Модели стационарных временных рядов и их индефикация

Спектральная  плотность процесса авторегрессии p-го порядка определяется с помощью  формулы:

Идентификация модели авторегрессии p-го порядка основана на соотношениях, связывающих между  собой неизвестные параметры  модели и автокорреляции исследуемого временного ряда. Для вывода этих соотношений  последовательно подставляются  в (2.24) значения = 1, 2,…, p. Получается система  линейных уравнений относительно 1, 2,…, p:

называемая уравнениями  Юла-УокераYule (1927), Walker (1931).. Оценки для  параметров k получим, заменив теоретические  значения автокорреляций r(k) их оценками и решив полученную таким образом  систему уравнений.

Оценка параметра  получается из соотношения заменой всех участвующих в правой части величин их оценками. 

2.3.2. Модели скользящего  среднего порядка  q (МА(q)-модели).

Рассмотрим частный  случай общего линейного процесса (2.13), когда только первые q из весовых  коэффициентов j ненулевые. В это  случае процесс имеет вид

t = t 1t1 2t2 … qtq, (2.26)

где символы 1,…, q используются для обозначения конечного  набора параметров , участвующих в (2.13). Процесс (2.26) называется моделью скользящего  среднего порядка q (МА(q)).

Двойственность  в представлении AR- и МА-моделей  и понятие обратимости МА-модели. Из (2.13) и (2.14) видно, что один и тот  же общий линейный процесс может  быть представлен либо в виде AR-модели бесконечного порядка, либо в виде МА-модели бесконечного порядка.

Соотношение (2.26) может быть переписано в виде

t =t + 1t1 + 2t2 +…+ qtq.

Откуда

t = t 1t1 2t2 …, (2.27)

где коэффициенты j (j = 1, 2,…) определенным образом выражаются через параметры 1,…, q. Соотношение (2.27) может быть записано в виде модели авторегрессии бесконечного порядка (т.е. в виде обращенного разложения)

Известно (см., например, [Бокс, Дженкинс, (1974)]), что условие  обратимости МА(q)-модели (т.е. условие  сходимости ряда ) формулируется в  терминах характеристического уравнения  модели (2.26) следующим образом:

Все корни характеристического  уравнения должны лежать вне единичного круга, т.е. |zj| > 1 для всех j = 1, 2,…, q.

Основные характеристики процесса МА(q). Таким образом, автокорреляционная функция r() процесса МА(q) равна нулю для всех значений , больших порядка  процесса q. Это важное свойство используется при подборе порядка МА(q)-модели по экспериментальным данным;

Спектральная  плотность процесса МА(q) может быть вычислена с помощью соотношения:

Идентификация модели МА(q) производится на базе соотношений (2.29), а именно: 1) по значениям с  помощью формулы подсчитываются значения ; 2) в соотношения последовательно подставляются значения = 1,…, q с заменой в левой их части величин r() полученными ранее оценками ; 3) полученная таким образом система из q уравнений разрешается относительно неизвестных значений 1,…, q; решения этой системы и дадут оценки неизвестных параметров модели; 4) оценка параметра может быть получена с помощью первого из соотношений (2.28) подстановкой в него вместо (0), 1,…, q их оценок.

Заметим, что  в отличие от системы уравнений  ЮлаУокера (2.25), уравнения для определения  оценок параметров МА(q)-модели нелинейны. Поэтому эти уравнения приходится решать с помощью итерационных процедур см., например, Бокс, Дженкинс (1974).

Взаимосвязь процессов AR(q) и МА(q). Сделаем ряд замечаний  о взаимосвязях между процессами авторегрессии и скользящего  среднего.

Для конечного  процесса авторегрессии порядка p t может быть представлено как конечная взвешенная сумма предшествующих , или t может быть представлено как  бесконечная сумма предшествующих . В то же время, в конечном процессе скользящего среднего порядка q t может  быть представлено как конечная взвешенная сумма предшествующих или t как бесконечная  взвешенная сумма предшествующих .

Конечный процесс  МА имеет автокорреляционную функцию, обращающуюся в нуль после некоторой  точки, но так как он эквивалентен бесконечному процессу AR, его частная  автокорреляционная функция бесконечно протяженная. Главную роль в ней  играют затухающие экспоненты и (или) затухающие синусоиды. И наоборот, процесс AR имеет  частную автокорреляционную функцию, обращающуюся в нуль после некоторой  точки, но его автокорреляционная функция  имеет бесконечную протяженность  и состоит из совокупности затухающих экспонент и или затухающих синусоид.

