WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 35 |

Пусть Bk – событие, состоящее в том, что rpart(k) выходит за пределы полосы ± 2/T.

Вероятность этого события приближенно равна 0.05. Тогда вероятность выхода за пределы полосы ровно двух (из 36) rpart(k), k = 1, 2, …, 36, приближенно равна P2 = C362 (0.05)2(1– 0.05)36–2 = (36·35/2) ·0.052·0.9534, www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru и lg(P2) = lg(630) + 2lg(0.05) + 34lg(0.95) = – 0.560.

Отсюда находим: P2 = 0.275, так что вероятность двух выходов из полосы графика выборочной PACF при рассмотрении 36 лагов вовсе не мала.

Что касается вероятности единственного выхода из полосы выборочной ACF, то здесь мы можем воспользоваться утверждением об асимптотической независимости r(k), k = 1, 2, … при условии, что Xt – белый шум (в случае MA(q) процесса с q 1 это не так). При этом вероятность наличия единственного выхода выборочной ACF из все той же полосы приближенно равна P1 = C361 (0.05)(1– 0.05)35, так что lg(P1) = – 0.780, откуда находим: P1 = 0.166.

Рассмотренный пример показывает, что к интерпретации графиков выборочных ACF и PACF следует подходить достаточно осторожно. Сюда же относится и то обстоятельство, что выражение, используемое при вычислении значений r(k) в пакете EVIEWS, отличается от приведенного выше: в формуле для (k) деление производится не на T – k, а на T. Последнее приводит к тому, что так вычисляемая оценка для (k) имеет смещение в направлении нуля.

В распечатках анализа временных рядов вместе с графиками выборочных ACF и PACF обычно печатаются значения Q-статистики, относящиеся к критерию проверки гипотезы о том, что наблюдаемые данные являются реализацией процесса белого шума.

Существует несколько вариантов Q-статистик. Одна из таких статистик (статистика Бокса – Пирса) была предложена Боксом и Пирсом [Box, Pearce (1970)] и имеет вид M Q = T (k).

r k = Вспомним уже упоминавшиеся ранее результаты об асимптотической независимости r(1), r(2), …, r(M) в случае, когда Xt – белый шум, и заметим, что при больших T в этом случае T · r(k) N (0, 1), так что T r2(k) [N (0, 1)]2 = 2(1).

(Заметим, что в этой ситуации не требуется гауссовость Xt – см. [Хеннан (1974)].) Отсюда вытекает, что при больших T приближенно имеем Q ~ 2(M).

Против гипотезы H0 говорят скорее большие значения этой статистики. Поэтому если выбрать уровень значимости равным 0.05, то естественно отвергать эту гипотезу при выполнении неравенства Q > 20.95(M).

В распечатках коррелограмм приводятся P-значения статистики Q для последовательных значений M = 1, 2, …. При конкретном значении M гипотеза Hотвергается, когда соответствующее P-значение меньше 0.05.

Впрочем, исследования показали, что статистика Бокса – Пирса плохо приближается распределением 2(M) при умеренных значениях T. Вместо нее в таких случаях предпочтительнее использовать статистику Люнга – Бокса [Ljung, Box (1979)] M r2(k) Q = T (T + 2), (T - k) k = www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru которая (при T ) также имеет асимптотическое распределение 2(M), но ближе к этому распределению при умеренных значениях T, чем статистика Бокса – Пирса. В пакете EVIEWS (Econometric Views) значения статистики Люнга – Бокса распечатываются вместе с приближенными P-значениями, соответствующими распределениям 2(M).

Практическое использование Q-статистик наталкивается на определенные трудности. Посмотрим на таблицу P-значений (Prob) Q-статистики Люнга – Бокса для только что рассмотренного примера с реализацией процесса белого шума.

Prob Prob Prob 1 13 0 0.670.064.0 0.873 4.045 6.0 0.292 5.049 7.0 0.348 6.066 8.0 0.349 7.037 9.0 0.455 8.044 0.0 0.539 9.044 1.0 0.438 0.033 2.0 0.360 1.037 3.0 0 0.243 2.049 4.0 0 1.146 3.056 5.0 0 2.187 4.064 6.P-значения, соответствующие M = 14, 15, 17 – 22, меньше 0.05, так что формально при использовании статистики Люнга – Бокса с любым из этих значений M гипотеза H0: “Xt – белый шум” должна отвергаться, тогда как при остальных значениях M соответствующие P-значения больше, чем 0.05, и гипотеза H0 при таких значениях M не отвергается.

Какого-либо определенного рецепта, указывающего, как поступать в подобных ситуациях, на какое значение M следует ориентироваться, до сих пор не существует.

Среди многочисленных исследований в этом направлении можно отметить работы [Kwan (1996a,b)].

www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru Уже из рассмотренного примера ясно, что на этапе выбора подходящей модели среди всего множества ARMA моделей используемые процедуры являются не вполне точными и часто приводят к довольно неопределенным выводам. В итоге этого этапа возможно оставление для дальнейшего исследования не одной, а нескольких потенциальных моделей. Более определенные выводы при выборе модели на первом этапе можно получить, применяя информационные критерии отбора моделей.

