На головну

Специфіка часових рядів як джерела даних в економетричному моделюванні.

  1. I. Визначити ризик від окремого джерела
  2. I. Самостійна робота з інформаційними джерелами
  3. OLAP: оперативна аналітична обробка даних.
  4. Trading Techniques Inc. надає місячні, тижневі, денні і погодинні (60 хвилин) дані по всіх ф'ючерсах за допомогою сервісу завантаження даних.
  5. Trading Techniques Inc. надає погодинні (60-хвилинні) дані по всіх ф'ючерсах за допомогою сервісу завантаження даних.
  6. V. УПРАВЛІННЯ ПОТОКАМИ ДАНИХ
  7. Автором програми для ЕОМ або бази даних визнається фізична особа, в результаті творчої діяльності якої вони створені.

Під тимчасовим поруч (динамічним поруч, або поруч динаміки) в економіці мається на увазі послідовність спостережень деякої ознаки (випадкової величини) У в послідовні моменти часу. Окремі спостереження називаються рівнями ряду, які будемо позначати yt (T = 1,2, ...., n), де n - число рівнів.

У табл.6.1. наведені дані, що відображають попит на деякий товар за восьмирічний період (ум. од), тобто тимчасової ряд попиту yt.

 Рік, t
 Попит, yt

Як приклад на рис.6.1. тимчасової ряд yt зображений графічно.

У загальному вигляді при дослідженні економічного тимчасового ряду yt виділяються кілька складових:

yt = ut + vt+ ct+ et (T = 1,2, ..., n),

де ut- тренд, Плавно змінюється компонента, що описує чисте вплив довготривалих чинників, тобто тривалу ( «вікову») тенденцію зміни ознаки (наприклад, зростання населення, економічний розвиток, зміна структури споживання і т.п.);

vt- сезонна компонента, Що відображає повторюваність економічних процесів в протягом не дуже тривалого періоду (року, іноді місяці, тижні і т.д., наприклад, обсяг продажів товарів або перевезень пасажирів в різні пори року);

ct- циклічна компонента, Що відображає повторюваність економічних процесів протягом тривалих періодів (наприклад, вплив хвиль економічної активності Кондратьєва, демографічних «ям», циклів сонячної активності і т.п.)

et- випадкова компонента, Що відображає вплив не піддаються обліку і реєстрації випадкових факторів.

Мал. 6.1.

Слід звернути увагу на те, що на відміну від et перші три складові (компоненти) ut, vt, ct є закономірними, невипадковими.

Найважливіші класичної завданням при дослідженні економічних рядів є виявлення та статистична оцінка основою тенденції розвитку досліджуваного процесу і відхилень від неї.

Відзначимо основні етапи аналізу часових рядів:

. графічне представлення і опис поведінку часового ряду;

. виділення і видалення закономірних (невипадкових) складових часового ряду (тренду, сезонних і циклічних складових);

. згладжування і фільтрація (видалення низько - чи високочастотних складових часового ряду);

. дослідження випадкової складової часового ряду, побудова і перевірка адекватності математичної моделі для її опису;

. прогнозування розвитку досліджуваного процесів на основі наявного ряду;

. дослідження взаємозв'язку між різними часовими рядами.

Серед найбільш поширених методів аналізу часових рядів виділимо кореляційний і спектральний аналізу, моделі авторегресії і ковзної середньої. Про деякі з них мова піде нижче.

Якщо вибірка y1, y2, ....., Yi, .....,yn розглядається як одна з реалізацій випадкової величини У, часовий ряд y1, y2, ....., Yi, ....,,yn розглядається як одна з реалізацій (траєкторій) випадкового процесу У(t). Разом з тим слід мати на увазі принципові відмінності тимчасового ряду yt (T = 1,2, .., n) від послідовності спостережень y1, y2, ...., Yn, Що утворюють випадкової вибірки. По-перше, на відміну від елементів випадкової вибірки членів тимчасового ряду, як правило, не є статистично незалежними. По-друге, члени тимчасового ряду не є однаково розподіленими.



Попередня   40   41   42   43   44   45   46   47   48   49   50   51   52   53   54   55   Наступна

Глава 4. Передумови методу найменших квадратів | Дослідження залишків величин регресії. | Проблема гетероскедастичності. Її економічні причини і методи виявлення. | Лінійні регресійні моделі з гетероскедастичними і автокоррелірованнимі залишками. | Узагальнений метод найменших квадратів. (ОМНК). | Приклад. | Нелінійні моделі регресії і їх лінеаризація. | Оцінка ступеня тісноти зв'язку між кількісними змінними. | Індекс кореляції, теоретичне кореляційне відношення. Коефіцієнт детермінації для нелінійних моделей. | Застосування МНК для нелінійних моделей. |

© um.co.ua - учбові матеріали та реферати