Лекции по Эконометрике - файл n1.doc

Лекции по Эконометрике
скачать (4157.8 kb.)
Доступные файлы (7):
n1.doc198kb.30.04.2010 15:45скачать
n2.docскачать
n3.docскачать
n4.docскачать
n5.docскачать
n6.shs
n7.doc396kb.30.04.2010 15:45скачать

n1.doc





Лекция №1 (стр. 5 -
Что такое эконометрика, ее основная задача, инструментарии, цель и практическая ценность. Достижения информационных технологии и развитие эконометрики. Видающиеся ученые эконометристи.

По мере развития экономики возросла необходимость более детального анализа экономических процессов и задач, возникли новые понятия и термины, показатели и характеристики, стали более широко применять математические инструментарии.

Если в период централизованной плановой экономики основной упор делался на балансовых и оптимизационных методах исследования, то в период рыночной экономики возрастает необходимость развития методов и моделей, описывающих стохастические, хаотические процессы, чем и занимается эконометрика.

Термин «эконометрика» (эконометрия) введен в научную литературу в 1930г. Норвежским статистиком Рагнаром Фришем для обозначения нового направления научных исследований.

Цель исследований – выяснение экономической ситуации и прогнозирование развития с помощью математического моделирования экономических процессов, обработки и количественного анализа статистической экономической информации.

На основе статистической экономической информации (которая отражает распределение показателей и характеристик во времени или (и) в пространстве однородных объектов) эконометрические модели описывают взаимообусловленное развитие процессов, делают возможным анализ и прогноз общих закономерностей и конкретных количественных характеристик рассматриваемых процессов, а также определение управляющих воздействий.

Эконометрист (эконометрика) опираясь на экономической теории и на эмпирические данные, формирует модели, оценивает параметры (характеристики), делает прогнозы и дает рекомендации по управлению экономикой.

Эконометрика как самостоятельная наука (дисциплина) возникла в середине прошлого века и бурно развивалась на стыке различных дисциплин, основные из которых экономическая теория(макро- и микроэкономика) и математика.

Сегодня трудно представить экономиста с высшим профессиональным образованием без знания эконометрических методов. Без таких знаний невозможно исследовать и теоретически обобщать эмпирические зависимости экономических переменных, невозможно построить надежный прогноз.

Хотя единое общепринятое определение эконометрики не существует, приведем некоторые определения:

Эконометрика – это раздел экономики, занимающийся разработкой и применением статистических методов для измерений взаимосвязей между экономическими переменными (С.Фишер и др.).

Основная задача эконометрики – наполнить эмпирическим содержанием априорные экономические рассуждения (Л. Клейн).

Цель эконометрики – эмпирический вывод экономических законов (Э. Маленво).

Эконометрика является не более чем набором инструментов, хотя и очень полезных ...

Эконометрика является одновременно нашим телескопом и нашим микроскопом для изучения окружающего экономического мира (Ц. Грилихес).

Эконометрика есть единство трех составляющих – статистики, экономической теории и математики (Р. Фриш).

Эконометрика совокупность методов и моделей, позволяющих на базе экономической теории, экономической статистики и математико-статистического инструментария придавать количественные выражения качественным зависимостям (С.А. Айвазян).

Эконометрика (буквально означает: наука об экономических измерениях) – статистический анализ экономических данных (А.И. Орлов).

Эконометрика – это наука, в которой на базе реальных статистических данных строятся, анализируются и совершенствуются модели реальных экономических явлений.

Ключевым в эконометрике является извлечение из экономической статистики определенных взаимосвязей с помощью инструментария математической статистики (а также элементами линейной (матричной) алгебры). Суть эконометрики именно в синтезе экономической теории, экономической статистики и математики. Каждая из перечисленных выше дисциплин играет свою роль в эконометрическом исследовании:

- экономическая теория занимается выявлением существующих (на качественном уровне) связей между экономическими показателями,

- экономическая статистика занимается наблюдением за интересующими нас экономическими показателями, их измерением и сбором результатов измерении, т.е. обеспечивает целенаправленный сбор информации для дальнейшего анализа,

- математическим аппаратом эконометрики является теория вероятностей и математическая статистика, которая своими инструментариями занимается построением моделей взаимосвязей между рассматриваемыми процессами, адекватно отражающими экономические концепции. Математическая статистика дает количественную оценку взаимосвязанных параметров, проверяет гипотезы адекватности моделей тенденциям процессов (т.е. оценивает адекватность моделей к реальным экономическим процессам), оценивает неопределенность в полученных результатах, вызванной систематическими и случайными ошибками и т.д.