Параметры процесса авторегрессии конечного порядка  не должны удовлетворять каким-нибудь условиям для того, чтобы процесс  был стационарным. Однако для того чтобы процесс МА был обратимым, корни его характеристического  уравнения должны лежать вне единичного круга.

Спектр процесса скользящего среднего является обратным к спектру соответствующего процесса авторегрессии .

2.3.3. Авторегрессионные  модели со скользящими средними  в остатках (ARMA(p, q)-модели)

Представление процесса типа МА в виде процесса авторегрессии  неэкономично с точки зрения его  параметризации. Аналогично процесс AR не может быть экономично представлен  с помощью модели скользящего  среднего. Поэтому для получения  экономичной параметризации иногда бывает целесообразно включить в  модель как члены, описывающие авторегрессию, так и члены, моделирующие остаток  в виде скользящего среднего. Такие  линейные процессы имеют вид

t = 1t1 +…+ ptp + t 1t1 …  qtq (2.30)

и называются процессами авторегрессии скользящего среднего порядка (p, q)(ARMA(p, q)).

Стационарность  и обратимость ARMA(p, q)-процессов. Записывая  процесс (2.30) в виде (2.31) где , можно провести анализ стационарности (2.31) по той же схеме, что и для AR(p)-процессов. При этом различие “остатков” и е никак не повлияет на выводы, определяющие условия стационарности процесса авторегрессии. Поэтому процесс (2.30) является стационарным тогда и только тогда, когда все корни характеристического уравнения AR(p)-процесса лежат вне единичного круга.

Аналогично, обозначив  и рассматривая процесс (2.30) в виде,получаем те же выводы относительно условий  обратимости этого процесса, что  и для процесса МА(q): для обратимости ARMA(p, q)-процесса необходимо и достаточно, чтобы все корни характеристического  уравнения МА(q)-процесса лежали бы вне  единичного круга.

Автокорреляционная  функция анализируется аналогично, тому как это делалось для AR- и  МА-процессов, что позволяет сделать  следующие выводы.

1. Из соотношений () = 1( 1) +…+ p( p) + () 1( 1) … q( q), (где (k) = E(tkt) «перекрестная» ковариационная функция последовательностей t и t) для = 0, 1,…, q следует, что ковариации (0), (1),…, (q) и, соответственно, автокорреляции r(1),…, r(q) связаны определенной системой зависимостей с q параметрами скользящего среднего 1,…, q и p параметрами авторегрессии 1,…, p. При этом перекрестные ковариации (), ( 1),…, ( q) при положительных значениях сдвига по времени равны нулю, а при отрицательных тоже могут быть выражены в терминах параметров 1,…, p,1,…, q с помощью следующего приема: пусть k > 0; тогда (k) = E(tkt); в произведении tkt с помощью (k + 1)-кратной последовательной подстановки первого сомножителя по формуле (2.30) он заменяется линейной комбинацией t1, элементов белого шума и параметров модели, что после применения к получившемуся произведению операции усреднения E дает выражение, зависящее только от параметров модели (поскольку E(t1t) = 0).

2) Значения автокорреляционной  функции r() для q + 1 вычисляются по рекуррентному соотношению r() = 1r( 1) + 2r( 2) +…+ pr( p) при q + 1, которое в точности повторяет аналогичное рекуррентное соотношение (2.24) для автокорреляционной функции процесса AR(p). Это значит, что, начиная с = q + 1, автокорреляционная функция процесса ARMA(p, q) ведет себя так же, как и автокорреляционная функция процесса AR(p), т.е. она будет состоять из совокупности затухающих экспонент и (или) затухающих синусоид, и ее свойства определяются коэффициентами 1,…, p и начальными значениями r(1),…, r(p).

Частная автокорреляционная функция процесса ARMA(p, q) при больших ведет себя как частная автокорреляционная функция МА(q)-процесса. Это значит, что в ней преобладают члены типа затухающих экспонент и (или) затухающих синусоид (соотношение между теми и другими зависит от порядка скользящего среднего q и значений параметров процесса).

Спектральная  плотность процесса ARMA(p, q) может быть вычислена с помощью соотношения:

Идентификация процесса ARMA(p, q) базируется (так же как и AR-и МА-моделях) на статистическом оценивании параметров модели с помощью метода моментов. Процедура оценивания параметров k (k = 1, 2,…, p), j (j = 1, 2,…, q)и разбивается на два этапа. На 1-м этапе получаются оценки параметров k, на 2-м оценки параметров j и .

