Академический Документы
Профессиональный Документы
Культура Документы
Н.В. Суворов
В статье описан метод верификации статистической модели, которая, во-первых, представлена временными рядами
исходных данных и, во-вторых, является линейной по оцениваемым параметрам. Опыт статистических расчетов на основе ре-
альных эмпирических данных свидетельствует о том, что наиболее известные и традиционно применяемые в практике экономе-
трического моделирования математико-статистические методы (метод наименьших квадратов, метод максимального правдо-
подобия и близкие к ним методы) очень часто не позволяют обеспечить успешную верификацию теоретически требуемых форм
эконометрических моделей. Разработанный метод, называемый альтернативным методом линейной регрессии (АМЛР), обе-
спечивает учет априорных ограничений абсолютных значений и знаков параметров идентифицируемой модели. В основе АМЛР
лежит концепция наилучшего линейного индекса, известная в теории статистики с конца 1950-х годов. В математическом
отношении АМЛР основывается на методе главных компонент. Проанализированы условия применения АМЛР в эконометриче-
ском моделировании и методы преобразования исходной статистической информации, обеспечивающие корректность приме-
нения разработанной процедуры оценивания.
Специальной проблемой предложенного метода является определение уровня точности аппроксимации зависимой переменной
модели. В связи с этим для оценки уровня точности статистической модели, верифицируемой при помощи АМЛР, разработан
оригинальный метод декомпозиции временного ряда на регулярную и стохастическую компоненты. Проанализированы свойства
предлагаемого метода декомпозиции и дана числовая иллюстрация его применения в эконометрических расчетах.
Ключевые слова: статистическая модель, временные ряды, наилучший линейный индекс, декомпозиция временного ряда.
JEL: C01, C51.
Суворов Николай Владимирович (suvor_n@ecfor.ru) - д-р экон. наук, профессор, руководитель лаборатории прогнозиро-
вания динамики и структуры народного хозяйства Института народнохозяйственного прогнозирования Российской ака-
демии наук (г. Москва, Россия).
*Статья подготовлена с использованием материалов, разрабатывавшихся при финансовой поддержке Российского фонда
фундаментальных исследований (проект ¹ 16-06-00319).
1
Под спецификацией понимается перечень объясняющих переменных оцениваемой модели.
ментами матрицы Ψ. При названных условиях смешанного оценивания следует признать не-
объединение выборочной информации [пред- удовлетворительным.
ставленной данными модели (1)] и априорной В более общем плане можно говорить о том,
информации, представленной в виде (3), приво- что при использовании метода смешанного оце-
дит к тому, что оценка вектора структурных па- нивания ошибочность априорных представле-
раметров в соответствии с (4) оказывается сред- ний относительно значений структурных пара-
невзвешенной из оценок параметров, получа- метров модели (1) далеко не всегда может быть
емых исходя из выборочной информации и их компенсирована выборочной информацией.
априорных оценок. Необходимо отметить, что исследователь,
Формализация ограничений на параметры в занимающийся оцениванием статистических
форме (3) в принципе позволяет обеспечить их моделей, как правило, заранее формулирует
(параметров) нахождение в заранее предпола- гипотезы о направлении воздействия тех или
гаемых областях. При этом использование (3) иных факторов (объясняющих переменных) на
предполагает, что априорные значения иско- объясняемую переменную. Однако формали-
мых параметров являются центром области их зовать это знание в виде ограничений типа (3)
возможного нахождения, а априорные значения далеко не всегда возможно.
дисперсий определяют величину этой области. В наших работах [2, 3] на примере оценива-
Вместе с тем, как показывает наш опыт ста- ния макроэкономической и отраслевых произ-
тистических расчетов, объединение выборочной водственных функций для отечественной эко-
информации в виде (1) и априорных ограниче- номики изложен метод (называемый АМЛР),
ний в виде (3) приводит к тому, что, как правило, который, с одной стороны, решает проблему
именно априорная информация оказывает пре- задания ограничений на допустимую область
имущественное влияние на результаты оценива- возможных значений структурных параметров
ния. Очевидно, что потребность в использовании эконометрической модели типа (1), a с другой -
метода смешанного оценивания возникает в тех не требует задания в явном виде предваритель-
случаях, когда оценивание модели (1) «в чистом ных значений оцениваемых параметров.
