Идентификация порядка разности модели
На практике для выявления значений параметров p и q АРПСС модели используются автокорреляционные и частные автокорреляционные функции.
Шаг 1. Воспользуемся радом первых разностей (рисунок 7.2) и в окнеTransformations of Variables (Преобразование переменной) выберем вкладку Autocorrs (Автокорреляция).
Шаг 2.Для построения автокорреляционной функции необходимо выбрать кнопку Autocorrelations (Автокорреляция), при этом можно регулировать уровень значимости, указывая соответствующее значение в окне p-level for highlighting. В результате проведения процедуры получаем график представленный на рисунке 7.6.
Для расчета частной автокорреляционной функции выберем кнопку Partial autocorrelations, результаты представим на рисунке 7.7.
Рисунок 7.5 – Окно выбора расчета автокорреляционной, частной автокорреляционной функции и кросскорреляции (приведена часть исходного окна)
Рисунок 7.6 – Автокорреляционная функция
Рисунок 7.7 – Частная автокорреляционная функция
Обратимся к таблице 7.1 и попытаемся идентифицировать ARMA модель. Поведение автокорреляционной функции (экспоненциально затухает) согласуется с моделью ARMA (1,0) или ARMA (2,0). При этом поведение частной автокорреляционной функции (согласно рисунку 7.7, имеем выбросы на втором и четвертом лаге) не согласуется с данными моделями. Поэтому необходимо рассчитаем вторые разности, для этого во вкладке x=f(x) выбрать Autocorr. (x=x-(a+b*x(lag))), в качестве исходной переменной (в верхней части окна) выберем x-0,000-1,00*x(t-1)
Рисунок 7.8– Окно выбора исходной переменной для расчета (приведена часть исходного окна)
В результате получаем следующие автокорреляционные и частные автокорреляционные функции:
Рисунок 7.9 – Автокорреляционная функция
Рисунок 7.10 – Частная автокорреляционная функция
Полученные данные соответствуют модели ARMA(1,0), так как АКФ - экспоненциально затухает, ЧАКФ - выброс (пик) на лаге 1. После идентификации моделей перейдем к непосредственной оценки ее параметров.
Построение ARMA модели
В рассматриваемом пакете программ существует два метода построения авторегрессионных моделей:
1) Построение ARMA модели в модуле Multiple regression
2) Построение ARMA модели в модуле ARIMA & Autocorrelation function
7.7.1. Построение ARMA модели в модуле Multiple regression
Оценить параметры ARMA модели можно с помощью обычного МНК (но при этом оценки будут смещены). Для реализации этого метода в пакете необходимо:
Шаг 1. Сохранить результаты расчета вторых разностей, для этого в окне Transformations of Variables нажать кнопку Save variables получаем новую таблицу, содержавшую три переменные:
Y – исходный ряд денежного агрегата М0;
Y_1 – ряд первых разностей;
Y_2 – ряд вторых разностей.
Шаг 2. Проведем замену обозначений выведенных переменных: Y_1 засеменим на D’, Y_2 на D’’.
Также необходимо ввести переменную D’’t-1, для этого в главном меню выбираем Insert ® Add Variables. В появившемся окне Add Variables в поле Name заменим NewVar на D’’t-1, в поле Long name введем выражение =v3.
Шаг 3.Выбираем в главном меню Date ® Shift (Lag) и проводим сдвиг переменной D’’t-1 на один шаг вперед(Forward).
Шаг 4.В главном меню выбираем Statistics ® Multiple Regression. В окне Select dependent and independent variable lists (запускается после нажатия кнопки Variables) в качестве зависимой переменной указываем D’’ в качестве не зависимой - D’’t-1.
Шаг 5. Установим галочку возле опции Advanced options (stepwise or ridge regression) в появившемся окне Model Definition в прокрутке Intercept выберем Set to zero (т.е. регрессионное уравнение будет оценено без свободного члена). После оценки получим следующие результаты:
Таблица 7.2 – Результаты оценки модели вида
Beta | Std.Err. of Betta | B | Std.Err. of B | t(24) | p-level | |
D''t-1 | -0,878 | 0,098 | -0,911 | 0,101 | -8,992 | 0,000 |
Согласно результатам построения авторегрессионной модели вида ARMA(1,0), параметр a получен статистически значим. Также необходимо отметить, что модель статистически значима по F-критерию Фишера (Fфакт(1,24)=80,86 против Fтабл(1,24)= 4,26).
