Чтобы получить данную работу в формате .docx на свой E-mail - добавьте комментарий внизу страницы.

  • Вид работы:
    Курсовая работа (т)
  • Предмет:
    Менеджмент
  • Язык:
    Русский , Формат файла: MS Word 480,15 Кб

Построение эконометрических моделей, представленных различными типами временных рядов

БЕЛОРУССКИЙ
ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Экономический
факультет

Кафедра
банковской и финансовой экономики

Курсовой
проект

Построение
эконометрических моделей, представленных различными типами временных рядов

Студентки 3 курса

отделения «Финансы и кредит»

Ряшницевой Юлии Дмитриевны

Научный руководитель

преподаватель

Абакумова Ю.Г.

Минск,
2007 г.

Содержание

Введение

.
Теоретический раздел

.
Аналитический раздел

Заключение

Список
использованной литературы

Приложения

ВВЕДЕНИЕ

Целью исследования является эконометрическое
моделирование денежного агрегата М0, в зависимости от валового внутреннего
продукта (GNP), индекса потребительских цен (IPC).

Зависимость между выбранными
экономическими показателями известна из макроэкономической теории, так
например, можно выбрать в качестве основной формулу обмена

Построение эконометрических моделей, представленных различными типами временных рядов

, где

Построение эконометрических моделей, представленных различными типами временных рядов

 (

Построение эконометрических моделей, представленных различными типами временных рядов

денежный
мультипликатор),

Построение эконометрических моделей, представленных различными типами временных рядов

 – скорость обращения денег по
доходу,

Построение эконометрических моделей, представленных различными типами временных рядов

 уровень
цен,

Построение эконометрических моделей, представленных различными типами временных рядов

 – реальный ВВП. Так же она
подтверждается в работах множества исследователей, построенными на основе
эмпирических статданных эконометрическими моделями для разных стран.

При построении эконометрической
модели зависимости денежного агрегата M0 от ВВП(GNP) и индекса потребительских
цен (CPI) в Республики Беларусь использовались данные за 2005-2006 года по
месяцам (данные в Приложении 1).



При построении эконометрических
моделей необходимо учитывать является ли временные ряды стационарными.

Ряд

Построение эконометрических моделей, представленных различными типами временных рядов

 называется строго стационарным,
если совместное распределение m наблюдений

Построение эконометрических моделей, представленных различными типами временных рядов

 не зависит от сдвига по времени, то
есть совпадает с распределением

Построение эконометрических моделей, представленных различными типами временных рядов

 для любых m,t,t2,…,tm.

Ряд

Построение эконометрических моделей, представленных различными типами временных рядов

 называется слабо стационарным, если
его средняя, дисперсия и ковариация не зависит от времени:

Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

Если нарушается хотя бы одно из этих
условий то ряд становиться нестационарным.

Временные ряды бывают:

нестационарными по среднему

нестационарными по дисперсии.

Временной ряд является
нестационарным по среднему, если его математическое ожидание изменяется во
времени в соответствии с некоторым детерминированным или вероятностным
значением. Для описания таких временных рядов используют модели с детерминированным
трендом.

Траектории временных рядов с разными
типами трендов отличаются друг от друга. Временной ряд с детерминированным
трендом имеет линию тренда в качестве некоторой центральной линии с достаточно
частыми колебаниями выше и ниже этой линии. Такие ряды принято называть TS
рядами или стационарными относительно тренда.

Для временного ряда, который помимо
детерминированного, содержит стохастический тренд характерны длительные
пребывания значений выше или ниже центральной линии, причем отклонение может
быть достаточно значительным, в этом случае линия детерминированного тренда
перестанет играть роль центральной линии, вокруг которой колеблется траектория
процесса. Такие виды принято называть DS рядами или стационарными относительно
взятия разностей.

Дисперсия временного ряда
экономического показателя может зависеть от времени, тогда имеет место
гетероскидастичность и данный временной ряд является нестационарным по
дисперсии.