виде» дает неудовлетворительные результаты. В математическом отношении АМЛР осно-
Например, пусть по результатам расчетов i-й вывается на методе главных компонент. С точ-
структурный параметр модели (1) принимает ки зрения математической теории индексов (как
отрицательное значение и имеет большое стан- направления теории экономической статисти-
дартное отклонение. Предположим также, что ки), в основе АМЛР лежит конструкция наилуч-
для указанного структурного параметра имеется шего линейного индекса (см., например, [4]).
априорная информация в виде 0 ≤ ai ≤ 1, а интер- Понятие наилучшего линейного индекса
вал между нулевым и единичным значениями было введено в научный оборот в теории стати-
исчерпывает возможную область нахождения стики в конце 1950-х - начале 1960-х г���������
o��������
дов. Не-
данного параметра. Тогда в качестве априорного обходимость его использования возникает в слу-
значения ai кажется естественным принять 1/2, чае, когда некоторый экономический процесс
а его стандартное отклонение не должно превы- может быть описан несколькими альтернатив-
шать 1/6, если исходить из гипотезы, что δi - нор- ными временными рядами индексных чисел.
мально распределенная случайная величина. Рассмотрим следующий пример. Пусть ди-
При сделанных предположениях результат оце- намика физического объема промышленного
нивания ai [каково бы ни было происхождение производства за период времени (1, 2,…,T) пред-
статистических данных, используемых в модели ставлена временными рядами погодовых базис-
(1)], как правило, заведомо будет близок к 1/2. ных индексов, исчисление которых осущест-
Однако в случае, когда предположение, что вляется 1) исходя из постоянных цен на нача-
0 ≤ ai ≤ 1 неверно, результат применения метода ло периода и 2) исходя из постоянных цен на
m
Кроме того, вектор u является первой глав-
ной компонентой матрицы исходных данных J.
0 ≤ ai ≤ 1; ∑ a =1,
i =1
i
(13)
Проведем замену переменных в (9), положив, а функция f(t) по смыслу аналогична u из выра-
что I(1) = y-x1, I(2) = y-x2, где y, x1, x2 - некото- жений (10) - (11).
рые векторы размерности T. Тогда выражение
(9) преобразуется к виду Применительно к проблеме верификации
y = v1x1+ v2 x2+ u (10) модели (12) необходимо отметить два момента.
Во-первых, требование неотрицательности
или к виду оцениваемых параметров не может считаться
ограничительным: если по априорным сообра-
y-x2 = v1(x1-x2)+u = I(2) = v1(I(2) - I(1))+u, (11)
жениям i-й параметр должен лежать в отрица-
поскольку v1 + v2 =1. тельной области, то можно переопределить i-ю
объясняющую переменную, заменив xti на (-xti)2.
Выражение (10) правомерно трактовать как Во-вторых, использование конструкции наи-
функцию, зависимая переменная которой явля- лучшего линейного индекса для верификации
ется линейно однородной относительно пере- модели (12) возможно лишь в случае, если для
менных x1, x2, а также включает некоторую всех значений t выполнятся требование
дополнительную переменную u. При этом если
переменные y, x1, x2 не могут быть однозначно zti = (yt-xti) ≥ 0, i =1,…,m.