Математическая статистика – наука, изучающая методы обработки результатов наблюдений массовых случайных явлений, обладающих статистической устойчивостью, закономерностью, с целью выявления этой закономерности. Выводы о закономерностях всегда основываются на ограниченном, выборочном числе наблюдений. При большем числе наблюдении (или при другом наборе наблюдений) эти выводы могут оказаться иными. Вынесение более определенного заключения о закономерностях явления невозможно без теории вероятностей. Закономерности в экономике выражаются в виде связей и зависимостей экономических показателей, математических моделей их поведения. Такие зависимости и модели могут быть получены только путем обработки реальных статистических данных, с учетом внутренних механизмов связи и случайных факторов.

Модель может быть получена и апробирована на основе анализа статистических данных. Изменения, отклонения статистических данных от прогнозируемых ( по модели) говорят о необходимости уточнения и развития модели. Решение задач эконометрики затруднено тем, что с научной точки зрения в чистом виде нельзя ставить эксперименты (тем более, многократно повторяющиеся) в экономике. Изучение взаимосвязей экономических переменных и улучшение моделей осложнено и тем, что они не являются строгими функциональными зависимостями. Трудно выявить все основные факторы, влияющие на данную переменную, а многие такие воздействия являются случайными, т.е. содержат случайную составляющую. Эконометрист, как правило, располагает ограниченным набором данных статистических наблюдений, которые к тому же могут содержать различного рода ошибки.

Мат. статистика, т.е. теория обработки и анализа данных, и ее применение в экономике (т.е. эконометрика) позволяет строить экономические модели и оценивать их параметры, проверять гипотезы о свойствах показателей и формах их связи. Это служит основой для экономического анализа и прогнозирования, создавая возможность для принятия обоснованных экономических решений.

Роль эконометрики в экономической науке неуклонно растет. Фактически эконометрика играет роль основного методологического инструмента в экономике. С ее помощью подтверждают или отвергают экономические гипотезы, а также устанавливают границы их применимости. Многие базовые понятия эконометрики имеют два определения – «экономическое» и «математическое». Подобная двойственность отражена и в формулировках результатов. Даже научные работы (по эконометрике) могут либо почти не содержать математических формул (т.е. быть ближе к чисто экономическим работам) либо быть почти математическими трудами, широко использующих математический аппарат.

Экономика определяет задачи эконометрики и является причиной и целю эконометрических задач. Математический результат эконометрических задач без экономической интерпретации теряет свой научный и практический интерес. Многие эконометрические результаты похожи на математические утверждения и теоремы.

На практике эконометрика применяется для:

- прогноза экономических показателей, характеризующих состояние и развитие анализируемой системы,

- имитации различных возможных сценариев социально-экономического развития анализируемой системы (компьютерная имитация).

Широкое внедрение эконометрических методов и быстрое развитие эконометрики стало возможным благодаря достижениям индустрии информационных технологии во второй половине XX века – появлению ЭВМ и в частности персональных компьютеров с большими вычислительными мощностями. Компьютерные эконометрические пакеты (программы) сделали эконометрические методы более доступными и наглядными, так как наиболее трудоемкую (рутинную, черновую) работу по расчету различных параметров, построению таблиц и графиков в основном стал выполнять компьютер. Эконометристу остается определить задачу, выбрать соответствующие модели экономического процесса и методы решения и ,конечно, вводить исходные данные и интерпретировать полученные результаты на «экономический язык».

В качестве примера, отметим следующие специализированные программные продукты (пакеты), применяемые в эконометрическом моделировании:

- TSP пакет предоставляет широкие возможности для анализа временных рядов. Содержит полный раздел нелинейных моделей, обобщенный метод моментов GMM, хороший раздел систем одновременных уравнений. Производит аналитическое дифференцирование. Хорошо документирован. Подробную информацию можно найти по адресу http://www.tsp.com.

- EViewsuser-friendly» softwareпроизводитель QMS Software) программа с графическим интерфейсом (ее быстро и легко осваивают пользователи, не имеющие навыков программирования).

