Для оценивания параметров модели AR (p) можно применить один из вариантов оценивания: регрессия обычным МНК на , хотя некоторые свойства тестовых статистик будут искажены ввиду присутствия среди регрессоров лагов зависимой переменной;
Так как данный вид модели применяется только для стационарных временных рядов необходимо проверить гипотезу о наличии тенденции либо применить графический анализ.
По виду графика анализируемого временного ряда можно сделать вывод о его не стационарности (рисунок 8.6.1). Следовательно, для моделирования с помощью авторегрессионной модели ряд необходимо привести к стационарному виду. Для этого необходимо исключить тенденцию. Так как она близка к линейной, найдем отклонения от прямолинейного тренда и построим авторегрессионную модель для ряда остатков. Уравнение тренда имеет вид: .
Для выбора порядка авторегрессионной модели необходимо изучить поведение автокорреляционной (АКФ) и частной автокорреляционной (ЧАКФ) функций. Воспользуемся ППП STATISTICA. Стандартным образом запустите модуль «Временные ряды и прогнозирование». В этом модуле выбираем «АРПСС и автокорреляционные функции».
|
|
В появившемся окне выбираем вкладку «Автокорреляции». Для получения АКФ нажимаем «Автокорреляции», а для ЧАКФ – «Частные автокорреляции» (рисунок 8.6.4). По умолчанию расчет производится до 15 лага с уровнем надежности 0,05 (данные значения исследователь может задать самостоятельно, так в нашем случае зададим максимальное число лагов 18).
Рисунок 8.6.4 - Построение АКФ и ЧАКФ
Как видно на рисунках 8.6.5 и 8.6.6, АКФ и ЧАКФ экспоненциально затухает, меняя знак. Следовательно, можно предположить, что для описания временного ряда целесообразно применить модель авторегрессии со скользящими средними в остатках 1 порядка ARMA (1,1).
Вместе с тем рассмотрим построение различных моделей и выберем наилучшую из них.
Рисунок 8.6.5 - Автокорреляционная функция временного ряда доходов бюджета
Построение модели AR (1): .
Параметры данной модели определим с помощью МНК, используя функцию ППП Excel Сервис – Анализ данных - Регрессия. «Входной интервал Y» - выделяем столбец ,, «Входной интервал X» - выделяем столбец (исходные данные для построения модели представлены в таблице 8.6.9). Результаты регрессионного анализа представлены в таблице 8.6.10.
Рисунок 8.6.6 - Частная автокорреляционная функция доходов бюджета
Таким образом, нами получена модель AR(1): . Так как случайный компонент может быть выражен как , то подставив это выражение в модель AR (1) получим:
В результате соответствующих преобразований получим следующую модель доходов бюджета:
|
|
Расчетные значения по модели представлены в таблице 8.6.9 и на рисунке 8.6.7. Средняя относительная ошибка аппроксимации полученной модели составила 23,77 %. Что свидетельствует об удовлетворительном качестве модели.
Таблица 8.6.9 - Исходные и расчетные данные для построения AR(1) – модели доходов бюджета Оренбургской области (млн. руб.)
