WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 | 2 || 4 | 5 |   ...   | 20 |

Можно показать, что если ряды ошибок не являются серийно коррелированными, то статистика Миза–Рогова асимптотически совпадает со статистикой Моргана–Гренджера–Ньюболда.

Отметим, что в своей статье Диболд и Мариано, используя метод Монте Карло, сравнили статистические свойства всех рассмотренных тестов в зависимости от того, выполняются ли стандартные предпосылки об ошибках прогнозирования. Было показано, что тест Диболда–Мариано работает значительно лучше остальных тестов в ситуации нарушения предпосылки о гауссовости, а также других предпосылок относительно ошибок прогнозирования.

1.4. Анализ и сравнение прогнозных свойств различных моделей Актуальность проблемы прогнозирования подтверждается ко личеством работ по данной теме, написанных к настоящему мо менту. Помимо многочисленных монографий ежегодно публикует ся огромное количество статей, касающихся проблем прогнозиро вания, как в специализированных журналах (например, Interna tional Journal of Forecasting, Journal of Forecasting и др.), так и во многих экономических, финансовых и эконометрических журналах.

Подавляющее большинство работ по прогнозированию направле но на выявление методов прогнозирования, дающих наилучшие (с точки зрения некоторых критериев) прогнозы. В данной статье мы, естественно, не будем останавливаться на всех таких работах, а приведем результаты лишь некоторых из них, опубликованных в последние годы.

В статьях Стока и Ватсона (см., например, (Stock, Watson, 1998;

2001)) приведены сравнения прогнозных свойств различных мето дов прогнозирования временных рядов. Общие результаты этих работ заключаются в следующем:

• Предварительное тестирование рядов на наличие единичных корней позволяет улучшить качество прогнозов на любом гори зонте прогнозирования, особенно в случае авторегрессионных моделей. Этот результат согласуется с результатами многих аналогичных работ, в том числе касающихся исследования прогнозных свойств моделей российских временных рядов (см., например, (Энтов, Носко и др., 2002)).

• Линейные методы дают лучшие прогнозы по сравнению с не линейными. Например, прогнозы, полученные с использовани ем нейронных сетей, во всех случаях оказываются хуже про гнозов, полученных с использованием линейных методов (в ча стности, авторегрессионных моделей временных рядов). Про гнозы, построенные по LSTAR моделям, в редких случаях пре восходят линейные прогнозы по своему качеству, но, учитывая издержки оценки таких моделей, можно говорить о том, что по лучаемые по ним прогнозы не дают желаемого улучшения ка чества.

• Многие комбинированные прогнозы11 превосходят по своему качеству любой некомбинированный. Аналогичные результаты были получены, например, в работе Зоу и Янга (Zou, Yang, 2004)12.

• Использование в качестве объясняющих переменных показа телей деятельности финансовой сферы (ставок процента, спреда между ставками процента и др.) не дает желаемых улучшений качества прогнозов таких макроэкономических по казателей, как выпуск и инфляция. В тех же случаях, когда улучшения имеют место, они невелики и нестабильны.

Под комбинированным прогнозом в данном случае понимается некоторая взве шенная линейная комбинация прогнозов, полученных по некоторому набору стан дартных методов.

Полученные в работе результаты говорят о следующем. Предложенный метод комбинирования прогнозов дает (намного) лучшие результаты в тех случаях, когда выбор между моделями временных рядов на основе критериев Акаике, Шварца или Хеннана Квана затруднен. В ситуации, когда выбор между моделями не вызывает затруднений, комбинированный прогноз может быть и хуже по своему качеству.

Необходимо также отметить статью Макридакиса и Хибона (Makridakis, Hibon, 2000), в которой обобщены результаты много численных исследований, проведенных в рамках анализа и срав нения качества прогнозов различных рядов (около 3000 рядов) разными методами (24 метода). Полученные результаты во многом перекликаются с результатами других исследований:

- более сложные методы не обязательно дают лучшие прогнозы по сравнению с более простыми;

- ранжирование моделей по качеству прогнозов зависит от того, какая характеристика качества выбрана за эталон;

- комбинированные прогнозы в среднем превосходят по качест ву прогнозы, включенные в комбинацию, а также прогнозы, по лученные по другим методам;

- качество прогнозов, полученных по различным моделям, зави сит от длины горизонта прогнозирования.

В статье Томакоса и Герарда (Thomakos, Guerard, 2004) сравни ваются прогнозные свойства 6 классов моделей. На основе реаль ных данных авторы проранжировали модели различных типов, ис ходя из их прогнозных свойств при прогнозировании на 1 и 4 шага вперед. В табл. 1.1 приведены полученные ранги.

