Приведение данных к сопоставимому виду с точки зрения автокорреляции, коллинеарности и временного лага является предварительным условием построения многофакторной модели динамики. Построенная с соблюдением этих условий многофакторная регрессионная модель , (где знак ( показывает номер этапа) будет характеризовать среднее влияние факторных признаков на результативный признак за рассматриваемый интервал времени. Величина этого влияния, выраженная коэффициентами регрессии, частными коэффициентами эластичности и B — коэффициентами будет изменяться от года к году. При продолжительном времени (свыше 10 лет) это будет означать недоучет влияния НТР, изменение энерговооруженности труда, замещение одного сырья другим и т. д. Эти недостатки отражения связи могут быть устранены несколькими способами. Один из них состоит в разбиении всего периода времени T на пять интервалов. При этом выдвигается гипотеза, что за равные интервалы времени коэффициенты регрессии изменяются несущественно. Исходя из этого, можно построить пять уравнений, аналогичных вышеприведенному. Следовательно, каждое значение коэффициента регрессии ai будет иметь пять оценок. Итак, получается временной ряд для каждого коэффициента регрессии. По этим рядам динамики можно построить временные модели (тренды) для каждого коэффициента по одному динамическому ряду. Так получается модель по уравнениям регрессии. Но при построении такой модели возникает ряд проблем. Прежде всего, при расчленении экономических динамических рядов и определяющих их факторов на интервалы, число интервалов должно быть достаточно велико, чтобы ряды динамики, составленные из этих интервалов, правильно отражали тенденцию изменения влияния факторных признаков на результативные. Число лет, входящих в один интервал, должно быть в 3-4 раза больше числа переменных, входящих в регрессионное уравнение. Однако мы часто располагаем более короткими рядами динамики, следовательно, практически применять такие модели крайне затруднительно, а иногда и невозможно. Поэтому рассмотрим другие методы построения многофакторных моделей. Предположим, что зависимость результативного признака экономического явления от ряда факторных может быть записана уравнением:
(t = 1, 2,..., k) и коэффициенты регрессии изменяются во времени по линейной функции так, что их можно записать уравнениями: . В этом случае уравнение регрессии имеет другой вид: . Раскрывая скобки и производя замену переменных произведения tх через z, так что: tx11 = z11; tx21 = z21; ....., txm1 = zm1, bm0 + bm01t = c0, получим новое уравнение: . Параметры этого уравнения находятся по способу наименьших квадратов и показывают, как меняется во времени действие отдельных факторов на результативный признак рассматриваемого социально-экономического явления. Применение приведенного уравнения с большим числом параметров и факторов требует использования рядов в 6-7 раза длиннее числа параметров. Однако в данном случае рассматривались линейные тренды параметров уравнения регрессии, а при криволинейных трендах число параметров самого уровня значительно увеличивается и, следовательно, ряд динамики должен быть еще длиннее. Таким образом, пользоваться только что рассмотренным методом на практике бывает затруднительно. Особенно трудно вести оценку значимости параметров. Обычно имеющиеся в распоряжении исследования временные ряды за 20-25 лет недостаточны. Они должны быть значительно длиннее, чтобы были получены достаточно достоверные выводы.
Ви переглядаєте статтю (реферат): «Прогнозирование многомерных временных рядов» з дисципліни «Бізнес-статистика та прогнозування»
