78. Одномерный анализ Фурье
Одним из основных методов моделирования сезонных и циклических колебаний является метод, основанный на применении одномерных рядов Фурье. В свою очередь, ряды Фурье являются одной из разновидностей спектрального анализа.
С помощью спектрального анализа в структуре временного ряда определяется пик отклонений от тренда, что позволяет рассчитать длительность периодической компоненты ряда.
Для того, чтобы к временному ряду можно было применять методы спектрального анализа, его необходимо привести к стационарному виду.
Суть спектрального анализа заключается в том, что случайный стационарный процесс представляется как сумма гармонических колебаний различных частот, называемых гармониками.
Спектромназывается функция, которая описывает распределение амплитуд случайного стационарного процесса по различным частотам.
Сезонная компонента временного ряда может быть разложена в ряд Фурье.
Сезонные колебания, разложенные рядом Фурье, представляют собой сумму нескольких синусоидальных и косинусоидальных гармоник с различными периодами:
где uk, υk – некоррелированные случайные величины с нулевым математическим ожиданием и одинаковыми дисперсиями:
D(uk)=D(υk)=Dk;
ωk– длина волны функции синуса или косинуса, называемая частотой.
Частота выражается числом циклов (периодов) в единицу времени.
Цель спектрального анализа временных рядов заключается в оценивании спектра ряда. Спектр временного ряда можно определить как разложение дисперсии ряда по частотам для определения значимых гармоник.
Значение спектра временного ряда рассчитывается по формуле:
где ωj – частоты, для которых оцениваются спектры:
ck– автокорреляционная функция, значения которой рассчитываются по формуле:
λk – специально подобранные веса значений ковариационной функции, зависящие от частоты m, которые называются корреляционным окном.
Корреляционным окном называется преобразованная форма взвешенного скользящего среднего шириной m.
Дисперсия ряда Фурье рассчитывается по формуле:
Дисперсия ряда Фурье равна сумме всех гармоник её спектрального разложения.
Следовательно, дисперсия D(yt) распределена по различным частотам. Графически распределение дисперсии ряда Фурье изображается с помощью периодограммы. Суть анализа периодограммы заключается в определении частоты или периода с наибольшими спектральными плотностями, которые вносят наибольший вклад в периодические колебания временного ряда, что позволит определить его основной период колебания.
Ряд Фурье вида
можно рассматривать как линейную модель множественной регрессии.
Результативной переменной в данной модели будут являться значения временного ряда, а независимыми переменными – функции синусов всех возможных частот. Коэффициенты uk при косинусах и υk при синусах будут представлять собой коэффициенты модели регрессии, которые показывают степень, с которой коррелированности соответствующих функций с исходными данными. Если рассчитанное значение коэффициента при определённом синусе или косинусе достаточно велико, то на соответствующей частоте в исходных данных существует строгая периодичность.
- Ангелина Витальевна Яковлева
- 2. Основные математические предпосылки эконометрического моделирования. Закон больших чисел, неравенство и теорема Чебышева
- 3. Теоремы Бернулли и Ляпунова
- 4. Виды эконометрических моделей
- 5. Классификация эконометрических моделей
- 6. Этапы эконометрического моделирования. Проблемы, решаемые при эконометрическом исследовании
- 7. Сбор статистических данных для оценивания параметров эконометрической модели
- 8. Классификация видов эконометрических переменных и типов данных. Проблемы, связанные с данными
- 9. Общая модель парной (однофакторной) регрессии
- 10. Нормальная линейная модель парной (однофакторной) регрессии
- 11. Критерии оценки неизвестных коэффициентов модели регрессии
- 12. Оценивание неизвестных коэффициентов модели регрессии методом наименьших квадратов. Теорема Гаусса – Маркова
- 13. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели парной регрессии
- 14. Оценка коэффициентов модели парной регрессии с помощью выборочного коэффициента регрессии
- 15. Оценка дисперсии случайной ошибки модели регрессии
- 16. Состоятельность и несмещённость мнк-оценок
- 17. Эффективность мнк-оценок мнк
- 18. Характеристика качества модели регрессии
- 19. Понятие статистической гипотезы. Общая постановка задачи проверки статистической гипотезы
- 20. Ошибки первого и второго рода. Понятие о статистических критериях. Критическая область, критические точки
- 21. Правосторонняя критическая область. Левосторонняя и двусторонняя критические области. Мощность критерия
- 22. Проверка гипотезы о значимости коэффициентов модели парной регрессии
- 23. Проверка гипотезы о значимости парного коэффициента корреляции
- 24. Проверка гипотезы о значимости модели парной регрессии. Теорема о разложении сумм квадратов
- 25. Точечный и интервальный прогнозы для модели парной регрессии
- 26. Линейная модель множественной регрессии
- 27. Классический метод наименьших квадратов для модели множественной регрессии. Метод Крамера
