Liniowa funkcja trendu- wykład 8

Nasza ocena:

5
Pobrań: 560
Wyświetleń: 1421
Komentarze: 0
Notatek.pl

Pobierz ten dokument za darmo

Podgląd dokumentu
Liniowa funkcja trendu- wykład 8 - strona 1 Liniowa funkcja trendu- wykład 8 - strona 2 Liniowa funkcja trendu- wykład 8 - strona 3

Fragment notatki:

Ekonometria Wykład 8
LINIOWA FUNKCJA TRENDU
Prognozowanie na podstawie funkcji trendu - modele rozwojowe. Przyjmujemy, że poszukiwana funkcja trendu ma postać liniową.
F(t) = α0 + β1+t
Jest modelem dynamicznym. Zmienne nielosowe.
Model szeregu czasowego: Yt = αo + α1t + ξt
Yt - zmienna prognozowana α0 - parametr wolny
α1t - parametr przy zmiennej czasowej ξt - składnik losowy
W szeregu czasowym dane są ułożone chronologicznie, może on być: wielowymiarowy lub jednowymiarowy (1 zmienna prognozowana).
Dzielą się na szeregi czasowe momentów i szeregi czasowe okresów.
1. Wszystkie realizacje powinny być w tej samej jednostce.
2. Wszystkie realizacje powinny być z tego samego obszaru terytorialnego.
3. Jeśli istnieją luki informacyjne, powinniśmy uzupełnić te dane, albo z innych źródeł, albo metodami statystycznymi/ekonometrycznymi.
Szacowanie za pomocą MNK - funkcja kryterium w postaci:
n  _      yt  yt 
minumum
t 1  
Rozwiązaniem układu równań normalnych względem parametrów jest:
n  (t  t )  ( yt  y)
α0 = śr.y - α1śr.t 
 t 1 1 n _
 (t  t ) 2
t 1
Wynik oszacowania parametrów modeli: yt = α0 + α1t + ut prognozy ex post - trend prognozy wygasłej. ut = yt - y*t
Modele dynamiczne uwzględniają upływ czasu. Postać macierzowa modelu jest następująca:
y = X + 
gdzie:
 y1 
 1 1 
1 
 y 
y   2 
 1
X  
2   
    0 
 
   2 
 ... 
...
...
1 
 ... 
     
 yn 
 1 n 
 n 
Wektor ocen parametrów strukturalnych dany jako:
a = (X'X)-1 X'Y
 n 
 n 
  yt 
 n  t 
a  X 'Y   t 1 

(…)


 t 
 1 
t 1
t 1
t 1
przy czym det (X'X)  0
Weryfikacja modelu
Wariancja resztowa:
n 2 2 2 Su   (y  y * 
n  k t 1
stąd odchylenie standardowe reszt dane jest: Su  Su
Średnie błędy szacunku, czyli macierz wariancji i kowariancji: D2(a) - Su2(X'X)-1
D(a ) 
n
Su 2   t 2
t 1 D(a ) 
Su 2 0 n _
1 n 2
n   (t  t ) 2
  
t 1
 t  t 
t 1  
Współczynnik zbieżności:
n
 (yt  y *t 
2 t 1 n  _    yt  y 
t 1  
φ2 = [0,1]
Współczynnik determinacji: R2 = 1 - φ2
Prognoza punktowa dana jest jako:
T = przyszły punkt w przyszłości, horyzont prognozy.
y P  1T a0   a
 a T
T  a  0 1
 1 
Średni błąd predykcji dany jest jako: (prognoza ex ante) - przyjmuje on jednostki zmiennej prognozowanej
X'T - kolumnowy wektor przyszłych realizacji zmiennych objaśniających
D^(a) - macierz wariancji, kowariancji
Su^ - wariancje resztowe
V  X 'T D 2 (a)  X
 Su 2
Uwzględniony średni błąd predykcji dany jest jako:
V
V *  P 100 T
- określa on dopuszczalność prognozy.
Prognoza przedziałowa budowana wokół prognozy punktowej:
P(yP - uV < yT
< yP
+ uV) = γT
γT - wiarygodność predykcji
yT - wartość zmiennej prognozowanej w jednostce czasu T
uV - współczynnik związany z wiarygodnością…
... zobacz całą notatkę



Komentarze użytkowników (0)

Zaloguj się, aby dodać komentarz