ВВЕДЕНИЕ

Эконометрика – это измерения к экономике. Набор

статистических методов, используемых для развития
экономики, ее анализа и прогнозов называется в
совокупности эконометрикой.

Эконометрика имеет дело с массовыми экономическими

явлениями, статистика же с любым явлением.

Цель эконометрики – эмпирический вывод экономических

законов.

МОДЕЛЬ ВРЕМЕННЫХ РЯДОВ

Временной ряд – это набор чисел, привязанный к
последовательным, равноотстоящим моментам времени.

Цели анализа временного ряда:

1) выделение факторов, имеющих значение для
прогнозирования;
2) изучение меры влияния закономерности и случайности при
формирований экономического показателя,

Задачи:
1) определение показателей временного ряда;
2) предварительный анализ временных рядов;
3) выравнивание временных рядов;
4) прогнозирование.
 

При статистическом изучении временного ряда необходимо

понимать два основных элемента:
1) тенденция (тренд) – характеристика изменения показателя
или явления за длительное время, освобожденная от
случайных колебаний
2) колеблемость (изменчивость, вариация, волатильность) –
это отклонение уровня временного ряда от тренда в
отдельные моменты времени.

Модели временных рядов

В зависимости от вида тенденции, используются
соответствующие модели:
1) кривые роста – изучение тенденции среднего;
2) адаптивные модели – изучение тенденции взаимосвязи
между последовательными уровнями временного ряда;
3) регрессионные – изучение тенденции взаимосвязи между
показателями и факторами, воздействующими на
показателей.

  Формы разложения временного ряда на составляющие

представляются двумя моделями:
1) Аддитивная модель – факторы складываются
yi = di + ei (2)
2) Мультипликативная модель – уровни перемножаются
yi = di * ei (3)
Классификация временных рядов
• По времени:
1) интервальный – последовательность, в котором уровни
относят к результату накопленному или вновь
произведенному за определенный промежуток времени
(почти любой показатель организации)
2) моментный – если уровень ряда характеризует изучаемое
явление в конкретных момент времени (в этот день прибыль
такая то)
Важное отличие интервальным и моментным – сумма
уровней интервального ряда дает вполне реальный
показатель, сумма уровней моментного не имеет реального
содержания.
• По форме представления уровней:
1) абсолютные (выручка, прибыль)
2) относительные (рентабельность, WACC)
3) средние (average)
• По расстоянию между датами:
1) полные – имеет место, когда начало начало и конец идут
друг за другом
2) неполные
По содержанию:
1) частные
2) агрегированные
• По наличию основной тенденции:
1) стационарные – это ряд, математическое ожидание или
дисперсия которого постоянно во времени
2) нестационарные – в котором, либо мат ожидание либо
дисперсия непостоянны во времени

ПРОЦЕСС МОДЕЛИРОВАНИЯ

Этап1 – построение модели.

Построение модели начинается с Выравнивание ВР – это
выявление основной тенденции (закономерности) изменения
уровня ряда. 
 
 
 
Методы выравнивания ВР
Аналитическое выравнивание предусматривает построение
модели, с помощью которой описывается основная тенденция
развития процесса.
 
В зависимости от типа изучаемой тенденции, применяются
следующие модели:
1) трендовые – они служат для изучения тенденции среднего;
2) адаптивные – они служат для изучения тенденции
взаимосвязи между последовательными уровнями ВР.
 
Шаг 1 – Трендовая модель. Определение типа модели-
>типа тренда
Это экономически-математическая модель, в которой
развитие моделируемой экономической системы отражается
через тренд ее основных показателей.

Функции, описывающие закономерности развития явления

или процесса во времени, полученные путем аналитического
выравнивания ВР, называются кривыми роста.
Кривая роста – это некоторая функция, которая
аппроксимирует (Аппроксимация (приближение от лат.))
данный временной ряд.

