Эконометрика лекции
Интерпретация коррелограмм
Интерпретация коррелограмм требует определенного навыка и не всегда легко осуществима. Рассмотрим несколько примеров динамики временного ряда и соответствующие им коррелограммы.
1. Нестационарный ряд. В случае, когда ряд имеет тренд и относительно небольшие колебания вокруг него или существует явная зависимость между прошлым и будущим ряда, коррелограмма, при тенденции ряда к росту, показывает убывание положительных rl , при возрастании l (см. рис. 5.1a, 5.1б).
|
а б
Рис. 5.1
Причем, для моделирования процесса важно выяснить характер убывания rl к нулю. Если убывание носит линейный или степенной характер, то говорят, что такие ряды имеют «долговременную память». К таким рядам, как показали исследования относятся ряды урожайностей сельскохозяйственных культур, ряды годовых стоков рек и другие. Если же убывание быстрое, носит экспоненциальный характер, то такие ряды имеют «кратковременную память» и могут быть описаны классом моделей, называемых моделями автокорреляции – скользящего среднего (модели Бокса-Дженкинса).
2. Полностью случайный ряд (белый шум). В этом случае наблюдаются незначимые, малые значения rl , близкие к нулю.
3.
|
Краткосрочные корреляции. Коррелограмма стационарного ряда показывает несколько высоких по абсолютной величине
значений rl, l ЈL, остальные rl
при l > Lблизки к нулю. Этот случай может быть описан моделью авторегрессии порядка
L,
рис. 5.2.
4. Стационарный процесс. Значения процесса колеблются вокруг определенного уровня, размах колебаний не увеличивается и не уменьшается с течением времени. В этом случае коррелограмма показывает чередование затухающих положительных и отрицательных последовательных значений rl (см. рис. 5.3).
5. Временные ряды с периодической
компонентой. В этом случае, на коррелограмме, после периода затухания, появляется
одно или несколько сравнительно больших по абсолютной величине значений
rl (см. рис. 5.4).
Параграфы
- Сущность и история возникновения эконометрики
- </b>Парный регрессионный анализ
- Множественная регрессия
- Гетероскедастичность моделей, ее обнаружение и методы устранения гетероскедастичности
- прогнозирование временных рядов
- Сглаживание Временных рядов
- ОДНОВРЕМЕННЫЕ УРАВНЕНИЯ. МЕТОДЫ ИДЕНТИФИКАЦИИ
- Моделирование структурными уравнениями
- РАЗНОСТНЫЕ УРАВНЕНИЯ И ИХ РЕШЕНИЕ
- Стационарные временные ряды авторегрессии-скользящего среднего
- Временные ряды с высокой изменчивостью
- Ложная регрессия, коинтеграция и модели корректировки ошибок
- Элементы линейной алгебры
- Элементы теории вероятностей и математической статистики
- метод наименьших квадратов