1-й этап. Параметры  автокорреляционной составляющей  модели (2.30) удовлетворяют системе  линейных уравнений:

(2.32)

Подставляя в (2.32) вместо r(k) их выборочные значения и решая получившуюся систему относительно j (j = 1,…, p), получаем оценки .

2-й этап. Подставляя  полученные оценки в (2.30) получаем  набор из q + 1 соотношений:

Эта система  позволяет получить нелинейные зависимости, связывающие искомые параметры , 1,…, q с автоковариациями и построенными на 1-м этапе оценками. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Заключение

Эконометрика - метод экономического анализа, который  объединяет экономическую теорию со статистическими и математическими  методами анализа. Это попытка улучшить экономические прогнозы и сделать  возможным успешное планирование экономической  политики. В эконометрике экономические  теории выражаются в виде математических соотношений, а затем проверяются  эмпирически статистическими методами. Данная система используется, чтобы  создать модели с целью прогнозирования  таких важных показателей, как валовой  национальный продукт, уровень безработицы, темп инфляции и дефицит федерального бюджета. Эконометрика используется все  более широко, несмотря на то, что  полученные с помощью нее прогнозы не всегда оказывались достаточно точными.

Проблемы в  эконометрики многочисленны и разнообразны. Экономика - это сложный, динамический, многомерный и эволюционирующий объект, поэтому изучать ее трудно. Как общество, так и общественная система изменяются со временем, законы меняются, происходят технологические  инновации, поэтому найти в этой системе инварианты непросто. Временные  ряды коротки, сильно агрегированы, разнородны, нестационарны, зависят от времени  и друг от друга, поэтому мы имеем  мало эмпирической информации для изучения. Экономические величины измеряются неточно, подвержены значительным позднейшим исправлениям, а важные переменные часто не измеряются или ненаблюдаемы, поэтому все выводы неточны и  ненадежны. Экономические теории со временем меняются, соперничающие объяснения сосуществуют друг с другом, и поэтому  надежная теоретическая основа для  моделей отсутствует. И среди  самих эконометристов, по-видимому, нет согласия по поводу того, как  следует заниматься их предметом.

В последние  годы большое внимание в эконометрической литературе уделяется анализу структурных  свойств экономических временных  рядов. Это вызвано тем, что далеко не всегда значения временного ряда формируются  под воздействием некоторых факторов. Нередко бывает, что развитие того или иного процесса обусловлено  его внутренними закономерностями, а отклонения от детерминированного процесса вызваны ошибками измерений  или случайными флуктуациями. В последнее  время появилось достаточно большое количество работ, в которых рассматриваются различные эконометрические аспекты развития Российской экономики.

Для временных  рядов главный интерес представляет описание или моделирование их структуры. Цель таких исследований, как правило, шире моделирования, хотя некоторую  информацию можно получить и непосредственно  из модели, делая выводы о выполнении тех или иных экономических законов (скажем, закона паритета покупательной  способности) и проверяя различные  гипотезы. Построенная модель может  использоваться для экстраполяции  или прогнозирования временного ряда, и тогда качество прогноза может служить полезным критерием  при выборе среди нескольких моделей. Построение хороших моделей ряда необходимо и для других приложений, таких, как корректировка сезонных эффектов и сглаживание. Наконец, построенные  модели могут использоваться для  статистического моделирования  длинных рядов наблюдений при  исследовании больших систем, для  которых временной ряд рассматривается  как входная информация. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Литература

1. Ефимова М.  Р., Петрова Е. В., Румянцев В.  Н. Общая теория статистики, М.: Инфра-Н, 2000г.

2. Елисеева И.И.  Юзбашев М.М. Общая теория статистики. Москва, «Финансы и статиска»  2005.

3. А.О.Крыштановский.  Методы анализа временных рядов  // Мониторинг общественного мнения: экономические и социальные перемены. 2000.  № 2 (46). С. 44-51.  [Статья]

4. Шмойлова Р.  А. Теория статистики, М.: Финансы  и статистика, 1996г.

5. Теория статистики. Учебник./Под ред. Шмойлова Р.  А. 3-е изд., перераб.-М.: Финансы и  статистика, 2002

6. Гусаров В.М.  Теория статистики. - М.: Аудит, 2001. - 248 с.