определены исходя из известных векторов I(1) и
I(2), то для (11) зависимая и объясняющая пере- Данное требование вытекает из того, что все
менные определяются однозначно. элементы матрицы J, как уже было отмечено
Таким образом, построение наилучшего ли- выше, должны быть неотрицательны. Это может
нейного индекса в рассматриваемом примере быть обеспечено преобразованием временных
может быть интерпретировано и как процедура рядов (z1i,…,zti,…, zTi) по правилу так называемого
идентификации модели (11), в которой оцени- линейного нормирования:
ваемый структурный параметр v1 априори удо-
влетворяет условию 0 ≤ v1 ≤ 1. zsti = (zti – zmini ) / (zmaxi – zmini ), (14)
Описанная выше процедура построения наи-
лучшего линейного индекса может быть реали- где zmaxi , zmini - соответственно максимальное и мини-
зована для различного количества альтернатив- мальное значения i-го временного ряда; {zsti} - стандар-
ных временных рядов индексных чисел. Следо- тизованные значения элементов соответствующих вре-
вательно, правомерно утверждать, что проце- менных рядов. В результате указанного преобразования
значения временных рядов переменных {zsti}, во-первых,
дура агрегирования m временных рядов длины
заведомо будут неотрицательными и, во-вторых, будут
T по правилу исчисления наилучшего линей- находиться в интервале от 0 до 1. Тем самым также эли-
ного индекса при условии m < T эквивалентна минируется воздействие различий в размерности исхо-
верификации некоторой статистической модели дных данных на результаты оценивания параметров мо-
типа (1): дели.
m
yt= ∑ a x +f(t),
i =1
i ti
(12) Таким образом, применение АМЛР для оце-
нивания параметров (12) с учетом ограничений
включающей m объясняющих переменных, на (13) включает: 1) расчет разностей zti = (yt-xti)
структурные параметры которой наложены апри- и последующую стандартизацию полученных
орные ограничения: временных рядов по правилу линейного нор-
2
Исследователь, занимающийся оцениванием статистических моделей, как правило, заранее формулирует гипотезы о на-
правлении воздействия тех или иных факторов (объясняющих переменных) на объясняемую переменную. При отсутствии такого
априорного знания возможна оценка альтернативных спецификаций модели с тем, чтобы выявить наиболее предпочтительную.
s
мирования, что дает векторы Z i = (zs1i ,…, zsTi); v1 = vs1/[(y-x)max – (y-x)min] = ka,
s s
2) формирование из векторов Z 1,…,Z m матрицы v2 = vs2 / (ymax –ymin) = k(1-a),
s
Z , аналогичной матрице J из рассмотренного
выше примера [см. (4)]; 3) расчет первого соб- откуда следует, что
s s s
ственного вектора V = (vs1,…,vsm) матрицы Z �Z ;
k=v1+ v2
4) расчет параметров модели (12) в виде3
m и, соответственно, a = v1/(v1 + v2), то есть иско-
ai=[v /(zs
i
max
i
–zmin
)]:[
i ∑v
i =1
s
i
/(z
max
i
–zmin
)].
i мый коэффициент модели (15), во-первых, опре-
деляется однозначно и, во-вторых, 0 < a < 1.
Насколько существенным для оценивания с
помощью АМЛР модели (12) является требова- Оценивание же на основе АМЛР модели (15)
m
∑
ние ai=1? Для иллюстрации данной проблемы
i =1
при условии a > 1 приводит к необходимости
рассмотрения выражения
рассмотрим модель:
3
Напомним, что (vs1,…,vsm) определяются с точностью до постоянного множителя.
ко достаточно общих приемов, способствующих (20), для линейных моделей, как правило, суще-
решению данной проблемы. ственно не превышают единичного значения
Рассмотрим модель, включающую две объяс- по абсолютной величине. Это позволяет осу-
няющие переменные (все обозначения анало- ществить оценивание параметров модели типа
гичны принятым ранее): (20), произведя сначала оценку модели
Предположим, что средние значения зави- а затем (исходя из полученного значения b1) -
симой и объясняющих переменных y , x 1, x 2 оценку модели
отличны от нуля. Тогда выражение (19) предста-
вимо в виде yt - b1{( y / x 1)xt1=b2{( y / x 2)xt2}+f (t), (22)
4
Отметим, что модели, представленные данными в логарифмической шкале, не требуют предварительного преобразования
переменных, поскольку оцениваемые коэффициенты изначально являются коэффициентами эластичности.
5
Очевидно, что на основе описанной схемы сначала может быть рассчитан параметр b2, а затем параметр b1. По нашему пред-
ставлению, последовательность оценки параметров рассматриваемой модели может определяться лишь спецификой каждой кон-
кретной задачи, требующей использования АМЛР.
