Эконометрика: Введение в регрессионный анализ временных рядов. Носко В.П. - 54 стр.

UptoLike

Составители: 

Рубрика: 

модели. Уточненное оценивание MA(1) модели с использованием обратного прогноза
(backcasting) дает следующие результаты.
Dependent Variable: X
Method: Least Squares
Sample: 1946 1965
Included observations: 20
Convergence achieved after 13 iterations
Backcast: 1945
Variable Coef. Std. Error t-Statistic Prob.
C 10.81379 0.113355 95.39726 0.0000
MA(1) 0.280610 0.228102 1.230195 0.2345
R-squared 0.117961 Mean dependent var 10.81000
Adjusted R-squared 0.068959 S.D. dependent var 0.414094
S.E. of regression 0.399561 Akaike info criterion 1.097739
Sum squared resid 2.873684 Schwarz criterion 1.197313
Log likelihood -8.977395 F-statistic 2.407257
Durbin-Watson stat 1.789895 Prob(F-statistic) 0.138178
В этом случае уточненное значение коэффицента b
1
существенно отличается от
предварительной оценки этого коэффициента. Отметим также большое отличие P-значений
для t- и F-статистик в отношении значимости коэффициента b
1
. Это можно объяснить тем,
что величина стандартной ошибки вычисляется согласно асимптотической процедуре, тогда
как в нашем распоряжении имеется всего лишь 20 наблюдений.
Если не производить обратного прогнозирования значения инновации для 1945 года, то
результаты получаются близкими:
Dependent Variable: X
Method: Least Squares
Sample: 1946 1965
Included observations: 20
Convergence achieved after 24 iterations
Backcast: OFF
Variable Coefficient Std. Error t-Statistic Prob.
C 10.81515 0.112582 96.06431 0.0000
MA(1) 0.274024 0.229231 1.195405 0.2474
R-squared 0.116800 Mean dependent var 10.81000
Adjusted R-squared 0.067734 S.D. dependent var 0.414094
S.E. of regression 0.399824 Akaike info criterion 1.099054
Sum squared resid 2.877464 Schwarz criterion 1.198628
Log likelihood -8.990543 F-statistic 2.380443
Durbin-Watson stat 1.778286 Prob(F-statistic) 0.140261
модели. Уточненное оценивание MA(1) модели с использованием обратного прогноза
(backcasting) дает следующие результаты.
Dependent Variable: X
Method: Least Squares
Sample: 1946 1965
Included observations: 20
Convergence achieved after 13 iterations
Backcast: 1945
Variable              Coef.       Std. Error   t-Statistic   Prob.
C                     10.81379    0.113355     95.39726      0.0000
MA(1)                 0.280610    0.228102     1.230195      0.2345
R-squared             0.117961      Mean dependent var       10.81000
Adjusted R-squared    0.068959      S.D. dependent var       0.414094
S.E. of regression    0.399561      Akaike info criterion    1.097739
Sum squared resid     2.873684      Schwarz criterion        1.197313
Log likelihood        -8.977395     F-statistic              2.407257
Durbin-Watson stat    1.789895      Prob(F-statistic)        0.138178
В этом случае уточненное значение коэффицента         b1 существенно отличается от
предварительной оценки этого коэффициента. Отметим также большое отличие P-значений
для t- и F-статистик в отношении значимости коэффициента b1 . Это можно объяснить тем,
что величина стандартной ошибки вычисляется согласно асимптотической процедуре, тогда
как в нашем распоряжении имеется всего лишь 20 наблюдений.
    Если не производить обратного прогнозирования значения инновации для 1945 года, то
результаты получаются близкими:
Dependent Variable: X
Method: Least Squares
Sample: 1946 1965
Included observations: 20
Convergence achieved after 24 iterations
Backcast: OFF
Variable              Coefficient Std. Error   t-Statistic   Prob.
C                     10.81515    0.112582     96.06431      0.0000
MA(1)                 0.274024    0.229231     1.195405      0.2474
R-squared             0.116800      Mean dependent var       10.81000
Adjusted R-squared    0.067734      S.D. dependent var       0.414094
S.E. of regression    0.399824      Akaike info criterion    1.099054
Sum squared resid     2.877464      Schwarz criterion        1.198628
Log likelihood        -8.990543     F-statistic              2.380443
Durbin-Watson stat    1.778286      Prob(F-statistic)        0.140261