WEiP (4 Prognozowanie na podstawie modeli ekonometrycznych 2011)

background image

Prognozowanie na podstawie

modeli ekonometrycznych

background image

Prognozowanie na podstawie modelu

ekonometrycznego (prognozowanie

ekonometryczne)

polega na budowaniu

prognozy, dotyczącej przyszłej wartości

zmiennej objaśnianej (zmiennej

prognozowanej) na podstawie modelu

ekonometrycznego, opisującego w sposób

formalny kształtowanie się zmiennej

prognozowanej w zależności od zmiennych

objaśniających to kształtowanie się.

2

GK (WEiP(4) - 2011)

Wstęp

background image

Podstawowa reguła prognozowania ekonometrycznego

to ekstrapolacja modelu ekonometrycznego na okres
prognozowania poza zakres obserwacji (danych
empirycznych) wykorzystanych do oszacowania parametrów
strukturalnych modelu. Prognoza według reguły podstawowej
określana jest zależnością:

gdzie:

y

p

- wartość zmiennej objaśnianej w okresie prognozy

(prognoza),

x

*

- wektor znanych wartości zmiennych objaśniających w

okresie prognozy,

f

– postać analityczna modelu ekonometrycznego,

a

– oszacowania parametrów strukturalnych modelu

ekonometrycznego.

Różnica pomiędzy

estymacją

parametrów

strukturalnych modelu a

prognozowaniem

wartości zmiennej

objaśnianej polega na tym, że estymowanie odbywa się na
podstawie znanych wartości zmiennej objaśnianej i zmiennych
objaśniających (dane empiryczne), natomiast prognozowanie
odbywa się przy braku możliwości zaobserwowania
rzeczywistych wartości zmiennej objaśnianej i niekiedy
zmiennych objaśniających w okresie prognozy, a wynik
prognozowania (prognoza) jest zawsze weryfikowany
rozwojem wydarzeń.

(

)

p

*

y

f x ,a

=

3

GK (WEiP(4) - 2011)

Wstęp

background image

Warunki predykcji

Dokonywanie predykcji jest możliwe wtedy, gdy:

jest znany model ekonometryczny wyjaśniający kształtowanie

się zmiennej objaśnianej,

model ekonometryczny został wszechstronnie i pozytywnie

zweryfikowany,

relacje między zmiennymi uwzględnionymi w modelu są

stabilne, co oznacza:

stałość postaci analitycznej modelu ekonometrycznego,

stabilność wartości parametrów strukturalnych
(parametry strukturalne nie zmieniają swoich wartości
przy zmianie wartości zmiennych objaśniających),

spełnienie założeń dotyczących składnika losowego
modelu dla okresu prognozy,

zasadna i dopuszczalna jest ekstrapolacja wartości zmiennej

objaśnianej i zmiennych objaśniających poza zakres
obserwacji wykorzystanych do oszacowania parametrów
strukturalnych modelu,

są dostępne wartości zmiennych objaśniających w okresie

prognozy, tj. w okresie, dla którego jest budowana prognoza
(wielkości założone, planowane lub kreowane w
scenariuszach rozwoju zjawiska opisywanego modelem
ekonometrycznym).

4

GK (WEiP(4) - 2011)

background image

Model ekonometryczny stanowiący podstawę

prognozowania musi cechować się stabilnością postaci
analitycznej (poprawnością specyfikacji postaci funkcyjnej) i
stabilnością parametrów. Stabilność postaci analitycznej
modelu zwykle jest rozpatrywana na etapie weryfikacji
modelu

(test RESET, test Walda).

Do weryfikacji hipotezy o stabilności parametrów

strukturalnych modelu ekonometrycznego jest najczęściej
wykorzystany

test Chowa

, tzw.

I test Chowa

. Stabilność parametrów strukturalnych modelu

oznacza stałość w czasie (także poza obszarem objętym
danymi empirycznymi) relacji, na których opiera się
weryfikowany model liniowy. Niezmienność (dopuszczalna w
praktyce) parametrów strukturalnych modelu jest
warunkiem trafności uzyskiwanych prognoz na jego
podstawie.

