Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Рассмотрим, не прибегая к излишней математической строгости, сначала общий подход к оценке дисперсии прогноза . Без ограничения общности предположим, что прогнозы получены с использованием линейной эконометрической модели, ошибка которой характеризуется отсутствием автокорреляционных связей.
В соответствии с процедурой разработки эконометрического прогноза, рассматриваемое прогнозное значение зависимой переменной у, например, в момент времени Т +1, можно представить как случайную величину, определяемую по линейной модели типа (1.2) с учетом того факта, что ее параметры являются случайными величинами, а значения независимых факторов хi , T +1, i =1,2,..., n; – детерминированные величины:
где ai, i =0,1,..., n – коэффициенты эконометрической модели, рассматриваемые как случайные величины; eT +1 – случайная ошибка модели в момент Т +1. Представим коэффициенты модели ai в виде суммы их соответствующих оценок, являющихся математическими ожиданиями, и ошибок
где математическое ожидание аi определено согласно используемому методу, например, МНК (см. выражение (2.8)), а характеристики ошибок D аi определены как элементы вектора D а =(X ¢ X)-1 X ¢× e (см. выражение (2.9)).
Подставим выражение (12.9) в (12.8). В результате получим
где показатель
представляет собой математическое ожидание прогноза, а показатель
характеризует ошибку прогноза.
Ее дисперсия может быть определена согласно классическому выражению в предположении о независимости ошибки модели eT +1 и ошибок коэффициентов модели D аi, i =0,1,..., n; следующим образом:
где se 2 – оценка дисперсии ошибки модели – дисперсия оценки аi, а cov(аi, аj) – ковариация оценок параметров аi и аj. Их значения определены как элементы ковариационной матрицы se 2×(Х ¢× Х)–1; х 0, T +1 º1 (см. выражение (2.18)).
Еще раз отметим, что выражение (12.13) получено в предположении о независимости ошибки модели eT +1 в момент Т +1 и ошибок коэффициентов D аi, которые согласно выражению (2.9) являются линейными функциями выборочных ошибок модели et, t =1, 2,..., Т.
Выражение (12.13) может быть представлено в матричной форме записи следующим образом:
где х T +1¢=(1, х 1, T +1,..., хn , T +1) – вектор-строка детерминированных уровней прогнозного фона, представляющего собой набор значений независимых факторов в моменты Т +1.
Приведем также несколько более строгое доказательство выражения (12.14). Для этого запишем расчетное значение прогноза в векторной форме:
Аналогично представим истинное значение прогноза уT +1
где a – вектор-столбец значений параметров модели; eT +1 – значение ошибки истинного прогноза.
С учетом представленных выражений ошибку прогноза согласно (12.6) выразим в следующем виде:
D уT +1= уT +1– = eT +1+ х T +1¢× a – х T +1¢× a =
= eT +1+ х T +1¢× a – х T +1¢×(X ¢× X)–1× X ¢× y. (12.17)
Подставляя в (12.17) вместо вектора наблюдаемых значений зависимой переменной y его выражение y = X × a + e, получим
D уТ +1= eT +1+ х T +1¢× a – х T +1¢×(X ¢× X)–1× X ¢×(X × a + e)=
= eT +1+ х T +1¢× a – х T +1¢× a – х T +1¢×(X ¢× X)–1× X ¢× e =
= eT +1– х T +1¢×(X ¢× X)–1× X ¢× e. (12.18)
С учетом (12.18) дисперсия ошибки прогноза определяется следующим выражением:
s 2( )= M [D y 2 T +1] = M [ e 2 T +1]–2× х T +1¢×(X ¢× X)–1× X ¢× M [ eT +1× e ]+
+ х T +1¢×(X ¢× X)–1× X ¢× M [ e × e ¢]× X ×(X ¢× X)–1× х T +1. (12.19)
При справедливости предположений о независимости ошибки eT +1 и вектора ошибок модели e, гомоскедастичности и отсутствии автокорреляционных связей у вектора ошибки модели e имеем
M [ eT +1× e ]=0;
M [ e × e ¢]= se 2× E.
В этом случае с учетом того, что M [ e 2 T +1]= se 2 легко показать, что выражение (12.19) преобразуется в выражение (12.14), с учетом замены se 2 на se 2.
Заметим, что выражение (12.19) определяет все случаи, отражающие возможные свойства ошибки эконометрической модели. В частности, когда у этой ошибки имеются автокорреляционные связи, например, первого порядка, т. е. et = r×et– 1 + vt, vt ~ N (0, sv 2), Cov(v)= sv 2 × E выражение (12.19) приобретает следующий вид:
s 2( )= se 2–2× se 2× х T +1¢×(X ¢× X)–1× X ¢× R +
+ х T +1¢×(X ¢× X)–1× X ¢× Cov(e)× X ×(X ¢× X)–1× х T +1, (12.20)
где вектор-столбец R =[ r, r 2, r 3,..., rT +1]¢;
где r – коэффициент автокорреляции первого порядка.
Заметим также, что для такой модели математическое ожидание прогноза = M [ yT +1] имеет следующий вид:
M [ yT +1]= M [ х T +1¢× a + eT +1]= M [ х T +1¢× a + r×eT + vT ]= х T +1¢× a + r×eT. (12.21)
Выражая ошибку модели в момент Т eT через ее оценку еT
eT = еT – х T ¢× а (12.22)
и подставляя выражение (12.22) в (12.21), с учетом замены коэффициента r на его выборочное значение r и вектора a на вектор a на практике получим
= r× yT +(х T +1¢– х T ¢)× a. (12.23)
Несложно показать, что в этом случае расчетное значение прогноза в момент Т + k будет определяться следующим выражением:
= х T + k ¢× a + rk×eT. (12.24)
При наличии у ошибки модели только свойства гетероскедастичности выражение (12.19) приобретает следующий вид:
s 2( )= se 2+ х T +1¢×(X ¢× X)–1× X ¢×Cov(e)× X ×(X ¢× X)–1× х T +1, (12.25)
где
а st 2 – дисперсия ошибки модели в момент t.
Дата публикования: 2014-10-25; Прочитано: 1286 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!