Период | Доход, млн.руб. | t | - | Исходные данные для оценивания параметров | ||||||
январь | 1119,3 | 620,8 | 498,5 | -303,13 | 498,5 | - | - | |||
февраль | 352,2 | 655,3 | -303,1 | 317,035 | -303,1 | 549,76 | 0,56093 | |||
март | 1006,9 | 689,9 | 317,0 | 453,4 | 317,0 | 602,781 | 0,40135 | |||
апрель | 1177,8 | 724,4 | 453,4 | 325,465 | 453,4 | 637,98 | 0,45833 | |||
май | 1084,4 | 758,9 | 325,5 | 97,93 | 325,5 | 672,538 | 0,37981 | |||
июнь | 891,4 | 793,5 | 97,9 | 100,195 | 97,9 | 707,074 | 0,20678 | |||
июль | 928,2 | 828,0 | 100,2 | 315,86 | 100,2 | 741,609 | 0,20102 | |||
август | 1178,4 | 862,5 | 315,9 | 92,325 | 315,9 | 776,144 | 0,34136 | |||
сентябрь | 989,4 | 897,1 | 92,3 | 0,59 | 92,3 | 810,68 | 0,18064 | |||
октябрь | 932,2 | 931,6 | 0,6 | 114,255 | 0,6 | 845,215 | 0,09331 | |||
ноябрь | 1080,4 | 966,1 | 114,3 | 242,82 | 114,3 | 879,75 | 0,18572 | |||
декабрь | 1243,5 | 1000,7 | 242,8 | -169,72 | 242,8 | 914,285 | 0,26475 | |||
… | … | … | … | … | … | … | … | … | … | |
январь | 2692,9 | -1119,9 | -1205,9 | -1119,9 | 2606,5 | 0,65703 | ||||
февраль | 1521,5 | 2727,4 | -1205,9 | 453,235 | -1205,9 | 2641,04 | 0,73581 | |||
март | 3215,2 | 2762,0 | 453,2 | 453,2 | 2675,57 | 0,16784 | ||||
апрель | 2872,5 | 2796,5 | 76,0 | 961,365 | 76,0 | 2710,11 | 0,05653 | |||
май | 3792,4 | 2831,0 | 961,4 | -143,87 | 961,4 | 2744,64 | 0,27628 | |||
Продолжение таблицы 8.6.9
июнь | 2721,7 | 2865,6 | -143,9 | 197,095 | -143,9 | 2779,18 | 0,02112 | |||
июль | 3097,2 | 2900,1 | 197,1 | 1294,56 | 197,1 | 2813,71 | 0,09153 | |||
август | 4229,2 | 2934,6 | 1294,6 | -849,58 | 1294,6 | 2848,25 | 0,32653 | |||
сентябрь | 2119,6 | 2969,2 | -849,6 | 752,79 | -849,6 | 2882,78 | 0,36006 | |||
октябрь | 3756,5 | 3003,7 | 752,8 | 377,855 | 752,8 | 2917,32 | 0,22339 | |||
ноябрь | 3416,1 | 3038,2 | 377,9 | 405,92 | 377,9 | 2951,85 | 0,1359 | |||
декабрь | 3478,7 | 3072,8 | 405,9 | - | - | 2986,39 | 0,14152 | |||
Итого | 132968,7 | - | - | - | - | - | - | 16,8796 | ||
В среднем | 1846,7875 | - | - | - | - | - | - | 23,7741 | ||
Рисунок 8.6.7 - Теоретические значения по авторегрессионной модели
Таблица 8.6.10 - Результаты оценивания модели AR (1) МНК
Регрессионная статистика | |
Множественный R | 0,0359 |
R-квадрат | 0,0013 |
Нормированный R-квадрат | -0,01299 |
Стандартная ошибка | 535,77 |
Наблюдения |
Дисперсионный анализ | |||||
df | SS | MS | F | Значимость F | |
Регрессия | 26008,11 | 26008,11 | 0,0906 | 0,7643 | |
Остаток | 287055,2 | ||||
Итого |
Коэффициенты | Стандартная ошибка | t-статистика | P-значение | Нижние 95% | Верхние 95% | |
- | - | - | - | - | ||
0,03588 | 0,1192 | 0,3010 | 0,7643 | -0,2018 | 0,2736 |
Прогнозирование значений на период (t+l) по авторегрессионной модели производят следующим образом.
Сначала вычисляют значение по формуле
Затем в модель подставляют вычисленное значение и определяют величину и т.д.
Спрогнозируем доходы бюджета на январь и февраль 2007г.
Точечный прогноз на январь составит:
млн.р.,
на февраль 2007 г.: млн.р.
Интервальный прогноз определяется по формуле:
Среднее квадратическое отклонение:
.
Табличное значение t- критерия Стьюдента: t(0,05; 69)= 1,995
Тогда доверительные границы прогноза на январь составят: , т.е. с вероятностью 95 % в январе 2007 года доходы бюджета будут находиться в пределах от 1988,27 до 4120,18 млн.р. В феврале 2007 г. доходы бюджета с заданной вероятностью могут составить от 2024 млн. р. до 4155,9 млн.р.