Использование информационных критериев.

Если заранее ограничиваться рассмотрением только AR моделей, т.е. полагать, что процесс Xt следует модели AR(k) k (Xt – j – µ) = t, ak0 = 1, akj j = с неизвестным истинным порядком k, то для определения k в таких ситуациях долгое время использовался информационный критерий Акаике [Akaike (1973)].

Согласно этому критерию, среди альтернативных значений k выбирается значение, которое минимизирует величину k AIC(k) = ln + (2 k T ) k где T – количество наблюдений, а – оценка дисперсии инноваций t в AR k модели k-го порядка. Для вычисления производится подбор модели k-го порядка с использованием уравнений Юла – Уокера k s = s - j, ak j j = полученные оценки коэффициентов k j, j = 1, …, k, подставляются вместо ak j в уравнение модели, µ заменяется на x, так что получаются оценки для t, k t = (xt - j - x), k j j = k после чего определяется как T k 1 =.

t T t = Впоследствии было выяснено, что оценка Акаике несостоятельна и асимптотически переоценивает (завышает) истинное значение k0 с ненулевой вероятностью. В связи с этим, были предложены состоятельные критерии, основанные на минимизации суммы k ln + k cT, где cT = O(T –1 ln T) (т.е. cT при T имеет тот же порядок малости, что и T –ln T ).

Одним из таких критериев является часто используемый в настоящее время информационный критерий Шварца – SIC [Schwarz (1978)], k lnT SIC = ln + k.

T Несколько позднее был предложен критерий Хеннана – Куинна [Hannan, Quinn (1979)], в котором cT = 2ck T –1lnlnT, c > 1, www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru k 2cln lnT HQ = ln + k, T обладающий более быстрой сходимостью к истинному значению k0 при T.

Однако при небольших значениях T этот критерий недооценивает порядок авторегрессии.

Пример Рассмотрим модель процесса AR(2) Xt = 1.2 Xt-1 – 0.36 Xt-2 + t.

Уравнение a(z) = 0 принимает в этом случае вид 1– 1.2 z + 0.36 z2 = и имеет двойной корень z = 5/3 > 1, так что процесс, порождаемый такой моделью стационарен.

Cмоделированная реализация этого процесса для t = 1, 2, …, 500 имеет следующий вид.

--50 100 150 200 250 300 350 400 450 PRIMПостроенная по этой реализации выборочная коррелограмма имеет вид:

ACF PACF A C PAC Q-Stat Prob 0 0.|*******.|*******.899.899 06.25. ***|. 0 -.|******.732 0.396 75.97..|. 0 -.|****.561 0.005 34.98..|. 0 -.|***.409 0.027 19.59..|**.|. 0 -.277 0.048 58.40..|*.|. 0 -.167 0.015 72.59..|*.|* 0 0.095.071 77.15..|..|. 0 -.045 0.045 78.19..|..|. 0 0 www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru.014.011 78.29..|..|. - 0 0 0.001.020 78.29..|..|. 0 0 1.003.055 78.30..|..|. 0 0 2.019.001 78.49.Здесь из полосы ± 2/T = ± 0.089 выходят только значения выборочной PACF, соответствующие лагам k = 1, 2. В соответствии с приближенным критерием, упомянутым ранее, это приводит к неотвержению гипотезы H0: Xt ~ AR(2).

Для подтверждения этой гипотезы сравним значения информационных критериев Акаике и Шварца, получаемые при оценивании AR моделей 4-го, 3-го, 2-го и 1-го порядков, допускающих ненулевое математическое ожидание соответствующих AR процессов.

p = p p = p = 1 = 2 3 3.0 2. 2.9 2.IC 83264 91800 19244 3.1 2. 2.9 2.IC 00148 94336 53116 Оба критерия выбирают модель AR(2).

Если мы не ограничиваем себя моделями AR и допускаем, что модель, порождающая данные, имеет вид ARMA(p0, q0) (с неизвестными p0, q0) a(L) Xt = b(L) t, то в этом случае имеется несколько процедур оценивания пары (p0, q0), одну из которых мы сейчас рассмотрим (см. [Kavalieris (1991)]).

На первом шаге этой процедуры уже известными нам методами производится подбор модели авторегрессии AR(k) k Xt - = t, ak 0 = 1, ak j j j = вычисляются оценки коэффициентов k j, j = 1, …, k, и на их основе получаются оценки инноваций k k (t) = xt - j, k 0 =1.

k j j = Порядок k авторегрессионной модели на этом шаге должен быть достаточно высоким. Его можно выбрать, опираясь на сравнение значений критерия Акаике для оцененных моделей авторегрессии различных порядков. (Вспомним, что критерий Акаике склонен завышать порядок модели, а это в данном случае нас как раз и устраивает.) На втором шаге берутся регрессии Xt на Xt – j, j = 1, …, p, и регрессии Xt на k (t – j), j = 1, …, q. По первым из них получаем начальные оценки наименьших квадратов www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru для параметров aj, т.е. k j, j = 1, …, p, а по вторым – оценки b j для bj, j = 1, …, q.