I test

Chowa wymaga przeprowadzenia trzech

estymacji parametrów strukturalnych za pomocą KMNK: dla
całej próby, tj. dla wszystkich danych empirycznych

(y, X)

oraz dla dwóch rozłącznych podprób

(y

1

, X

1

)

i

(y

2

, X

2

)

.

Pierwsza estymacja jest estymacją warunkową przy
założeniu, że wartości parametrów strukturalnych są stałe
dla całej próby, co oznacza, że wartości odpowiadających
sobie parametrów strukturalnych uzyskane z estymacji dla
podprób są sobie równe.

5

GK (WEiP(4) - 2011)

Warunki predykcji

background image

Niech I, II i III oznaczają odpowiednio modele dla

całej próby, dla podpróby pierwszej i dla podpróby drugiej:

Niech wektory

a

I

,

a

II

,

a

III

oznaczają odpowiednio oszacowania

parametrów strukturalnych modeli I, II i III uzyskane za
pomocą KMNK, a wektory

e

I

,

e

II

,

e

III

– reszty tych modeli.

Wartość

m

może być przyjęta w sposób arbitralny lub

ze względu na model I:

jeżeli wartości bezwzględne reszt są monotoniczne lub nie

wykazują żadnej prawidłowości przyjmuje się

m = n/2

,

jeżeli wartości reszt wykazują początkowo tendencję rosnącą,

a następnie malejącą (lub odwrotnie), za wartość

m

przyjmuje

się numer (największej (najmniejszej) co do wartości
bezwzględnej reszty.
Wybrana wartość

m

musi spełniać następujące nierówności:

m > k+1

i

n-m > k+1

.

.

,

,

)

(

...

...

...

k

1

i

t

it

III

i

III

0

t

k

1

i

t

it

II

i

II

0

t

k

1

i

t

it

I

i

I

t

,n

2,

1,m

m

t

,m

1,2,

t

,n

1,2,

t

,

ε

x

α

α

y

(III)

,

ε

x

α

α

y

(II)

,

ε

x

α

α

y

I

0

6

GK (WEiP(4) - 2011)

Warunki predykcji

background image

Weryfikowaną hipotezą (zerową) jest hipoteza postaci:

H

0

: a

I

= a

II

= a

III

wobec hipotezy alternatywnej postaci

H

1

: a

I

= a

II

= a

III

.

Sprawdzianem prawdziwości hipotezy

zerowej jest statystyka postaci:

która w przypadku prawdziwości hipotezy zerowej ma
rozkład F-Snedecora o

ν

1

=k+1

i

ν

2

=n-2(k+1)

stopniach

swobody.

Jeżeli wartość statystyki

F

obliczona z próby jest

nie większa od wartości krytycznej

F

*

, odczytanej z tablic

rozkładu F-Snedekora dla przyjętego poziomu istotności

γ

i

stopni swobody

ν

1

i

ν

2

(

F

F

*

),

to nie ma podstaw do odrzucenia hipotezy zerowej,

co oznacza, że parametry strukturalne weryfikowanego
modelu są stabilne i co oznacza dalej, że model może być
wykorzystywany w procesie prognozowania. W przeciwnym
przypadku, tj. gdy

F

>F

*

, hipoteza zerowa jest odrzucana.

Rozpatrywany

test Chowa

może być stosowany tylko

w przypadku homoskedastyczności reszt modeli

, wyrażającej

się równością wariancji reszt modeli I, II i III. W przypadku
niespełnienia tego warunku może być zastosowany albo

test

Walda

, albo nadal

test Chowa

, ale dla skorygowanych

danych empirycznych w jednej z podprób.