Econometric Views является Windows-версией пакета MicroTSP, значительно превосходит DOS-версию по набору методов. Благодаря стройной и логичной идеологии построения Windows-интерфейса очень прост в освоении. Содержит развитую подсказку (help), по сути справочник по эконометрическим методам. Подробно о EViews можно найти по адресу http://www.eviews.com.

- RATS программа с интерфейсом, основанном на командном языке (производитель Estima )

- R, производитель R Development Core Team. (http://www.fsf.org/ )

Российской экономической школой и Министерством образования РФ проводится программа «outreach-эконометрика», целью которой является помощь преподавателям вузов России в подготовке современного курса эконометрики. Про эту программу семинаров можно узнать из http://www.nes.cemi.rssi.ru или по адресу outreach@nes.cemi.rssi.ru.

Ученые вклад которых в эконометрику был отмечен Нобелевской премией ( //http://www.nobel.se/ )

- 1969 г. : Рангар Фриш и Ян Тинберген , пионеры в эконометрике, за развитие и применение динамических моделей для анализа экономических процессов.

- 1980 г. : Лоуренс Клейн – за создание эконометрических моделей и их применение для анализа флуктуаций в экономике и экономической политике.

- 1981 г. : Джеймс Тобин – за анализ финансовых рынков и их взаимосвязи с расходами, занятостью, производством и ценами.

- 1989 г. : Трюгве Хаавелмо – за прояснение вероятностных основ эконометрики и анализ одновременных экономических структур. По мнению ученых, со статьи Т. Хаавелмо «Вероятностный подход к эконометрике» (опубликованной в журнале Econometrica в 1944 г.) можно начинать отсчет развития эконометрики в ее современном смысле.

- 1995 г. : Роберт Лукас – за развитие и применение гипотезы рациональных ожиданий и др.

- 2000 г. : Джеймс Хекман и Дэниел Мак-Фадден – за развитие теории и методов анализа селективных данных и за развитие теории и эконометрических методов анализа дискретного выбора, т.е. выбора решения из конечного числа альтернатив.

- 2003 г. : Роберт Энгл и Клайв Грейнджер – за методы временных рядов с меняющейся волатильностью и за методы анализа временных рядов с общими трендами (коинтеграция).


Глава 1

Основные понятия. Общие вопросы эконометрического моделирования. Проблемы прогнозирования.


    1. Основные понятия, перекрестные данные и временные ряды, генеральная совокупность и выборка. Выборочный метод. Способы отбора.


Значительный блок экономических показателей (данных) имеют вероятностную природу, поэтому инструментарии их анализа в основном составляют методы математической статистики и теории вероятностей. Этот инструментарий применим для изучения многократно воспроизводимых экспериментов (наблюдении) в неизменных условиях (т.е. для статистического ансамбля). Однако для большинства исследуемых в экономике явлении процессы развиваются во времени, и каждый временной ряд уникален. При работе с экономическими данными необходимо учитывать, что многие из них: ─описываются как неотрицательные случайные величины,

- к ним применимы лишь интервальные оценки (ввиду их неопределенности и непрерывности).

- Эконометрические данные обычно делят на два вида:

перекрестные данные (cross-section data) – т.е. данные по какому-либо экономическому показателю, полученные для разных однотипных объектов (фирм, регионов). При этом либо все данные относятся к одному и тому же моменту времени, либо фактор времени для них несущественен. Например – данные о размере средней заработной платы населения или о средней стоимости одного квадратного метра жилплощади для разных регионов в определенный интервал времени.

временные ряды (time series) - т.е. данные, характеризующие один и тот же объект, но в различные моменты временны. К этому виду можно отнести вышеприведенные примеры (показатели), но для одного итого же региона в разные моменты временны. Для временных рядов применяются специальные (другие) методы обработки, анализа данных по сравнению с перекрестными данными.

