Оценки дисперсий прогнозов при детерминированных параметрах моделей.
В этой связи, в научной литературе обычно рассматриваются методы оценки дисперсий прогнозов процессов, представленных в виде временных рядов, не учитывающие ошибки оценок коэффициентов, описывающих их моделей. Таким образом, эти методы учитывают специфику моделей с детерминированными параметрами. Очевидно, что эти методы не в полной мере адекватны условиям поставленной задачи. Однако они характеризуются определенной математической строгостью и при небольших ошибках (дисперсиях) коэффициентов моделей позволяют получить относительно точные оценки дисперсий прогнозов, а следовательно, и их доверительных интервалов. Эти методы можно рассматривать как следствие более общих результатов теории прогнозирования, Г. Валдом, Н.Винером, А. Колмогоровым, П. Уиттлом.[7] В их основе лежит идея представления прогнозного значения рассматриваемого процесса, описываемого моделями типа АРСС(k, m), в виде условного математического ожидания, зависящего от известных в моменты Т, Т–1,... его значений в прошлом, и ошибки, выражаемой текущим и предшествующими значениями “белого шума”. В целях избежания излишней громоздкости рассмотрим эти методы на примере наиболее простых вариантов моделей временных рядов первого порядка. Модель АР(1). В соответствии с выражением (1) представим модель АР(1) в виде следующего уравнения: которое для наших целей более удобно представить в следующем виде: (15) Из выражения (15) вытекает, что прогноз на один шаг вперед, т. е. на момент Т+1, является случайной величиной, определяемой следующим выражением: (16) Математическое ожидание этого прогноза имеет следующий вид: (17) Ошибка такого прогноза определяется как (18) При определении дисперсии прогноза различие между параметром a1 и его оценкой a1 во внимание не принимается. В результате имеем (19) Для момента Т+2 прогноз определяется по следующей схеме: (20) Из выражения (20) следует, что математическое ожидание этого прогноза имеет следующий вид: а ошибка D уT(2) равна (21) В свою очередь, с учетом независимости e T+2 и e T+1 из выражения (21) следует, что дисперсия прогноза на момент Т+2 оценивается согласно следующему выражению: (22) Продолжая схему прогнозирования, определенную выражениями (15)-(22) несложно видеть, что прогноз на l шагов вперед на основе модели АР(1) представляется в следующем виде: (23) Его математическое ожидание определяется выражением (24) а ошибка и ее дисперсия – соответственно выражениями (25) (26) Из выражений (24), в частности, вытекает, что так как ça1ç<1, то c ростом l математическое ожидание прогноза стремится к математическому ожиданию стационарного процесса а дисперсия прогноза стремится к дисперсии процесса поскольку из выражения (26) следует, что (27) Модель СС(1).[8] Прогнозируя на момент Т+1 на основе модели СС(1) получим следующее прогнозное значение рассматриваемой переменной y: (28) Поскольку математическое ожидание ошибки e T+1 равно нулю, а ее значение в момент времени Т известно, то математическое ожидание такого прогноза равно (29) где – оценка ошибки модели в момент Т. Из (28) и (29) вытекает, что при неразличимости параметра b1 и его оценки b1 ошибка такого прогноза равна e T+1. (30) а его дисперсия – (31) Прогноз на два шага по модели СС(1) определяется выражением (32) Его математическое ожидание равно – (33) Ошибка такого прогноза равна (34) а ее дисперсия определяется следующим выражением: (35) Несложно заметить, что выражение (35) определяет величину дисперсии ошибки прогноза, полученного с использованием модели СС(1), на любое количество шагов вперед, поскольку сама ошибка представляется в следующем виде: (36) Модель АРСС(1,1).[9] Модель АРСС(1,1), являющуюся комбинацией рассмотренных выше моделей АР(1) и СС(1), представим в следующем виде: Несложно заметить, что прогнозное значение переменной уT+1 определяется следующим выражением: (37) Математическое ожидание такого прогноза с учетом равенства нулю математического ожидания ошибки e T+1 и известного значения ошибки равно (38) Прогнозируя на момент Т+2, получим следующие выражения, определяющие прогнозное значение рассматриваемой переменной и его математическое ожидание соответственно: (39) (40) Из выражений (39) и (40) вытекает, что оценка дисперсии прогноза на два шага вперед с использованием модели АРСС(1,1) может быть представлена в следующем виде: (41) Продолжая последовательно процедуру прогнозирования на момент Т+l, получим следующие выражения прогнозного значения случайной величины и ее математического ожидания: (42) (43) Соответственно из выражений (42) и (43) вытекает, что оценка дисперсии этой ошибки (дисперсии прогноза) может быть определена следующим образом: (44) Несложно показать, что l®¥ оценка дисперсии прогноза уT+l стремится к следующему пределу: (45) По аналогичной схеме в предположении о детерминированном характере показателей моделей могут быть получены выражения, определяющие оценки дисперсий прогнозов моделей временных рядов и других модификаций, включая модели финансовой эконометрики.
Популярное: Генезис конфликтологии как науки в древней Греции: Для уяснения предыстории конфликтологии существенное значение имеет обращение к античной... Почему стероиды повышают давление?: Основных причин три... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (214)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |