modele autoregresyjne id 73554 Nieznany

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Teoria Prognozy

Modele autoregresyjne

z uwzględnieniem opóźnień zmiennej zależnej

Krzysztof Glapiak

Matematyka Finansowa

25 maja 2015

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Postać modelu

oznaczenia
Dane

Model Autoregresji

Model AR(p) można zapisać w ogólnej postacji:

Y

t

= f (Y

t1

, Y

t2

, ..., Y

tp

, ξ)

W praktyce najczęściej przyjmuje się, że funkcja f jest liniowa lub logartymiczno
- liniowa. W przypadku funkcji liniowej, model autoregresji jest postaci:

Y

t

= a

0

+

p

X

i =1

a

i

Y

ti

+ ξ

t

gdzie:
Y

t

- prognozowana zmienna losowa

Y

ti

- prognozowana zmienna losowa opóźniona w czasie (i= 1,2,...,p)

a

0

, a

1

, ..., a

p

- parametry modelu

p - rząd autoregresji
ξ

i

- składnik losowy

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Postać modelu

oznaczenia

Dane

Paramatery modelu będziemy szacować za pomocą metody
najmniejszych kwadratów, która nie jest najefektywniejsza lecz jest
prostsza w obliczeniach numerycznych.

Oznaczenia

Parametry modelu będziemy estymować w oparciu o n wartości
szeregu czasowego (y

i

)

i =1,...,n

y-wektor o rozmiarach (n - p)× 1 zaobserwowanych wartości
prognozowanej zmiennej

X - macierz o wymiarach (n-p)× (p+1), której pierwsza
kolumna składa się z jedynek,a pozostałe z zaobserwowanych
wartości zmiennej opóźnionej

a - wektor o rozmiarach (p + 1) × 1 nieznanych parametrów

ξ - wektor składników losowych o rozmiarach (n - p) × 1

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Postać modelu

oznaczenia

Dane

y =






y

p+1

y

p+2

.
.

y

n






X =






1

y

p

y

p1

...

y

1

1

y

p+1

y

p

...

y

2

.

.

.

...

.

.

.

.

...

.

1

y

n1

y

p2

...

y

np






a =






a

0

a

1

.
.

a

p






ξ =






ξ

p+1

ξ

p+2

.
.

ξ

n






Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Postać modelu

oznaczenia

Dane

Przy takiech oznaczeniach model można zapisać w postaci:

y = X a + ξ

Stosując metodę najmniejszych kwadratów orzymujemy wektor
wartości poszukiwanych parametrów.

a = (X

0

X)

1

X

0

y

gdzie X

0

oznacza transpozycję

macierz odwrotna (X

0

X)

1

istnieje

W wyniku estymacji parametrów modelu otrzymujemy postać:

y = X a + e

gdzie e - macierz reszt o wymiarach (n-p) × 1

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Postać modelu
oznaczenia

Dane

Dane, które posłużą nam do zobrazowania modelu porzedstawiają kwartalną
produkcję wyrobów z gumy i tworzyw sztucznych w Polsce w latach 1992 - 2000

Data

Produkcja

Data

Produkcja

sty-92

298,3

lip-96

809,9

kwi-92

296,2

paź-96

752,8

lip-92

345,1

sty-97

679,6

paź-92

362,8

kwi-97

783,9

sty-93

356,9

lip-97

817,1

kwi-93

428,2

paź-97

802,9

lip-93

378,2

sty-98

801,3

paź-93

376,8

kwi-98

911,2

sty-94

373,5

lip-98

960

kwi-94

418,5

paź-98

895,8

lip-94

474,7

sty-99

779,4

paź-94

516,1

kwi-99

909,9

sty-95

552,3

lip-99

1075,2

kwi-95

634,7

paź-99

1040,5

lip-95

702,8

sty-00

877,1

paź-95

708,4

kwi-00

989

sty-96

635,7

lip-00

1041

kwi-96

754,4

paź-00

949,1

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Wyznaczanie rzędu autoregresji

Wyznaczanie rzędu autoregresji

Wartość rzędu autoregresji p można ustalić wykorzystując metody
bazujące na zachowaniu się empirycznych funkcji autokorelacji i
autokorelacji cząstkowej (ACF i PACF). Innym sposobem jest
szacowanie parametrów modelu dla różnych opóźnień.

Wybór p dokonujemy za pomocą funkcji:

SR(k) = ln S

2

e

(k) +

k

n

ln n

Gdzie k - rząd autoregresji,

k (1, 2, ..., K )

K- maksymalny rząd autoregresji
S

2

e

jest nieobciążonym estymatorem wariancji błędu losowego

S

2

e

=

e

0

e

N K

=

e

0

e

(n p) (p + 1)

N - liczba obserwacji
P - liczba estymowamych parametrów

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Wyznaczanie rzędu autoregresji

Wartości funkcji SR obliczamy dla modeli autoregresji o kolejnych
rzędach opóźnień i następnie wypieramy takie p spełniające
warunek:

SR(p) = min

k

SR(k), k (1, 2, ..., K )

Dla naszych danych mamy:

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji
Współczynniki zbieżnośi i determinacji
Współczynnik zmienności losowej
Istotność parametrów

Po wyznaczeniu rzędu autoregresji należy obliczyć miary
dopasowania by sprawdzić jak model opisuje naszą zmienną losową.

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji

Współczynniki zbieżnośi i determinacji
Współczynnik zmienności losowej
Istotność parametrów

Macierz wariancji i kowariancji

Macierz wariancji i kowariancji parametrów modelu jest postaci:

Var (a) =






Var (a

0

)

Cov (a

1

, a

o

)

...