,

1

k

1)

2(k

n

e

e

e

e

e

e

e

e

e

e

F

III

T

III

II

T

II

III

T

III

II

T

II

I

T

I

7

GK (WEiP(4) - 2011)

Warunki predykcji

background image

8

GK (WEiP(4) - 2011)

Warunki predykcji

Korekcja danych empirycznych przed ponownym

zastosowaniem

testu Chowa

polega na następującej

transformacji danych np. dla modelu III:

W wyniku estymacji parametrów strukturalnych modelu III
dla tak skorygowanych danych uzyskuje się wektor oszacowań
parametrów
strukturalnych

a

*

III

oraz reszt

e

*

III

.

W rozpatrywanym przypadku weryfikowaną hipotezą

jest hipoteza zerowa postaci:

H

0

: a

I

= a

II

= a

*

III

wobec

alternatywnej

H

1

: a

I

= a

II

= a

*

III

.

Teraz sprawdzianem prawdziwości hipotezy zerowej jest
statystyka postaci:

która w przypadku prawdziwości hipotezy zerowej statystyka

F

ma rozkład

F-Snedecora o

ν

1

=k+1

i

ν

2

. Weryfikacja prawdziwości hipotezy

zerowej jest prowadzona tak samo jak poprzednio.

.

,

,

:

gdzie

,

...

n

1

m

t

2

III

e

1

k

m)

(n

1

2

III

S

m

1

t

2

II

e

1

k

m

1

2

II

S

III

S

II

S

,n

1,

m

t

,

t

ε

*

t

ε

,

it

x

*

it

x

,

t

y

*

t

y

.

,

*

*

*

*

1

k

1)

2(k

n

e

e

e

e

e

e

e

e

e

e

F

III

T

III

II

T

II

III

T

III

II

T

II

I

T

I

background image

9

GK (WEiP(4) - 2011)

Prognoza punktowa

Wartości zmiennej prognozowanej, tj. zmiennej

objaśnianej w okresie prognozowania (prognozy) mogą być
określane za pomocą jednej liczby lub za pomocą przedziału
liczbowego, który z określonym prawdopodobieństwem
zawiera rzeczywistą wartość zmiennej prognozowanej. W
pierwszym przypadku mówi się o

prognozie punktowej

, a w

drugim – o

prognozie

przedziałowej

.

Niech oszacowany model ekonometryczny, który

będzie wykorzystywany do prognozowania ma postać:

oraz niech wektor

oznacza wektor wartości zmiennych objaśniających w okresie
prognozy.
Prognozę punktową

y

p

wyznacza się z zależności:

co w zapisie wektorowym oznacza się jako:

k

1

i

it

i

0

t

,n

1,2,

t

,

x

a

a

y

...

ˆ

*
k

*
2

*
1

T

*

x

,

,

x

,

x

1,

x

...

k

1

i

i

i

0

p

,n

1,2,

t

,

x

a

a

y

,

...

*

p

T

*

y

x a.

=

background image

10

GK (WEiP(4) - 2011)

Prognoza punktowa

W przypadku

autokorelacji składnika

losowego parametry

strukturalne modelu muszą być estymowane z zastosowaniem
jednej z dostępnych metod, najlepiej za pomocą Uogólnionej
Metody Najmniejszych Kwadratów Aitkena
. Niech

a

oznacza

wektor oszacowań parametrów strukturalnych modelu uzyskany
metodą odpowiednią dla przypadku występowania autokorelacji
składnika losowego. Ze względu na autokorelację, między
składnikami losowymi zachodzi relacja:

gdzie

oznacza rząd autokorelacji, a

t

– proces czysto losowy.

Parametry

i

,

(

i=0,1,2,…,

) można oszacować za pomocą

KMNK, używając zamiast nieznanych wielkości

t

, reszt modelu

e

t

. Prognozę wartości składnika losowego w okresie prognozy

T

otrzymuje się z zależności:

gdzie

b

i

są ocenami parametrów strukturalnych

i

.

Prognozę

y

T

p

w okresie prognozy

T

wyznaczana się z

zastosowaniem prostej reguła prognozy z poprawką, co wyraża się
zależnością:

t

0

s

t s

t

s 1

t

1,

2,...,n

.

