Prognozowanie na podstawie modelu ekonometrycznego


Prognozowanie na podstawie modelu ekonometrycznego

Model ekonometryczny jest statystycznym opisem zależności między zmiennymi relacji będących obrazem rzeczywistości ekonomicznej ale przede wszystkim jest instrumentem analizy modelowanych zależności.

Ponieważ model budowany jest w oparciu o informacje z przeszłości, chcemy wiedzieć jakie są możliwości wykorzystania modelu do opisu przyszłości. Opis taki z pewnością wymaga przyjęcia istotnych dla wiarygodności opisu założeń, czego dotyczą?.

  1. Założenia, że zbudowany został „dobry model”,

  1. Relacje strukturalne są stabilne w czasie, daje to przekonanie, że związki opisane w oparciu o informacje z przeszłości będą miały podobne charakterystyki w horyzoncie prognozy,

  1. Składnik losowy ma stały rozkład w czasie. Oznacza to, że nie pojawiają się nowe istotne zmienne oddziaływujące na zmienną prognozowaną, dotychczasowe natomiast nie zmieniają swego oddziaływania zgodnie z założeniem 2,

  1. Znane są wartości zmiennych objaśniających /lub ich rozkłady prawdopodobieństwa/ w momencie lub okresie prognozowanym,

  1. Nie istnieją ograniczenia co do możliwości ekstrapolacji modelu.

Prognozowanie na podstawie modelu jednorównaniowego

Z założenia model jest relacją np. liniową postaci: 0x01 graphic
, t0x01 graphic
[1, n]. Chcąc wyznaczyć prognozy zmiennej Y zakładamy, że wartości zmiennych {0x01 graphic
} dla w przedziale horyzontu prognozy / t > n / są znane i równe odpowiednio {0x01 graphic
}, składnik losowy ma wariancję 0x01 graphic
i wartość oczekiwaną E(ξ)= 0. Stąd:

0x01 graphic
.

Ponieważ rzeczywiste wartości parametrów strukturalnych 0x01 graphic
nie są znane, potrafimy dokonać oceny ich wartości na podstawie próby statystycznej, stąd jeżeli oceny są nieobciążone /stosując kmnk, mamy taką gwarancję/, to zamiast wartości parametrów możemy przyjąć ich oceny z próby, a zatem: 0x01 graphic
, dla t > n.

Oceny parametrów strukturalnych {0x01 graphic
} oznaczają przeciętne zmiany wartości zmiennej prognozowanej, jakie powodowała w przeszłości zmiana i- tej zmiennej o jednostkę, przy założeniu, że pozostałe zmienne pozostawały niezmienne.

Przedstawiony algorytm konstrukcji prognoz, pozwala wyznaczyć prognozę punktową. Z uwagi na to, że prognoza zmiennej Y jest wyznaczona na poziomie oczekiwanej wartości zmiennej prognozowanej w momencie lub też okresie prognozy, algorytm konstrukcji prognoz określany jest w literaturze przedmiotu jako prognozowanie według zasady nieobciążonej.

Prognoza przedziałowa: konstrukcja przedziału prognozy, tj. przedziału liczbowego, do którego z góry zadanym prawdopodobieństwem p, zwanym wiarygodnością prognozy, należeć będzie przyszła wartość prognozowanej zmiennej. W praktyce jest to przedział symetryczny wokół wartości oczekiwanej zmiennej prognozowanej E(Yt), na moment lub okres T prognozy 0x01 graphic
:

P(0x01 graphic
- u 0x01 graphic
0x01 graphic
0x01 graphic
0x01 graphic
0x01 graphic
+ u 0x01 graphic
) = p,

gdzie: u - współczynnik zależny od rozkładu zmiennej prognozowanej oraz długości szeregu czasowego (u > 0).

Jeżeli w procesie weryfikacji hipotezy zgodności rozkładu reszt modelu z rozkładem normalnym składnika losowego, hipoteza nie została odrzucona, to wartość współczynnika u odczytywana jest z tablic rozkładu normalnego (dla n> 30) lub z tablic rozkładu t - Studenta dla n - 2 stopni swobody i prawdopodobieństwa 1 - p.

Jeśli hipotezy o zgodności rozkładu reszt z rozkładem normalnym nie można przyjąć, wówczas wartość współczynnika u może być wyznaczona z nierówności Czebyszewa:

P {|Y - E(Y)| 0x01 graphic
u σ } 0x01 graphic
1 - 0x01 graphic
,

Dopuszczalność prognoz określana jest w oparciu o miary ex ante: bezwzględny błąd prognozy oraz względny błąd prognozy.

Prognozowanie na podstawie modelu jednorównaniowego dynamicznego

Obserwowane w praktyce zjawisko inercji procesów gospodarczych, nakazuje uzupełnić zbiór zmiennych objaśniających o zmienne objaśniane opóźnione w czasie. Niestety w przypadku modeli dynamicznych, wyraźnie uwidacznia się zależność miedzy składnikami losowymi. To sytuacja, która uchyla możliwość stosowania kmnk.