Cov (a

p

, a

0

)

Cov (a

0

, a

1

)

Var (a

1

)

...

Cov (a

p

, a

1

)

.

.

.

...

.

.

.

...

Cov (a

0

, a

p

)

...

...

Var (a

p

)






Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji

Współczynniki zbieżnośi i determinacji
Współczynnik zmienności losowej
Istotność parametrów

Obliczamy wartości macierzy wariancji-kowariancji:

Var (a) = Var ((X

0

X)

1

X

0

y) = Var ((X

0

X)

1

X

0

(Xa + e)) =

= Var (a + (X

0

X)

1

X

0

e) = (X

0

X)

1

X

0

Var (e)

|

{z

}

S

2

e

I

X(X

0

X)

1

=

= S

2

e

(X

0

X)

1

X

0

X(X

0

X)

1

= S

2

e

(X

0

X)

1

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji

Współczynniki zbieżnośi i determinacji

Współczynnik zmienności losowej
Istotność parametrów

Współczynniki zbieżnośi i determinacji

Współczynnik determinacji (R

2

) oraz zbieżności (ϕ

2

) są jednymi z

podstawowych miar dopasowania modelu. Współczynnik R

2

informuje jaka

część zmienności zmiennej objaśnianej została wyjaśniona przez model,
natomiast ϕ

2

jaka część nie została wyjaśniona.

Zachodzi:

1 R

2

= ϕ

2

ϕ

2

=

e

0

e

P

n

i =p+1

(y

i

¯

y )

2

gdzie ¯

y jest średnią arytmetyczną wartości szeregu od momentu p+1

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji
Współczynniki zbieżnośi i determinacji

Współczynnik zmienności losowej

Istotność parametrów

Współczynnik zmienności losowej

Współczynnik V

e

informuje jaką część średniej wartości badanego

zjawiska stanowi odchylenie standardowe reszt. Im niższa wartość
współczynnika tym model lepiej jest dopasowany do danych
empirycznych.

V

e

=

S

e

¯

y

S

e

=

q

S

2

e

jest estymatorem odchylenia standardowego

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji
Współczynniki zbieżnośi i determinacji
Współczynnik zmienności losowej

Istotność parametrów

Istotność parametrów

Do zbadania czy wyestymowane parametry a

i

a są istotne

posłużymy się statystyką testową t-Studenta.

t

a

i

=

|a

i

|

p

Var (a

i

)

H

0

: a

i

= 0

H

A

: a

i

6= 0

Hipotezę H

0

odrzycamy gdy t

a

i

> t

α:df

Gdzie t

α:df

to wartość odczytana z tablic rozkładu t-Studenta na poziomie

istotności α z df stopniami swobody
df = N P = (n p) (p 1)

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Macierz wariancji i kowariancji
Współczynniki zbieżnośi i determinacji
Współczynnik zmienności losowej

Istotność parametrów

Poniższe tabele przedstawiają obliczone wartości wyestymowanych parametrów
a, miary dopasowania modelu oraz testy istotności dla parametrów

Z powyzszych tabel odczytujemy, że wszystkie parametry modelu są istotnie
różne od zera. Współczynnik zmienności losowej wynosi niecałe 8% a z wartości
współczynnika R

2

odczytujemy, że model opisuje prawie 95% analizowanej

zmiennej losowej, więc nasz model jest dobrze dopasowany do danych

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Obliczanie wartości prognoz

Ocena błędu prognozy

Obliczanie wartości prognoz

Prognozy będziemy obliczać sekwencyjnie, czyli do obliczenia
prognozy na okres n + h korzystamy z wartości prognozy z okresu
n + h 1

y

p

T

= ca =

h

1

y

T 1

y

T 1

...

y

T p

i








a

0

a

1

.
.
.

a

p








Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Obliczanie wartości prognoz

Ocena błędu prognozy

Ocenę średniego błędu predykcji ex ante na okres T wyznaczamy ze wzoru:

S

D

T

=

p

S

2

e

(1 + e(X

0

X)e

0

)

Natomiast błąd względny wynosi:

V

D

T

=

S

D

T

y

p

T

Błędy względne dla wyznaczonych prognoz wynoszą ok 6% więc
można uznać prognozy za dopuszczalne

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej

background image

Model Autoregresji

Wyznaczanie rzędu autoregresji

Miary dopasowania

Prognozy

Krzysztof Glapiak

Modele autoregresyjne z opóźnieniem zmiennej zależnej


Document Outline


Wyszukiwarka

Podobne podstrony:
Modele dynamiczne id 305054 Nieznany
modele rynkowe1 id 305129 Nieznany
modele rynkowe2 id 305130 Nieznany
lab 3 modele stochastyczne id 4 Nieznany
Modele 2 id 305026 Nieznany
modele id 305023 Nieznany
Modele konspektow lekcji id 305 Nieznany
modele id 305044 Nieznany
IO modele id 219744 Nieznany
Abolicja podatkowa id 50334 Nieznany (2)
4 LIDER MENEDZER id 37733 Nieznany (2)
katechezy MB id 233498 Nieznany
metro sciaga id 296943 Nieznany
perf id 354744 Nieznany
interbase id 92028 Nieznany
Mbaku id 289860 Nieznany
Probiotyki antybiotyki id 66316 Nieznany
miedziowanie cz 2 id 113259 Nieznany
LTC1729 id 273494 Nieznany

więcej podobnych podstron