WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ MATHCAD В РУКАХ ЭКОНОМИСТА:

БОКС-КОКС ПРЕОБРАЗОВАНИЕ И ИЛЛЮЗИЯ «НОРМАЛЬНОСТИ» МАКРОЭКОНОМИЧЕСКОГО РЯДА А.Н. Порунов, кандидат экономических наук, научный сотрудник лаборатории стратегических исследований и операционного проектирования Самарского государственного технического университета, е-mail: rameno@rambler.ru.

Адрес: г. Рамено, Сызранский район, Самарская область, ул. Пионерская, д. 5.

В статье рассматривается методика преобразования в среде Mathcad ненормально распре деленного ряда макроэкономического ряда к нормально распределенному на основе преобразования Бокса-Кокса и возникающие при этом ошибки в оценке нормальности распределения.

Ключевые слова: преобразование Бокса-Кокса, макроэкономический ряд, непараметрические методы, параметрические методы, робустные методы.

Введение Широко распространено мнение, что если же данных много (например, n > 100), или исследуют чень часто1 экономисту-аналитику прихо ся переменные, значения которых определяются диться иметь дело со статистическими дан бесконечным числом независимых факторов, то О ными, которые по тем или иным причинам не имеет смысла использовать непараметрические не проходят тест на нормальность. В этой ситуации статистики и в этой ситуации лучше обратиться есть два выхода: либо обратиться к непараметри к методам трансформации ненормально распре ческим методам, что весьма проблематично для деленных данных в нормально распределенные.

экономиста, поскольку требует изрядной матема Среди множества таких методов преобразований тической подготовки, либо воспользоваться специ одним из лучших (при неизвестном типе распреде альными методами, позволяющими преобразовать ления) считается Бокс-Кокс преобразование.

исходную «ненормальную статистику» в «нормаль- Авторы этого преобразования известные ста ную», что само по себе так же непросто. тистики – Джордж Эдвард Пелхэм Бокс (George Математики-экономисты считают, что «очень часто» мягко сказано, здесь следовало бы сказать «в абсолютном большинстве случаев».

БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ Edward Pelham Box), профессор Висконсинского Один из способов выбрать оптимальное значе университета в городе Мэдисон (США) и сэр Дэ- ние, — это использование значения, макси вид Роксби Кокс (Sir David Roxbee Cox) – профес- мизирующего логарифм функции правдоподо сор колледжа Бирбека лондонского университета. бия.

Впервые, суть предлагаемого метода была изложе- Логарифм функции правдоподобия:

на ими в 1964 году, в Журнале Королевского ста тистического общества (GB) [1]. Практические (2) аспекты Бокс-Кокс преобразования (БК), сегодня достаточно подробно рассмотрены в специальной англоязычной литературе [2–7], чего нельзя ска где – зать об отечественной. Рассмотрим, так ли всемо гуще БК преобразование в борьбе с «ненормально» есть среднеарифметическая БК преобразованных распределенным макроэкономическим рядом и какие иллюзии могут возникнуть у исследователя- данных.

экономиста, в зависимости от степени его «стати- Поскольку изначально БК преобразование было ориентировано только на положительные величи стической испорченности» при оценке согласия функций эмпирического и теоретического распре- ны, проблему учета отрицательных значений дан ных снимают, добавляя к исходным значениям делений.

некоторое смещение, переводящее все отрицатель ные величины в положительную область2:

Бокс-Кокс преобразование Пусть некоторая, непрерывная во времени, (3) функция X представлена вектором её значений xi, i 1,...N. Бокс-Кокс преобразование определяется следующим образом:

где: с – величина смещения.

При этом должно выполняться условие:

(1) Доверительная оценка (с использованием ста тистики отношения правдоподобия) может быть Выражение (1) представляет собой универсаль произведена следующим образом:

ное параметрическое семейство преобразований, которое экономисты часто используют в алго, (4) ритмах сезонной (циклической) корректировки, для того чтобы сезонная составляющая преобра- где – оценка максимального правдоподобия зованного динамического ряда стала (хотя бы в для ;

первом приближении) не эволюционирующей по – верхняя 100(1– ) процентиль хи-квадрат рас амплитуде, что упрощает ее последующую иден пределения с 1-ой степенью свободы.