1 – Прямолинейный тренд и его свойства

Самый простой тип линии тренда – это прямая линия.

Почему прямая линия относится к кривой роста? – прямая

линия это и есть частный случай кривой.
Среднее изменение уровней ряда за ед времени – это главный
параметр и константа прямолинейного тренда. Следовательно
этот тип тренда который в среднем, имеет абсолютные
приросты или абсолютные сокращения уровня за равные
промежутки времени.
Основные свойства линейного тренда:
1) равные изменения значений показателя за равные
промежутки времени;
2) если средний абсолютный прирост положительная
величина, то относительные приросты или темпы приростов
постепенно уменьшаются;
3) если среднее абсолютное изменение отрицательная
величина, то относительные изменения или темпы
сокращения постепенно увеличиваются по абсолютной
величине, снижение к предыдущему уровню;
4) если наблюдается тенденция сокращения уровней, а
изучаемая величина является по определению
положительной, то среднее изменение a1 не может быть
больше среднего уровня a0;
5) ускорение, т.е. разность абсолютных изменений уровней
ряда за последовательные периоды равно 0.
 
2 – Параболический тренд
Таким образом, применяется для отражения тенденции
динамики, которым свойственно постоянное абсолютное
изменений уровня ВР.

Свойства параболического тренда:

1) относительно статистики по содержанию изучаемого
процесса изменений трендов, которые выражает
определенную тенденцию развития, чаще всего можно
считать только одну из ветвей, либо восходящую, либо
нисходящую;
2) характер тренда определятся знаками параметров модели a1
и a2;
а) если a1>0 и a2>0, то это восходящая ветвь, т.е. тенденция к
ускоренному росту уровней ВР;
б) если a1<0 и a2<0, то это нисходящая ветвь, т.е. тенденция к
сокращению уровней ЫР
в) если a1>0 и a2<0, то это либо восходящая ветвь с
замедляющим ростом уровней, либо обе ветви параболы –
восходящая и нисходящая, если их можно считать единым
процессом;
г) ) если a1<0 и a2>0, это либо нисходящая ветвь нисходящая
с замедляющимся ростом уровней, либо обе ветви параболы –
восходящая и нисходящая, если их можно считать единой
тенденцией.
 
Шаг2 – Оценка параметров тренда(с помощью МНК)-
>строится система уравнений->для решения используется
привило Крамера(линейный тренд) и правило
треугольников(параболический тренд)

Оценка параметров может осуществляется одним из методов:

1) избранных точек
2) средний значений
3) конечных разностей
4) наименьших квадратов
Суть метода наименьших квадратов – необходимо
подобрать такие параметры модели а0, а1, an, чтобы сумма
квадратов разностей фактического значения показателя и
рассчитанного с помощью модели была минимальной,
 
Этап 2 – Оценка качества модели
Модели считается качественной, если она
- считается адекватной;
- имеет высокой уровень точности
Шаг 3. Доказательства адекватности модели
Модель считается адекватной если все 4 свойства остатков
выполняются одновременно.

1 свойство. Математическое ожидание->рассчитывается

tрасчетное значение стьюдента и сравнивается с tтабл->если
расчетное значение меньше или равно табличному, то мат
ожидание равно 0 и данное свойство выполняется.
 
2 свойство – уровни остатков носят случайный характер->
используется метод «пиков»->Рфакт больше Ррасч, то уровни
остатков случайны->св-во выполняется

3 свойство. Уровни остатков должны быть распределены

по нормальному закону->Используется RS-критерий-
>Рассчитывается RSрасчёт и сравнивается с табличным
значением где есть нижняя и верхняя граница и сравнивается
с табл-> если RSрасчёт принадлежит этому промежутку, то
уровни остатков распределены .по норм.признаку свойство
выполняется