Для построения эконометрических
моделей, представленных различными типами временных рядов использовались
следующие обозначения:

Временной
ряд

Обозначение

Денежный
агрегат М0, млрд. руб.

М0

ВВП,
млрд. руб.

GDP

Индекс
потребительских цен, %

CPI

1.Теоретический раздел:

Эконометрические модели, представленные
различными типами временных рядов можно построить с помощью таких тестов как:

.тест Бреуша – Годфри, который указывает на
наличие или отсутствие автокорреляции в модели. Тест Бреуша-Годфри применяется
для больших выборок и высоких порядков авторегрессий случайных отклонений
AR(p):

εi = ρ1εi-1 + ρ2εi-2
+
ρ3εt-3+… + ρpεi-p – ut, i=1,…,n

Проверка автокорреляции сводится к проверке
гипотез

H0 : ρ1 = ρ2 =…= ρp=0: ρj ≠

Тест Бреуша-Годфри сводится к следующему:

оценить исходную регрессионную модель и получить
остатки εi;

построить и оценить модель εi
на
все регрессоры исходной модели плюс ei-1, ei-2, …, ei-p:

ei = α0 + α1xi1+ …+ αim +
γ1ei-1
+
γ2ei-2
+…+ γpei-p + ut;

определяется коэффициент детерминации
вспомогательного уравнения:

if (n-p)R2 < χ2α, n-p , то
принимается гипотеза H0

(n-p)R2 > χ2α, n-p , то
принимается гипотеза H1.

Тест Бреуша-Годфри применяется в
авторегрессионных моделях для зависимой переменной y, в моделях скользящего
среднего для случайных отклонений εi= εi-1 +
λ1ui-1 + +λ2ui-2 + … +
λpui-p, величина p априорна неизвестным и оценивается
экспертным путем с использованием информационных критериев Акаики и Шварца.

. тест Уайта, который указывает на наличие или
отсутствие гетероскедастичности в эконометрической модели. Процедура проверки
критерия Уайта состоит из:

Построения обычной линейной регрессионной модели
и нахождение остатков

Построения дополнительной модели, где в качестве
независимых переменных используются те же регрессоры, что и в п. 1, а так же их
квадраты, попарные произведения и константа. В качестве зависимой – квадраты
остатков исходной модели

Подсчета статистики критерия: W = TR2,

где T – объем выборки. Если гипотеза
H0:

Построение эконометрических моделей, представленных различными типами временных рядов

 верна, то
статистика W имеет распределение 2 с l-1 степенями свободы (l – число регрессоров
во второй модели).

.тест ADF, с помощью которого можно
проверить остатки эконометрической модели на стационарность. Тест Дики-Фуллера

В тесте Дики-Фуллера для определения
наличия “единичного корня” используют 3 типа моделей:

Построение эконометрических моделей, представленных различными типами временных рядов



Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

следовательно имеем модель
“единичного корня” и

Построение эконометрических моделей, представленных различными типами временных рядов

 нестационарен.

Расширенный тест Дики-Фуллера

Этот тест есть модификация теста
Дики-Фуллера и используется в таких случаях, когда предполагается наличие
автокорреляционных остатков

Построение эконометрических моделей, представленных различными типами временных рядов

, что может повлиять на
объективность результатов теста. В таком случае в правую часть соответствующей
регрессии вводят лаговые разности, например:

Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

 

Построение эконометрических моделей, представленных различными типами временных рядов

Для определения статистической
значимости коэффициента

Построение эконометрических моделей, представленных различными типами временных рядов

нельзя
использовать привычную статистику Стьюдента, вместо t-статистики используется

Построение эконометрических моделей, представленных различными типами временных рядов

– статистика
со специально подсчитанными критическими точками Маккиннона для уровней
значимости

Построение эконометрических моделей, представленных различными типами временных рядов



= 0,01;
0,05; 0,10. Критическая область левосторонняя.

