WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 22 |

ки будущих значений экономических показателей Российской Федерации могут быть использованы для поддержки принятия решений, касающихся экономической политики, при условии, что общие тенденции, наблюдаемые до момента, в который строится прогноз для каждого конкретного показателя, не изменятся, т.е. в будущем не произойдет серьезных шоков или смены сложившихся долгосрочных тенденций (например, таких, как кризисные явления второй половины 2008 г.).

Несмотря на наличие значительного объема данных, относящихся к периоду до кризиса 1998 г., анализ и построение моделей для прогнозирования производятся лишь на временном интервале после августа 1998 г. Это обусловлено результатами предыдущих исследований1, одним из основных выводов которых является то, что учет данных докризисного периода в большинстве случаев ухудшает качество прогнозов.

Оценка моделей рассматриваемых экономических показателей проводится по стандартным методикам анализа временных рядов. На первом шаге анализируются кореллограммы исследуемых рядов и их первых разностей с целью определения максимального количества запаздывающих значений, которые необходимо включать в спецификацию модели. Затем исходя из результатов анализа кореллограмм все ряды тестируются на слабую стационарность (или стационарность около тренда) при помощи теста Дикки – Фуллера. В некоторых случаях проводится тестирование рядов на стационарность около сегментированного тренда при помощи тестов на эндогенные структурные сдвиги Перрона или Зивота – Эндрюса2.

После разделения рядов на слабостационарные, стационарные около тренда, стационарные около тренда со структурным сдвигом либо стационарные в разностях для каждого из них оцениваются соответствующие его типу модели (в уровнях, а если необходимо, то и с включением тренда либо сегментированного тренда, либо в разностях). На основе информационных критериев Акаике и Шварца, а также свойств остатков моделей (отсутствие автокоррелированности, гомоскедастичность, нормальность) и качества внутривыборочных прогнозов, полученных по этим моделям, выбирается лучшая. Расчеты прогнозных значений проводятся по лучшей модели, построенной для каждого экономичес1 Там же.

2 См.: Perron P. Further Evidence on Breaking Trend Functions in Macroeconomic Variables // Journal of Econometrics. 1997. № 80. P. 355–385; Zivot E., Andrews D.W.K. Further Evidence on the Great Crash, the Oil-Price Shock, and Unit-Root Hypothesis // Journal of Business and Economic Statistics. 1992. № 10. P. 251–270.

кого показателя. Данная методика предполагает, что для каждого ряда каждый месяц модель обновляется, и, в принципе, модель, оцененная в текущем месяце, может очень сильно отличаться от модели, на основе которой рассчитывались прогнозы в предыдущем месяце.

На основе структурных моделей (SM) в Бюллетене представляются расчеты будущих значений месячных показателей ИПЦ, объемов импорта и экспорта по странам. Прогнозные значения, полученные на основе структурных моделей, в ряде случаев могут давать лучшие результаты по сравнению с ARIMA-моделями, поскольку при их построении используется дополнительная информация о динамике экзогенных переменных. Помимо этого, включение структурных прогнозов в построение усредненных прогнозов (т.е. прогнозов, полученных как среднее значение по нескольким моделям) может способствовать уточнению прогнозных значений.

При моделировании динамики индекса потребительских цен используются теоретические гипотезы, вытекающие из денежной теории. В качестве объясняющих переменных используются: предложение денег, объем выпуска, динамика номинального обменного курса рубля к доллару, характеризующая динамику альтернативной стоимости хранения денег. Также в модель для индекса потребительских цен включается индекс цен в электроэнергетике, так как этот показатель в значительной степени определяет динамику затрат производителей.

В качестве основного показателя, который может оказывать влияние на величину экспорта и импорта, следует отметить реальный обменный курс, изменение которого приводит к изменению относительной стоимости отечественных и импортных товаров. Однако в эконометрических моделях его влияние оказывается незначимым. Наиболее существенными факторами, определяющими динамику экспорта, являются мировые цены на экспортируемые ресурсы, особенно цены на нефть:

повышение цены приводит к увеличению экспорта товара. В качестве характеристики относительной конкурентоспособности российских товаров используется уровень доходов населения в экономике (стоимость рабочей силы). Для учета сезонных колебаний экспорта введены фиктивные переменные D12 и D01, равные единице в декабре и январе и нулю в остальные периоды. На динамику импорта оказывают влияние доходы населения и предприятий, увеличение которых вызывает повышение спроса на все товары, включая импортные. Характеристикой доходов населения являются реальные располагаемые денежные доходы.

Также в уравнение включается индекс промышленного производства.

3. СРАВНЕНИЕ КАЧЕСТВА БЮЛЛЕТЕНЯ МОДЕЛЬНЫХ РАСЧЕТОВ....

Необходимые для построения прогнозов на основе структурных моделей прогнозные значения объясняющих переменных рассчитываются на основе моделей ARIMA(p,d,q).