Załóżmy, że w składniku losowym występują silne związki korelacyjne, ma więc miejsce autokorelacja składnika losowego rzędu pr, wówczas:

0x01 graphic
, do oszacowania parametrów strukturalnych należy wziąć ciąg reszt {0x01 graphic
}, nie znane są bowiem rzeczywiste wartości zmiennej losowej 0x01 graphic
.

Prognozę wartości składnika losowego w okresie prognozowanym wyznaczyć można z zależności: 0x01 graphic
, t > n, gdzie 0x01 graphic
są ocenami parametrów 0x01 graphic
.

Prognoza zmiennej Y w okresie t > n będzie zatem równa:0x01 graphic
, gdzie 0x01 graphic
/i = 0, 1, 2/ są ocenami parametrów 0x01 graphic
.

Z punktu widzenia procesu prognozowania - w odróżnieniu od estymacji - brak niezależności składników losowych modelu tj. autokorelacja, nie jest zjawiskiem niekorzystnym, takie rozwiązanie poprawia dokładność prognoz.

Prognozowanie na podstawie modeli ze zmiennymi parametrami

Niekiedy weryfikując hipotezę o stabilności parametrów strukturalnych odrzucamy ją na rzecz hipotezy alternatywnej. Praktyka ekonometryczna dopuszcza przypadki konstrukcji prognoz w oparciu o modele ze zmiennymi w czasie parametrami strukturalnymi. W takich przypadkach, parametry strukturalne modelu są średnia z wartości ocen parametrów strukturalnych otrzymanych w wyniku aproksymacji segmentowej, zasady aproksymacji są następujące:

A. Ze zbiorów realizacji0x01 graphic
oraz 0x01 graphic
/i = 0, 1,…,k; t = 1, 2,…,n/ zmiennych Y oraz Xi, dla ustalonej wartości m, takiej, że k < m < n, wybierane zostają podzbiory informacji o zmiennych modelu:

1. 0x01 graphic
0x01 graphic
,

2. 0x01 graphic
0x01 graphic

n-m+1. 0x01 graphic
0x01 graphic
,

B. Na podstawie tak wybranych prób statystycznych szacowane są parametry strukturalne modelu, w rezultacie otrzymamy:

1. 0x01 graphic
+ e1t,

2. 0x01 graphic
+ e2t,

………………………………………………………………………………….,

n-m+1. 0x01 graphic
+ en-m+1 t,

C. Na podstawie informacji o oszacowanych parametrach strukturalnych w n-m+1 modelach „segmentowych” wyznaczamy średnie wartości tych parametrów:

dla dowolnego i = 1, 2, …, n-m+1 otrzymujemy 0x01 graphic
, stąd:

0x01 graphic
,

D. W oparciu o oszacowane wartości średnie parametrów w modelach segmentowych, konstruowana jest prognoza zmiennej Y:

0x01 graphic
.

Budowa prognoz na podstawie modelu wielorównaniowego

Modele proste

Parametry każdego równania modelu mogą być szacowane osobno kmnk. Jeżeli jednak składniki losowe poszczególnych równań są ze sobą powiązane, to estymator nie jest najefektywniejszy, ma to wpływ na jakość prognoz. W takiej sytuacji zalecane jest jednoczesne szacowanie wszystkich parametrów modelu . Konstrukcja prognoz identyczna jak w przypadku modeli jednorównaniowych.

Modele rekurencyjne

Jest to taka klasa modeli wielorównaniowych, które charakteryzuje szczególna budowa relacji, mianowicie w dowolnym równaniu jako zmienne objaśniające występują obok zmiennych z góry ustalonych te zmienne łącznie współzależne /nie opóźnione w czasie/, które wcześniej wystąpiły jako zmienne objaśniane, niech:

0x01 graphic
,

0x01 graphic
,

……………………………………………………………

0x01 graphic
,

0x01 graphic
.

Konstrukcję prognoz zmiennych Y1, Y2, …,YG określa się mianem prognozowania łańcuchowego, odbywa się według następującego schematu:

0x01 graphic
,

0x01 graphic
,

……………………………………………………………

0x01 graphic
,

0x01 graphic
.

Miary dokładności prognoz konstruowanych w oparciu o modele rekurencyjne, definiowane są tak jak w przypadku modeli jednorównaniowych.

Prognozowanie na podstawie modeli o równaniach współzależnych

Niech układ G relacji, opisuje zmiany G zmiennych łącznie współzależnych wskutek zmian, zarówno zmiennych łącznie współzależnych występujących w relacjach jako zmienne objaśniające oraz zmiennych z góry ustalonych:

0x01 graphic
,

0x01 graphic
,

……………………………………………………………

0x01 graphic
,

0x01 graphic
.

Konstrukcję prognoz zmiennych Y1, Y2, …,YG, odbywa się według następującego schematu:

0x01 graphic
,

0x01 graphic
,

……………………………………………………………

0x01 graphic
,

0x01 graphic
.