,

t

t

t

e

b

b e

x

-

=

= +

+

=

+

� +

p

T

0

s

T s

s 1

T n,

b

b e ,

t

e

-

=

>

= +

k

p

*

p

T

0

i it

T

i 1

T n

y

a

a x

,

.

e

=

>

= +

+

background image

Średniokwadratowy błąd prognozy

ex ante

dla

rozpatrywanego przypadku wyznacza się z zależności:

gdzie:

x

*

- wektor wartości zmiennych objaśniających w okresie

prognozowania,

S

e

2

- estymator wariancji składnika losowego modelu.

Średni względny błąd

predykcji (prognozy)

ex ante

wyraża się zależnością:

Błędy ex post

(np. ME, MAE, Thiela) wyznacza się ze znanych

zależności.

Zbyt wielkie różnice pomiędzy prognozami a rzeczywistymi

wartościami zmiennej prognozowanej, stwierdzone na
podstawie analiz błędów

ex post

sugerują małą przydatność

modelu do prognozowania ze względu na niestabilność
parametrów strukturalnych w odniesieniu do okresów
prognozowania. Do zweryfikowania tej oceny może być
zastosowany rozpatrywany wcześniej

test Chowa

. W przypadku

odrzucenia hipotezy o stabilności parametrów strukturalnych
modelu prognostycznego, stosuje się następujące
postępowanie.

(

)

(

)

1

2

T

T

p

e

*

*

S

S 1 x

X X

x ,

-

=

+

p

p

p

S

v

.

y

=

11

GK (WEiP(4) - 2011)

Prognoza punktowa

background image

Przyjmuje się, że parametry strukturalne modelu

wykorzystywanego do prognozowania zostały oszacowane na
podstawie

n

danych empirycznych oraz dla niego zostały

obliczone reszty

e

n

(wektor). Na podstawie tego modelu

wykonano prognozy dla

m

,

(

m > 1

) okresów prognozowania,

a po zaobserwowaniu ich realizacji, jeszcze raz zostały
oszacowane parametry strukturalne tego modelu, teraz już
na podstawie

n+m

danych empirycznych oraz obliczane

reszty

e

n+m

(wektor).

Weryfikowaną hipotezą (zerową) jest hipoteza postaci:

H

0

: a

m+n

= a

n

wobec hipotezy alternatywnej

H

1

: a

m+n

a

n

.

Sprawdzianem prawdziwości hipotezy zerowej jest statystyka
postaci:

która w przypadku prawdziwości hipotezy zerowej ma
rozkład F-Snedecora o

ν

1

=m

i

ν

2

=n-(k+1)

stopniach swobody.

Jeżeli zachodzi nierówność

F

F*

(

F*

wartość krytyczna dla

przyjętego poziomu istotności

γ

i stopni swobody

ν

1

ioraz

ν

2

),

to nie ma podstaw do odrzucenia hipotezy zerowej, co
oznacza, że różnice pomiędzy prognozami a rzeczywistymi
realizacjami zmiennej prognozowanej nie wynikają z
niestabilności parametrów strukturalnych modelu.

,

m

1)

(k

n

e

e

e

e

e

e

F

n

T

n

n

T

n

m

n

T

m

n

12

GK (WEiP(4) - 2011)

Prognoza punktowa

background image

Prognoza przedziałowa

może być wyznaczana na

podstawie modelu ekonometrycznego, dla którego została
pozytywnie zweryfikowana hipoteza o rozkładzie normalnym
składnika losowego. Do wyznaczania prognozy przedziałowej
jest wykorzystywany

średni błąd predykcji

ex ante

, a

przedział

predykcji

dla nieznanej wartości

y

*

na poziomie ufności

1-γ

(wiarygodność prognozy) wyraża się zależnością:

gdzie

t

γ,n-k-1

jest kwantylem rzędu

γ

o

ν=n-k-1

stopniach

swobody rozkładu
t-Studenta.