Целью сбора экономических данных является получение информационной базы для принятия решений. Анализ данных проводится по какой-либо модели реальной экономической системы, в которой по возможности учтены почти все важные (по мнению эконометриста) показатели и влияния. Естественно, что собирают именно те данные, которые необходимы для применяемой модели, т.е. которые возможно учитывать по данной модели. Сбор экономических данных осуществляют различными методами:

- путем опроса, анкетирования, интервьюирования и т.п. Государственные статистические органы занимаются сбором, обработкой и предоставлением важнейших данных. Координирующая роль в этом принадлежит Госкомстату России (Гос. комитет РФ по статистике), которому, в сборе экономической информации о деятельности учреждений гос. управления, бюджетных организаций, финансовых учреждений, мелких частных предпринимателей, а также внешнеэкономических операциях помогает Минфин, Центробанк, налоговая и таможенные службы.

Генеральная совокупность и выборка (выборочная совокупность) – являются фундаментальными понятиями статистического анализа (математической статистики).

Генеральная совокупность – это все возможные наблюдения интересующего нас показателя, все возможные исходы случайного испытания или совокупность всевозможных значении случайной величины Х. Например – все население какой-либо страны, имеющее право голоса при референдуме,- при выводе показателя средней зарплаты по всем цехам завода ген. совокупностью является совокупность всех работников всех цехов, - при уточнении числа дефектных изделии в партии из N изделии всю партию рассматривают как ген. совокупность. Объем ген. совокупности может быть как конечным, так и бесконечным.

Однако в большинстве случаев мы имеем ограниченные возможности сбора данных наблюдении (из за ограничении во времени, в денежных средствах и ряда других причин) и практически собираем лишь часть всевозможных наблюдении ( т.е. лишь часть генеральной совокупности).

Выборка (выборочная совокупность):

– это часть всевозможных наблюдении, т.е. подмножество, выбранное из ген. совокупности. Выборка объема n это результат наблюдения случайной величины в вероятностном эксперименте, который повторяется n раз в одних и тех же условиях (т.е. сбор данных никак не влияет на распределение случайной величины Х),

- это результат выборочного исследования, т. е. полученные n данные наблюдения, отобранные из ген. совокупности.

Выборочный метод – состоит в том, что на основании свойств и характеристик выборки делают заключения о числовых характеристиках и законе распределения интересующего признака (случайной величины) генеральной совокупности.

Задачи эконометрической науки условно можно разделить на две группы:

  1. – развитие способов и методов наблюдения, сбора информации и их обработки (инструментариями теории вероятностей и математической статистики, т. е. развитие и самих инструментарии анализа),

  2. – обобщение полученных результатов для генеральной совокупности с целью прогнозирования интересующих нас показателей (случайных величин). Это особенно сложная задача и пока остаётся весьма слабым местом в эконометрической науке.

Решение первой задачи подразумевает изучение способов сбора информации с целью обеспечения репрезентативности (представительности) выборки, чтобы выборка (подмножество) была уменьшенной в масштабе копией генеральной совокупности (всего множества). Это преследует цель уменьшения ошибок при распространении полученных результатов на всю генеральную совокупность.

Выборку называют репрезентативной, если она достаточно полно представляет изучаемые признаки и параметры генеральной совокупности. Для репрезентативности выборки важно обеспечить случайность отбора, с тем, чтобы все объекты генеральной совокупности имели равные шансы (вероятности) попасть в выборку.

Для обеспечения репрезентативности выборки применяют следующие способы отбора:


Виды отбора



Индивидуальный

серийный




случайный

механический

типический




повторный

бесповторный


Рис. 1.1. Виды отбора единиц из генеральной совокупности.
- индивидуальный – выборочная совокупность образуется при последовательном отборе из генеральной совокупности отдельных единиц.

- Простой случайный отбор осуществляют различными способами. По одному отбирается первый случайно попавшийся объект (единица совокупности).

Например, для извлечения n объектов из генеральной совокупности объема N выписывают номера от 1 до N на карточках и, перемешивая, наугад вынимают одну карточку. Объект с извлеченным номером обследуют. Затем карточку возвращают в пачку и процесс повторяют. Если карточку не возвращают в пачку, то выборка получится простой случайной бесповоротной. При большом объеме генеральной совокупности для случайного отбора пользуются готовыми таблицами «случайных чисел» (см. приложение: табл. сл. чисел).

- серийный – отбор единиц производится «сериями» (не по одному), которые подвергаются сплошному обследованию. Серийным отбором пользуются тогда, когда обследуемый признак в различных сериях колеблется незначительно.

- механическим называют отбор, при котором генеральную совокупность «механический» делят на столько равных групп (интервалов), сколько объектов должно войти в выборку, а из каждой группы выбирают один объект.