Таблица 1. Прогноз Худший Лучший прогноз 1 2 3 4 прогноз Ранг (0) (5) Непара Комби На 1 шаг Наивная метриче ARIMA ниро VAR TF вперед ская ванная Непара На 4 шага TF, комбиниро Наивная метриче ARIMA VAR вперед ванная ская Как видно из табл. 1.1, наивные13 прогнозы обладают наихуд шими свойствами по сравнению с прогнозами, полученными на основе более сложных моделей, как при прогнозировании на 1 шаг Наивным прогнозом в момент времени Т на h шагов вперед является значение, принимаемое временным рядом в момент времени Т, т.е. считается, что fT,h = yT для любого h 1.

вперед, так и при прогнозировании на большее количество шагов.

Прогнозы на 1 шаг вперед по одномерным непараметрическим моделям оказываются значительно хуже прогнозов по ARIMA моделям. В то же время прогнозы на 4 шага вперед по этим двум типам моделей по качеству практически не отличаются между со бой, хотя прогнозы, построенные по ARIMA моделям, оказываются чуть лучше. Независимо от горизонта прогнозирования модели с передаточной функцией (TF модели) показывают наилучшие про гнозные свойства. Модели векторной авторегрессии (VAR модели) с точки зрения прогнозных свойств оказываются лучше комбини рованных моделей при прогнозировании на 1 шаг вперед. Но при прогнозировании на 4 шага вперед комбинированные модели дают прогнозы, по своим качествам сопоставимые с прогнозами по мо делям с передаточными функциями.

Интересный обзор и анализ свойств прогнозов дан в работе Тешмана (Tashman, 2000). Исходя из анализа многочисленных эм пирических работ, автор отмечает некоторые общие свойства про гнозов. В частности, в работе говорится: необходимо помнить о том, что для каждого выбранного метода прогнозирования оценка ошибки прогнозирования, полученная на основе ошибки оценен ной регрессии, как правило, оказывается заниженной по сравне нию с реальной ошибкой прогнозирования. Особенно это заметно при прогнозировании более чем на 1 шаг вперед. Как следствие, полученные для прогноза доверительные интервалы обычно ока зываются более узкими, чем должны быть в действительности (бо лее подробно см. (Chatfield, 1993)). Кроме того, модель, лучшая с точки зрения своих «внутренних» (in sample) свойств, необяза тельно дает лучшие прогнозы. (Более подробно см. (Bartolomei, Sweet, 1989); (Pant, Starbuck, 1990)).

Помимо этого, Тешман сравнивает свойства прогнозов, получен ных с использованием фиксированного момента прогнозирования (fixed origin), и прогнозов с использованием скользящих моментов прогнозирования (rolling origin)14, говоря, что прогнозы с использо Различие между этими двумя типами прогнозов заключается в том, что в первом случае все прогнозы (на 1, 2, …, h шагов вперед) строятся из одной точки Т, а во втором – для каждого момента времени 1, 2, …, h прогнозы строятся в моменты Т, Т+1,…, T+h–1. Иначе говоря, в первом случае мы получаем h прогнозных значений ванием различных моментов прогнозирования позволяют достичь большей точности для каждого конкретного момента времени.

* * * Таким образом, можно сделать следующие наиболее общие выводы о прогнозных свойствах различных эконометрических мо делей и дать некоторые рекомендации при прогнозировании. Во первых, линейные методы прогнозирования дают лучшие резуль таты по сравнению с нелинейными. Соответственно, можно гово рить, что рекомендация о выборе более простой модели при про гнозировании подтверждается многочисленными эмпирическими исследованиями.

Во вторых, комбинированные прогнозы в большинстве случаев оказываются по своему качеству лучше, чем обычные некомбини рованные. Далее, сравнительные результаты нередко зависят от того, какая характеристика качества прогнозов была взята. И нако нец, предварительное тестирование на наличие единичных корней позволяет существенно улучшить качество прогнозов.

Литература к статье Носко В., Бузаев А., Кадочников П., Пономаренко С. (2003). Ана лиз прогнозных свойств структурных моделей и моделей с включе нием результатов опросов предприятий. М.: ИЭПП. Научные тру ды. № 64.

Энтов Р.М., Носко В.П., Юдин А.Д., Кадочников П.А., Понома ренко С.С. (2002). Проблемы прогнозирования некоторых макро экономических показателей. М.: ИЭПП. Научные труды. № 46.

Bartolomei, D.W. and Sweet, A.L. (1989). A Note on a Comparison of Exponential Smoothing Methods for Forecasting Seasonal Series // International Journal of Forecasting. № 5. P. 111–116.

