Иткина А.Я.

Временные ряды

Моделирование процессов типа ARIMA(p, d, q)

Эконометрический пакет EViews позволяет довольно легко моделировать случайные

процессы типа ARIMAp,d,q, поскольку в пакете запрограммированы специальные

команды, позволяющие оценивать соответствующие модели.

Получить оценку любой модели можно при помощи следующих опций Главного меню
окна EViews: Object/New object/Equation или Quick/Estimate equation… Тогда
появится окно, в котором можно задать соответствующую спецификацию модели (Рис. 1)

Рис. 1. Окно уравнения

Рассмотрим подробнее возможности пакета EViews для моделирования временных
рядов. Для оценки коэффициентов модели продолжаем использовать LS – метод наименьших
квадратов.

Авторегрессионные модели первого порядка – AR(1).

Оценить такую модель в пакете EViews можно несколькими способами. Например, у
Вас есть некий временной ряд y1t, и Вы хотите оценить для него авторегрессионую модель
первого порядка. Тогда (первый способ) наберите в окне уравнения
y1 c y1(-1)
В результате появится окно уравнения EViews, в котором отображены результаты
оценивания модели (Рис. 2).

1
Моделирование процессов типа ARIMA(p, d, q)

Рис. 2. Модель с лаговой переменной

Также в пакете EViews содержатся встроенные функции ar(1), ar(2),…, ar(p),
позволяющие оценивать авторегрессионные модели, записанные следующим образом:

(**) yt  0  ut , где ut  1ut 1    put  p  t

'

Используя эти функции (второй способ), наберите в окне уравнения

y1 c ar(1)

Оценки 1 , ,  p и 1, ,  p в моделях (*) и (**) совпадают (Рис. 3). А вот  0 и  '0
будут отличаться. Это связано с тем, что коэффициенты модели (*) оцениваются с помощью
обычного МНК, а в модели (**) с помощью итерационного МНК. Запись: Convergence
achieved after 3 iterations (Рис. 3) означает, что коэффициенты были рассчитаны за 3 итерации.
Выпишем как выглядит модель, представленная на Рис. 2:
(*) y1t  4.742  0.356  y1t 1  t
А на Рис. 3
(**) y1t  7.365  ut , где ut  0.356  ut 1  t . Запишем уравнение (**) для момента t  1:
y1t 1  7.365  ut 1 , тогда ut 1  y1t 1  7.365, подставляя в ut получаем 0.356  ( y1t 1  7.365).
(**) преобразуется так y1t  7.365  0.356  ( y1t 1  7.365)  t  5, 480  0.356  y1t 1  t

2
 Иткина А.Я. Временные ряды

Рис. 3. Модель с авторегрессионной составляющей

В полученной таблице появилась новая строка с характеристическими корнями авторегрессионной
модели (Inverted AR Roots).
Необходимо знать, что характеристические корни бывают действительные и комплексные. Абсолютное
значение всех AR корней должно быть меньше 1. Только при выполнении этого условия модель является
стационарной. Подробней про характеристические корни можно посмотреть в учебниках по временным рядам, а
также в руководстве пользователя по Eviews.

Авторегрессионные модели порядка р – AR(p)

В теории временных рядов под авторегрессионной моделью порядка р обычно
понимается модель вида:
(*) yt  0  1 yt 1  2 yt 2    p yt  p  t , где t - случайный член, обладающий
свойствами белого шума *).

Т.е. запись ARp подразумевает, что в модели присутствуют все авторегрессионные

члены до yt  p включительно. В отличие от теории, спецификация модели в Eviews требует,

чтобы был упомянут каждый член авторегрессии по отдельности, т.е. задание модели в виде

*)
Белый шум – временной ряд с нулевым математическим ожиданием, постоянной дисперсией и
некоррелированными уровнями.

3
Моделирование процессов типа ARIMA(p, d, q)

y c ar(3) означает yˆt  0  3 yt 3 , а для включения всех автогрегрессионных членов нужно

писать y c ar(1) ar(2) ar(3).

Статистики, характеризующие качество модели
В стандартном окне уравнения EViews обязательно приведены значения следующих
коэффициентов:
Коэффициент детерминации R2 (R-squared).

 ( y  yˆ )
t t
2

R2 1 t
,
( y  y)
t
t
2

где y – выборочное среднее зависимой переменной yt .