не позволяет произвести оценку точности моде- произвол в выборе аналитического вида функ-
ли, а также рассчитать стандартные отклонения ции q(t) влечет неоднозначность оценки ε(t).
оцененных структурных параметров. Априори 2. Подавляющее большинство известных на
ясно, что временной ряд f(t) может гипотетиче- сегодняшний день методов декомпозиции вре-
ски содержать как случайную компоненту, так и менных рядов (безразлично, какой природы
компоненту, обусловленную воздействием неко- данные представляют эти ряды) базируется либо
торых неизвестных факторов, не включенных в на методе выделения регулярной компоненты
явном виде в модель. Из сказанного следует не- (тренда) посредством сглаживания исходного
обходимость разработки математического мето- временного ряда по методу скользящих средних,
да, обеспечивающего представление временно- либо на обработке временного ряда при помощи
го ряда f(t) в виде аппарата авторегрессионных моделей, либо на
определенной комбинации указанных методов.
f(t) = q(t) + ε(t), (23)
Использование этих методов сопряжено с
где q(t) - регулярная составляющая; ε(t) - нерегулярна- априорным заданием некоторых параметров
я (случайная) составляющая. При этом естественными (например, порядка авторегрессионного урав-
требованиями для нерегулярной компоненты исследуе-
нения, порядка сглаженной средней и т. д.), что
мого временного ряда являются: 1) математическое о-
жидание ε(t) равно нулю; 2) ε(t) не коррелирована с q(t).
порождает неоднозначность результатов выде-
Требования к свойствам q(t) не могут быть сформулиро- ления функции εt.
ваны сколько-нибудь конкретно, если исходить лишь из В качестве недостатка методов выделения
выражения (23), не принимая никаких дополнительных тренда, основывающихся на осреднении сосед-
гипотез. Ясно лишь, что данная функция должна обла- них значений временного ряда, следует отметить
дать свойством большей гладкости (в математическом
также, что процедура сглаживания может быть
смысле) в сравнении с f(t)6.
источником корреляционных связей между чле-
Разделение (декомпозиция) временного ряда нами временного ряда (составленного из сгла-
на две указанные выше составляющие - тради- женных данных), отсутствующих в первичных
ционная задача анализа временных рядов. Ана- данных.
лиз временных рядов - направление теории 3. Можно констатировать многочисленность
математической статистики, сформировавше- известных моделей декомпозиции временных
еся на рубеже XIX и XX веков. Соответственно рядов при отсутствии явно предпочтительной
и разработка методов решения данной задачи схемы.
имеет весьма давнюю историю. Ни в коей мере Рассматриваемый далее подход к решению
не претендуя на исчерпывающую классифика- задачи декомпозиции временного ряда базиру-
цию и подробное описание специфики пред- ется на модели регрессии с переменными струк-
лагавшихся до настоящего времени подходов, турными параметрами [5]. А именно, рассмо-
отметим следующее. трим регрессионную модель следующего вида:
1. Наиболее элементарный метод разделения ft = qt + εt; (24)
исследуемого временного ряда в соответствии с qt - qt-1 = δt (25)
(23) связан с оценкой регрессионной модели, в t = 1,…,T,
которой функция q(t) задается в виде некоторой
аналитической функции времени (например, где {ft}, {qt} - соответственно значения функций f(t) и q(t)
полиномом определенной степени). Верифика- в момент времени t; T - длина рассматриваемых времен-
ных рядов; {εt} и {εt} - две группы случайных отклоне-
ция такой модели методом наименьших квадра-
ний, имеющих в общем случае неизвестные и различ-
тов (или какими-либо аналогичными методами) ные дисперсии; при этом имеется T соотношений (24) и
позволяет оценить ε(t). Однако очевидно, что T-1 соотношений (25).
6
В связи с этим в дальнейшем изложении термины «сглаженный ряд» и «тренд» употребляются как синонимы регулярной
компоненты, то есть функции q(t).