 
4 свойство. Отсутствие автокорреляции уровней остатков.
Для доказательства используется критерий Дарбина-Уотсона,
Шаг4 . Оценка точности модели-> высчитывается
средняя относительная ошибка и оценивается по шкале и
СКО
1. Средняя относительная ошибка
Вычисляется по формуле

Далее идет оценка по шкале

 
2. СКО (Среднеквадратичное отклонение)
Вычисляется по формуле

 
Вопрос 3 – Выбор модели для прогнозирования

ПРОГНОЗИРОВАНИЕ
 
Прогноз является важнейшим компонентов аналитической
работы, который позволяет:
1) предсказать наиболее вероятное развитие экономического
процесса, т.е. дать количественную оценку его развития на
основе прошлого и настоящего / недостаток всех моделей,
связанных с прогнозированием – работа с ретроспективным
материалм;
2) оценить какие меры воздействия на процесс приведут к тем
или иным экономическим результатам.
 
 
Принципы разработки экономического прогнозов:
1) системность – явление рассматривается с одной стороны
как единое целое, с другой как совокупность
самостоятельных направлений прогнозирования;
2) адекватность – максимальное приближение теоретической
модели к устойчивом существенным закономерностям /
построенная модель должна быть проверена на способность
имитировать уже сложившиеся тенденции;
3) альтернативность – это возможность развития
экономического объекта по разным траекториям.
 
Классификация прогнозов:
1) По времени:
- оперативные – 3-6
- краткосрочные – до года
- среднесрочные – до 5 лет
- долгосрочные – более 5 лет
 
 
 
Таким образом прогноз и план имея много общего, имеют и
различия:
1) в способе использования информации о будущем: прогноз
– это вероятность, план – это решение;
2) в количественной оценке будущего: прогноз – это
интервал, план – конкретная величина;
3) в отношении к свободе: прогноз – это необязательность
действий, план – обязательность исполнения.
Таким образом ПРГ по своему составу шире планирования,
так как включает не только показатели деятельности
экономического объекта, но и учитывает изменяющиеся
параметры внешней среды.
 
Построение прогноза показателя
Как правило рассматриваются два метода прогноза: точечный
и интервальный.
Точный прогноз – это прогноз, результат которого
представлен в виде единственного значения показателя в
определенный момент времени. В модель место фактора
подставляется конкретное его следующее прогнозное
значение. 
 
Интервальный прогноз
Будущее фактическое значение практически всегда не
совпадет с прогнозным точечным значением.
В связи с этим рассчитываются границы возможного
изменения прогнозируемого показателя, которые называются
доверительными интервалами.
Доверительный интервал учитывает неопределенность,
связанную с ограниченным числом наблюдений, их
отклонением от тренда и неустойчивостью оценок
параметров модели.
Достоверность интервального прогноза определяется его
надежностью, чем больше достоверность, тем надежнее
прогноз. С другой стороны это ведет к увеличению
доверительного интервала, что уменьшает точность прогноза.
Это связано с тем, что надежность – это вероятность.
Гарантирование = PD = колеблется от 0.7 то 0.999
В экономике доверительная вероятность равна  PD = 0.95
 КОРРЕЛЯЦИОННЫЙ АНАЛИЗ
Корреляция (лат. – 1 - соотношение, взаимосвязь 2 - движение
назад)
Функциональная зависимость – это каждому возможному
значению одной переменной (Х) соответствует вполне
определенное значение другой (Y) (Пример – законы в
физике Ома, механики)
Статистическая / вероятностная / стохастическая
зависимость – для каждого значения фактора Х показатель Y
может в определенных пределах принимать любые значения с
некоторой вероятностью.
Корреляционная зависимость (частный случай
статистической связи) – представляется только в средних
величинах – показатель Y имеет тенденцию в среднем
возрастать (убывать) при возрастании (убывании) фактора Х.
 