Z analizy współzależności pomiędzy zmiennymi Y1, Y2, …,YG wynika istotny wniosek, który wyklucza możliwość wyznaczania prognoz w oparciu o tak zdefiniowany zbiór relacji. Już w pierwszym równaniu modelu oszacowanie prognoz zmiennej Y1 wymaga wyznaczenia prognoz niektórych spośród F1 < G zmiennych łącznie współzależnych występujących w roli zmiennych objaśniających w relacji opisującej zmiany zmiennej Y1. To nie jest możliwe do zrealizowania, bowiem prognozy tych zmiennych będą szacowane wówczas gdy skonstruujemy prognozę zmiennej Y1.

Oznaczymy:

0x01 graphic
0x01 graphic
, Γ= 0x01 graphic
, Y = 0x01 graphic
, X = 0x01 graphic
, 0x01 graphic
= 0x01 graphic
,

to układ równań współzależnych można zapisać jako 0x01 graphic
= 0, jest to postać strukturalna modelu.

Załóżmy, że istnieje macierz odwrotna macierzy 0x01 graphic
, jeśli postać strukturalną modelu pomnożymy lewostronnie stronami przez 0x01 graphic
wówczas otrzymamy:

0x01 graphic
(0x01 graphic
)= 0,

0x01 graphic
,

0x01 graphic
,

0x01 graphic
,

0x01 graphic
,

gdzie: 0x01 graphic
, 0x01 graphic
, jest to postać zredukowana modelu.

W rezultacie otrzymujemy model równoważny postaci strukturalnej, w którym jedynymi zmiennymi objaśniającymi są zmienne z góry ustalone. Oznacza to, zmianę klasy wg. kryterium powiązań pomiędzy zmiennymi modelu, postać zredukowana modelu jest modelem prostym. Prognozy zmiennych łącznie współzależnych można oszacować jako 0x01 graphic
, stąd:

0x01 graphic
,

0x01 graphic
,

………………………………………………………………

0x01 graphic
,

0x01 graphic
.

„Dobry model” to model zgodny z danymi empirycznymi. Zgodności modelu potwierdza pozytywny wynik weryfikacji modelu ekonometrycznego.

W praktyce założenie stabilności struktury modelu jest bardzo kategoryczne, oznacza to, że proces prognozowania wymaga uzupełnienia o permanentne weryfikowanie stabilności struktury model, Zeliaś A. Teoria prognozy, Warszawa PWE 1984.

W takim przypadku estymatory uzyskane w wyniku kmnk nie są zgodne. Oznacza to konieczność zmiany metody estymacji. Należy zmienić metodę estymacji, wybór nie jest duży, pozostaje wybrać pomiędzy uogólnioną metodą najmniejszych kwadratów opisaną przez Aitkena, bądź podjąć próbę estymacji metodą różniczki zupełnej - Pawłowski Z. Ekonometria, PWN Warszawa 1978.

Pawłowski Z. op. cit. s. 82 - 83, autor powołuje się Goldbergera A.S., który wykazał, że w przypadku estymacji parametrów modelu uogólnioną metodą najmniejszych kwadratów Aitkena, wariancja prognozy jest mniejsza aniżeli w przypadku estymacji kmnk.

Metodę przedstawił Zellner, jej opis zamieszcza Zeliaś A. Teoria prognozy PWE Warszawa 1984



Wyszukiwarka

Podobne podstrony:
MP Wykład 7A Prognozowanie na podstawie modelu ekonometrycznego
5 Prognozowanie na podstawie modelu ekonometrycznego zadaniaid 26868
8 wnioskowanie na podstawie modelu ekonometrycznego prognozowanie ekonometryczne
8 wnioskowanie na podstawie modelu ekonometrycznego prognozowanie ekonometryczne
8 wnioskowanie na podstawie modelu ekonometrycznego prognozowanie ekonometryczne
WEiP (5 Prognozowanie na podstawie modeli ekonometrycznych 2010)
WEiP (5 Prognozowanie na podstawie modeli ekonometrycznych 2010)
WEiP (4 Prognozowanie na podstawie modeli ekonometrycznych 2011)
WEiP (5 Prognozowanie na podstawie modeli ekonometrycznych 2010)
podstawowe pojęcia prognozowania i symulacji na podstawie mo, Ekonometria
Prognozowanie na podstawie modeli autoregresji
2 Prognozowanie na podstawie s Nieznany (2)
3. Prognozowanie na podstawie modeli autoregresyjnych
Prognozowanie na Podstawie Łancuchów Markowa p10x2 scan!!
Wyklad 4 - Prognozowanie na podstawie szeregow czasowych, PROGNOZOWANIE GOSPODARCZE
Analiza polityki makroekonomicznej na podstawie modelu IS LM
Prognozowanie na podstawie modeli autoregresji
2 Prognozowanie na podstawie s Nieznany (2)
Poradnik tworzenia kart i ikon jednostek na podstawie modelu

więcej podobnych podstron