Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
В-36. Автокорреляция в остатках. Критерий Дарбина-Уотсона в оценке качества уравнений, построенных по временным рядам ⇐ ПредыдущаяСтр 2 из 2
При моделировании врем рядов нередко встречается ситуация, когда остатки созд тенденцию или цикл колеб. Это свид-ет о том, что каждое след знач остатков зав от предшест-их. В этом случае гов о нал автокорреляции остатков. Автокорр остатков мб вызвана неск причинами, им разл природу: 1) связана с исх данными и вызвана нал ошибок изм в знач рез-ого признака. 2) проблема в формул модели. Модель м-т не включать фактор, оказ сущ возд на рез-т, влияние кот отраж в остатках, вследствие чего последние м-т оказ автокорреллированными. Очень часто этим фактором явл ф-ор времени t. в кач таких существ ф-ов м-т выступать лаговые знач перем, включ в модель. Либо модель не учит несколько второстеп фа-ов, совместное влияние кот на результат существенно ввиду совпадения тенденций их изм или фаз цикл колебаний. От ист автокорреляции остатков следует отл ситуации, когда причина автокорр закл в неправ спецификации функц-ой формы модели. Сущ 2 наиб распростр метода опр автокорр остатков. 1) построение графика зав-ти остатков от вр и визуальное опр-е нал/отсут автокорр. 2) исп критерия Дарбина – Уотсона и расчет величины d. Знач критерия Дарбина-Уотсона указ наряду с коэф детерминации, значениями t и F критериев. Соотн м/у критерием Дарбина-Уотсона и коэф автокорр остатков первого порядка: d=сумм(от t=2 до n)(et-et-1)2 / сумм(от t=1 до n)et2 d≈2*(1-rε1). Т.о., если в остатках сущ полная полож автокорр и rε1=1, то d=0. Если в остатках полная отр автокорр, то rε1=-1 и d=4. Если автокорр остатков отсутствует, то rε1=0 и d=2. След, 0≤d≤4. Алгоритм выявл автокорр остатков на основе критерия Дарбина-Уотсона след:1)выдвигается гипотеза Но об отсутствии автокорр остатков. Альтернативные гипотезы Н1 и Н* состоят, соответственно, в наличии полож или отр автокорр в остатках. 2)по специальным таблицам опред критические знач критерия Дарбина-Уотсона dL и dU для заданного числа наблюдений n, числа незав переменных модели k и уровня значимости α. По этим значениям числовой промежуток [0;4] разбивают на 5 отрезков. Если фактическое значение критерия Дарбина-Уотсона попадает в зону неопр-ти, то на практике предполагают суще автокорр остатков и отклоняет гипотез.
В-38. Модели с лаговыми переменными (основные понятия, определения и направления использования)
Рассм модель с распреде лагом в ее общем виде в предположении, что макс вел лага конечна: yt=a+b0*x1+b1*xt-1+…+bp*xt-p+ εt. Эта модель говорит о том, что если в некоторый момент времени t происходит изменение независимой переменной x1 то это изменение будет влиять на значения переменной y в течение l следующих моментов времени.Коэффициент регрессии b0 (краткосрочный мультипликатор) при переменной xt характеризует среднее абсолютное изменение yt при изменении xt на 1ед. своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора x. Еще две важные характеристики модели множественной регрессии: величина среднего лага и медианного лага. Средний лаг определяется по формуле средней арифметической взвешенной: l = Σj*βj и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t. Небольшая величина среднего лага свидетельствует об относительно быстром реагировании результата на изменение фактора, тогда как высокое его значение говорит о том, что воздействие фактора на результат будет сказываться в течение длительного периода времени. Медианный лаг – это величина лага, для которого Σβj≈0,5. Это тот период времени, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат. Применение обычного МНК к таким моделям в большинстве случаев затруднительно по следующим причинам: 1)текущие и лаговые значения независимой переменной, как правило, тесно связаны друг с другом. Тем самым оценка параметров модели проводится в условиях высокой мультиколлинеарности факторов. 2) при большой величине лага снижается число наблюдений, по которому строится модель. И увеличивается число е факторных признаков. Это ведет к потере числа степеней свободы в модели. 3) в моделях с распределенным лагом часто возникает проблема автокорреляции остатков. Вышеуказанные обстоятельства приводят к значительной неопределенности относительно оценок параметров модели, снижению их точности и получению неэффективности оценок.
В-39. Аддитивная модель сезонности Шаг1. Выравнивание исх ряда методом скользящей средней. Для этого:1-проссумируем ур-ни ряда последовательно за каждые 4кв со сдвигом на 1 момент времени; 2-разделив получен суммы на 4, найдем скользящие средние. Полученные т.о. выравнен знач не содержат сезон компоненты. 3-приведем эти знач в соответствие с фактич моментами времени. Для этого найдём средн знач из 2х последовательных. Шаг6. прогнозирование.Расчет относит или абсолютн ошибок. Если получен знач ошибок не содержат автокоррел или м/заменит исх ур-ни ряда и в далнейш использ времен ряд ошибок для анализа взаимосвязи исх ряда и др.времен рядов.
В-40. Мультипликативная модель сезонности Шаг1. Выравнивание исх ряда методом скользящей средней. Для этого:1-проссумируем ур-ни ряда последовательно за каждые 4кв со сдвигом на 1 момент времени; 2-разделив получен суммы на 4, найдем скользящие средние. Полученные т.о. выравнен знач не содержат сезон компоненты. 3-приведем эти знач в соответствие с фактич моментами времени. Для этого найдём средн знач из 2х последовательных.
Шаг4. Аналитич выравнивание уровней (T*E) и расчет знач трендовых компонент с использованием получен ур-ия тренда. Определим T. Для этого рассчитаем параметры лин тренда, используя ур-ни: T×E=YS подставляя в получен ур-ие знач t, найдем тренд.компоненту для кажд момента времени. R2=1-(сумм(E2)/сумм(yt-средн y)2
|
|||||||
Последнее изменение этой страницы: 2016-04-26; просмотров: 387; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.144.172.115 (0.008 с.) |