Модель множественных временных рядов использовалась для оценки кумулятивного [c.291]
Чем отличается модель множественных временных рядов от модели временных рядов [c.310]
При построении прогнозных моделей чаще всего используется парный и множественный регрессионный анализ в основе экстраполяционных методов лежит анализ временных рядов. [c.204]
Данная глава несколько отличается от других глав. Разделы 10.1-10.4 фактически содержат справочный материал по методу максимального правдоподобия, широко применяемому в математической статистике. Подробное изложение этого материала можно найти, например, в (Айвазян (1983), Крамер (1975), Рао (1968)). Раздел 10.5 во многом повторяет описанные кратко в разделах 2.7, 5.3 и приложении МС (п. 7) способы применения этого метода к моделям парной и множественной регрессии. Причина, по которой мы поместили этот материал не в приложении МС, а здесь, состоит в следующем. Первое, метод максимального правдоподобия является традиционно трудным для студентов разделом курса математической статистики, и его, по нашему мнению, следует повторить в курсе эконометрики, включающем в себя темы временных рядов и дискретных зависимых переменных, в которых этот метод интенсивно используется. Второе, удобство читателя, для которого все необходимые факты по методу максимального правдоподобия собраны в одном месте книги. [c.244]
В первые годы работы над нашей системой мы тратили почти все время, работая с временными рядами — наследием визуального анализа, который Арнольд Бернхард разработал в ранние тридцатые. Мы очень рано стали применять множественный регрессионный анализ, чтобы использовать для прогнозирования большее количество независимых переменных и лет и обеспечить более точное соответствие нашей модели эмпирическим данным, что, конечно, и происходило. Но несмотря на это, мы не получили тех результатов, на которые рассчитывали. Мы пытались предсказывать абсолютные цены акций отдельных компаний, учитывая их динамику в прошлом, прибыли, дивиденды, номинальную стоимость и т. д. Поскольку мы работали с абсолютными ценами, оказывалось, что просто были периоды, когда большинство акций были недооценены или переоценены, а об индивидуальных акциях мы ничего конкретного сказать не могли. [c.358]
Временной ряд st можно представить в эквивалентном (1.62) виде, при котором он получается в виде классической линейной модели множественной регрессии, в которой в качестве объясняющих переменных выступают его собственные значения во все прошлые моменты времени [c.41]
Традиционный подход к прогнозированию банкротств основан на множественном дискриминантном анализе (см. [7], [10], [12], [32], [33]). Методы такого типа используются в широко распространенных системах определения рейтинга кредитоспособности, где ищется гиперплоскость, наилучшим образом разделяющая хороших и плохих кандидатов. Хотя к настоящему времени разработано множество дискриминантных моделей, используется (в частности, в управлении кредитами) лишь небольшое число из них. В ряде случаев банки приходят к выводу, что методы MDA не дают ожидаемого улучшения точности по сравнению с традиционными методами. [c.200]
Постройте уравнение регрессии и оцените тесноту и силу связи двух рядов (по отклонениям от тренда и по множественной регрессионной модели с включением в нее фактора времени). [c.176]
В течение длительного времени в экономической науке использовался весьма ограниченный арсенал математических моделей. В частности, наиболее широко применялись модели и описания, использующие алгебраические соотношения и обозначения. Большую роль сыграл этот математический аппарат в Капитале К. Маркса. С его помощью выражены основные экономические закономерности капиталистического хозяйства. Делались также попытки использовать при изучении экономических проблем дифференциальное и интегральное исчисления. Иными словами, математический аппарат, возникший в связи с проблемами математической физики и теоретической механики, применялся и для исследования и решения экономических задач. Разумеется, это могло приносить пользу лишь на первых порах, в дальнейшем же возникла необходимость в создании математических методов, специально приспособленных к задачам экономического анализа. Именно этому обязан своим происхождением ряд новых математических дисциплин, таких, как линейное программирование, динамическое программирование, теория игр, теория графов и др. Этот комплекс прикладных математических дисциплин может быть объединен общим названием — математическая экономика. Предметом исследования математической экономики являются математические модели, порожденные и связанные с определенными экономическими проблемами, описывающие экономику предприятия, совхоза, народного хозяйства или отдельные экономические процессы в них. Характерным для планово-производственных и экономических задач является множественность, вариантность возможных решений данную или эквивалентную в использовании продукцию можно получить различными способами, по-разному выбирать технологию, сырье, применяемое оборудование, организацию процесса. [c.6]
Модель множественных временных рядов (multiple series design) аналогична по содержанию модели временных рядов, за исключением того, что при ней используется, кроме основной группы, еще и контрольная. Эту модель можно представить следующим образом [c.291]
В учебнике излагаются основы эконометрики. Большое внимание уделяется классической (парной и множественной) и обобщенной моделям линейной регрессии, классическому и обобщенному методам наименьших квадратов, анализу временных рядов и систем одновременных уравнений. Обсуждаются различные аспекты многомерной регрессии мультиколлине-арность, фиктивные переменные, спецификация и линеаризация модели, частная корреляция. Учебный материал сопровождается достаточным числом решенных задач и задач для самостоятельной работы. [c.2]
В главе 7 представлены обобщенная линейная модель множественной регрессии и обобщенный метод наименьших квадратов. Исследуется комплекс вопросов, связанных с нарушением предпосылок классической модели регрессии — гетероскедастично-стью и автокоррелированностью остатков временного ряда, их тестированием и устранением, идентификацией временного ряда. [c.4]
Автокорреляция в остатках есть нарушение одной из основных предпосылок МНК - предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении к оценке параметров модели обобщенного МНК. При построении уравнения множественной регрессии по временным рядам данных, помимо двух вышеназванных проблем, возникает также проблема муль-тиколлинеарности факторов, входящих в уравнение регрессии, в случае если эти факторы содержат тенденцию. [c.265]
Общий вывод таков лучше использовать несколько методов прогнозирования, а не ограничиваться каким-то одним. В первую очередь, стоит подумать о Делъфи, подкрепляя этот метод анализом временных рядов и скользящими средними. Чтобы объяснить некоторые из полученных тенденций, можно воспользоваться барометрическим подходом (чтобы специально посмотреть, как продажи продукта связаны с покупками потребителей, как-то продажи экскаваторов и строительство новых домов). В несколько более длительной перспективе по причине использования ресурсов выгоднее один раз построить простую модель множественной регрессии и использовать ее с помощью любого табличного процессора, такого как Lotus 1-2-3. [c.211]
Neural onne tion представляет собой пакет нейросетевых программ с графическим иконным интерфейсом для прогнозирования и классификации временных рядов, а также для сегментации данных. Пакет предоставляет широкие возможности для работы с данными, включая их предварительную подготовку. Несколько средств демонстрации результатов на выходе дают возможность тщательно исследовать модель для более глубокого осмысления полученных результатов. Имеющиеся в пакете средства моделирования и прогнозирования включают многослойный перцептрон, сети радиального базиса и сети Кохонена. Среди средств статистического анализа можно перечислить множественный линейный регрессионный анализ, классификатор близости классов и анализ главных компонент. [c.263]