Проверка адекватности выбранных моделей

Проверка адекватности выбранных моделей реальному процессу (в частности, адекватности полученной кривой роста) строится на анализе случайной компоненты. Случайная остаточная компонента получается после выделения из исследуемого ряда систематической составляющей (тренда и периодической составляющей, если она присутствует во временном ряду). Предположим, что исходный временной ряд описывает процесс, не подверженный сезонным колебаниям, т.е. примем гипотезу об аддитивной модели ряда вида:

(1)

Тогда ряд остатков будет получен как отклонения фактических уровней временного ряда (y_t) от выравненных, расчетных (ŷ_t):

(2)

При использовании кривых роста ŷ_t вычисляют, подставляя в уравнения выбранных кривых соответствующие последовательные значения времени.

Принято считать, что модель адекватна описываемому процессу, если значения остаточной компоненты удовлетворяют свойствам случайности, независимости, а также случайная компонента подчиняется нормальному закону распределения.

При правильном выборе вида тренда отклонения от него будут носить случайный характер. Это означает, что изменение остаточной случайной величины не связано с изменением времени. Таким образом, по выборке, полученной для всех моментов времени на изучаемом интервале, проверяется гипотеза о зависимости последовательности значений e_t от времени, или, что то же самое, о наличии тенденции в ее изменении. Поэтому для проверки данного свойства может быть использован один из критериев, рассматриваемых в разделе 1, например, критерий серий.

Если вид функции, описывающей систематическую составляющую, выбран неудачно, то последовательные значения ряда остатков могут не обладать свойствами независимости, т.к. они могут коррелировать между собой. В этом случае говорят, что имеет место автокорреляция ошибок.

В условиях автокорреляции оценки параметров модели, полученные по методу наименьших квадратов, будут обладать свойствами несмещенности и состоятельности (с этими свойствами знакомятся в курсе математической статистики). В то же время эффективность этих оценок будет снижаться, а, следовательно, доверительные интервалы будут иметь мало смысла в силу своей ненадежности.

Существует несколько приемов обнаружения авто корреляции. Наиболее распространенным является метод, предложенный Дарбиным и Уотсоном. Критерий Дарбина-Уотсона связан с гипотезой о существовании автокорреляции первого порядка, Т.е. автокорреляции между соседними остаточными членами ряда. Значение этого критерия определяется по формуле:

d = (3)

Можно показать, что величина d приближенно равна:

d≈ 2(1-r₁)

где r₁- коэффициент автокорреляции первого порядка (т.е. парный коэффициент корреляции между двумя рядами е₁, е₂,...,е_n-1 и е₂, е₃,…,e_n).

Из последней формулы видно, что если в значениях e_t имеется сильная положительная авто корреляция (r₁≈1), то величина d=0, в случае сильной отрицательной автокорреляции (r₁≈-1) d=4. При отсутствии автокорреляции (r≈0) d=2.

Для этого критерия найдены критические границы, позволяющие принять или отвергнуть гипотезу об отсутствии автокорреляции. Авторами критерия границы определены для 1; 2,5; и 5% уровней значимости. Значения критерия Дарбина- Уотсона при 5% уровне значимости приведены в таблице. В этой таблице d₁ и d₂ – соответственно нижняя и верхняя доверительные границы критерия Дарбина- Уотсона; k¹ – число переменных в модели; n- длина ряда.

Таблица.

Значение критерия Дарбина- Уотсона d₁ и d₂ при 5% уровне значимости

Применение на практике критерия Дарбина- Уотсона основано на сравнении величины d, рассчитанной по формуле (3), с теоретическими значениями d₁ и d₂, взятыми из таблицы. Отметим, что большинство программных пакетов статистической обработки данных осуществляет расчет этого критерия (например, ППП "Олимп", "Мезозавр", "Statistica" и др.).

При сравнеии величины d с d₁ и d₂ возможны следующие варианты:

1) Если d<d_1, то гипотеза о независимости случайных отклонений (отсутствие автокорреляции) отвергается;

2) Если d>d₂, то гипотеза о независимости случайных отклонений не отвергается;

3) Если d₁≤d≤d₂, то нет достаточных оснований для принятия решений, т.е. величина попадает в область "неопределенности".

Рассмотренные варианты относятся к случаю, когда в остатках имеется положительная автокорреляция.

Когда же расчетное значение d превышает 2, то можно говорить о том, что в e_t существует отрицательная автокорреляция.

Для проверки отрицательной автокорреляции с критическими значениями d_j и d₂ сравнивается не сам коэффициент d, а 4-d.

Для определения доверительных интервалов модели свойство

нормальности распределения остатков имеет важное значение. Поскольку временные ряды экономических показателей, как правило, невелики (<50), то проверка распределения на нормальность может быть произведена лишь приближенно, например, на основе исследования показателей асимметрии и эксцесса.

При нормальном распределении показатели асимметрии (А) и эксцесса (Э) равны нулю. Так как мы предполагаем, что отклонения от тренда представляют собой выборку из некоторой генеральной совокупности, то можно определить выборочные характеристики асимметрии и эксцесса, а также их среднеквадратические ошибки.

А= (4)

Э= (5)

σ_a= (7)

где А- выборочная характеристика асимметрии;

Э- выборочная характеристика экцесса;

σ_А- среднеквадратическая ошибка выборочной характеристики асимметрии;

σ_Э- среднеквадратическая ошибка выборочной характеристики экцесса.

Если одновременно выполняются следующие неравенства:

|А|<1,5σ_А; | |<1,5σ_Э (8)

то гипотеза о нормальном характере распределения случайной компоненты не отвергается.

Если выполняется хотя бы одно из неравенств

|А|≥2σ_А; |Э+ | ≥2σ (9)

то гипотеза о нормальном характере распределения отвергается.

Другие случаи требуют дополнительной проверки с помощью более мощных критериев.