- 28. Линейная модель множественной регрессии стандартизированного масштаба
- 29. Соизмеримые показатели тесноты связи
- 30. Частные коэффициенты корреляции для линейной модели регрессии с двумя факторными переменными
- 31. Частные коэффициенты корреляции для модели множественной регрессии с тремя и более факторными переменными
- 32. Построение частных коэффициентов корреляции для модели множественной регрессии через показатель остаточной дисперсии и коэффициент множественной детерминации
- 33. Коэффициент множественной корреляции. Коэффициент множественной детерминации
- 34. Проверка гипотезы о значимости частного и множественного коэффициентов корреляции
- 35. Проверка гипотезы о значимости коэффициентов регрессии и модели множественной регрессии в целом
- 36. Процедура проверки адекватности оцененной линейной эконометрической модели на примере модели Оукена
- 37. Определение мультиколлинеарности. Последствия мультиколлинеарности. Методы обнаружения мультиколлинеарности
- 38. Методы устранения мультиколлинеарности
- 39. Модели регрессии, нелинейные по факторным переменным
- 40. Модели регрессии, нелинейные по оцениваемым коэффициентам
- 41. Модели регрессии с точками разрыва
- 42. Метод наименьших квадратов для моделей регрессии, нелинейных по факторным переменным
- 43. Метод наименьших квадратов для моделей регрессии, нелинейных по оцениваемым коэффициентам
- 44. Методы нелинейного оценивания коэффициентов модели регрессии
- 45. Показатели корреляции и детерминации для нелинейных моделей регрессии
- 46. Проверка гипотезы о значимости нелинейной модели регрессии. Проверка гипотезы о линейной зависимости между переменными модели регрессии
- 47. Тесты Бокса-Кокса и Зарембеки выбора модели регрессии
- 48. Коэффициенты эластичности
- 49. Производственные функции
- 50. Двухфакторная производственная функция Кобба-Дугласа
- 51. Показатели двухфакторной производственной функции Кобба-Дугласа
- 52. Метод наименьших квадратов для двухфакторной производственной функции Кобба-Дугласа. Эффект от масштаба производства
- 53. Двухфакторная производственная функция Солоу
- 54. Многофакторные производственные функции
- 55. Модели бинарного выбора
- 56. Метод максимума правдоподобия
- 57. Гетероскедастичность остатков модели регрессии
- 58. Тест Глейзера обнаружения гетероскедастичности остатков модели регрессии
- 59. Тест Голдфелда-Квандта обнаружения гетероскедастичности остатков модели регрессии
- 60. Устранение гетероскедастичности остатков модели регрессии
- 61. Автокорреляция остатков модели регрессии. Последствия автокорреляции. Автокорреляционная функция
- 62. Критерий Дарбина-Уотсона обнаружения автокорреляции остатков модели регрессии
- 63. Устранение автокорреляции остатков модели регрессии
- 64. Методы Кохрана-Оркутта и Хилдрета-Лу оценки коэффициента автокорреляции
- 65. Обобщённая модель регрессии. Обобщённый метод наименьших квадратов. Теорема Айткена
- 66. Доступный обобщённый метод наименьших квадратов. Взвешенный метод наименьших квадратов
- 67. Модели регрессии с переменной структурой. Фиктивные переменные
- 68. Тест Чоу
- 69. Спецификация переменных
- 70. Компоненты временного ряда
- 71. Метод проверки гипотезы о существовании тренда во временном ряду, основанный на сравнении средних уровней ряда
- 72. Критерий «восходящих и нисходящих» серий. Критерий серий, основанный на медиане выборочной совокупности
- 73. Метод Форстера-Стьюарта проверки гипотез о наличии или отсутствии тренда. Метод Чоу проверки стабильности тенденций
- 74. Аналитический вид тренда
- 75. Адекватность трендовой модели
- 76. Сезонные и циклические компоненты временного ряда
- 77. Сезонные фиктивные переменные
- 78. Одномерный анализ Фурье
- 79. Методы фильтрации временного ряда
- 80. Автокорреляция уровней временного ряда. Анализ структуры временного ряда на основании коэффициентов автокорреляции
- 81. Стационарный процесс. Стационарный временной ряд. Белый шум
- 82. Линейные модели стационарного временного ряда
- 83. Модель авторегрессии и проинтегрированного скользящего среднего
- 84. Показатели качества модели авторегрессии и проинтегрированного скользящего среднего
- 85. Критерий Дикки-Фуллера проверки наличия единичных корней
- 86. Цензурированные результативные переменные
- 87. Системы эконометрических уравнений
- 88. Структурная и приведённая формы системы одновременных уравнений. Идентификация модели
- 89. Условия идентификации структурной формы системы одновременных уравнений
- 90. Косвенный метод наименьших квадратов (кмнк)
- 91. Метод инструментальных переменных
- 92. Двухшаговый метод наименьших квадратов (дмнк)
- 93. Спецификация и приведенная форма эконометрических моделей в виде системы одновременных уравнений. Эконометрическая модель Самуэльсона-Хикса делового цикла экономики
- 94. Динамические эконометрические модели
- 95. Модели авторегрессии
- 96. Модели с распределённым лагом
- 97. Метод Алмон
- 98. Нелинейный метод наименьших квадратов. Метод Койка
- 99. Модель адаптивных ожиданий (мао)
- 100. Модель частичной (неполной) корректировки (мчк)