- типический отбор предполагает предварительное деление генеральной совокупности на «типические» (однородные) группы, а затем из образованных групп производится отбор одним из рассмотренных выше способов.

- повторный (бесповторный) отбор – перед очередным отбором обследованную единицу (или серию) возвращают (не возвращают) в генеральную совокупность.

По репрезентативности различают большие (если численность единиц в ней больше 100) и малые выборки (если численность меньше 20)

По временному фактору показатели делят:

- моментные показатели, зафиксированные на конкретную дату,

- интервальные показатели, за определенный период времени.

По форме выражения данные бывают абсолютные, относительные и средние.

На практике часто применяется комбинированный отбор, сочетающий указанные выше способы. Эконометрист часто располагает только некоторым количеством наблюдений случайной величины, т. е. выборкой. По данным выборки он может рассчитать только выборочные, но не теоретические (для всей генеральной совокупности) характеристики этой случайной величины.

К второй группе основных задач эконометрической науки относятся:

- исходя из требуемой точности, важности задачи определить минимально достаточный объем выборки, обеспечивающий прогноз нахождения интересующих нас показателей (случайных величин) в определенных приемлемых интервалах.

- развитие способов выявления качества оценивания показателей и взаимосвязей.

Итак, одним из основных задач эконометрики – сделать научно обоснованные выводы (прогнозы) о распределении интересующих нас показателей или (и) об их взаимосвязи.


    1. Общие вопроси моделирования. Критерии «хорошей» модели. Основные допущения прогнозирования и причины ошибки прогнозов.


Задача экономического моделирования – построение моделей с нужными характеристиками (компактность, теоретическая объясняемость, функциональная удобная форма, верная структура и др.). В современной практике эконометрического моделирования наиболее распространенным является подход:

- «от общего к частному» - известными представителями, адептами ( adept – приверженцами, знатоками) которого являются Sargan и Hendry [23]. Исследование начинают с построения большой статистически адекватной модели, а потом ограничивают и конкретизируют, добываясь компактности. Эта методология предполагает обширное использование диагностических тестов, целью которых является проверка статистической адекватности модели. Эти тести проводятся до того, как делаются любые выводы по результатам моделирования.

Альтернативная философия к построению моделей имеет в своей основе противоположную идею:

-«от простого к сложному» («от частного к общему», или «снизу вверх» ) – сначала строят наиболее простую модель, потом постепенно добавляют, усложняют до приближения к реальности. Ярким представителем этого подхода является Koopmans.

Подход «снизу вверх» критикуется, главным образом за то, что в его рамках диагностические тести проводятся очень ограниченном объеме.

Hendry и Richard сформулировали ряд критериев, которым должна удовлетворять «хорошая» модель:

быть логически состоятельной;

соответствовать лежащей в основе экономической теории;

иметь регрессоры, некоррелированные с остатками;

иметь оценки параметров, стабильные для всей выборки;

иметь остатки, представляющие собой «белый шум» (т.е. совершенно случайные и не

обнаруживающие никаких тенденций);

быть способной объяснить результаты всех конкурирующих с ней моделей.

Можно выделить семь основных этапов эконометрического моделирования и исследования :

1. – постановочный – формируется цель исследования, набор экономических

переменных, участвующих в модели.

Обычно цель это анализ, имитация развития и прогноз экономических показателей, выработка управленческих решений. При выборе экономических переменных необходимо теоретическое обоснование каждой переменной, при этом их число рекомендуется брать, как минимум, в несколько раз меньше числа наблюдений. Объясняющие переменные должны быть независимы друг от друга (по крайней мере не тесно коррелированные).

2. – априорный – производится анализ сущности изучаемого объекта, формирование и формализация априорной (известной до начала моделирования) информации.

3. – параметризация – осуществляется непосредственно моделирование, т.е. выбор общего вида модели, выявление входящих в нее связей.

4. информационный – осуществляется сбор необходимой статистической информации.

5. идентификация модели – осуществляется статистический анализ модели и оценка ее параметров.

6. верификация модели – проводится проверка истинности, адекватности модели. Выясняется насколько удачно решены проблемы спецификации, идентификации и однозначности модели, какова точность расчетов по данной модели, насколько модель соответствует реальному объекту или процессу.