W praktyce często jest również wykorzystywana

prognoza

przedziałowa dla wartości oczekiwanej prognozy

E(y

*

)

, która wyraża się zależnością:

gdzie

,

p

1

k

γ,n

p

p

1

k

γ,n

p

S

t

y

,

S

t

y

.

*

1

T

T

*

e

y

x

X

X

x

S

S

p

,

p

p

y

1

k

γ,n

1

p

y

1

k

γ,n

1

p

S

t

y

,

S

t

y

13

GK (WEiP(4) - 2011)

Prognoza przedziałowa

background image

Należy sporządzić prognozę zmiennej

y

na okres

T =

13 (T=n+2) z wykorzystaniem prostej (podstawowej) reguły
prognozowania

przyjmując, że zmienna prognozowana zależy

od dwóch zmiennych objaśniających

x

1

oraz

x

2

i zależność ta

jest modelowana za pomocą jednorównaniowego liniowego
modelu ekonometrycznego, estymowanego za pomocą
KMNK. Oszacować błąd prognozy:

ex ante

,

jako średnią z modułów błędów prognoz wygasłych (błędów

ex post

).

Dane empiryczne charakteryzujące tę zależność są podane w
poniższej tabeli
:

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

6

98

13

14,5

7

105

11

15,3

8

110

11

17,8

9

116

10

18,5

10

127

9

20,5

11

135

6

21,7

Przykład

14

GK (WEiP(4) - 2011)

background image

Rozwiązanie.

Zasada:

Prognozy wygasłe używane do oszacowania błędu

prognozy (autentycznej, tj. poszukiwanej w zadaniu) muszą
być sporządzane według takiej samej reguły i na taką samą
odległość jak prognoza autentyczna.

Spełnienie powyższej zasady wymaga, aby prognozy wygasłe
były sporządzane w okresie równym 2 (zgodnie z założeniami
zadania).
1.Estymacja modelu liniowego

na podstawie wszystkich danych empirycznych:

t

0

1 1t

2 2t

t

t=1,2,...,11

y

x

x

,

a

a

a

e

= +

+

+

t

1t

2t

t=1,2,...,11

ˆy 65,890136 1,645323x

3,662131x ,

=

-

+

15

GK (WEiP(4) - 2011)

Przykład

background image

2. Prognoza jest obliczana jako zwykła ekstrapolacja zmiennej

prognozowanej na okres

T=13 (n+2)

. Ze względu na brak

informacji o wartościach zmiennych objaśnianych w okresie
prognozowania, ustalono je na drodze liniowej ekstrapolacji
na okres prognozowania i otrzymano:

Stąd prognoza:

3. Średniokwadratowy błąd prognozy

ex ante

:

*

*

1T

2T

T n 2 11 2 13.

x

4,0, x

23,8,

= + =

+ =

=

=

p

T

T

T=13.

ˆ

y

y

65,890136 1,645323 4,0 3,662131 23,8 146,4676,

׻+�-==

(

)

[

]

1

2

T

T

S

S

1 x

X X

x

p

e

*

*

60,826099

1,986105

2,226719

1

1 1 4,0 23,8

1,986105 0,0663063 0,0715544

4,0

2,226719 0,0715544 0,0828094 23,8

1,9325297

1,7234.

-

=

+

=

-

-

=

� +

-

-

��

��

��

��

��

16

GK (WEiP(4) - 2011)

Przykład

background image

4. Prognozy wygasłe i ich błędy.

W celu uzyskania możliwie największej liczby ocen błędów
prognoz wygasłych o okresie prognozowania podanym w
treści zadania

(T=n+2)

przy zachowaniu warunków

KMNK, przyjmuje się, że pod uwagę będą brane kolejne
„początkowe” podzbiory danych empirycznych. Przyjmuje
się także, iż pierwszy taki podzbiór będzie liczył

5

obserwacji, drugi –

6

itd., a ostatni

9

obserwacji.