мерности T значений {ft} и {qt} соответственно; где ζ - заранее известный уровень погрешности аппрок-
E - единичная матрица размерности (T*T); D - симации исследуемого временного ряда, а величина
(1/μ) - множитель Лагранжа для ограничения (28).
матрица [(T-1)*T], элементы {dij} которой суть:
dii = -1 и dii+1 = 1 (i = 1,…,T-1), а остальные эле-
менты являются нулевыми. Тогда решение зада- 3. При любом заданном значении μ сред-
чи минимизации функционала (26) будет иметь нее значение элементов вектора погрешностей
следующий вид: ε - нулевое значение. Из определения вектора
сглаженных значений исследуемого временного
q = (E+ μD�D)-1f , (27) ряда по формуле (27) следует, что
где «�» - символ транспонирования. Величина μ должна I�(E+ μD�D) q = I�q +μI�D�Dq = I� f,
быть задана экзогенно и является параметром метода.
где I - единичный вектор-столбец размерности T. В
Введем в рассмотрение также вектор-столбец свою очередь, каждый столбец матрицы D� содержит
лишь два ненулевых элемента: +1 и –1. Это означает,
погрешностей ε размерности T, элементы кото-
что произведение I�D� - нулевой вектор-строка, откуда
рого суть {εt} из (24), так что ε = f-q.
Оцениватель (27) обладает следующими свой-
I� q = I� f.
ствами:
1. При μ=0 q=f, тo еcть фактические и сгла-
Из данного выражения следует, что средние
женные (в традиционном определении матема-
значения исходного и сглаженного временных
тической статистики) значения анализируемого
рядов совпадают, то есть среднее значение эле-
временного ряда совпадают; при μ→∞ элементы
ментов вектора ε равно нулю.
вектора q - среднее значение временного ряда f.
4. Выбор того или иного возможного значения
2. При заданном значении μ минимизация
μ не связан с характером и масштабом данных,
(26) означает, что полученный в соответствии с
составляющих анализируемый временной ряд,
(27) сглаженный временной ряд q аппроксими-
поскольку значения элементов матриц, входя-
рует фактические значения исследуемого вре-
щих в выражение (27), представлены лишь зна-
менного ряда с некоторой погрешностью ζ,
чениями +1, -1 и 0.
зависящей от μ, то есть
5. Значения {qt} и {εt} в общем случае являются Более конкретно результаты проведенных чис-
коррелированными. Для доказательства данного ленных экспериментов показывают, что степень
утверждения рассмотрим скалярное произведе- корреляции ε и q изменяется неравномерно по
ние ε�q, которое с учетом вышеприведенных мере уменьшения значения параметра μ от боль-
соотношений есть ших значений к меньшим; при μ→0 уровень кор-
релированности ε и q постепенно нарастает, ста-
ε�q = (f-q)�q = f�q - q�q = билизируясь начиная с некоторого значения дан-
= f�(E+μD�D)-1f - f� (E+μD�D)-1(E+μD�D)-1f = ного параметра. Последнее свойство позволя-
ет следующим образом скорректировать изло-
= f�{(E+μD�D)-1[E - (E+μD�D)-1]} f, (29)
женную ранее процедуру получения оценок ре-
то есть представляет собой квадратичную форму гулярной и случайной компонент временного
относительно вектора f. Аналитическое иссле- ряда:
дование матрицы из выражения (29) затрудни- 1) для каждого заранее заданного значения μ
тельно, однако результаты численных экспери- производится расчет q(μ) в соответствии с (6) и
ментов показывают, что для фиксированного далее рассчитывается ε(μ) = f - q(μ);
значения T при любом конечном значении μ 2) производится расчет линейной регрессии
симметрическая матрица (E+μD�D)-1[E - (E + вида
+μD�D)-1] является положительно определен-
ной. Таким образом, векторы ε и q не являются q(μ) = bμ ε(μ) +b0 + u'(μ), (30)
ортогональными.