Соответственно, оценками полиномов a(z), b(z) служат p q j j a(z) = z, b(z) = z, j bj j = 0 j = и с помощью оцененных полиномов получаем оценку для инноваций t = b-1(L) (L) xt, на основании которой строим уточненную оценку для дисперсии инноваций T 2 ~ ~ =.

p, q t T t = При этом предполагается, что сами инновации, зная точно коэффициенты ARMA модели, можно найти по формуле t = b-1(L) a(L) xt что соответствует обратимости этой модели.

~ В качестве оценок для p0, q0 берется пара значений (~, q), при которой p минимизируется величина lnT 2 ~ ~ SIC( )= ln + ( p + q).

p, q p, q T ~ Существенно, что SIC( ) – возрастающая функция от p и q, когда p p0, q p, q ~ q0, что ведет к состоятельности оценок (~, q).

p 3.2. Оценивание коэффициентов модели После того как произведена идентификация (стационарной) модели ARMA, т.е. на основании имеющихся наблюдений принято решение о значениях p, q в модели ARMA(p, q), порождающей данные, переходят к этапу оценивания коэффициентов модели. На этом этапе обычно используется метод максимального правдоподобия, который в конечном счете сводится к методу наименьших квадратов. За исключением некоторых наиболее простых случаев (например, модели AR(1)), эта задача решается итерационными методами, требующими задания некоторых “начальных” (“стартовых”) значений параметров, которые затем последовательно уточняются.

В качестве таких начальных значений можно использовать предварительные оценки, полученные на первом этапе. Такие начальные значения можно найти, приравнивая неизвестные “истинные” значения автокорреляций (k) значениям r(k) выборочной автокорреляционной функции и используя функциональную связь между значениями (k) и значениями коэффициентов модели. Например, если оценивается модель AR(p), то коэффициенты a1, …, ap определяются из системы первых p уравнений Юла – Уокера p (k) = (k - j), k =1,K, p, aj j = www.iet.ru/mipt/2/text/curs_econometrics.htm Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru в которые вместо неизвестных значений (1), …, (p) автокорреляций подставляются наблюдаемые (вычисляемые по реализации ряда) значения r(1), …, r(p) выборочных автокорреляций.

При оценивании моделей с MA(q) составляющей (q > 0) существенным оказывается условие обратимости, сформулированное в разд. 2.5. Покажем это на примере MA(1) модели Xt – µ = t + bt–1, t = 1, …, T.

Имея наблюдаемые значения x1, x2, …, xT, мы последовательно выражаем 1, 2, …, T через эти значения и (ненаблюдаемое) значение 0 :

1 = X1 – µ – b0, 2 = X2 – µ – b1 = X2 – µ – b(X1 – µ – b0) = (X2 – µ) – b(X1 – µ) + b2 0, … T = XT – µ – bT – 1 = (XT – µ) – b(XT – 1– µ) + b2(XT – 2– µ) – +(–1)T – 1 b T – 1 (X1 – µ) + (–1)T b T 0.

Максимизация (по b) условной функции правдоподобия, соответствующей наблюдаемым значениям x1, x2, …, xT при фиксированном значении 0, равносильна минимизации суммы квадратов Q(b) = 12 + 22 + … + T2, которая является нелинейной функцией от b. Для поиска минимума этой суммы квадратов приходится использовать численные итерационные методы оптимизации, которые, в свою очередь, требуют задания начального (“стартового”) значения параметра b. Как мы уже говорили, такое стартовое значение может быть получено на этапе идентификации модели. Однако полученное в итоге итераций “оптимальное” значение b зависит от неизвестного нам значения 0, что затрудняет интерпретацию результатов. Задача интерпретации облегчается, если выполнено условие обратимости b < 1, и при этом значение b существенно меньше 1.

Действительно, при выполнении этого условия можно просто положить 0 = 0.

Эффект от такой замены истинного значения 0 на нулевое быстро убывает, так что сумма квадратов, получаемая в предположении 0 = 0, может служить хорошей аппроксимацией для суммы, получаемой при истинном значении 0, при достаточно большом количестве наблюдений. Те же аргументы пригодны и для модели MA(q) с q > 1 : в этом случае можно положить 0 = –1 = … = = 0. Для получения более - q + точной аппроксимации, в пакетах статистических программ (в том числе и в EVIEWS) предусмотрена процедура (backcasting), в которой процесс итераций включает в себя также и оценивание значений 0, –1, …, путем построения для них “обратного - q + прогноза”.

Если в результате оценивания получена модель, в которой условие обратимости не выполняется, рекомендуется повторить процедуру оценивания с использованием другого набора начальных значений.

Более подробное изложение процедур оценивания стационарных ARMA моделей методом максимального правдоподобия можно найти, например, в книге [Hamilton (1994)]. Там же можно прочитать о том, каким образом вычисляются приближения для стандартных ошибок оценок коэффициентов этих моделей, которые можно использовать при большом количестве наблюдений обычным образом.

Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 35 |



© 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.