. тест Жака-Бера. Критерий Жака-Бера
используется для проверки гипотезы о том, что исследуемая выборка xS является
выборкой нормально распределенной случайной величины с неизвестным
математическим ожиданием и дисперсией. Как правило, этот критерий применяется
перед тем, как использовать методы параметрической статистики, требующие
нормальности исследуемых случайных величин. Для проверки случайной величины на
нормальность используется тот факт, что у нормального распределения коэффициент
асимметрии и эксцесс равны нолю – отклонение этих величин от нулевого значения
может служить мерой отклонения распределения от нормального. На основе выборки
строится статистика Жака-Бера

Построение эконометрических моделей, представленных различными типами временных рядов

(здесь n – размер выборки), после
чего по таблице квантилей распределения вычисляется p-значение, соответствующее
полученному значению JB. Следует отметить, что при росте n статистика Жака-Бера
сходится к распределению хи-квадрат с двумя степенями свободы, поэтому в
практике иногда используют таблицу квантилей распределения хи-квадрат. Однако
это является ошибкой – сходимость слишком медленная и неравномерная.

В данной работе были построены:

. Коинтегрированная модель- модель
построенная из нестационарных рядов, интегрированных одного порядка.

. Модель приростов. Модель прироста
строится, временные ряды, входящие в первоначальную модель являются
интегрированными первого порядка.

. Модель первых лагов (1)

. Модель первых лагов (2) -модель в
первых лагах без данных показателей.

. ECM(1)- модель коррекции ошибок.

. Аналитический раздел

Анализ моделей

Построим модель зависимости
денежного агрегата M0 от ВВП(GNP) и индекса потребительских цен (CPI) в
Республики Беларусь за 2005-2006 года по месяцам (данные в Приложении 1).

Первоначально проверим временные
ряды на стационарность:

Ряд

ADF
ТЕСТ

Итог

Спецификация

ADF
статистика

Критическая
точка

GDP

T,1

-2,28

-3,63

I(1)

∆GDP

C,1

-5,12

-3,01

I(0)

CPI

T,2

-1,77

-3,64

I(1)


CPI

C,1

-3.63

-3,00

I(0)

M0

C,1

-1,58

-3,00

I(1)


M0

N,0

-4,52

-1,96

I(0)



Несмотря на то, что ряды не стационарны, они
являются интегрированными одного порядка, поэтому мы можем строить по ним
модель.

Модель построенная из нестационарных рядов,
интегрированных одного порядка, называется коинтегрированной моделью. Построим
коинтегрированную модель и оценим ее качество:

Variable

Coefficient

Std.
Error

t-Statistic

Prob.

C

-30355.73

3525.950

-8.609234

0.0000

GNP

0.369014

0.058231

6.337061

0.0000

CPI

274.9362

29.76776

9.236041

0.0000

R-squared = 0.803368Watson stat =
1.238616statistic = 42.89929(F-statistic) = 0.000000

По построенным данным видно, что P-вероятность и
t-статистика показывают значимость коэффициентов модели, включая свободный
член. Коэффициент детерминации, F- статистика и ее вероятность указывают на
статистическую значимость и адекватность построенной модели.

Теперь перейдем к предпосылкам нарушения МНК.
Начнем со статистки Дарбина – Уотсона и теста Бреуша – Годфри на наличие
автокорреляции в модели:

Breusch-Godfrey Serial Correlation
LM Test:

F-statistic

2.917086

 Probability

0.103122

Obs*R-squared

3.054929

 Probability

0.080493

По статистике Дарбина – Уотсона невозможно
сделать вывод о наличие автокорреляции, однако тест Бреуша – Годфри указывает
на ее присутствие, следовательно, мы принимаем гипотезу о наличие
автокорреляции в данной модели.

Теперь перейдем к тесту Уайта и оценим данную
модель на наличие гетероскедастичности:

White
Heteroskedasticity Test:

F-statistic

2.023071

 Probability

0.123816

Obs*R-squared

8.634731

 Probability

0.124551

Тест Уайта указывает на отсутствие в данной
модели гетероскедастичности.