Коэффициент корреляции (r)
Для оценки зависимости фактора и показателя используется
коэф корреляции. 
Характер связи при коэффициенте корреляции:
1) прямая или положительная связь признаков – при
возрастании фактора Х показатель Y в среднем возрастает
(например – при росте объема продаж, прибыль в среднем
возрастает)
2) обратная или отрицательная связь признаков – при
возрастании фактора Х показатель Y в среднем уменьшается
(например – при  возрастании затрат, прибыль в среднем
уменьшается)
Знак + или — при коэффициенте корреляции несет не
математическое значение а определяет направление связи
взаимного влияния признаков X и Y.
 
Теснота связи – это степень влияния фактора на показатель /
и наоборот. Количественно теснота связи оценивается с
помощью выборочного коэффициента корреляции.
 
Коэффициент корреляции бывает: выборочный и
генеральный совокупности

Связи между случайными признаками в генеральной

совокупности, которая имеет нормальное распределение,
вычисляется по формуле:

где - коэффициент корреляции генеральной

совокупности признаков Х и Y
Кух- корреляционный момент признаков Х и Y
- СКО признаков Х и Y

Корреляционный момент- это есть математическое

ожидание (М) произведения двух центрированных случайных
величин.

Корреляционный момент имеет размерность произведения

признаков Х и Y, что в известной степени лишает его
наглядности. Произведение в квадрат рубли невозможно.

В связи с этим используется безразмерная характеристика –

это выборочный коэффициент корреляции.

Выборочная совокупность ограниченного объема, поэтому в

этом случае речь может идти об оценке (приближенном
выражении) коэффициента корреляции генеральной
совокупности, которая называется выборочными
коэффициентом корреляции, формула:
где оценки мат ожиданий генеральной совокупности
признаков
оценки СКО генеральной совокупности признаков
 
Свойство коэффициента корреляции:
1) принимает значение от -1 до +1
2) если все значения показателей увеличить (уменьшить) на
одно и то же число или в одно и то же число раз, то величина
коэффициента не изменится
3) при коэффициенте корреляции связь
представляет собой линейную функциональную зависимость
4) при коэф корреляции линейная корреляционная
связь отсутствует
 
Равенство коэф корреляции = 0 говорит лишь о не корреляции
признаков Х и Y, но не о полном отсутствии статистической
зависимости. 
 
Для качественной оценки коэффициента корреляции
используется шкала Чеддока:

Необходимо помнить – чем больше объем выборки m, тем

более точной оценкой генеральной корреляции является
выборочный коэффициент корреляции.
 
 Вопрос 3 – Корреляционый анализ
Основная задача корреляционого анализа – установление
характера и тесноты связи между результативными и
факторными признаками в данной экономическом процессе.

Задачи корреляционого анализа:

1) измерение степени тесноты (силы) двух и более признаков;
2) отбор факторов, оказывающих существенное влияние на
результативный признак на основании измерения степени
связности между ними;
3) обнаружение неизвестных причинных связей.
3.1 Проверка значимости коэффициента корреляции.
В практике исследования о тесноте корреляционной
зависимости судят не по величине генерального
коэффициента корреляции р (обычно неизвестно), а по
величине его выборочного аналога.
Тк коэффициент вычисляется по значения признаков х и у,
случайно попавших в выборку из ген совокупности, то в
отличии от Рух, Рух – случайная величина.
 
Пусть Рух неравна нулю – это действующая линейная
корреляционная связь между х и у ген совокупности, или
он является следствием отбора значением признака
выборки?
Для ответа на данный вопрос применяется гипотеза Н0, об
отсутствии линейной корреляционной связи между х и у
в ген совокупности. Те Рух = 0. Если в процессе
проверки гипотеза Н0 будет отвергнута, то будет вывод о
значимости коэффициента Рух.
Выполняется по алгоритму:
1. Определяем расчетное значение Стьюдента, далее
используя\
2. Определяем табличное значение
3. Сравниваем расчетное с табличным
Если Трасч больше табличного, то гипотеза отвергается, то
есть Рух – значимо, не равно 0.
Если Трасч меньше табличного, то гипотеза принимается. Рух
– не значимо.
3.2 многомерный корреляционный анализ
экономические явления адекватно описываются
многофакторными моделями.
Обобщим рассмотренную выше двухмерную модель на
случай нескольких признаков. Описание явлений
многофакторных моделей приводит к двум задачам:
1. Определение тесноты связи с совокупностью остальных
переменных, включенных в анализ – задача
множественной корреляции.
2. Определение тесноты связи между двумя переменными
при фиксировании или исключении влияния
остальных – задача частной корреляции.