Коэффициент детерминации показывает насколько построенная модель отличается от

наилучшей константы.
Если в модели присутствует свободный член (константа), то значения коэффициента
детерминации изменяются от 0 до 1. В этом случае он может быть интерпретирован как доля
дисперсии зависимой переменной yt , объясняемая при помощи включенных в модель

независимых и лаговых переменных, в том виде, в котором они присутствуют в модели. В

противном случае коэффициент детерминации может быть отрицательным.
2
Скорректированный коэффициент детерминации Radj (Adjusted R-squared).

T 1
2
Radj  1  (1  R 2 )  ,
T k
где Т – длина временного ряда; k – число оцениваемых параметров модели.
Поскольку обычный коэффициент детерминации R2 не уменьшается при включении в
оцениваемую модель дополнительных лагов, то он не может служить хорошей мерой
качества модели. При расчете скорректированного коэффициента детерминации вводится
штраф за дополнительные регрессоры (лаговые переменные), поэтому значения
скорректированного коэффициента детерминации не превышают соответствующих значений
2
обычного коэффициента детерминации. Radj может уменьшаться при включении в модель

дополнительных переменных, а также может быть отрицательными, если модель плохо

специфицирована.

4
 Иткина А.Я. Временные ряды

Стандартная ошибка регрессии s.e.regr. (S.E. of regression).

T

 ˆ
t 1
2
t
s.e.regr.= . (S.E. of regression)^2 показывает дисперсию временного ряда,
T k
относительно построенной модели.
Сумма квадратов остатков регрессии SSR (Sum squared resid). Данный показатель
приводится в окне регрессии для удобства пользователя, поскольку используется для
расчетов многочисленных статистических характеристик модели.
T T
SSR   ( yt  yˆt )2   ˆ t2 .
t 1 t 1

Логарифм функции правдоподобия l (Log likelihood).

 T
2 
T  
ˆ t 
l   1  log(2)  log t 1  , вспомогательный коэффициент. Используется при
2 T 
 
 
расчете критериев Акаике, Шварца и Хеннана-Куинна (в Eviews 7).
Статистика Дарбина-Уотсона DW (Durbin-Watson stat). Позволяет определить (для
любых моделей, кроме авторегрессионных) наличие автокорреляции остатков первого
порядка.
T

 (ˆ t  ˆ t 1 )2
DW  t 2 , где DW – расчетное значение статистики. Для принятия решения
T

 ˆ
t 1
2
t

об автокорреляции DW необходимо сравнить с табличным значением DW;T:k.

Выводы по критерию Дарбина-Уотсона надежны для больших выборок.
Среднее значение 
ˆ y (Mean dependent var). Приведено для удобства пользователя.
T

y t
y  t 1
T
Стандартное отклонение зависимой переменной 
ˆ y (S.D. dependent var). Приведено
для удобства пользователя.

5
Моделирование процессов типа ARIMA(p, d, q)

( y t  ˆ y )2
ˆ y  t 1
T 1
Информационный критерий Акаике AIC (Akaike info criterion).
l k
AIC  2 2 ,
T T
где l логарифм функции правдоподобия. Информационный критерий Акаике, также как
и информационный критерий Шварца, используется для выбора лучшей модели из
некоторого набора альтернативных моделей – чем меньше значение критерия, тем лучше
модель.
Информационный критерий Шварца BIC или SC (Schwarz criterion).
l k log(T )
BIC  2 
T T
Информационный критерий Шварца всегда выбирает лучшую модель с числом
параметров, не превышающим число параметров в модели, которая была выбрана по
критерию Акаике. Для больших выборок критерий Шварца предпочтительней.
F-статистика (F-statistic). При помощи F-статистики в предположении, что остатки
модели распределены нормально, проверяется гипотеза о незначимости регрессии в целом,
т.е. проверяется нулевая гипотеза о том, что коэффициенты при всех экзогенных
(независимых и лаговых) переменных, включенных в модель, кроме свободного члена, равны
нулю.

R2
(k  1) , где F – расчетное значение F-статистики. Его можно сравнить с
F
(1  R ) 2

(T  k )
k 1
табличным F;T k , чтобы принять или отвергнуть нулевую гипотезу на уровне значимости .

P-значение (Prob(F-statistic)). Значимость F-статистики - это вероятность того, что для

произвольной выборки из той же генеральной совокупности, что и наша выборка, будет
получено значение F-статистики больше, либо равное расчетному (расположенное дальше от
1, чем F расчетное). Другими совами, вероятность получения такого расчетного значения F-
статистики при условии верности нулевой гипотезы.