Теперь перейдем к анализу случайных отклонений в
данной модели: проведем проверку на стационарность и нормальное распределение:

В первую очередь проверим остатки на
стационарность с помощью теста ADF:

 

ADF
Test Statistic

-3.321477

 1%
Critical Value*

-2.6700

 5%
Critical Value

-1.9566

 10%
Critical Value

-1.6235



Была взята спецификация N,0. По данному тесту
можно сделать вывод о том, что наличие стационарности случайных отклонений
данной модели подтверждается.

Теперь посмотрим на нормальное распределение
остатков с помощью теста Жака-Бера:

(JB)= 0,59

Тест Жака-бера указывает на нормальное
распределение случайных отклонений в данной модели.

Анализируя данную модель можно сделать следующий
вывод:

по P-вероятности и t- статистике коэффициенты
данной модели являются статистическизначимыми, также статистически значимой
является и сама модель по коэффициенту детерминации, F- статистике и ее
вероятности;

переходя к предпосылкам нарушения МНК, можно
отметить, что в данной модели отсутствует гетероскедастичность, но при этом
присутствует автокорреляция, что снижает эффективность оценок данной модели;

остатки в данной модели являются стационарными и
имеют нормальное распределение, что является достаточно важным условием
построения качественной модели.

Так как временные ряды, входящие в
первоначальную модель, являются интегрированными первого порядка, построим
модель приростов и оценим ее качество:

Variable

Coefficient

Std.
Error

t-Statistic

Prob.

C

174.3703

41.27483

4.224616

0.0004

D(GNP)

0.061228

0.052202

1.172913

0.2546

D(CPI)

726.3547

94.81866

7.660461

0.0000

squared = 0.805893Watson stat =
2.006428statistic = 41.51797(F-statistic) = 0.000000

По построенным данным видно, что P-вероятность и
t-статистика показывают значимость коэффициента индекса потребительских цен и
незначимость коэффициента при ВВП, однако возьмем погрешность в 25%, что
позволит сделать вывод о статистической значимости коэффициентов данной модели.
Коэффициент детерминации, F- статистика и ее вероятность указывают на
статистическую значимость и адекватность построенной модели.

Теперь перейдем к предпосылкам нарушения МНК.
Начнем со статистки Дарбина – Уотсона и теста Бреуша – Годфри на наличие
автокорреляции в модели:

Breusch-Godfrey
Serial Correlation LM Test:

F-statistic

0.088849

 Probability

0.768880

Obs*R-squared

0.107054

 Probability

0.743524

По статистике Дарбина – Уотсона и тесту Бреуша –
Годфри отчетливо видно отсутствие автокорреляции в данной модели.

Теперь перейдем к тесту Уайта и оценим данную
модель на наличие гетероскедастичности:

White
Heteroskedasticity Test:

F-statistic

0.499788

 Probability

0.736247

Obs*R-squared

2.299121

 Probability

0.680929



Тест Уайта указывает на отсутствие в данной
модели гетероскедастичности.

Теперь перейдем к анализу случайных отклонений в
данной модели: проведем проверку на стационарность и нормальное распределение:

В первую очередь проверим остатки на
стационарность с помощью теста ADF:

ADF
Test Statistic

-4.797725

 1%
Critical Value*

-2.6756

 5%
Critical Value

-1.9574

 10%
Critical Value

-1.6238

Была взята спецификация N,0. По данному тесту
можно сделать вывод о том, что наличие стационарности случайных отклонений
данной модели подтверждается.

теперь посмотрим на нормальное распределение
остатков с помощью теста Жака-Бера:

(JB)= 0,7398

Тест Жака-бера указывает на нормальное
распределение случайных отклонений в данной модели.