Парный коэффициент корреляции - пусть имеется

показатель у и совокупность факторов х1, х2, хп
имеющих совместное нормальное распределение.
Св-во парного коэффициента корреляции:
1)На главной диагонали расположены единицы
2) Коэффициенты корреляции асимметричны главной
диагонали
3)Определитель составлен из элементов матрицы

Множественный коэффициент корреляции- обеспечивает

измерение тесноты связипоказателя объема с
совокупными факторами х1,х2,х3. Является обобщением
парного коэффициента.
Коэффициент детерминации показывает какую долю
показателя У обуславливает вариации факторов х1,х2,х3.
Например 84% изменения дохода обуславливается 3
факторами, а 16% приходятся на случайные факторы.
Находится в пределах от 0-1.

Проверка значимости коэффициент детерминации

проверяется с помощью критерия Фишера

Частный коэффициент корреляции- показатель линейной

связи между показателем У и одним из факторов Х, при
условии что остальные факторы зафиксированы на
уровне средних значений и не влияют на показатель У.
Проверка значимости частного коэффициента выполняется с
помощью расчета Критерия Стьюдента.

РЕГРЕССИОННЫЙ АНАЛИЗ
Метод статистического анализа при котором показатель У и
факторы Х, рассматриваются в регрессивностей анализе
не как случайные величины.
С помощью регрессионного анализа решаются задачи:
1) установление формы связи между У и Х( а не тесноты и
характера как в КА)
2) Выбор наиболее информативных факторов для
построения модели
3) Оценка неизвестных значения параметров модели
регрессии
4) Оценка качества модели
5) ПРГ с применением качественной модели
По форме связи модели бывают:
1) Линейная модель- показатель У линейно зависит от
неизвестных параметров так и от факторов Х
2) Не линейная модель- линейно не зависит от неизвестных
параметров и от факторов
Методы регрессионного анализа:
1) Парная регрессия
2) Множественная регрессия
3) Пошаговая регрессия
4) Гребневые регрессии - не линейные регрессии
 ЭТАПЫ ПОСТРОЕНИЯ МОДЕЛИ
Шаг1- Формирование матрицы исходных данных( на каждую
прогнозную точку приходится 8 факторов, при
формировании 6-8 точек относящихся к одному фактору.
Шаг 2 - Предварительная обработка исходных
данных(корреляц.анализ, кластер.анализ)
Шаг 3 - Парная регрессия (выбирается метод анализа)
Шаг 4 - Оценка качества модели( доказательство
адекватности и точности)
Шаг 5 - Оценка влияния отдельных факторов Х включённых в
модель.
С помощью Коэффициент регрессии - трудно рассчитать
степень влияния фактора Х, и.к числа выражаются в
разных единицах измерения. По этому в практике
используются следующие коэффициенты:
1) коэффициент эластичности- показывает как отклонение 1
фактора от своего среднего значения, изменяет
отклонённые показателя У от его среднего значения.
Другие факторы при этом фиксируются.
2) Бета коэффициент- показывает на какую часть величины
СКО отклоняется значение показателя У от своего
среднего значения с изменением фактора на 1 СКО.
Другие факторы фиксируются
3) Дельта коэффициент- показывает долю влияния фактора
Х на показатель У.
Шаг 6 - Построение прогноза показателя У.