Отметим, что такая интерпретация коэффициентов модели авторегрессии и расчет долгосрочного мультипликатора основаны на предпосылке о наличии бесконечного лага в воздействии текущего значения зависимой переменной на ее будущие значения. [c.142]
Учитывая, что практически во все модели авторегрессии вводится так называемое условие стабильности, состоящее в том, что коэффициент регрессии при переменной у, по абсолютной величине меньше единицы С < 1, соотношение (7.8) можно преобразовать следующим образом [c.296]
Мы получили модель авторегрессии, определив параметры которой можно легко перейти к исходной модели (7.37). Для этого с помощью коэффициента при у, х сначала надо определить значение коэффициента ожиданий а, а затем рассчитать параметры а и Ь модели (7.37), используя полученные значения свободного члена и коэффициента регрессии при факторе х, модели (7.44). [c.321]
Смешанная модель авторегрессии и скользящего среднего 363 Смещенные оценки коэффициентов регрессии 269 Спецификация модели 405 Сплайн 328—334 [c.474]
Все модели прогнозирования обладают достаточно высокой точностью. Наиболее точным методом прогнозирования показателей работы транспортных предприятий является авторегрессия без учета фактора времени и с последующей адаптацией коэффициентов данной модели ( =1,82%). [c.164]
Модель авторегрессии без учета фактора времени и с последующей адаптацией коэффициентов данной модели в отдельных случаях может значительно уступать по точности другим моделям прогнозирования. Например, при прогнозировании показателя балансовой прибыли ошибка прогноза оказалась в 2,61 раза больше, чем ошибка прогноза, полученного с использованием метода взвешенных отклонений. Общее число случаев, когда модель авторегрессии без учета времени и с последующей адаптацией коэффициентов данной модели оказалась лучшей по точности, составило 67%. Поэтому для прогнозирования экономических показателей работы предприятий необходимо использовать комплекс моделей прогнозирования, приведенных в табл. 6.1. [c.164]
Эта система позволяет последовательно находить значения автокорреляций и дает возможность, используя первые р уравнений, выразить коэффициенты о/ через значения первых р автокорреляций, что можно непосредственно использовать при подборе модели авторегрессии к реальным статистическим данным (см.разделы 3.1 и 3.2). [c.22]
Обратим, однако, внимание на следующее обстоятельство. Оцененное значение 0.884803 коэффициента при Xt- достаточно близко к единице, и если ориентироваться на вычисленное значение 0.080824 стандартной ошибки для этого коэффициента, то при допущении отклонений от оцененного значения в пределах двух стандартных ошибок, в интервал допустимых значений 0.884803 2-0.080824 попадают и значения, большие или равные 1. Но последние соответствуют нестационарному процессу авторегрессии. [c.97]
Начиная с этого раздела, мы обращаемся к методам анализа панельных данных, предназначенным в основном для анализа данных yit, xit i = , ...,N, t = , ...,T , в которых количество субъектов исследования N велико, а количество наблюдений Т над каждым субъектом мало. Вследствие малости Т в таких ситуациях затруднительно использовать технику, интерпретирующую Уи,У-и,---,Ут как, /V временных рядов длины Т (например, технику векторных авторегрессий и моделей коррекции ошибок для нестационарных временных рядов). Основная направленность методов, предполагающих малость Т, - получение по возможности наиболее эффективных оценок коэффициентов. [c.242]
Модель авторегрессии 1-го порядка - AR(1) (марковский процесс). Эта модель представляет собой простейший вариант авторегрессионного процесса типа (1.63), когда все коэффициенты кроме [c.41]
Модели авторегрессии 2-го порядка - AR(2) (процессы Юла). Эта модель, как и AR(1), представляет собой частный случай авто-регрессионного процесса, когда все коэффициенты щ в правой части (1.63) кроме первых двух, равны нулю. Соответственно, она может быть определена выражением [c.42]
Модели авторегрессии р-го порядка - AR(p) (p > 3). Эти модели, образуя подмножество в классе общих линейных моделей, сами составляют достаточно широкий класс моделей. Если в общей линейной модели (1.63) полагать все параметры щ, кроме первых р коэффициентов, равными нулю, то мы приходим к определению AR(p)-модели [c.43]
В случае, когда остатки также автокоррелированы, авторегрессионное преобразование может быть применено ещё раз. Это означает использование авторегрессионного преобразования более высокого порядка, которое заключается в оценке коэффициентов авторегрессии соответствующего порядка для отклонений et и использовании их для построения новых переменных. Такое преобразование вместо AR(l) называется AR(s) - если используется авторегрессия порядка s. [c.362]
Это уравнение приемлемо по всем параметрам и статистическим характеристикам. Единственное, что имеет смысл сделать в нем, это замена переменных ER и ER на одну переменную ER(-l). Это можно сделать, поскольку абсолютные величины коэффициентов при ER и ER почти одинаковы. В таком случае можно сделать преобразование (-a-ER+aAER) = (-aER + a(ER - ER(-l))=-aER(-l), и мы можем использовать это равенство для сокращения числа объясняющих переменных.1 Включив снова преобразование AR(l) (для которого коэффициент авторегрессии соседних отклонений et получился равен р=0,71, со стандартной ошибкой 0,16), получаем уравнение регрессии [c.363]
Будем считать, что динамика первичного профицита подчиняется процессу, для которого известны начальные ожидания E0st, t = I,..., Т. Эти значения мы задаем в виде сценариев благоприятного, умеренно-неблагоприятного и неблагоприятного. При этом мы используем фактический график погашения и обслуживания внешнего долга. Мы предполагаем постоянный и равный 3% годовой темп роста ВВП. Мы исходим из оценки ВВП в базовом 2000 г. в долларовом выражении - 245 млрд. долл. Наконец, долговременное значение реального курса доллара х принимается равным 0.59, а коэффициент авторегрессии а = 0.8. Все исходные и расчетные значения даны в процентах ВВП соответствующего года. [c.37]
Для адаптации коэффициентов модели авторегрессии может быть использован метод наискорейшего спуска1. Согласий данному методу процедура пересчета коэффициентов уравнения авторегрессии осуществляется следующим образом [c.162]
Смотреть страницы где упоминается термин Коэффициент авторегрессии
: [c.182] [c.182] [c.88] [c.187] [c.185] [c.191] [c.191] [c.571] [c.29] [c.31] [c.57] [c.162] [c.44] [c.22] [c.192]Эконометрика начальный курс (2004) -- [ c.185 ]