Анализируя данную модель можно сделать следующий
вывод:

по P-вероятности и t- статистике коэффициенты
данной модели являются статистически значимыми на уровне значимости 25%, также
статистически значимой является и сама модель по коэффициенту детерминации, F-
статистике и ее вероятности;

переходя к предпосылкам нарушения МНК, можно
отметить, что в данной модели отсутствует как гетероскедастичность, так и
автокорреляция, что указывает на эффективность и несмещенность оценок данной
модели;

остатки в данной модели являются стационарными и
имеют нормальное распределение, что является достаточно важным условием
построения качественной модели.

Теперь перейдем к построению модели в первых
лагах:

Variable

Coefficient

Std.
Error

t-Statistic

Prob.

C

-7539.345

4672.073

-1.613704

0.1250

GNP

0.032422

0.055271

0.586602

0.5652

CPI

762.8445

93.41302

8.166362

0.0000

M0(-1)

0.758026

0.130516

5.807924

0.0000

GNP(-1)

-0.002924

0.054900

-0.053264

0.9581

CPI(-1)

-689.5790

117.3987

-5.873824

0.0000

R-squared = 0.957834Watson stat =
2.699912statistic = 77.23275(F-statistic) = 0.000000

По построенным данным видно, что P-вероятность и
t-статистика показывают значимость коэффициентов, исключая коэффициенты при ВВП
и ВВП в первом лаге. Коэффициент детерминации, F- статистика и ее вероятность
указывают на статистическую значимость и адекватность построенной модели.

Теперь перейдем к предпосылкам нарушения МНК.
Начнем со статистки Дарбина – Уотсона и теста Бреуша – Годфри на наличие
автокорреляции в модели:

Breusch-Godfrey Serial Correlation
LM Test:

F-statistic

3.571374

 Probability

0.077041

Obs*R-squared

4.197028

 Probability

0.040495

По статистике Дарбина – Уотсона и тесту Бреуша –
Годфри отчетливо видно отсутствие автокорреляции в данной модели.

Теперь перейдем к тесту Уайта и оценим данную
модель на наличие гетероскедастичности:

White
Heteroskedasticity Test:

F-statistic

0.903717

 Probability

0.557476

Obs*R-squared

9.880366

 Probability

0.451051

Тест Уайта указывает на отсутствие в данной
модели гетероскедастичности.

Теперь перейдем к анализу случайных отклонений в
данной модели: проведем проверку на стационарность и нормальное распределение:

В первую очередь проверим остатки на
стационарность с помощью теста ADF:

ADF
Test Statistic

-6.807388

 1%
Critical Value*

-2.6756

 5%
Critical Value

-1.9574

 10%
Critical Value

-1.6238

Была взята спецификация N,0. По данному тесту
можно сделать вывод о том, что наличие стационарности случайных отклонений
данной модели подтверждается.

Теперь посмотрим на нормальное распределение
остатков с помощью теста Жака-Бера:

(JB)= 0,4653

Тест Жака-бера указывает на нормальное
распределение случайных отклонений в данной модели.

Анализируя данную модель можно сделать следующий
вывод:

по P-вероятности и t- статистике коэффициенты
данной модели являются статистически значимыми, исключая коэффициенты при ВВП и
ВВП в первом лаге, также статистически значимой является и сама модель по
коэффициенту детерминации, F- статистике и ее вероятности;

переходя к предпосылкам нарушения МНК, можно
отметить, что в данной модели отсутствует как гетероскедастичность, так и
автокорреляция, что указывает на эффективность и несмещенность оценок данной
модели;

остатки в данной модели являются стационарными и
имеют нормальное распределение, что является достаточно важным условием
построения качественной модели.

Так как в модели незначимыми оказались
коэффициенты при ВВП и ВВп в первом лаге попробуем построить модель в первых
лагах без данных показателей и оценим ее качество:

Variable

Coefficient

Std.
Error

t-Statistic

Prob.