тификацию [3]. Тиражируемые в литературе по экономической статистике и по этой причине по Практическая пулярные среди экономистов, логарифмическое реализация и степенное преобразования, представляют лишь частный случай преобразования БК. Так, напри- Для иллюстрации процедуры БК преобразова мер, в зависимости от значений получаем: при ния в среде Mathcad3 использовался таблично за =0 – логарифмическое, при <>2 – степенное данный, макроэкономический ряд ВВП РФ – ряд преобразование. X (табл.1).

таким образом получается двухпараматрическое семейство преобразований которое сегодня называется преобразованием Бокса-Кокса В большинстве современных математических пакетов сдвиг на константу (смещение) не предусмотрен, т.е. используется алгоритм более простого однопараметрического преобразования.

БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ Таблица 1.

Для нахождения уравнения тренда (в случае Динамика уровней ВВП РФ экспоненциальной зависимости) воспользуемся за период 1885–2009 гг. стандартной, встроенной в Mathcad5 функцией. Эта функция возвращает вектор, T xt t xt t xt t xt 1885 76 1917 143 1949 301 1981 1440 содержащий три коэффициента экспоненциаль 1886 73 1918 116 1950 374 1982 ной кривой вида: a exp(b x) + c, которая наи 1887 80 1919 92 1951 440 1983 лучшим образом аппроксимирует данные в век 1888 86 1920 77 1952 453 1984 торах t и X. Необязательный вектор g содержит 1889 79 1921 74 1953 476 1985 начальное приближение для этих трех коэффи 1890 75 1922 69 1954 483 1986 циентов:

1891 65 1923 64 1955 536 1987 1892 93 1924 82 1956 569 1988 1893 92 1925 98 1957 610 1989 1894 95 1926 121 1958 616 1990 1895 106 1927 146 1959 692 1991 1896 93 1928 162 1960 721 1992 1897 105 1929 173 1961 691 1993 1898 94 1930 152 1962 789 1994 1899 89 1931 175 1963 830 1995 1900 90 1932 166 1964 818 1996 1901 87 1933 171 1965 849 1997 1902 86 1934 208 1966 958 1998 1903 99 1935 242 1967 970 1999 1904 95 1936 293 1968 1020 2000 1905 114 1937 289 1969 1062 2001 1906 98 1938 295 1970 1047 2002 Для приведения ряда к стационарному виду из 1907 88 1939 333 1971 1086 2003 ряда X вычитают найденный тренд – Xtrend и опре 1908 89 1940 359 1972 1203 2004 деляют ряд остатков (рис.2):

1909 108 1941 382 1973 1273 2005 1910 111 1942 344 1974 1218 2006 1911 123 1943 225 1975 1253 2007 1912 107 1944 202 1976 1349 2008 Для проверки близости распределения ряда 1913 118 1945 217 1977 1420 2009 1914 134 1946 194 1978 1469 остатков к нормальному распределению, построим 1915 158 1947 225 1979 гистограмму распределения H (рис.3), используя 1916 160 1948 280 1980 функцию max(X) min(X) 1900 1950 max(t) min(t) t XTrend X Рис.1. Динамический ряд X и тренд в современных границах РФ, составлен автором по источникам [8-12] Использовалась последняя модифицированная версия пакета Mathcad-14 M- БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ max( ) - - min( ) 1900 1950 max(t) min(t) t Рис.2. Динамика ряда остатков max ( ) - 1000 - min ( ) 0.5 max ( ) Рис.3. Гистограмма распределения ряда остатков бых значениях ряда остатков. Примем величину, смещения несколько большей (для наглядности, – где: – функция, возвра- на 20%) минимального значения в ряду остатков :

с = 1.2min ( ).

щающая матрицу H из двух столбцов, содержащую средние точки подинтервалов. Резуль- Тогда новый ряд остатков, с учетом смеще ния, будет равен:

тирующая матрица содержит строк, где – функция, возвращающая целую часть аргумента.

Как видно из гистограммы, характер распределе ния ряда остатков далёк от нормального. Как по- где: – функция, возвращающая наимень шее из значений.