Poszczególne podzbiory danych empirycznych,
wyestymowane na ich podstawie kolejne modele oraz
odpowiadające im prognozy zostały zestawione poniżej:

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

t

1t

2t

p

7

7

t=1,2,...,5,

ˆy

51,5376 1,16209x

4,15466x ,

ˆ

y

y

102,0885.

=

-

+

=

=

17

GK (WEiP(4) - 2011)

Przykład

background image

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

6

98

13

14,5

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

6

98

13

14,5

7

105

11

15,3

2t

t

1t

p

8

8

t=1,2,...,6,

ˆy

39,13688 0,88026x

4,81579x ,

ˆy

115,1750.

y

=

-

+

= =

2t

t

1t

p

9

9

t=1,2,...,7,

ˆy

41,9332 1,01771x

4,79562x ,

ˆy 120,0679.

y

=

=

-

+

=

18

GK (WEiP(4) - 2011)

Przykład

background image

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

6

98

13

14,5

7

105

11

15,3

8

110

11

17,8

t

y

x

1

x

2

1

64

22

9,2

2

73

19

10,5

3

76

18

11,0

4

81

16

11,7

5

90

14

13,4

6

98

13

14,5

7

105

11

15,3

8

110

11

17,8

9

116

10

18,5

t

1t

2t

p

10

10

t=1,2,...,8,

ˆy

90,96074 2,31996x

2,53026x ,

ˆ

y

y

121,2554.

=

=

-

+

=

1t

t

2t

p

11

11

t=1,2,...,9,

ˆy

80,7798 2,04876x

2,99781x ,

ˆ

y

y

132,1056.

=

-

+

=

=

19

GK (WEiP(4) - 2011)

Przykład

background image

5. Zestawienie błędów prognozy

ex post

dla prognoz

wygasłych:

6. Zestawienie błędów

ex ante

i

ex post

:

Błąd

ex ante

:

1,7234

,

Błąd

ex post

na podstawie prognoz wygasłych:

4,1587

.

t

y

x

1

x

2

Progno

za

Błąd

prognozy

Moduł błędu

7

105 11,2 15,3

102,088

5

2,9115

2,9115

8

110 11,0 17,8

115,175

0

-5,1750

5,1750

9

116 10,4 18,5

120,067

9

-4,0679

4,0679

10

127

9,3

20,5 121,255

4

5,7446

5,7446

11

135

6,7

21,7

132,105

6

2,8944

2,8944

Błąd ex post

(MAE)

4,1587

20

GK (WEiP(4) - 2011)

Przykład

background image

21

GK (WEiP(4) - 2011)


Document Outline


Wyszukiwarka

Podobne podstrony:
WEiP (5 Prognozowanie na podstawie modeli ekonometrycznych 2010)
Prognozowanie na podstawie modeli autoregresji
MP Wykład 7A Prognozowanie na podstawie modelu ekonometrycznego
3. Prognozowanie na podstawie modeli autoregresyjnych
Prognozowanie na podstawie modeli autoregresji
J Ossowski Prognozowanie Na Podstawie Modeli Multiplikatywnych Względne Błędy Prognoz
Prognozowanie na podstawie modelu ekonometrycznego
5 Prognozowanie na podstawie modelu ekonometrycznego zadaniaid 26868
8 wnioskowanie na podstawie modelu ekonometrycznego prognozowanie ekonometryczne
podstawowe pojęcia prognozowania i symulacji na podstawie mo, Ekonometria
8 wnioskowanie na podstawie modelu ekonometrycznego prognozowanie ekonometryczne
2 Prognozowanie na podstawie s Nieznany (2)
Prognozowanie na Podstawie Łancuchów Markowa p10x2 scan!!
Wyklad 4 - Prognozowanie na podstawie szeregow czasowych, PROGNOZOWANIE GOSPODARCZE
2 Prognozowanie na podstawie s Nieznany (2)
Prognozowanie na Podstawie Łancuchów Markowa p10x2 scan!!

więcej podobnych podstron