Готовый реферат
на тему:«Эконометрикв»
Цена: 750 руб.
Номер: V2975
Предмет: Статистика
Год: 2007
Тип: рефераты
Отзывы
Вас беспокоит автор статьи Айжамал из Кыргызстана, моя статья опубликована, и в этом ваша заслуга. Огромная благодарность Вам за оказанные услуги.
Спасибо Вам за сотрудничество! Я ВКР защитила на 5 (пять). Огромное спасибо Вам и Вашей команде Курсовой проект.
Мы стали Магистрами)))
Мария,добрый день! Спасибо большое. Защитился на 4!всего доброго
Добрый день,хочу выразить слова благодарности Вашей и организации и тайному исполнителю моей работы.Я сегодня защитилась на 4!!!! Отзыв на сайт обязательно прикреплю,друзьям и знакомым буду Вас рекомендовать. Успехов Вам!!!
Курсовая на "5"! Спасибо огромное!!!
После новогодних праздников буду снова Вам писать, заказывать дипломную работу.
После новогодних праздников буду снова Вам писать, заказывать дипломную работу.
Спасибо большое!!! Очень приятно с Вами сотрудничать!
Светлана, добрый день! Хочу сказать Вам и Вашим сотрудникам огромное спасибо за курсовую работу!!! оценили на \5\!))
Буду еще к Вам обращаться!!
СПАСИБО!!!
Буду еще к Вам обращаться!!
СПАСИБО!!!
Защита прошла на отлично. Спасибо большое :)
Большое спасибо Вам и автору!!! Это именно то, что нужно!!!!!
Спасибо, что ВЫ есть!!!
Спасибо, что ВЫ есть!!!
Введение
Содержание
Литература
1. МОДЕЛИ СТАЦИОНАРНЫХ И НЕСТАЦИОНАРНЫХ ВРЕМЕННЫХ РЯДОВ, ИХ ИДЕНТИФИКАЦИЯ
Пусть Рассмотрим временной ряд X(t). Пусть сначала временной ряд принимает числовые значения. Это могут быть, например, цены на батон хлеба в соседнем магазине или курс обмена доллара на рубли в ближайшем обменном пункте. Обычно в поведении временного ряда выявляют две основные тенденции - тренд и периодические колебания.
При этом под трендом понимают зависимость от времени линейного, квадратичного или иного типа, которую выявляют тем или иным способом сглаживания (например, экспоненциального сглаживания) либо расчетным путем, в частности, с помощью метода наименьших квадратов. Другими словами, тренд - это очищенная от случайностей основная тенденция временного ряда.
Временной ряд обычно колеблется вокруг тренда, причем отклонения от тренда часто обнаруживают правильность. Часто это связано с естественной или назначенной периодичностью, например, сезонной или недельной, месячной или квартальной (например, в соответствии с графиками выплаты заплаты и уплаты налогов). Иногда наличие периодичности и тем более ее причины неясны, и задача эконометрика - выяснить, действительно ли имеется периодичность.
1.1. Характеристики временных рядов.
Для более подробного изучения временных рядов используются вероятностно-статистические модели. При этом временной ряд X(t) рассматривается как случайный процесс (с дискретным временем) основными характеристиками являются математическое ожидание X(t), т.е.
,
дисперсия X(t), т.е.
и автокорреляционная функция временного ряда X(t)
т.е. функция двух переменных, равная коэффициенту корреляции между двумя значениями временного ряда X(t) и X(s).
В теоретических и прикладных исследованиях рассматривают широкий спектр моделей временных рядов. Выделим сначала стационарные модели. В них совместные функции распределения для любого числа моментов времени k, а потому и все перечисленные выше характеристики временного ряда не меняются со временем. В частности, математическое ожидание и дисперсия являются постоянными величинами, автокорреляционная функция зависит только от разности t-s. Временные ряды, не являющиеся стационарными, называются нестационарными.
1.2. Линейные регрессионные модели с гомоскедастичными и гетероскедастичными, независимыми и автокоррелированными остатками.
Как видно из сказанного выше, основное - это "очистка" временного ряда от случайных отклонений, т.е. оценивание математического ожидания. В отличие от простейших моделей регрессионного анализа, здесь естественным образом появляются более сложные модели. Например, дисперсия может зависеть от времени. Такие модели называют гетероскедастичными, а те, в которых нет зависимости от времени - гомоскедастичными. (Точнее говоря, эти термины могут относиться не только к переменной "время", но и к другим переменным.)
