81. Стационарный процесс. Стационарный временной ряд. Белый шум
Временной ряд называется детерминированным, если значения уровней временного ряда точно определены какой-либо математической функцией, являющейся реализацией исследуемого процесса.
Временной ряд называется случайным, если уровни временного ряда могут быть описаны с помощью функции распределения вероятностей.
Таким образом, уровни временного ряда могут быть детерминированными или случайными величинами.
Уровни случайного временного ряда могут быть непрерывными и дискретными случайными величинами.
Случайная величинаХ называется дискретной, если множество её возможных значений является конечным или счётным. В качестве примера случайного временного ряда с дискретными уровнями может служить временной ряд, отражающий значения ежемесячной выдачи зарплаты рабочим.
Случайная величина Х называется непрерывной, если она может принимать любое значение из конечного или бесконечного интервала. В качестве примера случайного временного ряда с непрерывными уровнями может служить временной ряд, отражающий значения температуры воздуха, зарегистрированные с определённой периодичностью.
Стохастическим процессомназывается процесс, который развивается во времени в соответствии с законами теории вероятностей.
К стохастическим процессам относится класс стационарных процессов.
Стохастический процесс называется стационарным, если его основные свойства остаются неизменными во времени.
Предположим, что исследуется временной ряд Х. Обозначим через xt уровень данного временного ряда. Тогда стационарный процесс будет характеризоваться следующими четырьмя свойствами:
1) математическое ожидание стационарного ряда E(yt) является постоянным, т. е. среднее значение временного ряда, вокруг которого изменяются уровни, является величиной постоянной:
2) дисперсия стационарного ряда является постоянной. Она характеризует вариацию уровней временного ряда относительно его среднего значения
3) автоковариация стационарного ряда с лагом l является постоянной, т. е. ковариация между значениями xt и xt+l, отделёнными интервалом в l единиц времени, определяется по формуле:
для стационарных рядов автоковариация зависит только от величины лага l, поэтому справедливо равенство вида:
4) коэффициенты автокорреляция стационарного ряда с лагом l являются постоянными. Следовательно, автокорреляция является нормированной автоковариацией, т. к. для стационарного процесса G2(y)=const:
Таким образом, коэффициент автокорреляции порядка l определяется по формуле:
Нестационарным временным рядомназывается ряд, который не удовлетворяет вышеперечисленным свойствам.
Случайный процесс, называемый белым шумом, является частным случаем стационарных временных рядов.
Белым шумом называется случайная последовательность значений y1, y2,…,yN, если её математическое ожидание равно нулю, т.е. E(Yt)=0, где
её элементы являются некоррелированными (независимыми друг от друга) одинаково распределёнными величинами, и дисперсия является постоянной величиной D(Yt)=G2=const.
Белый шум– это теоретический процесс, который реально не существует, однако он представляет собой очень важную математическую модель, которая используется при решении множества практических задач.
- 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)