5. Как производится идентификации моделей AR(p) и ARMA(p, q) с помощью коррелограммы? Как при этом используются автокорреляция и частная автокорреляция?
6. Почему критерий Дарбина — Уотсона нельзя использовать для тестирования уравнений авторегресии на наличие автокорреляции в остатках? Какой тест на наличие автокорелляции в остатках в уравнениях авторегрессии используется в EViews? Какой лаг нужно задать в этом тесте при тестировании уравнения авторегрессии 2-го порядка?
7. Как находится квадратный корень средней ошибки предсказания? Почему для нахождения средней ошибки приходится использовать их модульные значения? Как находится средняя ошибка по модулю (%)? Для чего используется коэффициент неравенства Тейла? Какое значение коэффициента неравенства Тейла считается идеальным для статистической модели?
Глава 4
Подбор адекватного уравнения авторегрессии и составление точечных и интервальных прогнозов по курсу доллара
4.1. Повышение статистической значимости коэффициентов в уравнении авторегрессии
Одним из способов повышения точности статистической модели является увеличение количества переменных, включаемых в уравнение регрессии. Однако в табл. 3.1 «Коррелограмма исходных уровней временного ряда USDollar с величиной лага от 1 до 36» хорошо видно, что коэффициент частной автокорреляции уже на лаге в три месяца становится близким к нулю. Отсюда следует вывод, что нет никакого смысла добавлять в уравнение авторегрессии 2-го порядка AR(2) со свободным членом факторную лаговую переменную с лагом в три месяца и более.
Вместе с тем вывод итогов как в Excel, так и в EViews для этого уравнения свидетельствует, что величина P-значений включенных в него коэффициентов далеко не одинакова (см. табл. 3.2 и 3.3). Так, Р-значения для коэффициентов регрессии факторных переменных USDollar(-l) и USDollar(-2) практически равны нулю, что свидетельствует об их статистической значимости с 99 %-ным уровнем надежности. А вот Р-значение для коэффициента свободного члена (константы) этого уравнения регрессии равно 0,037226, что свидетельствует о его статистической значимости лишь с 95 %-ным уровнем надежности (точнее сказать, с 96,28 %-ным уровнем надежности: 100 %-3,72 %).
Следовательно, чтобы повысить точность наших прогнозов, мы попробуем решить уравнение регрессии, исключив из формулы (3.14) статистически менее значимый свободный член. С этой целью необходимо воспользоваться алгоритмом действий № 6 «Как решить уравнение регрессии в EViews» (см. главу 3), но при выборе параметров оцениваемой статистической модели (см. шаг 3 этого алгоритма) мини-окно EQUATION SPECIFICATION нужно заполнить следующим образом:
USDollar USDollar(-l) USDollar(-2). (4.1)
Фактически в буквенной форме формула (4.1) приобретет следующий вид:
USDOLLAR = а × USDOLLAR(-l) + b × USDOLLAR(-2). (4.2)
Причем, введя спецификацию (4.1) в EViews, мы тем самым даем программе задание оценить коэффициенты а и b из формулы (4.2). В результате EViews выдает итоги, которые заносятся в табл. 4.1. На основе данных этой таблицы мы получаем уравнение авторегрессии 2-го порядка AR(2) без константы со следующими параметрами:
USDOLLAR = 1,321092 × USDOLLAR(-l) — 0,319415 × USDOLLAR(-2), (4.3)
где USDollar — зависимая переменная, курс доллара США;
USDollar(-l) — независимая переменная, курс доллара США с лагом в один месяц;
USDollar(-2) — независимая переменная, курс доллара США с лагом в два месяца.
Экономическая интерпретация этого уравнения авторегрессии 2-го порядка следующая: во-первых, в период с июня 1992 г. по апрель 2010 г. рост на 1 руб. курса доллара в текущем месяце приводил к повышению прогнозируемого курса доллара в будущем месяце в среднем на 1,3210 руб.; во-вторых, одновременно с этим рост курса доллара в прошлом месяце приводил к снижению прогнозируемого курса доллара в будущем месяце в среднем на 0,3194 руб.
Судя по табл. 4.1, все коэффициенты в этом уравнении имеют Р-значения (Prob.) = 0, а следовательно, можно сделать вывод, что они значимы с 99 %-ным уровнем надежности. Вполне очевидно, этого нам удалось добиться благодаря тому, что мы убрали из уравнения авторегрессии свободный член. Но как этот факт повлиял в целом на прогностические качества этой статистической модели?
Если посмотреть на коэффициент детерминации R2 (R-squared), то видно, что после удаления константы он уменьшился весьма незначительно: с 99,53 % (0,9953) до 99,52 % (0,9952), или на 0,01 процентного пункта. Еще меньше снизился скорректированный коэффициент детерминации R2 (Adjusted R-squared). Вместе с тем в уравнении авторегрессии без свободного члена незначительно снизился логарифм максимального правдоподобия (его более высокое значение, как правило, свидетельствует о более высоком качестве прогноза) и одновременно с этим незначительно повысилась величина информационного критерия Акаика (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза). Однако плюсом для уравнения без константы стал тот факт, что информационный критерий Шварца, который сильнее «штрафует» включение в уравнение регрессии дополнительных факторов, у него оказался ниже (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза).
4.2. Оценка точности прогностической модели, проверка остатков на автокорреляцию и стационарность
Далее проверим уравнение AR(2) без константы на наличие автокорреляции в остатках с помощью LM-теста Бройша — Годфри, используя при этом алгоритм действий № 7. При этом в мини-окне LAG SPECIFICATION зададим величину лага, равную 2, поскольку мы тестируем уравнение авторегрессии 2-го порядка. Полученные результаты занесем в табл. 4.2. Поскольку значимость (Probability) главного критерия этого теста «Наблюдения × R2»(Obs × R-squared) равна 0,1069, то, следовательно, нулевая гипотеза об отсутствии автокорреляции в остатках не может быть отклонена с 95 %-ным уровнем надежности (а точнее сказать, с 89,31 %-ным уровнем надежности). Если сравнить последнюю цифру с аналогичными данными табл. 3.4, то об отсутствии автокорреляции в остатках в последнем случае можно говорить с большей уверенностью.
Таким образом, сравнение параметров, с одной стороны, уравнения AR(2) с константой (см. табл. 3.3), а с другой стороны, уравнения AR(2) без константы (см. табл. 4.1) не помогло нам сделать окончательный вывод в пользу одного из них. Аналогичный результат у нас получился и по итогам проведения LM-теста Бройша — Годфри на наличие автокорреляции в остатках. Поэтому мы решили оценить точность прогнозов, сделанных с помощью уравнения авторегрессии без константы, воспользовавшись алгоритмом действий № 8 «Как оценить точность статистической модели в EViews». В результате получилась табл. 4.3.