Далее, предполагалось, что погрешности независимы между собой. В терминах это означало бы, что автокорреляционная функция должна быть вырожденной - равняться 1 при равенстве аргументов и 0 при их неравенстве. Ясно, что для реальных временных рядов так бывает отнюдь не всегда. Если естественный ход изменений наблюдаемого процесса является достаточно быстрым по сравнению с интервалом между последовательными наблюдениями, то можно ожидать "затухания" автокорреляции" и получения практически независимых остатков, в противном случае остатки будут автокоррелированы.
1.3. Идентификация моделей.
Под идентификацией моделей обычно понимают выявление их структуры и оценивание параметров. Поскольку структура - это тоже параметр, хотя и нечисловой, то речь идет об одной из типовых задач эконометрики - оценивании параметров.
Проще всего задача оценивания решается для линейных (по параметрам) моделей с гомоскедастичными независимыми остатками. Восстановление зависимостей во временных рядах может быть проведено на основе методов наименьших квадратов и наименьших модулей, моделей линейной (по параметрам) регрессии. На случай временных рядов переносятся результаты, связанные с оцениванием необходимого набора регрессоров, в частности, легко получить предельное геометрическое распределение оценки степени тригонометрического полинома.
Однако на более общую ситуацию такого простого переноса сделать нельзя. Так, например, в случае временного ряда с гетероскедастичными и автокоррелированными остатками снова можно воспользоваться общим подходом метода наименьших квадратов, однако система уравнений метода наименьших квадратов и, естественно, ее решение будут иными. Формулы в терминах матричной алгебры, будут отличаться. Поэтому рассматриваемый метод называется "обобщенный метод наименьших квадратов
2. ВРЕМЕННЫЕ РЯДЫ. ЛАГИ В ЭКОНОМИЧЕСКИХ МОДЕЛЯХ
Пусть исследуется показатель Его значение в текущий момент (период) времени обозначают ; значения в последующие моменты обозначаются ; значения в предыдущие моменты времени обозначаются .
Нетрудно понять, что при изучении зависимостей между такими показателями либо при анализе их развития во времени в качестве объясняющих переменных используются не только текущие значения переменных, но и некоторые предыдущие по времени значения, а также само время Модели такого типа называются динамическими.
В свою очередь переменные, влияние которых характеризуется определенным запаздыванием, называются лаговыми переменными.
Обычно динамические модели подразделяются на два класса:
1) модели с лагами (модели с распределенными лагами) – содержат в качестве лаговых переменных лишь независимые (объясняющие) переменные. Примером является модель:
(1)
2) авторегрессионные модели – модели, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных.
Пусть Рассмотрим временной ряд X(t). Пусть сначала временной ряд принимает числовые значения. Это могут быть, например, цены на батон хлеба в соседнем магазине или курс обмена доллара на рубли в ближайшем обменном пункте. Обычно в поведении временного ряда выявляют две основные тенденции - тренд и периодические колебания.
При этом под трендом понимают зависимость от времени линейного, квадратичного или иного типа, которую выявляют тем или иным способом сглаживания (например, экспоненциального сглаживания) либо расчетным путем, в частности, с помощью метода наименьших квадратов. Другими словами, тренд - это очищенная от случайностей основная тенденция временного ряда.
Временной ряд обычно колеблется вокруг тренда, причем отклонения от тренда часто обнаруживают правильность. Часто это связано с естественной или назначенной периодичностью, например, сезонной или недельной, месячной или квартальной (например, в соответствии с графиками выплаты заплаты и уплаты налогов). Иногда наличие периодичности и тем более ее причины неясны, и задача эконометрика - выяснить, действительно ли имеется периодичность.
1.1. Характеристики временных рядов.
Для более подробного изучения временных рядов используются вероятностно-статистические модели. При этом временной ряд X(t) рассматривается как случайный процесс (с дискретным временем) основными характеристиками являются математическое ожидание X(t), т.е.
,
дисперсия X(t), т.е.
и автокорреляционная функция временного ряда X(t)
т.е. функция двух переменных, равная коэффициенту корреляции между двумя значениями временного ряда X(t) и X(s).