Chatfield, C. (1993). Calculating Interval Forecasts // Journal of Business and Economic Statistics. № 11. P. 121–135.

Clements H. (1998). Forecasting Economic Time Series. Cambridge:

Cambridge University Press. The Marshall Lectures on Economic Forecasting.

(для каждого прогнозируемого момента времени – одно значение), а во втором – h(h+1)/2 прогнозных значений (по h для каждого момента времени).

Clements M.P., Hendry D.F. (2001). Forecasting Non Stationary Economic Time Series. The MIT Press. Cambridge (Massachusetts).

London (England).

Diebold F.X., Mariano R.S. (1995). Comparing Predictive Accuracy // Journal of Business and Economic Statistics.№ 13 (3). P. 253–263.

Hamilton (1994). Time Series Analysis, Princeton University Press, Princeton. New Jersey.

Makridakis S., Hibon M. (2000). The M3 Competition: Results. Conclusions and Implications // International Journal of Forecasting. № 16. P. 451–476.

Newey W., West K. (1987). A Simple Positive Semi Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix // Econometrica. № 55. P. 703–708.

Pant P.N., Starbuck W.H. (1990). Innocents in the Forest: Forecasting and Research Methods // Journal of Management. № 16. P. 433–460.

Principles of Forecasting: a Handbook for Researchers and Practitioners (2003) / Ed. by Armstrong J.S. Kluwer Academic Publishers, Boston Dordrecht London.

Stock J.H., Watson M.W. (1998). A Comparison of Linear and Non Linear Univariate Models for Forecasting Macroeconomic Time Series // NBER WP. No. 6607. June.

Stock J.H., Watson M.W. (1999). Forecasting Inflation // NBER WP No 7023. March.

Stock J.H., Watson M.W. (2001). Forecasting Output and Inflation:

the Role of Asset Prices // NBER WP. No 8180. March.

Schwert G.W. (1989). Tests for Unit Roots: A Monte Carlo Investigation // Journal of Business and Economic Statistics. № 7. P. 147–159.

Tashman L.J. (2000). Out of Sample Tests of Forecasting Accuracy:

an Analysis and Review // International Journal of Forecasting. № 16. P.

437–450.

Thomakos, D.D. and J.B. Guerard Jr. (2004). Nave, ARIMA, Nonparaetric Transfer Function and VAR Models: a Comparison of Forecasting Performance // International Journal of Forecasting. № 20.

P. 53–67.

Zou H., Yang Y. (2004). Combining Time Series Models for Forecasting // International Journal of Forecasting. № 20. P. 69–84.

А. Юдин 2. Прогнозирование временных рядов с использованием информативных структур В этой статье приведены основные понятия теории взаимосвя зей статистических систем. Рассматриваются определения схемы непосредственных взаимодействий и структуры сложных систем, обсуждаются их достоинства и недостатки. Вводятся понятие ин формативной структуры статистической системы и связанное с ним понятие существенной размерности многомерной статисти ческой системы, позволяющие строить приближенные модели ис следуемых систем в классе случайных векторов фиксированной существенной размерности. Приводятся оценки сложности описа ния статистических систем (необходимого количества наблюдений за системой), позволяющих построить модель системы с гаранти рованной точностью и надежностью, для n мерных статистических систем и для n мерных статистических систем существенной раз мерности k < n. Приводятся принципы построения прогноза для статических статистических систем, для временных рядов и дина мических статистических систем.

2.1. Теоретические основы прогнозирования с использованием информативных структур статистических систем 2.1.1. Статистические системы и их структуры: основные понятия Будем называть системы, для которых случайный вектор (или векторный случайный процесс) является подходящей моделью по ведения, статистическими системами. Изучение взаимосвязей между компонентами случайного вектора, анализ различных его статистических характеристик позволяют установить закономер ности состояния и функционирования моделируемой статистиче ской системы, прогнозировать ее развитие, предвидеть последст вия от принятия различных управляющих воздействий на нее.

В задачах количественного анализа сложных систем вычисля ются усредненные значения показателей качества системы и функций, определяющих ограничения на ее состояние и поведе ние. Усреднение этих показателей, вычисление их рассеивания и взаимосвязей производится в соответствии с совместной функци ей распределения вероятностей компонент случайного вектора – признаков изучаемой статистической системы. Для установления причинно следственных связей между элементами системы ис пользование функции распределения вероятностей (модели сис темы) в ряде случаев может оказаться предпочтительнее опериро вания исходной статистической информацией о распределении значений ее признаков во времени.

Pages:     | 1 | 2 || 4 | 5 |   ...   | 20 |



© 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.