Аннотация. Данная тема раскрывает особенности моделей стационарных и нестационарных временных рядов и методы их оценивания.
Ключевые слова. Стационарный процесс, модель авторегрессии, модель Бокса-Дженкинса.
Методические рекомендации по изучению темы
· Тема содержит лекционную часть, где даются общие представления по теме.
· В качестве самостоятельной работы предлагается ответить на вопросы для самоконтроля.
· Для проверки усвоения темы имеется тест для самоконтроля.
· Для подготовки к экзамену имеется контрольный тест.
Рекомендуемые информационные ресурсы:
1. https://tulpar.kpfu.ru/mod/resource/view.php?id=11766
2. Валентинов, В. А. Эконометрика [Электронный ресурс]: Практикум / В. А. Валентинов. - 3-е изд. - М.: Дашков и К, 2010. - 436 с.
(https://znanium.com/catalog.php?item=booksearch&code=%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D0%BA%D0%B0&page=3#none) С. 328-338.
3.Тихомиров Н. П. Эконометрика: учебник. - М.: Экзамен, серия «Учебник Плехановской академии», 2007, -512 с. С.211-222.
4. Эконометрика: учебник / под ред. В. С. Мхитаряна. - М.: Проспект, 2008. -384 с. С. 325-336.
5. Электронный курс “Time Series Econometrics”, Princeton University, URL: https://sims.princeton.edu/yftp/Times05/;https://blackboard.princeton.edu/webapps/portal/frameset.jsp?tab_group=courses&url=%2Fwebapps%2Fblackboard%2Fexecute%2FcourseMain%3Fcourse_id%3D_52968_1.
Глоссарий
Авторегрессионая модель – разновидность динамической эконометрической модели, которая содержит в качестве факторных переменных лаговые значения эндогенных переменных.
Авторегрессия – регрессия, учитывающая влияние предыдущих уровней на последующие.
Бокса Дженкинса модель – это модель авторегрессии (левая часть) – проинтегрированного скользящего среднего (правая часть), описывающая нестационарный однородный временной ряд.
Бокса-Пирса статистика – статистический критерий для обнаружения «белого шума» в остатках регрессии.
Коинтеграция – причинно-следственная связь в уровнях двух или более временных рядов, которая выражается в совпадении или противоположной направленности их тенденций и случайной колеблемости.
Модель авторегрессии – скользящего среднего – это линейная модель множественной регрессии, в которой в качестве объясняющих переменных выступают прошлые значения самой зависимой переменной, а в качестве регрессионного остатка – скользящие средние из элементов «белого шума».
Ряд Фурье – в гармониках Фурье исходным рядом является не первичный ряд за несколько лет, а усредненные значения месячных уровней, в которых исключены тренд и случайная компонента.
Вопросы для изучения:
1. Модели стационарных и нестационарных временных рядов, их идентификация.
2.Модель авторегрессии–скользящего среднего (модель ARMA).
3. Авторегрессионная модель проинтегрированного скользящего среднего (модель ARIMA).
Модели стационарных и нестационарных временных рядов, их идентификация. Для стационарного процесса в слабом смыслесреднее и дисперсия независимо от рассматриваемого периода времени имеют постоянное значение, а автоковариация зависит только от длины лага между рассматриваемыми переменными.
Модели стационарных временных рядов:
- модели авторегрессии порядка p (АР(p) – модели);
- модели скользящего среднего порядка q(СС(q)-модели);
- авторегрессионные модели со скользящими средними в остатках;
- (APCC(p,q)-модели);
- простая и обобщенная модели авторегрессионных условно гетероскедастичных остатков.
Параметрические тесты на стационарность:
1) Тестирование математического ожидания по статистике Стьюдента требует разбить временной ряд (1,T) на две части, не обязательно одинаковые, H0 – гипотеза о постоянстве математического ожидания:
2) Тестирование математического ожидания по статистике Фишера (если количество наблюдений достаточно велико), Н0 – гипотеза о постоянстве математического ожидания временного ряда. Интервал наблюдений делится на несколько частей.
где, n – число частей разбиения интервала (1,Т); Tj- число измерений переменной yt на j-ой части; j=1,2,…,n;
- среднее значение временного ряда;
- средняя дисперсия.
Модель авторегрессии–скользящего среднего (модель ARMA). Построение модели АР(k) сводится к решению двух задач:определение рационального порядка модели (величины k);оценивание параметров модели на основе уравнений Юла-Уокера.
Система уравнений Юла-Уокера:
r1,r2,…rk – известные оценки коэффициентов автокорреляции;
a1,a2,…ak - неизвестные оценки коэффициентов модели.
Модель авторегрессии первого порядка АР(1):
Модель авторегрессии второго порядка АР(2):
Модель скользящего среднего первого порядка СС(1):
Модель скользящего среднего второго порядка СС(2):
Простейшая модель авторегрессии - скользящего среднего АРСС(k,m) - (A uto R egressive- M oving A verage (ARMA (k,m)):
Значения автокорреляционной функции для ARMA (1,1) будут иметь вид:
Авторегрессионная модель проинтегрированного скользящего среднего (модель ARIMA). Для описания нестационарных однородных временных рядов применяется модель Бокса-Дженкинса (ARIMA –модель). Наиболее распространены ARIMA (k,m,q) – модели, со значениями параметров, не превышающими 2, q – порядок разности (дискретной производной).
Этапы методологии Бокса-Дженкинса:
1. Тестирование исходного ряда на стационарность. Анализ автокорреляционной функции. Переход к стационарному ряду путем взятия последовательных разностей (дискретные производные). Определение параметра q.
2. Исследование характера автокорреляционной функции и предположение о значениях параметров k (порядок авторегрессии) и m (порядок скользящего среднего).
3. Оценивание параметров ARIMA (k,m,q) – модели.
4. Проверка пробной модели на адекватность путем анализа ряда остатков.
Для обнаружения «белого шума» в остатках применяют Q-статистику Бокса-Пирса, H0 об отсутствии автокорреляции в остатках:
Критерии качества подгонки модели Бокса-Дженкинса:
КритерийАкайка (Akaike information criterion, AIC):
Выбор следует сделать в пользу модели с меньшим значением AIC.
Критерий Шварца (Swarzcriterion):
Вопросы для самоконтроля
1. Какая модель временного ряда называется статической?
2. Когда модель временного ряда называется динамической?
3. Как определяются авторегрессионные модели?
4. Как определяется модель ARMA?
5. Как интерпретируют параметры моделей авторегрессии?
6. Что означает стационарность временного ряда?
7. Какой стационарный процесс называется «белым шумом»?
8. Какие типы включают модели стационарных временных рядов?
9. Какие типы включают модели нестационарных временных рядов?
10. Как определяется ARIMA-модель?
Лекция 20