В теоретических и прикладных исследованиях рассматривают широкий спектр моделей временных рядов. Выделим сначала стационарные модели. В них совместные функции распределения для любого числа моментов времени k, а потому и все перечисленные выше характеристики временного ряда не меняются со временем. В частности, математическое ожидание и дисперсия являются постоянными величинами, автокорреляционная функция зависит только от разности t-s. Временные ряды, не являющиеся стационарными, называются нестационарными.
1.2. Линейные регрессионные модели с гомоскедастичными и гетероскедастичными, независимыми и автокоррелированными остатками.
Как видно из сказанного выше, основное - это "очистка" временного ряда от случайных отклонений, т.е. оценивание математического ожидания. В отличие от простейших моделей регрессионного анализа, здесь естественным образом появляются более сложные модели. Например, дисперсия может зависеть от времени. Такие модели называют гетероскедастичными, а те, в которых нет зависимости от времени - гомоскедастичными. (Точнее говоря, эти термины могут относиться не только к переменной "время", но и к другим переменным.)
Далее, предполагалось, что погрешности независимы между собой. В терминах это означало бы, что автокорреляционная функция должна быть вырожденной - равняться 1 при равенстве аргументов и 0 при их неравенстве. Ясно, что для реальных временных рядов так бывает отнюдь не всегда. Если естественный ход изменений наблюдаемого процесса является достаточно быстрым по сравнению с интервалом между последовательными наблюдениями, то можно ожидать "затухания" автокорреляции" и получения практически независимых остатков, в противном случае остатки будут автокоррелированы.
1.3. Идентификация моделей.
Под идентификацией моделей обычно понимают выявление их структуры и оценивание параметров. Поскольку структура - это тоже параметр, хотя и нечисловой, то речь идет об одной из типовых задач эконометрики - оценивании параметров.
Проще всего задача оценивания решается для линейных (по параметрам) моделей с гомоскедастичными независимыми остатками. Восстановление зависимостей во временных рядах может быть проведено на основе методов наименьших квадратов и наименьших модулей, моделей линейной (по параметрам) регрессии. На случай временных рядов переносятся результаты, связанные с оцениванием необходимого набора регрессоров, в частности, легко получить предельное геометрическое распределение оценки степени тригонометрического полинома.
Однако на более общую ситуацию такого простого переноса сделать нельзя. Так, например, в случае временного ряда с гетероскедастичными и автокоррелированными остатками снова можно воспользоваться общим подходом метода наименьших квадратов, однако система уравнений метода наименьших квадратов и, естественно, ее решение будут иными. Формулы в терминах матричной алгебры, будут отличаться. Поэтому рассматриваемый метод называется "обобщенный метод наименьших квадратов
2. ВРЕМЕННЫЕ РЯДЫ. ЛАГИ В ЭКОНОМИЧЕСКИХ МОДЕЛЯХ
Пусть исследуется показатель Его значение в текущий момент (период) времени обозначают ; значения в последующие моменты обозначаются ; значения в предыдущие моменты времени обозначаются .
Нетрудно понять, что при изучении зависимостей между такими показателями либо при анализе их развития во времени в качестве объясняющих переменных используются не только текущие значения переменных, но и некоторые предыдущие по времени значения, а также само время Модели такого типа называются динамическими.
В свою очередь переменные, влияние которых характеризуется определенным запаздыванием, называются лаговыми переменными.
Обычно динамические модели подразделяются на два класса:
1) модели с лагами (модели с распределенными лагами) – содержат в качестве лаговых переменных лишь независимые (объясняющие) переменные. Примером является модель:
(1)
2) авторегрессионные модели – модели, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных.
750 руб.
Похожие работы:
...
Оценить опасность поражения электрическим током при разных следующих случаях его включения в цепь ➨
...
ОБЕСПЕЧЕНИЕ ПРОИЗВОДСТВЕННОЙ И ЭКОЛОГИЧЕСКОЙ БЕЗОПАСНОСТИ ➨
Изложены основные требования, предъявляемые к разделу "Обеспече-ние производственной и экологической безопасности" ...
Поиск по базе выполненных нами работ:
Разделы по направлениям
Готовые дипломы по специальностям
Готовые работы по предметам