казывает практика, может оказаться, «…что пре Пусть показатель степени изменяется в пределах:

образование квадратного корня еще слабовато (не = -1, -1+ 0.1…15 с шагом 0.1, тогда лог-функцию поджимает справа хвост распределения), а лога правдоподобия можно определить сле рифмическое – уже слишком сильное (хвостик по дующим образом:

является слева). Раньше пришлось бы выбирать из этих двух, но преобразование Бокса-Кокса в этом случае ( между 0 и 0,5) найдет промежуточное решение. Поэтому, если истинное нормализую щее преобразование неизвестно, преобразование Бокса-Кокса считается лучшим» [13].

Поскольку БК преобразование применяется только к положительным уровням ряда, выберем величину смещения так, чтобы ( + с) > 0 при лю БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ - - - - - - Рис.4. График логарифмической функции правдоподобия max ( ) + 10 0 10000 min ( ), ВС max ( ) 0.45 N Nn(BC) Рис. 5. Гистограмма ряда остатков после BK преобразования Для того чтобы найти оптимальное значение, где: – функция, возвращающая вектор со итеративно подставляем значения при кото- значениями из BС, упорядоченными по возраста рых логарифмическая функция правдоподобия нию.

достигает максимума. Ориентируясь по Это позволит нам отразить кривую плотности графику логарифмической функции правдоподо- нормального распределения на гистограмме (рис.5):

бия, возьмем «вилку» из значений:

Классическая форма функции плотности нор мального распределения (гаусиан) в принятых обо значениях будет иметь следующий вид:

Промежуточное значение 1.49) соответ, ствует максимуму функции т.е. в данном случае =1. Тогда преобразованный ряд остатков ВС, будет где: – функция, возвращающая ариф определяться по формуле:

метическое среднее (среднее значение) элементов ;

– функция, возвращающая средне квадратическое отклонение совокупности элемен тов.

Определим еще один ряд, получаемый в ре зультате сортировки ряда остатков BC: Гистограмма (рис.5) показывает, что характер распределения остатков, после преобразования по, методу Бокса-Кокса, близок к нормальному. «За БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ быв» о критериях согласия, оценим ряд остатков на Для ряда с распределением близким к нормально нормальность распределения, на основе показате- му должны выполняться следующие условия [12]:

лей эксцесса и асимметрии. Коэффициент асимме трии:, где: –функция, возвращающая асимметрию элементов BC. Экс и.

цесса:, где: функция, возвращающая асимметрию элементов BC.

В данном случае эти условия выполняются. Про Рассчитаем вспомогательные величины и :

должим проверку. С этой целью проведем, очень популярный сегодня у экономистов, визуальный анализ нормальности. Стандартизируем, сортиро ванный ранее ряд остатков, предполагая, что справедлива гипотеза о нормальности ряда:

0. 0. 0. 0. - 3 - 2 - 1 0 1 2 cnorm(BSn) Рис. 6. Графики эмпирической и теоретической функций распределения 2. - - - 2. - - 3 - 2 - 1 0 1 2 Nrl BSnl Рис. 7. Графики обратных кумулятивных распределений эмпирической и теоретической функций БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ Построим эмпирическую функцию распреде ления и сравним её с теоретическим распреде Рассчитаем теоретические частоты fk:

лением (рис. 6), используя встроенную mathcad функцию cnorm(BSn). Эта функция возвращает кумулятивное распределение вероятностей со сред, ним, равным 0 и дисперсией, равной 1:

, График (рис. 6) показывает близость кривых рас и эмпирические частоты (используем определен пределения и cnorm(BSn). На основе mathcad ные ранее данные для построения гистограммы функции, gnorm(F,, ) возвращающую обратное (рис. 5):

кумулятивное нормальное распределение ряда F с заданными средним и среднеквадратическим от H (2) = (5 2 10 16 25 23 6 8 10), клонением, построим еще один график зависимо тогда расчетный критерий Пирсона будет равен:

сти BSn(Nrl )l (рис. 7). Предварительно определим:

1=1...N-1,,.

На первый взгляд может показаться, что и рис.7 не дает оснований для беспокойства, – большая часть При уровне значимости =0.05 и числе степеней точек стандартизированного ряда остатков BSn рас свободы s = K - 3 = 7, табличное значение критиче полагаются очень близко к прямой, и, поэтому, ской точки правосторонней критической области распределение ряда можно считать нормальным.

кр = 14.2. Таким образом, эмпирические и теоре Подобные заключения не редки в работах, посвя тические частоты отличаются значимо.