Шаг 6. В окне итогов построения регрессионной модели (Multiple Regression Results) необходимо выбрать вкладку Residuals / assumptions / prediction, далее кнопку .
В появившемся окне Residual Analysis выбираем вкладку Save ® Save residuals & predicted, в промежуточном окне Select variables to save with predicted/residual sc… выделим переменную D’’ и нажмем кнопку ОК. Получаем следующую таблицу с результатами:
Рисунок 7.11 – Таблица результат оценки ARMA модели
Шаг 7. На основе полученной таблицы построим график. Выберем в главном меню Graphs ® 2D Graphs ® Line Plots (Variables…). Нажмем кнопку Variables (Переменные) и в появившемся окне укажем переменные D’’ и Predicted. Также в поле Graph type (окно 2D Line Plots –Variables) выделим Multiple (таким образом, на график будет выведены обе переменные одновременно).
Рисунок 7.12 - Ряд вторых разностей денежного агрегата М0 и модельные данные
Согласно приведенному графику используемая для описания динамики первых разностей авторегрессионная модель ARMA (1,0) очень хорошо описывает анализимруемый ряд.
Шаг 8.Снова обратимся к вкладке Residuals/assumptions/prediction нажмем кнопку Predict dependent variable для прогнозирования уровней исследуемого ряда.
Шаг 9. В окне Specify values for indep. vars укажем последнее значение переменной D’’t-1 равное -79, получим следующий результат:
Таблица 7.3 – Точечный прогноз вторых разностей денежного агрегата М0 на 1 квартал 2006г.
B-Weight | Value | B-Weight * Value | |
D''t-1 | -0,911 | -79,000 | 71,969 |
Predicted | 71,969 | ||
-95,0%CL | 55,451 | ||
+95,0%CL | 88,488 |
Аналогичным образом рассчитаем значения для 2-4 квартала 2006г. при этом в качестве прогнозного значения будем использовать значение точечного прогноза предыдущего квартала:
Таблица 7.4 - Прогнозные значения вторых разностей денежного агрегата М0 на 2006г.
Квартал/год | Значения показателя для прогноза | Прогноз модели ARMA (1,0) | Нижняя доверительная граница | Верхняя доверительная граница |
I/2006 | -79,000 | 71,969 | 55,451 | 88,488 |
II/2006 | 71,969 | -65,564 | -80,612 | -50,516 |
III/2006 | -65,564 | 59,729 | 46,020 | 73,438 |
IV/2006 | 59,729 | -54,413 | -66,902 | -41,924 |
7.7.2. Построение ARMA модели в модуле ARIMA & Autocorrelation function
Для построения семейства ARMA моделей в пакете STATISTICAсуществует специальный модуль:
Шаг 1. В главном меню выберем Statistics ® Advancer Linear/Nonlinear Models ® Time Series Analysis ® ARIMA & Autocorrelation function (Расчеты ® Основные линейные и нелинейные модели ® Анализ временных рядов ® ARIMA & Автокорреляционные функции).
Шаг 2. В появившемся окне Single Series ARIMA (АРПСС модель для одномерного ряда) выберем вкладку Quick (Быстрые). В верхней части окна выберем ряд, на основе которого будет проведена оценка модели, в нашем случае это – x-0,000-1,00*x(t-1); x-0,000-1,00*x(t-1) (ряд вторых разностей).
Рисунок 7.13 – Установки ARMA модели (приведено часть исходного окна)
Шаг 3. После нажатия кнопки будет выведено окно Single Series ARIMA Results (Результаты построения АРПСС модели для одномерного ряда).
