Эконометрическое моделирование основной тенденции развития временного ряда, взаимосвязей на основе данных временных рядов

Временной ряд (он же ряд динамики) – это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени. Показатели временного ряда называются уровнями ряда динамики. Каждый уровень ряда динамики формируется под воздействием целого комплекса факторов.

Во-первых, большинство временных рядов имеет тенденцию. Тенденция может быть возрастающей или убывающей. Она отражает совокупное долговременное воздействие множества факторов на динамику изучаемого показателя. Очевидно, что факторы, взятые в отдельности, могут оказывать разнонаправленное воздействие на результат, однако их совокупное воздействие, их равнодействующая, формирует положительную или отрицательную тенденцию.

Во-вторых, изучаемый показатель может быть подвержен циклическим колебаниям. Эти колебания могут носить сезонный характер, то есть изменяться по временам года (цены на овощи ниже летом и осенью, а зимой и весной выше; интенсивность использования техники и трудовых ресурсов в сельском хозяйстве выше в весеннее – летний период). Циклические колебания могут носить и долговременный характер (например, циклы Кондратьева).

Некоторые временные ряды не содержат тенденции и циклической компоненты, а их уровни образуются как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты.

Очевидно, что реальные данные временного ряда могут складываться при одновременном влиянии всех трех перечисленных компонент. Итак, факторы уровней временного ряда по характеру воздействия можно условно разбить на три группы:

1) факторы, формирующие тенденцию ряда (Т);

2) факторы, формирующие циклические колебания ряда (S);

3) случайные факторы (E).

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма компонент, называется аддитивной. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной.

Основные задачи эконометрического исследования временных рядов сводятся:

1) к выявлению и количественному определению перечисленных компонент с тем, чтобы использовать полученную модель для прогнозирования будущих значений ряда;

2) к построению модели взаимосвязи двух или более временных рядов.

Моделирование тенденции:

Один из наиболее распространенных способов моделирования тенденции временного ряда – это подбор и решение математического уравнения, которое бы отражало зависимость уровней ряда от фактора времени. Такие функции называются трендами, а способ построения такой функции – это способ аналитического выравнивания временного ряда.

Зависимость от времени может принимать разные формы, поэтому, как и в случае регрессионных уравнений, для построения трендов могут быть выбраны разные функции:

линейный тренд ;

гипербола ;

экспонента , где е = 2,71828;

степенная функция ;

парабола и другие.

Параметры таких функций могут быть определены обычным МНК. Параметризация нелинейных трендов требует предварительной их линеаризации.

Как определить форму тренда? Существует несколько способов решения этой проблемы. Самый простой способ – это визуальный анализ графика зависимостей уровней ряда от времени. Второй способ – это определение основных показателей динамики. Если цепные абсолютные приросты для всего ряда примерно равны друг другу, то это линейный тренд; если примерно равны друг другу цепные коэффициенты роста, то функция может быть степенной или показательной. Третий способ определения формы тренда – это анализ коэффициентов автокорреляции. Если временной ряд имеет линейную тенденцию, то его соседние уровни тесно коррелированны, и в этом случае коэффициент автокорреляции первого порядка должен быть очень высокий.

Если есть подозрение на существование нелинейной зависимости, то следует прологарифмировать исходный ряд данных и определить коэффициент автокорреляции первого порядка по логарифмам уровней. Чем сильнее выражена нелинейная тенденция, тем выше будет автокорреляция логарифмов по сравнению с автокорреляцией исходных данных.

Если форму связи всеми перечисленными способами определить достаточно трудно, то перебирают все основные формы трендов, учитывая при этом соотношение числа наблюдений и числа определяемых параметров. Для каждого уравнения определяют коэффициент детерминации и выбирают уравнение с максимальным его значением (экспериментальный способ). Реализация этого метода предполагает компьютерную обработку данных.

Наиболее простую экономическую интерпретацию имеют параметры линейного и показательного трендов. Параметры линейного тренда интерпретируются следующим образом: Параметр а – начальный уровень временного ряда в момент времени t = 0; b – средний абсолютный прирост уровней ряда за один период.