В работе также представлены расчеты значений индексов промышленного производства, индекса цен производителей и показателя общей численности безработных, выполненные на основе использования результатов конъюнктурных опросов предприятий, проводимых ИЭПП в течение последних 17 лет. Эмпирические исследования показывают1, что использование рядов конъюнктурных опросов в прогностических моделях в среднем улучшает точность прогноза. В моделях, используемых для построения прогнозов в ИЭПП, в качестве объясняющих переменных применяются следующие ряды конъюнктурных опросов: текущие/ожидаемые изменения производства, ожидаемые изменения платежеспособного спроса, текущие/ожидаемые изменения цен и ожидаемое изменение занятости. Расчеты будущих значений этих показателей проводятся на основе ADL-моделей (с добавлением сезонных авторегрессионных запаздываний).

Отметим, что, как и для случая ARIMA-моделей, структурные модели и модели, оцененные с использованием результатов конъюнктурных опросов, переоцениваются ежемесячно и могут довольно сильно изменяться от месяца к месяцу.

3.1. Методика сравнительного анализа прогнозов ИЭПП и альтернативных прогнозов С момента публикации первого «Бюллетеня модельных расчетов краткосрочных прогнозов социально-экономических показателей РФ» прошло достаточно времени, чтобы можно было оценить качество прогнозов, построенных по моделям временных рядов и структурным моделям, а также по моделям, при построении которых использовались данные конъюнктурных опросов ИЭПП. До января 2006 г. включительно прогнозы строились на 1–3 месяца вперед, начиная с февраля того же года прогнозируемый период увеличили до 6 месяцев. Поэтому для оценки качества рассчитываемых прогнозных значений используется массив данных с августа 2006 г. по январь 2008 г. (начиная с данных «Бюллетеня» за февраль 2006 г.). Таким образом, в нашем распоряжении имеется 108 прогнозных 1 См., например: Носко В., Бузаев А., Кадочников П., Пономаренко С. Анализ прогнозных свойств структурных моделей и моделей с включением результатов опросов предприятий. М.: ИЭПП, 2003.

3.1. МЕТОДИКА СРАВНИТЕЛЬНОГО АНАЛИЗА ПРОГНОЗОВ....

значений (18 прогнозируемых месяцев (август 2006 г. – январь 2008 г.) по 6 значений прогнозов для каждого месяца).

В качестве основных критериев качества прогнозов моделей ИЭПП используются перечисленные выше простейшие статистики качества прогнозов (МАЕ, МАРЕ, RMSE), рассчитанные для всего массива прогнозных данных, т.е. для всех 108 точек. Полученные таким образом статистики качества прогнозов, построенных по моделям временных рядов, а также по данным конъюнктурных опросов и структурных моделей, сравнивались с аналогичными статистиками, рассчитанными для наивных прогнозов, наивных сезонных прогнозов и для скользящего среднего.

Наивный прогноз показателя строился исходя из предположения, что в течение всего прогнозируемого периода значение показателя будет совпадать с последним известным на момент прогнозирования значением данного показателя. То есть фактически для прогнозирования используется модель случайного блуждания. Необходимо отметить, что в силу особенностей российской статистики для большинства показателей последним известным значением является не точка, непосредственно предшествующая началу прогнозируемого интервала, а точка, которая отстоит от начала прогнозируемого интервала на 3 месяца, т.е. имеет место запаздывание данных на 3 месяца. Например, если началом прогнозируемого интервала является май 2007 г., то для большинства рядов последней известной точкой является январь 2008 г., т.е. фактически мы строим прогноз не на 1–6 месяцев вперед, а на 3–9 месяцев. Исключение составляют индексы промышленного производства ЦЭК–ГУ ВШЭ (запаздывание 2 месяца), индекс потребительских цен (запаздывание 2 месяца), мировые цены на некоторые виды сырья (запаздывание 4 месяца), золотовалютные резервы (запаздывание 2 месяца), валютные курсы (запаздывание 1 месяц, т.е.

последняя известная точка непосредственно предшествует началу интервала прогнозирования).

Построение наивного сезонного прогноза основано на предположении, что в прогнозируемом месяце значение показателя будет равно значению показателя в такой же месяц предшествующего года.

Расчет скользящего среднего основывался на гипотезе о том, что в течение всего прогнозируемого периода времени показатель будет равен своему среднему значению, построенному с использованием последних известных 12 наблюдений этого показателя.

Для всего массива данных, состоящего из 108 точек, с использованием теста знаков была проверена гипотеза об отсутствии значимых различий между прогнозами, полученными по моделям ИЭПП, и альтернативными 3. СРАВНЕНИЕ КАЧЕСТВА БЮЛЛЕТЕНЯ МОДЕЛЬНЫХ РАСЧЕТОВ....

методами прогнозирования (наивными прогнозами, наивными сезонными прогнозами, скользящим средним)1, что позволило получить ответ на вопрос о значимом отличии прогнозов ИЭПП от прогнозов, полученных на основе альтернативных методов прогнозирования.