Суммируя сказанное выше, правомерно за- где b0, bμ - параметры регрессионного уравнения, под-
лежащие оцениванию; u'(μ) - составляющая временного
ключить, что, с одной стороны, метод расчета
ряда q(μ), некоррелированная с ε(μ);
теоретического (сглаженного) ряда q в соответ-
ствии с (27) обладает очевидными достоинства-
3) производится вычисление скорректиро-
ми: во-первых, данный метод не требует задания
ванного вектора регулярной компоненты q* ис-
аналитического вида временной функции для
следуемого временного ряда в виде
оценки регулярной составляющей исследуемого
временного ряда; во-вторых, оценка регулярной q* = q(μ) - bμ ε(μ). (31)
компоненты является в математическом смыс-
ле наиболее гладкой кривой из всех возможных Вектор q*, начиная с некоторого значения μ,
при заданном уровне погрешности сглаживания принимается в качестве окончательной оценки
(свойство 2). С другой стороны, рассматривае- регулярной компоненты анализируемого исхо-
мый метод декомпозиции временного ряда не дного временного ряда.
обеспечивает независимости регулярной и сто- Иными словами, специфическая особенность
хастической компонент; также остается откры- вектора ε(μ), получаемого в результате исполь-
тым вопрос о правиле выбора наиболее подхо- зования формулы (27), заключается в том, что
дящего значения параметра μ. при μ→0 структура этого вектора остается ста-
Проведенный нами анализ перечисленных бильной (при абсолютном уменьшении состав-
специфических свойств рассматриваемого здесь ляющих его элементов {εt(μ)}). В результате оце-
метода оценивания в совокупности с результа- ниваемый в соответствии с (30) регрессионный
тами численных экспериментов позволил раз- параметр bμ увеличивается во столько же раз,
работать следующую его (метода) модифика- во сколько раз снижаются значения {εt(μ)}, так
цию, дающую возможность как решить про- что значение элементов вектора q*, рассчитыва-
блему обеспечения некоррелированности ε и q, емого в соответствии с (31), остается неизмен-
так и обосновать метод выбора значения пара- ным. Последнее, в свою очередь, означает, что
метра μ. существует некоторая область значений пара-
где yt, kt, lt - темпы изменения (разности натуральных 0,1 0,00130 37,2170 0,297
менных может быть различен для различных вариантов В прикладном плане следует отметить простоту
спецификации модели (32), что, вообще говоря, порож- численной реализации описанного выше вычис-
дает различные представления о характере и уровне {εt}.
лительного метода декомпозиции. Его практи-
ческое использование доступно, например, в
Предварительное знание об уровне погреш-
среде табличного процессора Exсel, то есть не
ности и виде регулярной компоненты, а также
требует разработки специализированных про-
их вкладе в совокупную вариацию исследуемого
граммных продуктов.
временного ряда, обеспечиваемое расчетом ε* и
q* в соответствии с изложенным ранее методом, Литература
позволяет составить представление о потенци-
1. Джонстон Дж. Эконометрические методы. М.:
альном пределе точности модели (32) еще до Наука, 1980.
задания конкретного варианта спецификации 2. Суворов Н.В. Актуальные направления и про-
уравнения (32). блемы совершенствования модельного инструмента-
В частности, результаты декомпозиции вре- рия макроэкономического анализа // Проблемы про-
гнозирования. 2015. ¹ 5. С. 25-39.
менного ряда темпов изменения сельскохозяй-
3. Суворов А.В., Суворов Н.В., Балашова Е.Е. и др.
ственного производства за период 1993-2012 гг. Человеческий капитал как фактор социально-эконо-
при помощи описанного здесь метода показы- мического развития России. СПб: Нестор-История,
вают, что динамика регулярной компоненты q* 2016.
объясняет 37% дисперсии исходного временного 4. Аллен Р. Экономические индексы. М.: Финан-
сы и статистика, 1980.
ряда, а динамика случайной компоненты ε* - соот-
5. Суворов Н.В. Метод построения регрессионных
ветственно 63%. Таким образом, не более чем 40% моделей с динамическими структурными параметрами //
вариации анализируемого временного ряда могут Проблемы прогнозирования. 2005. ¹ 4. С. 143-153.