C

-5806.533

1416.786

-4.098385

0.0006

CPI

797.7339

68.30743

11.67858

0.0000

CPI(-1)

-739.2640

67.97107

0.0000

M0(-1)

0.797769

0.064184

12.42942

0.0000

R-squared

0.956968

 Mean
dependent var

1966.091

Adjusted
R-squared

0.950173

 S.D.
dependent var

464.8887

S.E.
of regression

103.7721

 Akaike
info criterion

12.27904

Sum
squared resid

204604.2

 Schwarz
criterion

12.47652

Log
likelihood

-137.2090

 F-statistic

140.8431

Durbin-Watson
stat

2.734840

 Prob(F-statistic)

0.000000

squared = 0.956968Watson stat = 2.734840statistic
= 140.8431(F-statistic) = 0.000000

По построенным данным видно, что P-вероятность и
t-статистика показывают значимость коэффициентов. Коэффициент детерминации, F-
статистика и ее вероятность указывают на статистическую значимость и
адекватность построенной модели.

Теперь перейдем к предпосылкам нарушения МНК.
Начнем со статистки Дарбина – Уотсона и теста Бреуша – Годфри на наличие
автокорреляции в модели:

Breusch-Godfrey Serial Correlation
LM Test:

F-statistic

3.784356

 Probability

0.067523

Obs*R-squared

3.995536

 Probability

0.045621

По статистике Дарбина – Уотсона четко не видно
есть ли автокорреляция в данной модели, однако тест Бреуша – Годфри показывает
отсутствие автокорреляции в данной модели, следовательно принимаем гипотезу об
отсутствии автокорреляции.

Теперь перейдем к тесту Уайта и оценим данную
модель на наличие гетероскедастичности:

White
Heteroskedasticity Test:

F-statistic

1.611071

 Probability

0.207967

Obs*R-squared

8.662204

 Probability

0.193486

Тест Уайта указывает на отсутствие в данной
модели гетероскедастичности.

Теперь перейдем к анализу случайных отклонений в
данной модели: проведем проверку на стационарность и нормальное распределение:

В первую очередь проверим остатки на
стационарность с помощью теста ADF:

ADF
Test Statistic

-6.923127

 1%
Critical Value*

-2.6756

 5%
Critical Value

-1.9574

 10%
Critical Value

-1.6238

Была взята спецификация N,0. По данному тесту
можно сделать вывод о том, что наличие стационарности случайных отклонений
данной модели подтверждается.

теперь Посмотрим на нормальное распределение
остатков с помощью теста Жака-Бера:

(JB)= 0,3561

Тест Жака-бера указывает на нормальное
распределение случайных отклонений в данной модели.

Анализируя данную модель можно сделать следующий
вывод:

по P-вероятности и t- статистике коэффициенты
данной модели являются статистически значимыми, также статистически значимой
является и сама модель по коэффициенту детерминации, F- статистике и ее
вероятности;

переходя к предпосылкам нарушения МНК, можно
отметить, что в данной модели отсутствует как гетероскедастичность, так и
автокорреляция, что указывает на эффективность и несмещенность оценок данной
модели;

остатки в данной модели являются стационарными и
имеют нормальное распределение, что является достаточно важным условием
построения качественной модели.

Наконец, построим модель коррекции ошибок (ECM)
и оценим ее качество:

Variable

Coefficient

Std.
Error

t-Statistic

Prob.

C

146.1541

38.78456

3.768357

0.0013

D(GNP)

0.100672

0.049539

2.032195

0.0564

D(CPI)

639.3349

92.25471

6.930106

0.0000

RESID01(-1)

-0.342437

0.141123

-2.426512

0.0254

R-squared

0.851815

 Mean
dependent var

-8.647826

Adjusted
R-squared

0.828417

 S.D.
dependent var

298.4544

S.E.
of regression

123.6276

 Akaike
info criterion

12.62920

Sum
squared resid

290391.8

 Schwarz
criterion

12.82667

Log
likelihood

-141.2357

 F-statistic

36.40590

Durbin-Watson
stat

1.985892

 Prob(F-statistic)

0.000000

squared = 0.851815Watson stat =
1.985892statistic =36.40590(F-statistic) = 0.000000

По построенным данным видно, что P-вероятность и
t-статистика показывают значимость коэффициентов при уровне значимости 6%.
Коэффициент детерминации, F- статистика и ее вероятность указывают на
статистическую значимость и адекватность построенной модели.