6
 Иткина А.Я. Временные ряды

Если P-значение меньше, чем уровень значимости, на котором проверяется нулевая

гипотеза, то гипотезу отвергают. Помните, что регрессия может быть значимой, даже если
каждый коэффициент в отдельности не значим.

Модели скользящего среднего порядка q – MAq

Оценка моделей скользящего среднего осуществляется при помощи специальных
функций ma(1), ma(2)…, встроенных в программу EViews. Например, если Вам нужно
оценить модель вида
yt  0  t  1t 1  2t 2  3t 3 ,
то в окне уравнения необходимо набрать
y c ma(1) ma(2) ma(3)
Заметим, что аналогично авторегрессионным моделям необходимо включать в
спецификацию уравнения все нужные исследователю порядки скользящего среднего ma(q),
содержащиеся в регрессионном уравнении. Результат оценки некоторого процесса
скользящего среднего третьего порядка MA(3) приведен на Рис. 4. Эту модель можно

выписать в виде yˆ1t  7.19  0.30  et 1  0.26  et 2  0.17  et 3 , где за et обозначена  t

Рис. 4. Модель скользящего среднего MA(3)

7
Моделирование процессов типа ARIMA(p, d, q)

Структура этой таблицы ничем не отличается от стандартных таблиц с результатами

оценки регрессий. Отметим лишь, что в последней строке «Inverted MA Roots» приведены
значения соответствующих характеристических корней *).

Смешанные модели авторегрессии и скользящего среднего порядка (p, q) –

ARMA (p, q)
В отличие от двух предыдущих случаев в пакете EViews нет общей встроенной
функции, позволяющей оценивать такие модели. Поэтому, чтобы оценить любую
смешанную модель необходимо указать в ее спецификации все включаемые
авторегрессионные члены и все включаемые запаздывания случайного возмущения. К
примеру, если Вы хотите оценить модель ARMA (2, 1), то нужно написать
y c ar(1) ar(2) ma(1).
Итоговая таблица с оценками соответствующей модели практически не отличается от
предыдущих случаев и содержит информацию как о характеристических авторегрессионных
корнях, так и о характеристических корнях, вычисленных для МА-части.

Сезонные авторегрессионные модели и сезонные модели скользящего

среднего
Прежде чем описывать задание сезонных моделей в Eviews, стоит пояснить какие
различные типы моделей существуют.
К основным двум типам моделей с сезонной составляющей относят
мультипликативную и аддитивную модели, в которых исходный временной ряд
представляется в виде произведения или суммы своих компонент соответственно. Т.е. ряд
может быть представлен как yt  T  S  E или yt  T  S  E , где Т – это тренд, S – сезонная
составляющая, а Е – случайная. Также существует смешанная модель временного ряда
yt  T  S  E .
В пакете Eviews можно строить модели, учитывающие периодичность исходных
данных несколькими способами. Здесь будет рассмотрены ARMA модели, описывающие
периодические данные.
Рассмотрим сезонные модели в Eviews на примере ежемесячных данных, т.е. данных с
периодом 12 месяцев. Для того, чтобы включить в модель аддитивную сезонную

*)
Для решения некоторых задач необходимо сравнивать абсолютные значения этих (MA) корней с единицей.

8
 Иткина А.Я. Временные ряды

составляющую первого порядка достаточно в спецификации модели указать член ar(12)

или ma(12), второго порядка ar(24) или ma(24) и т.д.
Получится модель вида yt  0  t  12 yt 12  24 yt 24  1t 1  12t 12

Рис. 5. Модель ARMA с аддитивной периодической составляющей

Попробуем выписать полученную модель, округляя значения коэффициентов до сотых.
Поскольку AR и MA составляющие моделируют "остаток" временного ряда, т.е. то, что
остается после выделения систематической составляющей, например тренда, то сначала
придется разложить исходный ряд на константу и вспомогательный ряд: y1t  c  ut , где с

выполняет роль  0 , а ut  12ut 12  24ut 24  1t 1  12t 12  t . Таким образом модель

перепишется в виде y1t  12.88  t  0.38  ut 12  0.36  ut 24  0.37 t 1  0.61t 12 (*).

Поскольку исходные данные мы имеем по ряду y1t , то перейдем в выражении (*) от ut

к y1t :

y1t  12.88  t  0.38  ( y1t 12 12.88)  0.36  ( y1t 24  12.88)  0.37 t 1  0.61t 12 .

9
Моделирование процессов типа ARIMA(p, d, q)

Раскрыв скобки и перейдя к прогнозу (поскольку  t неизвестны), мы получим

yˆ1t  3.35  0.38  y1t 12  0.36  y1t 24  0.37  t 1  0.61 t 12 .
Заметим, что в модель включены лаговые переменные с лагом 12 и 24
(авторегрессионная часть), а также случайные отклонения с лагом 1 и 12 (часть скользящего
среднего). Из этого следует, что имеется 24 AR-корня характеристического многочлена и 12
MA-корней.

Теперь построим модель с мультипликативной сезонной составляющей. Для этого в

Eviews предусмотрены функции sar() и sma(), например для скользящей средней первого
порядка sma(12)и т.д.

Рис. 6. Модель ARMA с мультипликативной периодической составляющей

Повторим алгоритм, с помощью которого удалось выписать модель с аддитивной
составляющей, опять округляя значения коэффициентов до сотых.

10
 Иткина А.Я. Временные ряды

Сначала запишем вспомогательную модель: y1t  12.74  ut . Уже по этой модели видно,

что она на самом деле не является мультипликативной. Что же отличает ее от предыдущей?

Выпишем ее вместе со вспомогательной переменной
y1t  12.74  t  0.50  ut 12  0.27  ut 24  0.86 t 1  0.91t 12  (0.86)  (0.91) t (112) (**).

Описание мультипликативной ARMA модели можно посмотреть в руководстве пользователя

по Eviews. Здесь же нашей целью является иллюстрация процесса преобразования модели в
Eviews в явный вид, пользуясь которым можно строить прогнозы. Заменив в (**) ut на

y1t  12.74 , раскрыв скобки и перейдя к прогнозу, мы получим:

yˆ1t  2.93  0.50  y1t 12  0.27  y1t 24  0.86  t 1  0.91 t 12  0.78  t 13 .
Чтобы закончить с этой темой приведем окно еще одной модели. Ваша задача
попробовать самостоятельно получить по ней прогноз.

Рис. 7. Модель ARMA для самостоятельного преобразования

yˆ1t  12.90  0.90  y1t 1  0.58  y1t 12  0.52  y1t 13  0.85  t 1  0.94  t 12  0.80  t 13

11
Моделирование процессов типа ARIMA(p, d, q)

Мы видим, что модели получились очень разными. Стоит иметь в виду, что напрямую
их сравнивать не стоит, поскольку последняя построена по другой выборке, нежели
предыдущие две.

Нестационарность временного ряда и модель ARIMA(p, d, q)

При обнаружении нестационарности исходного временного ряда следует определить
является ли ряд трендово стационарным, стационарным в разностях или его нельзя свести к
стационарному. Это можно сделать а) зрительно; б) с помощью теории и здравого смысла; в)
с помощью тестов, например Дики-Фуллера; г) беря разности и рассматривая коррелограмму
… К сожалению однозначного и лучшего алгоритмов не существует.
Выделить тренд можно, построив линейную или нелинейную модель относительно
моментов времени t.
Для рядов, стационарных в разностях, в EViews встроены специальные функции,
позволяющие компактно записывать разности различных порядков:
d(y) – используется для обозначения разности первого порядка временного ряда yt ,

т.е. эквивалентна разности yt  yt 1  yt или в обозначениях EViews y  y(1) ;

d(y,n) – используется для обозначения разности n порядка временного ряда yt , т.е.

 n yt (попробуйте выписать разность второго порядка);

d(y,n,s) – используется для обозначения разности порядка n, вычисленной для

сезонной разности порядка s для ряда yt . Например запись d(y,1,4) будет означать

следующее преобразование 1 (4 yt )  ( yt  yt 4 )  ( yt  yt 4 )  ( yt 1  yt 5 )  yt  yt 1  yt 4  yt 5

dlog(y) и dlog(y, n, s) – используются для обозначения разностей логарифмов

исходного временного ряда yt , т.е. разности будут браться от преобразованного временного

ряда log( yt ) .

Оценим модель временного ряда, используя функцию взятия разностей 1-го порядка
(Рис. 8).