щенных исследованию макроэкономических рядов.

Далее определим значения статистики Колмого Но самое печально то, что множатся случаи, когда рова:

этим и ограничивается процедура проверки гипо тезы о нормальности распределения. Тем временем использование уже старого, «доброго» критерия со гласия Пирсона (в данном случае, при N=127 его где: – mathcad функция возвращаю использование оправдано), критерия Колмогорова щая кумулятивное распределение вероятностей со или омега-квадрат говорит, что «не все спокойно средним, равным 0, и дисперсией, равной 1.

в датском королевстве». Покажем, так ли это? Тем Статистика Колмогорова более, что Mathcad позволяет это сделать достаточно просто (для понимания) и наглядно.

.

Для начала рассчитаем критерий Пирсона. С этой целью определим размах вариации стандартизиро Расчетное значение статистики:

ванного ряда остатков:

,.

при выбранном уровне значимости =0.05 превы Проведем группировку ряда, число групп:

шает табличное значение.

Величина интервала :

,.

это означает, что нулевую гипотезу следует отвер Середины интервалов: гнуть, т.е. характер распределения ряда остатков далек от нормального, несмотря на проведенное, ранее его БК преобразование.

БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И АЛГОРИТМЫ ЗАДАЧ БИЗНЕС-ИНФОРМАТИКИ Заключение анализ конкретных данных приводит к аналогич ному заключению.

Практика статистических исследований пока В этой связи нельзя не согласиться с мнением зывает, «…что распределения реальных данных одного из авторитетных отечественных статисти никогда не входят в какое-либо параметрическое ков – профессора А.И. Орлова, о том, что не умаляя семейство» [14]. Сегодня в статистической лите значимости методов параметрической статисти ратуре есть немало примеров, показывающих, что ки, необходимо переходить к непараметрическим распределения ошибок измерений почти всегда и робастным методам [14]. И, в первую очередь, отличаются от нормальных» [15]. Эти семейства – по мнению автора, это относится к исследованию лишь возможные приближения, которые далеко не макроэкономических рядов. Экономистам об этом всегда являются адекватными. Приведенный выше надо помнить.

Литература 1. Box, G. E. P.;

Cox, D. R. An analysis of transformations. (With discussion) J. Roy. Statist. Soc. Ser. B 26 211–252. http://www.ams.org/mathscinet-getitem?mr= 2. Box-Cox Transformations: An Overview. Pengfei Li. Department of Statistics, University of Connecticut. Apr 11, 2005 http://www.stat.uconn.edu/~studentjournal/index_files/pengfi_s05.pdf 3. Carroll, RJ and Ruppert, D. On prediction and the power transformation family. Biometrika 68: 609–615.

4. Box-Cox Transformation. http://www-stat.stanford.du/~olshen/manuscripts/selenite/node6.html 5. Davidson, Russell, and James G. MacKinnon. 1993. Estimation and Inference in Econometrics. Oxford University Press.

6. Definition of Box-Cox Transformation http://economics.about.com/cs/economicsglossary/g/box_cox.htm 7. Федосеев В.В. Экономико-математические методы и прикладные модели : учеб. Пособие для вузов / В.В. Федосеев [и др.]. – М. : ЮНИТИ, 2002.

8. A.Maddison, 2001. The World Economy. A Millennial Perspective, Paris, OECD. P. 9. The World Economy: Historical Statistics. Paris, OECD, 2003, P. 10. Грегори П. Экономический рост Российской империи (конец XIX – начало XX в.). Новые подсчеты и оценки. Перевод с английского И.Кузнецова и А. и Н.Тихоновых. М. Росспэн. 2003г. 256с.

11. Мельянцев В. А. Россия за три века. Указ. соч. С. 90.

12. Лященко П. И. История народного хозяйства СССР. Т. 2. М. 1956. С.406.

13. Приведение данных к нормальному распределению: преобразование Бокса-Кокса. Тематический фо рум. http://molbiol.ru/forums/index.php?showtopic= 14. Орлов А.И. О критериях согласия с параметрическим семейством http://www.newtech.ru/~orlov/kritsogl.htm 15. Мирвалиев М., Никулин М.С. / Заводская лаборатория. 1992. Т.58. № 3. С.52–58.

БИЗНЕС-ИНФОРМАТИКА №2(12)–2010 г.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.