Теория статистики
Вопросы - Экономика
Другие вопросы по предмету Экономика
этих расчетов получим параметры уравнения с, которые рассчит. следующим образом: где:n - число уровней ряда в каждой части;, можно прогнозировать, если
,
Наряду с кривой роста Гомперца достаточно широкое распространение получила кривая роста Перля-Рида, которая в прогнозировании социально-экономических явлений впервые была использована для демографических расчетов американским учеными - биологом Р. Перлем и математиком Л. Ридом. Эта кривая выражает модифицированную геометрическую прогрессию, в которой возрастание затухает по мере приближения к некоторому определенному пределу. Так же, как и кривая Гомперца, кривая Перля-Рида использует тот же искусственный прием для определения параметров кривой. Однако следует отметить, что по сравнению с кривой Гомперца прогнозные данные, полученные по этой кривой, имеют некоторую неопределенность. Кривая роста Перля-Рида описывается уравнением:
Параметры уравнения находятся следующим образом:
. Автокорреляция: причины возникновения и способы выявления
Автокорреляция - это наличие сильной корреляционной зависимости между последовательными уровнями временного ряда. Если при выявлении и моделировании тенденции такая зависимость имеет положительный характер, т.к. при её наличии тренд проявляется более четко, то при моделировании связных рядов динамики (рядов динамики, характеризующих взаимосвязь 2 или более показателей, экономически зависимых во времени) наличие автокорреляции приводит к тому, что прямые методы построения регрессионных моделей не могут быть использованы. Причинами автокорреляции м.б.: не учтен в модели существенный фактор, при этом его влияние отражается на величине отклонений, которые в этом случае показывают закономерность в изменении, связанную с изменением неучтенного фактора. В модели не учитывается несколько факторов, влияние каждого из которых в отдельности не существенно, но при совпадении изменений этих факторов по направлению и по фазе в отклонениях может возникнуть автокорреляция. Автокорреляция в отклонениях может появиться в случае, когда неправильно выбрана форма связи между y и x. Неверно выбран порядок авторегрессионой модели. Вследствие специфичности внутренней структуры случайного компонента.
Схема анализа автокорреляции в уровнях ряда динамики имеет следующий вид:
) оценка наличия автокорреляции на основе коэффициента автокорреляции или критерия Дарбина-Уотсона; 2) Выявление причин автокорреляции; 3) построение моделей авторегрессионных преобразований, исключающих автокорреляцию;
Оценка автокорреляции может быть осуществлена на основе расчета и анализа коэффициента автокорреляции, который определяется на основе формулы коэффициента корреляции для парной (линейной) связи между уровнями исходного ряда и того же ряда, но сдвинутого на ? шагов во времени:
где yt - эмпирические значения уровней ряда;
Возникает проблема заполнения последнего уровня ряда y t+1. В данном случае возможны два варианта:
1. Если значение последнего уровня мало отличается от первого, то чтобы ряд не укорачивался, его можно условно дополнить . Тогда
2. Значение уровня ряда остается незаполненным и ставится прочерк.
Проверка на наличие автокорреляции заключается в сравнении расчетных значений с его критическим или табличным значениями.
Если ra > ra кр при заданном уровне значимости ? и n, то в исходном временном ряду существует автокорреляция, в противном случае она отсутствует.
Для проверки автокорреляции в уровнях ряда также используется и критерий Дарбина-Уотсона. Гипотеза о наличии автокорреляции проверяется с помощью случайной величины:
Если автокорреляции в ряду нет, то значения критерия d колеблются вокруг 2.
Эмпирическое значение d сравнивается с табличным значением. При отрицательной автокорреляция d изменяется от 2 до 4, и для проверки её наличия рассчитывается d = 4 - dрасчет.
Иногда приходится при анализе рядов динамики исследовать вопрос о наличии или отсутствии автокорреляции не между самими уровнями ряда, а между их отклонениями эмпирических значений признака от теоретических, полученных по уровню тренда.
Из этого следует сделать вывод, что прежде чем проводить корреляционно-регрессионый анализ временных рядов, необходимо исключить из исследуемых рядов автокорреляцию.
В настоящее время разработано 3 способа исключения автокорреляции
) последовательных или конечных разностей:
) Метод Фриша-Воу.
) По отклонениям эмпирических значений от выравненных по тренду
. Прогнозирование связных временных рядов
Связными наз ряды динамики, которые хар-ют взаимосвязь 2 или более пок-ей, эк-ки зависимых во времени. Модели связных рядов динамики выражаются моделями регрессии. Характерной особенностью связных рядов динамики в большинстве случаев явл наличие автокорреляции (авторегрессии) в уровнях.
Исходное уравнение регрессии, на основе кот осущ прогноз по связным временным рядам определяется по функции вида: , где к - кол-во факторных признаков, исп-ых для прогнозирования. Это ур-ние описывает связь между прогнозируемой величиной и факторными признаками в моментном временном ряду. Все входящие в модель факторные признаки, как правило, автокоррелированы, а в большинстве случаев коррелированны их остатки. Знач?/p>