7. - использование модели для прогнозирования и принятия решения в проведении экономической политики.

Эти разделения на этапы носят условный характер.

Последовательность эконометрических исследований демонстрирует ниже приведенная схема:



Как сравнить между собой две конкурирующие модели?

Предположим, два исследователя работают независимо друг от друга над одним и тем же предметом исследования и предлагают две различные модели с разными переменными для одного и того же явления:
(1.2.1)

(1.2.2)
где и - объясняющие (независимые) переменные – случайные величины; - объясняемая (зависимая) переменная; и случайные воздействия (ошибки регрессии); i – порядковый номер наблюдения (измерительного опыта ); и - параметры уравнения.

Из этих моделей ни одна не может рассматриваться как подмодель другой, так как они разные, содержат разные переменные ( и ).

Одним из способов сравнения этих двух моделей – сравнивать коэффициенты детерминации (ознакомимся в 3-ей главе) для обеих моделей.

Альтернативным подходом является оценка так называемой гибридной модели, включающей в себе обе переменные (обе модели в качестве частных случаев):
(1.2.3)
Если получаем вторую модель, если - первую, поэтому тест на лучшую модель должен проводиться путем оценки значимости этих коэффициентов в модели (1.2.3). Возможны четыре результата тестирования:

первый коэффициент является статистически значимым, а второй – нет. Модель (1.2.3) сводится к (1.2.1);

второй коэффициент является статистически значимым, а первый – нет. Модель (1.2.3) сводится к (1.2.2);

оба коэффициента статистически значимы. Значит, необходимо сочетать оба переменные, и лучей является модель (1.2.3)

оба коэффициента статистически незначимы. Значит, ни одна из моделей не является адекватным описанием исследуемого явления и необходимо строить новую модель.
Классический и бейесовский подход к статистическому оцениванию.

На сегодняшний день классический подход является господствующим. Однако полезно знать и о существовании байесовского подхода.

В рамках классического подхода считается, что оцениваемые параметры имеют истинные неизвестные величины. И, что на основании большого количества выборок из одной генеральной совокупности можно оценить истинные параметры.

Байесовский подход имеет схожие черты с экономическим моделированием в условиях неопределенности [26]. Основной тезис байесовского подхода: «Степень нашей разумной уверенности в некотором утверждении возрастает и корректируется по мере пополнения имеющейся у нас информации относительно исследуемого явления».[16]. Специфика байесовского подхода заключается в том, что «степень нашей уверенности» в верности некоторого утверждения в виде вероятности, трактующиеся как субъективная вероятность.

В рамках байесовского подхода величина истинного параметра генеральной совокупности рассматривается как случайная величина, имеющая распределение вероятностей, которое называют априорным (базируется на наших представлениях и имеющейся информации об анализируемом явлении).

Большое преимущество байесовского подхода заключается в том, что в его рамках делается минимальное количество априорных предположений о форме и характеристиках распределений исследуемых параметров.

Цель статистического оценивания – получение такого закона распределения плотности вероятностей интересующего показателя, который более адекватен рассматриваемому явлению. Такое распределение вероятностей называется апостериорным.
Проблемы экономического прогнозирования.

Один из распространенных проблем в экономической науке вообще и эконометрике в частности – это неоправданная экстраполяция (распространение) методов и моделей за их допустимые границы применимости. В результате выводы, будучи непротиворечивыми и логическими в рамках выборки, при распространении за рамки, из за необоснованных допущении и рассуждении, теряют всякую научную и практическую значимость. Чтобы избежать от неоправданных экстраполяции, экономист должен хорошо представить уровень неопределенности исследуемой задачи.

Д. Хендри (Hendry) выделяет четыре «уровня знания» при эконометрическом моделировании на примере подбрасывания игральной кости.

Игральная кость симметрична и сбалансирована и каждый исход подбрасывания не зависит от других исходов подбрасывания. Все исходы равновероятны (p=1/6).

1) Уровень А: теория вероятностей – предполагает полное знание вероятностной структуры экономической явлений (игральной кости). Хотя это лишь гипотетически возможно, тем не менее, владение теоретическими основами является необходимой базой для изучения более сложных практически применимых методов.