12
 Иткина А.Я. Временные ряды

Рис. 8. Модель разностей 1-го порядка

Полученная модель может быть переписана таким образом:
y1t  y1t 1  c  1  y1t 1  ut ,
ut  12  ut 12  t
После преобразования модель предстанет в таком виде
y1t  y1t 1  9.74  1.16  y1t 1  0.35  ( y1t 12  y1t 13  9.74  1.16  y1t 13 )  t , раскрывая скобки

и переходя к прогнозу получаем yˆ1t  6.33  0.16  y1t 1  0.35  y1t 12  0.06  y1t 13 .

13
Приложение

Приложение

С помощью теории Бокса-Дженкинса могут быть построены модели стационарных или

сводящихся к стационарным временных рядов. Ниже изложены методы построения модели
временного ряда без тренда. Методы выделения и удаления тренда можно прочитать в
большинстве учебников по временным рядам.
Рассмотрим построение прогноза на один временной период. Имеется временной ряд
yt . Надо узнать значение yt в следующий момент времени. Обозначим за yˆ t прогноз

значения yt в момент времени t , т.е. yt  yˆt  t .

Начнем с модели для стационарного ряда без сезонной составляющей.
Рассмотрим модель вида ARMA ( p , 0, q ).
Аббревиатура состоит из двух частей. Первая часть AR (англ. autoregression)
подразумевает регрессию переменной y на y , т.е. саму на себя. Под авторегрессионной
моделью порядка p понимается зависимость yt от p предыдущих наблюдений, т.е.

yˆt  a0  a1 yt 1  a2 yt 2  ...  a p yt  p . Вторая часть MA (англ. moving-average) означает модель

скользящего среднего1, в которой y представляется как функция от прошлых ошибок, т.е.

разности между реальным значением y и смоделированным: t  yt  yˆt . Модель

скользящего среднего порядка q выглядит так yˆt  b0  b1t 1  b2t 2  ...  bq t q .

Модель для стационарного ряда без сезонной составляющей ARMA ( p , 0, q ), т.е.

модель авторегрессии скользящего среднего, представляет из себя разность2:
yˆt  a0  a1 yt 1  a2 yt 2  ...  a p yt  p 
, где коэффициент a0 - это общий свободный член
 b1t 1  b2t 2  ...  bq t  q

авторегрессионной модели и модели скользящего среднего.

Двигаясь в сторону усложнения модели, посмотрим на ARMA модель для
стационарного ряда с сезонной составляющей. Эта модель будет выглядеть как ARMA ( p , 0,

1
Не путать с моделями сглаживания скользящим средним.
2
В интерпретации Бокса-Дженкинса – это разность. В Eviews принята запись в виде суммы. В любой форме
записи знак перед каждым слагаемым определяется знаком коэффициента.

14
 Иткина А.Я. Временные ряды

q ) ( k , 0, l ). Рассмотрим случай d периодов в году, например для ежемесячных наблюдений

d  12 , для еженедельных d  52 , для ежеквартальных ?
yˆt  a0  a1 yt 1  a2 yt 2  ...  a p yt  p 
 b1t 1  b2t 2  ...  bq t q 
 A1 yt  d  A2 yt 2 d  ...  Ak yt k d 
 B1t  d  B2t  2 d  ...  Bl t l d
Первая и третья строки в этой формуле отвечают за авторегрессионную составляющую
временного ряда, причем первая моделирует поведение тренда, а третья периодичность
(сезонность). Аналогично вторая и четвертая строки представляют скользящее среднее от
прошлых ошибок.
Хочется пояснить смысл такого вида модели на примере следующего временного ряда.
Предположим мы несколько лет наблюдаем за АЗС. yt - это объем продаж бензина АИ-92

за неделю в литрах. Целью построения модели является прогноз на ближайший месяц, а

также на год, поскольку нужно пролонгировать договор с нефтебазой.
Поскольку требуются два прогноза: краткосрочный и долгосрочный, то в первом
случае стоит подобрать модель как можно ближе описывающую наши данные, во втором
поточнее улавливающую общие тенденции.
Пытаясь построить прогноз, мы предполагаем, что продажи бензина не должны
меняться скачком. Если на прошлой неделе было продано N л, то и на этой неделе будет
какое-то похожее значение, т.е. вроде бы наибольшее влияние на "сегодня" имеет "вчера" и
"позавчера". Но вероятно стоит вспомнить, что многие не ездят на машине зимой. Или что
часть людей уезжают за город на все лето. И тогда возникает необходимость узнать
сколько было продано бензина ровно год назад, т.е. в момент времени t  d .
Нестационарные временные ряды
40
1,477065 3,152496 -7,32563 1,001
-0,71133 2,234423 -7,04428
30
0,840184 3,510511 -5,21114
20
-0,99479 2,058361 -5,21114 стационарный ряд
0,668284
10 3,285792 -3,54807
-1,66449 1,321246 -4,21611 нестационарный ряд
0
-0,22777 2,168604 -3,44809
1 3
0,234163
-10 5 7 9 11-2,21738
2,884744 13 15 17 19 21 23 25 27 29 31 33 35
0,197986 3,063409 -1,02161
-20-0,7301 2,188918 -0,75274

