(1) процесс yt = m+ψ·yt-1+ t, t ~ iid(0, σ2), t=1, …, n. предполагается, что |ψ| < 1 • Случайное блуждание yt = yt-1 + t t ~ iid(0, σ2), t=1, …, n

Оценивание параметров в динамических моделях Уравнение с авторегрессионными членами может быть оценено при помощи Оценивание параметров в динамических моделях Уравнение с авторегрессионными членами может быть оценено при помощи МНК. Существенными тут являются два условия: • Устойчивость. Это означает | | < 1. • Отсутствует автокорреляция ошибок

Дарбин показал, что приемлема следующая процедура проверки на автокорреляцию ошибок: 1) Вычислим остатки МНК-регрессии Дарбин показал, что приемлема следующая процедура проверки на автокорреляцию ошибок: 1) Вычислим остатки МНК-регрессии уравнения et. 2) Оценим вспомогательную регрессию et на et-1, yt-1, xt. 3) Проверим гипотезу Н 0 с помощью обычного tтеста на значимость коэффициента при et-1 во вспомогательной регрессии. Если коэффициент значим, то, значит, существует автокорреляция ошибок.

Какой МНК используется для получения оценок параметров моделей временных рядов? • • а) обычный Какой МНК используется для получения оценок параметров моделей временных рядов? • • а) обычный МНК б) взвешенный МНК в) обобщенный (ОМНК) г) зависит от структуры ряда и выполнения основных предпосылок для модели