Рисунок 7.14 – Окно результатов построения АРПСС модели
Приведенное окно (рисунок 7.14) характерно для рассматриваемого пакета программ, оно разделено на две половины: в верхней части приведены результаты расчетов ARMA модели, в нижней части приведены вкладки, позволяющие подробнее просмотреть результаты построения модели и оценить прогноз.
Шаг 4. Выберем вкладку Advanced и нажмем кнопку Summary: Parameter estimates результаты приведем в таблице 7.5.
Таблица 7.5 – Результаты построения ARMA(1,0) модели
Param. | Asympt. Std. Err. | Asympt. t(25) | p | Lower 95% Conf | Upper 95% Conf | |
p(1) | -0,911 | 0,102 | -8,895 | 0,000 | -1,122 | -0,700 |
Во втором столбце расположены параметры уравнения в данном случае модель имеет вид:
В третьем столбце расположены асимптотические ошибки.
В четвертом асимптотический t-критерий.
Далее p-уровень значимости и 95% нижняя (верхняя) границы.
Судя по полученному значению асимптотического t-критерия полученная модель статистически значима.
Шаг 5. Для прогнозирования значений вторых разностей данном модуле необходимо во вкладке Advanced обратится к группе опций Forecasting (Прогнозирование). Допустим необходимо построить прогноз на 4 уровня вперед, для этого установим цифру 4 в опции Number of cases (Номер наблюдения). И нажмем кнопку Forecast cases (Прогноз значения), в результате получим таблицу 7.6 и рисунок 7.15.
Таблица 7.6 - Прогнозные значения вторых разностей денежного агрегата М0 на 2006г.
Forecast | Lower 95% | Upper 95% | Std.Err. | |
-162,614 | -291,707 | -33,522 | 62,680 | |
148,142 | -26,487 | 322,772 | 84,791 | |
-134,958 | -339,833 | 69,917 | 99,476 | |
122,947 | -103,989 | 349,884 | 110,188 |
Рисунок 7.15 – Прогноз вторых разностей по модели ARMA (1,0)
Тесты для самоконтроля
1) Если автокорреляционная функция (АКФ) выказывает выброс на первом лаге, а частная автокорреляционная функция (ЧАКФ) экспоненциально затухает, то можно предположить что ряд наиболее адекватно опишет модель в форме:
а) ARMA(0,2)
б) ARMA(0,1)
в) ARMA(1,0)
2) Если АКФ экспоненциально затухает, а ЧАКФ обнаруживает выброс на первом лаге, то можно предположить что ряд наиболее адекватно опишет модель в форме:
а) ARMA(0,2)
б) ARMA(0,1)
в) ARMA(1,0)
3) Если АКФ экспоненциально затухает, а ЧАКФ обнаруживает выброс на первом и втором лаге, то можно предположить что ряд наиболее адекватно опишет модель в форме:
а) ARMA(2,0)
б) ARMA(0,1)
в) ARMA(1,0)
4) Если АКФ обнаруживает выбросы (пики) на лагах 1 и 2, а ЧАКФ экспоненциально затухает, то можно предположить что ряд наиболее адекватно опишет модель в форме:
а) ARMA(0,2)
б) ARMA(0,1)
в) ARMA(1,0)
5) Приведенная модель yt = ayt-1 + et является:
а) AR(1)
б) AR(2)
в) MA(1)
г) MA(2)
6) Приведенная модель yt = a1yt-1 + a2yt-2 + et является:
а) AR(1)
б) AR(2)
в) MA(1)
г) MA(2)
7) Приведенная модель yt = et +qet-1 является:
а) AR(1)
б) AR(2)
в) MA(1)
г) MA(2)
8) Приведенная модель yt = et +q1et-1 + q2et-2 является:
а) AR(1)
б) AR(2)
в) MA(1)
г) MA(2)
9) Приведенная модель yt = a1yt- + et +qet-1 является:
а) ARIMA (1, 1, 1)
б) ARMA (1, 1)
в) ARMA (2, 2)
10) Марковским процессом называют модель вида:
а) yt = ayt-1 + et
б) yt = a1yt-1 + a2yt-2 + et
в) yt = a1yt- + et +qet-1