Уравнение показательного тренда имеет вид . Параметр а – начальный уровень временного ряда в момент времени t = 0, а показатель степени t - это средний за единицу времени коэффициент роста уровней ряда.

Если форма тренда описывается параболой, то качественный анализ такого тренда предполагает определение поворотных точек в динамике, замедления или ускорения темпов изменения, начиная с определенного момента времени под влиянием ряда факторов. В случае, если уравнение тренда выбрано неверно, то результаты анализа и прогнозирования динамики временного ряда с использованием выбранного уравнения будут недостоверными вследствие ошибок спецификации.

Для оценки пригодности уравнения тренда для прогноза, также как и для регрессионной модели, может быть рассчитана средняя ошибка аппроксимации

(%)

Если ее величина не превышает 8-10%, то уравнение тренда может быть использовано в прогнозировании будущих значений результативного признака.

Изучение взаимосвязи переменных по данным временных рядов:

Изучение взаимосвязи экономических переменных по данным временных рядов осложнено тем, что в этих рядах может быть тенденция. Если в ряду динамики переменной у и в ряду динамики х есть компонента «Т», то в результате мы получим тесную связь между у и х. Однако из этого факта еще нельзя делать вывод о том, что изменение х есть причина изменения у, то есть что между этими изменениями есть причинно-следственная связь.

Чтобы выявить причинно-следственную зависимость между переменными, необходимо устранить ложную корреляцию между ними, вызванную наличием тенденции.

Существует несколько способов исключения тенденции в рядах динамики. Первый способ называется метод отклонений от тренда. Пусть имеется у_t= Т + е и х _t= Т + е. Проводится аналитическое выравнивание каждого ряда: и , где Т_у и Т_х – это оценки трендовых компонент. Затем определяется остаток в каждом наблюдении и

, так как остаточная компонента не содержит тенденции. Далее изучается зависимость между самими остатками е_у=f(е_х). Если между переменными есть связь, то она проявится в согласованном изменении остатков. Недостатком данного способа является то, что содержательная интерпретация параметров такой модели затруднительна. Однако модель может быть использована для прогнозов и, кроме того, коэффициент парной корреляции между остатками отразит связь переменных.

Второй способ преодоления тенденции в рядах динамики – это метод последовательных разностей. Если временной ряд содержит ярко выраженную линейную тенденцию, то для ее устранения можно заменить исходные уровни разностями первого порядка, то есть цепными абсолютными приростами: и . Далее прирост у рассматривается как функция прироста х: . Рассмотрим математическое доказательство исключения тенденции в этом случае.

Доказательство

= (а+bt+e_t)-(a+b(t-1)+e_t-1)=b+(e_t - e_t-1).

Мы видим, что величина исключает фактор времени, так как b – константа, а остатки по предпосылкам МНК не должны содержать тенденции, то есть должны быть случайными и независимыми.

Недостатком второго способа является потеря информации (приростов на единицу меньше, чем уровней), что в условиях малого числа наблюдений крайне нежелательно. Достоинством является возможность интерпретации параметров. Коэффициент регрессии b покажет изменение прироста результата при единичном изменении прироста фактора.

Третьим способом является включение в модель регрессии фактора времени: y_t= a+b₁x₁+ b₂ t. В данном случае коэффициенты чистой регрессии легко интерпретируются, имеют естественные единицы измерения. Коэффициент b₁ покажет на сколько единиц изменится результат при единичном изменении фактора при условии существования неизменной тенденции; коэффициент b₂ отразит влияние всех прочих факторов, формирующих тенденцию, кроме x₁. Однако данный способ построения регрессионной модели требует большего объема наблюдений, так как в модели появляется еще один параметр.

Если тренды признаков являются экспонентами (или показательными функциями), то вместо корреляции абсолютных отклонений от трендов можно применить метод корреляции цепных темпов роста уровней, поскольку именно темпы роста – основной параметр экспоненциальных и показательных трендов.