15
Приложение

Что же делать, если исходный временной ряд был нестационарным? Модель Бокса-
Дженкинса определена только для стационарных временных рядов. Поэтому исходный ряд
преобразуют, так чтобы он стал стационарным (если это возможно). Для этого применяется
метод взятия разностей. Последовательно рассмотрим случаи нестационарности в части
описания тренда, а затем и в части периодической (сезонной) составляющей.
Введем следующее обозначение: пусть yt  yt  yt 1 . Если для всех моментов времени

вычесть из yt yt 1 , мы получим новый временной ряд, называющийся рядом первых

разностей. Если yt имело смысл абсолютных величин какого-то показателя, то новый ряд,

состоящий из yt , будет иметь смысл приростов (изменений) этого показателя. Если новый

временной ряд окажется стационарным, для него возможно построение модели методом
Бокса-Дженкинса. В противном случае, нужно сделать ряд вторых разностей и т.д. Поскольку
процедура взятия разностей достаточно трудоемкая, на практике часто ограничиваются
рядом первых разностей. Такая модель будет называться уже ARIMA (буква I от англ.
integration), она записывается как ARIMA ( p , 1, q ) ( k , 0, l ) и если в году d периодов, то:
yˆt  a1yt 1  a2 yt 2  ...  a p yt  p 
 b1t 1  b2t  2  ...  bq t q 
 A1yt  d  A2 yt 2 d  ...  Ak yt k d 
 B1t  d  B2t  2 d  ...  Bl t l d
Модель осталась такой же как и в предыдущем пункте, только теперь она записана не
для исходного временного ряда, а для ряда из первых разностей. При этом константа a0

исчезла, поскольку она присутствовала и в yt и в yt 1 . Под yˆt будем понимать

yˆt  yˆt  yt 1 .
Теперь для завершения разбора моделей такого типа, нам необходимо понять, что
делать в случае нестационарности периодической составляющей ряда.
Обозначим за  d yt разность между yt и в yt d , т.е. преобразуем исходный временной

ряд таким образом, что он будет состоять из  d yt - приростов показателя yt за год.

Исходный ряд может быть нестационарен как в части тренда, так и в периодической части
одновременно и по отдельности. В случае нестационарности только в периодической части
модель запишется как ARIMA ( p , 0, q ) ( k , 1, l ) и если в году d периодов, то:

16
 Иткина А.Я. Временные ряды

 d yˆt  a1 d yt 1  a2  d yt 2  ...  a p  d yt  p 

 b1t 1  b2t  2  ...  bq t q 
, где под  d yˆt мы будем понимать разность
 A1 d yt d  A2  d yt 2 d  ...  Ak  d yt k d 
 B1t d  B2t 2 d  ...  Bl t l d

yˆt  yt d .

Если нестационарны обе части, то ARIMA ( p , 1, q ) ( k , 1, l ) выглядит так:

 d yˆt  a1 d yt 1  a2  d yt  2  ...  a p  d yt  p 
 b1t 1  b2t 2  ...  bq t q 
 A1 d yt d  A2  d yt  2 d  ...  Ak  d yt k d 
 B1t d  B2t  2 d  ...  Bl t l d

Теперь следует понять, что прогноз требовался для yt , поэтому следует раскрыть левую

часть равенства и перенести все слагаемые, кроме yˆ t , в правую часть.

Поскольку исходные данные имеются тоже для yt , а не для yt , то придется либо
возвращаться к исходным обозначениям в правой части, раскрывая все  , либо переходить
от данных исходного временного ряда к преобразованным данным из разностей.

Литература:

1. Доугерти К. Введение в эконометрику. М: ИНФРА-М, 2009.

2. Турунцева М.Ю. Анализ временных рядов. М: МИЭФ ГУ-ВШЭ, 2003.
3. Eviews Users guide, 2003
4. Eviews Users guide, 2004
5. Eviews Users guide, 2007
6. Википедия

17