  1. Уровень В: теория статистического оценивания – пусть необходимо оценить вероятность получения исхода «6» (т. е. р). В серии испытании вероятность р можно узнать только эмпирически, т. е. статистическая вероятность W=m/n появления интересующего нас показателя на исходе испытания, так как для вывода из априорных теоретических соображении результата не хватает информации (о симметричности и сбалансированности «кости» ). В отличие от такой реальной ситуации, в рассматриваемом примере можно из теории получить р=1/6, а в реальной экономической ситуации наш образный куб ( «кость» подбрасывания ) насколько симметричен и правильный?

После многократных экспериментов эмпирически полеченная вероятность сопоставляется к теоретической (полученной аналитический на уровне А ) и оценивается искомая вероятность.

Статистическое оценивание параметров очень важный ориентир для выбора, построения эконометрической модели.

В реальной экономической ситуации часто не владеем тем уровнем информации, чтобы убедится что «игральная кость» имеет шесть граней, обозначенным числами от 1 по 6, и свойства «кости» не меняются во времени и т.п.

3) Уровень С: теория моделирования – на этом уровне нам известно, что на определенной грани нанесена число «6». А сколько граней имеет «кость»? Симметрична ли она? Последовательные броски независимы ли друг от друга? Вопросов хватает, но единственно возможное – проводить многократные испытания, и опираясь на собранной информации построить такую модель , которая более «объясняет» полученные результаты, и по этой модели вычислить вероятность р.

Весьма непросто строить полезные с прикладной точки зрения модели процессов, когда лежащие в их основе механизмы генерирования данных неизвестны. Но задача многократно усложняется при необходимости прогнозирования, что предполагает выход за пределы анализируемых данных (за пределы выборки).

4) Уровень D: теория прогнозирования - исследователь пытается оценить вероятность выпадения «6» при следующем броске, хотя на 100% не уверен, не изменилась ли сама «кость», количество граней, числа на граней и др. по сравнению с периодом сбора информации? Поскольку вероятностный процесс неизвестен, исследователь не может быть уверен, что его модель, построенная на имеющихся данных (и лучше объясняющая эти данные), будет также адекватно отражать механизм генерации аналогичных данных в будущем.

Экономическое прогнозирование традиционно базируется на двух основных допущениях («теория оптимальности»):

используемая модель является адекватным представлением экономической системы;
структура экономики будет оставаться относительно неизменной для прогнозируемой области (т. е. в будущем во временном смысле, и в пространстве показателей).

В рамках этих допущении прогнозы обладают важными свойствами:

- прогнозные значения показателей оказываются близкими по величине к условному математическому ожиданию прогнозируемой величины, поэтому модели, которые лучше всего описывают исторические данные ( т.е. уже имеющиеся из прошлых опытов данные), должны демонстрировать высокие результаты и в прогнозировании;

- не имеет смысла использовать комбинацию разных прогнозов, т.к. модели, плохо описывающие данные, будут производить смещение прогнозных оценок и, таким образом, ухудшать общее качество прогноза;

- доверительные интервалы, полученные при тестировании моделей на исторических данных, могут служить хорошим ориентиром для возможного диапазона вариаций ошибок прогноза.

Многочисленные накопленные эмпирические данные показывают, что основные допущения, лежащие в основе традиционных методов экономического прогнозирования, весьма далеки от реальности. На самом деле структура исследуемых экономических процессов нестационарна и сложна. На практике лучшие результаты прогнозов дают не большие структурные эконометрические модели, а простые экстраполяционные методы.

Кроме того, выяснено, что использование комбинации разных прогнозов дает лучшие результаты, чем получаемые теми же прогнозами по отдельности. Поскольку каждый из индивидуальных прогнозов является смещенным, то их комбинация способна дать более качественный прогноз (т.е. с меньшим смещением от реального значения), за счет того, что разнонаправленные смещения частично нивелируются (взаимно уничтожаются) в процессе усреднения.

Не стоит ожидать, что структурные модели (в которых более учтены причинно-следственные связи) будут производить более качественные прогнозы, чем модели временных рядов без какого-либо содержательного обоснования (со слабой замечаемостью причинно-следственных связей), потому что при скачкообразных изменениях обе модели перестают быть адекватной «новой» реальности.

Простые модели показывают более качественные прогнозы не из-за простоты как таковой, а благодаря их адаптивности.

Учебный материал
© bib.convdocs.org
При копировании укажите ссылку.
обратиться к администрации