быть объяснены динамикой некоторых (не иден- 6. Лоули Д., Максвелл А. Факторный анализ как
тифицированных заранее) систематических фак- статистический метод. М.: Мир, 1967.
7. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. При-
торов (это может быть прежде всего динамика
кладная статистика. Т. 2. Исследование зависимостей.
производственного потенциала); большая же М.: Финансы и статистика, 1985.
часть вариации должна быть приписана воздей- 8. Маленво Э. Статистические методы экономе-
ствию случайных (например, погодных) факторов. трии. М.: Статистика, 1976.
The article describes a method for verification of a statistical model, which, firstly, is represented by the time series of original data
and, secondly, is linear in the estimated parameters. Experience in statistical calculations on real empirical data shows that the most
well-known and conventionally used in the econometric modeling of mathematical-statistical methods (least squares, maximum likeli-
hood method, and similar methods) often do not ensure successful verification of theoretically required forms of econometric models.
The developed method which is called an alternative method of linear regression (AMLR) provides an account of a priori restrictions
on the absolute values and signs of the parameters identified by the model. The AMLR based on the concept of best linear index, is
known in the theory of statistics from the end of the 1950s. Mathematically AMLR it based on the method of principal components.
The article analyzes conditions for applying the AMLR in econometric modeling and methods of transformation of the initial statisti-
cal information to ensure correct application of the developed evaluation procedures.
Special problems of the proposed method are to determine the level of accuracy of approximation of the dependent variable of the
model. In this regard, to assess the level of precision of the statistical model verifiable by using the AMLR, was developed an original
method of decomposition of the time series on the regular and stochastic components. The author analyzes the properties of the pro-
posed method of decomposition and gave a numerical illustration of its use in econometric calculations.
Keywords: statistical model, time series, best linear index, decomposition of the time series.
JEL: C01, C51.
* This article was prepared using the materials developed with the financial support of the Russian Foundation for Basic Research (Project
¹ 16-06-00319).
References
1. Johnston J. Econometric methods. 2-nd ed. New York, McGraw-Hill Book Company, 1972 (Russ. ed.: Dzhonston
Dzh. Ekonometricheskie metody. Moscow, Nauka Publ., 1980).
2. Suvorov N.V. Aktual’nye napravleniya i problemy sovershenstvovaniya model’nogo instrumentariya
makroekonomicheskogo analiza [Urgent directions and problems of improvement of model tools of the macroeconomic
analysis]. Problemy prognozirovaniya, 2015, no. 5, pp. 25-39. (In Russ.).
3. Suvorov A.V., Suvorov N.V., Balashova E.E. et al. Chelovecheskii kapital kak faktor sotsial’no-ekonomicheskogo
razvitiya Rossii [Human capital as the factor of the social and economic development of Russia]. St. Petersburg, Nestor-
history Publ., 2016. (In Russ.).
4. Allen R. Index numbers in theory and practice. Chicago: Aldine Publ., 1975 (Russ. ed.: Allen R. Ekonomicheskie
indeksy. Moscow, Finansy i statistika Publ., 1980).
5. Suvorov N.V. Metod postroeniya regressionnykh modelei s dinamicheskimi strukturnymi parametrami [The
method of constructing regression models with dynamic structural parameters]. Problemy prognozirovaniya, 2005, no. 4,
pp. 143-153. (In Russ.).
6. Lawley D.N., Maxwell А.Е. Factor analysis as a statistical method. London, Butterworths, 1963 (Russ. ed.: Louli D.,
Maksvell A. Faktornyi analiz kak statisticheskii metod. Moscow, Mir Publ., 1967).
7. Aivazyan S.A., Enyukov I.S., Meshalkin L.D. Prikladnaya statistika. T. 2. Issledovanie zavisimostei [Applied statistics.
Vol. 2. Study of dependences]. Moscow, Finansy i statistika Publ., 1985. (In Russ.).
8. Malinvaud E. Mеthodes
� statistiques de l’еconomеtrie.
� � Deuxiеme
� ed. Paris, 1969 (Russ. ed.: Malenvo E. Statisticheskie
metody ekonometrii. Moscow, Statistika Publ., 1976).