Простейшие статистики качества прогнозов (МАЕ, МАРЕ, RMSE) рассчитывались как для всего массива имеющихся данных, так и для различных подмассивов исходного массива данных, а именно:

для каждого отдельного «Бюллетеня» (см. Приложение 1). То есть оценивалось среднее качество прогнозов, построенных в данный конкретный месяц, на период 1–6 месяцев вперед (среднее значение по 6 прогнозируемым в данный момент времени точкам, всего 18 массивов по 6 точек);

отдельно оценивалось качество прогнозов на 1, 2, …, 6 месяцев вперед (см. Приложение 2). То есть из каждого «Бюллетеня» был взят прогноз на 1 (2,…, 6) месяц вперед и были рассчитаны простейшие статистики качества прогнозов на 1 (2,…, 6) месяц вперед (всего 6 массивов по 18 точек);

определялось качество прогнозов на определенный месяц (например, на декабрь 2007 г. – всего 18 массивов по 6 точек) (см. Приложение 3).

Все эти статистики строились для всех прогнозов ИЭПП, а также для наивных, наивных сезонных и прогнозов, полученных при помощи модели скользящего среднего.

Таким образом, предложенная методика позволила отслеживать моменты времени, когда прогнозные модели начинали работать хуже (или, наоборот, лучше). Приведем пример. В Приложении 1 в табл. 1.«Внешнеторговые показатели» приведены результаты расчетов простейших статистик качества прогнозов показателя экспорта во все страны («экспорт, всего») отдельных «Бюллетеней» с июля 2006 г. по август г. Как видно из таблицы, на интервале июль – октябрь 2006 г. средняя абсолютная процентная ошибка прогнозирования «Бюллетеня» колебалась между 8,5 и 11,1%. Начиная с ноября 2006 г. МАРЕ «Бюллетеней» стала снижаться (минимальное значение МАРЕ достигается в марте 2007 г. и равно 3,9%), т.е. используемая для прогнозирования модель2 стала лучше работать. Затем в мае 2007 г. средняя абсолютная процентная ошибка прогнозирования резко увеличивается и продолжает расти вплоть до августа 2007 г. (17,7%). Причины такого изменения качества прогнозов 1 См. Приложение 2.

2 Отметим, что, вообще говоря, используемые в различных выпусках «Бюллетеня» модели, как правило, различны, поскольку все модели «Бюллетеня» пересчитываются при поступлении новых статистических данных.

3.2. РЕЗУЛЬТАТЫ СРАВНИТЕЛЬНОГО АНАЛИЗА КАЧЕСТВА ПРОГНОЗОВ...

моделей могут быть самыми разными: произошли изменения в структуре показателя, изменилась методика его расчета, произошел переход от одной модели к другой (например, старая модель уже очевидно плоха по своим свойствам, а для подбора новой еще не хватает информации) и т.д.

Основная проблема здесь состоит в том, что отслеживать такие изменения моделей (т.е. качество вневыборочных прогнозов) невозможно в момент прогнозирования, а можно лишь по прошествии довольно длительного срока: для моделей ИЭПП этот срок составляет от 6 до 9 месяцев.

Аналогичным образом можно отслеживать качество прогнозов конкретного показателя при данном горизонте прогнозирования (например, на 2 месяца вперед, Приложение 2) и на конкретный календарный месяц (например, апрель 2007 г., Приложение 3).

3.2. Результаты сравнительного анализа качества прогнозов ИЭПП и прогнозов, полученных альтернативными методами В данном разделе приведены результаты сравнительного анализа качества прогнозов ИЭПП и прогнозов, полученных при помощи альтернативных методов, для всего массива имеющихся прогнозов (т.е. для массива данных, состоящего из 108 точек), а также результаты проверки на отсутствие значимости различий между прогнозами ИЭПП и прочими (наивным, сезонным наивным, скользящим средним) прогнозами при помощи теста знаков (Приложение 4). Результаты проверки качества прогнозов отдельных выпусков «Бюллетеня» и качества прогнозов ИЭПП для других подмассивов исходного массива данных приведены в Приложениях 1–3.

Промышленное производство и розничный товарооборот Промышленное производство Для построения прогноза использовались ряды месячных индексов промышленного производства Федеральной службы государственной статистики (ФСГС) с января 2002 г. и ряды базисных индексов промышленного производства Центра экономической конъюнктуры при Правительстве РФ и Государственного университета – Высшая школа экономики (ЦЭК – ГУ ВШЭ) с января 1999 г. (значение января 1995 г. принято за 100%). Прогнозные значения рассматриваемых рядов рассчитывались на основе моделей класса ARIMA. Прогнозные значения индексов промышленного производства ФСГС и ЦЭК – ГУ ВШЭ рассчитываются, кроме того, с использованием результатов конъюнктурных опросов (КО).

3. СРАВНЕНИЕ КАЧЕСТВА БЮЛЛЕТЕНЯ МОДЕЛЬНЫХ РАСЧЕТОВ....

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 22 |



© 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.