Теперь перейдем к предпосылкам нарушения МНК.
Начнем со статистки Дарбина – Уотсона и теста Бреуша – Годфри на наличие
автокорреляции в модели:

Breusch-Godfrey Serial Correlation
LM Test:

F-statistic

0.025444

 Probability

0.875042

Obs*R-squared

0.032466

 Probability

0.857009

По статистике Дарбина – Уотсона и тесту Бреуша –
Годфри отчетливо видно отсутствие автокорреляции в данной модели.

Теперь перейдем к тесту Уайта и оценим данную
модель на наличие гетероскедастичности:

White
Heteroskedasticity Test:

F-statistic

0.240344

 Probability

0.956403

Obs*R-squared

1.901579

 Probability

0.928524

Тест Уайта указывает на отсутствие в данной
модели гетероскедастичности.

Теперь перейдем к анализу случайных отклонений в
данной модели: проведем проверку на стационарность и нормальное распределение:

В первую очередь проверим остатки на
стационарность с помощью теста ADF:

 

ADF
Test Statistic

-4.564575

 1%
Critical Value*

-2.6756

 5%
Critical Value

-1.9574

 10%
Critical Value

-1.6238

Была взята спецификация N,0. По данному тесту
можно сделать вывод о том, что наличие стационарности случайных отклонений
данной модели подтверждается.

Теперь посмотрим на нормальное распределение
остатков с помощью теста Жака-Бера:

(JB)= 0,882

Тест Жака-бера указывает на нормальное
распределение случайных отклонений в данной модели.

Анализируя данную модель можно сделать следующий
вывод:

по P-вероятности и t- статистике коэффициенты
данной модели являются статистически значимыми при уровне значимости 6%, также
статистически значимой является и сама модель по коэффициенту детерминации, F-
статистике и ее вероятности;

переходя к предпосылкам нарушения МНК, можно
отметить, что в данной модели отсутствует как гетероскедастичность, так и
автокорреляция, что указывает на эффективность и несмещенность оценок данной
модели;

остатки в данной модели являются стационарными и
имеют нормальное распределение, что является достаточно важным условием
построения качественной модели.

Заключение

Одним из традиционных подходов к исследованию
макроэкономических процессов является подход, основанный на использовании
эконометрических моделей. Эконометрические модели позволяют решать дос­таточно
широкий круг задач исследования: анализ причинно-следственных связей между
экономическими переменными; прогнозирование значений эко­номических переменных;
построение и выбор вариантов (сценариев) эконо­мической политики на основе
имитационных экспериментов с моделью. Мо­делирование и прогнозирование
макроэкономических процессов является, не­сомненно, актуальной проблемой и для
белорусской экономики. В данной работе были построены эконометрические модели,
которые отразили зависимость денежного агрегата M0 от валового внутреннего
продукта и индекса цен Республики Беларусь за период 2005-2006 год.

Список использованной литературы:

Eviews
5.1. User Guide. – QMS

«Эконометрика»
Бородич С.А.

www.nbrb.by
<#”580782.files/image025.gif”>

Модель приростов

Построение эконометрических моделей, представленных различными типами временных рядов

модель Первых лагов(1)

Построение эконометрических моделей, представленных различными типами временных рядов

Модель в первых лагов (2)

Построение эконометрических моделей, представленных различными типами временных рядов

(1)

Построение эконометрических моделей, представленных различными типами временных рядов

Построение эконометрических моделей, представленных различными типами временных рядов

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *