J. Ossowski - Prognozowanie Na Podstawie Modeli Multiplikatywnych - Względne Błędy Prognoz.pdf
(
182 KB
)
Pobierz
A.07.2.
Jerzy Czesław Ossowski
Katedra Ekonomii i Zarz
dzania Przedsi
biorstwem
Wydział Zarz
dzania i Ekonomii
Politechnika Gda
ska
XIII Ogólnopolska Konferencja Naukowa nt. „Mikroekonometria w teorii i praktyce”,
Katedra Ekonometrii i Statystyki Uniwersytetu Szczeci
skiego, IADiPG w Szczecinie oraz PAN,
winouj
cie 6-8 wrzesie
2007 r.
PROGNOZOWANIE NA PODSTAWIE MODELI
MULTIPLIKATYWNYCH - WZGL
DNE BŁ
DY PROGNOZ
1. Zało
enia do prognostycznego modelu multiplikatywnego
Uznajmy,
e
t=1,2,...,n
jest numerem okresu w próbie statystycznej, natomiast
p=n+j
(
j=1,2,...,s
) jest numerem okresu prognozowanego. Multiplikatywny model dla okresu próbkowego
zapiszemy nast
puj
co:
u
y
=
g
(
x
)
×
e
=
g
(
x
)
×
v
,
(1)
t
t
t
t
t
gdzie:
Ã
n
b
+
b
x
x
b
g
(
x
)
=
e
0
i
ti
=
e
,
(2)
i
=
1
t
t
a ponadto:
x
=
[
1
x
x
.
.
.
x
]
- wektor wierszowy zmiennych obja
niaj
cych,
t
t
1
t
2
tk
u
yv
= - multiplikatywny składnik zakłócaj
cy modelu (1).
Posta
zlinearyzowan
modelu (1) mo
emy przedstawi
w nast
puj
cych jego wersjach:
/
g
(
x
)
e
t
t
t
t
n
+=
Ã
=
(3)
Uznajmy ponadto,
e parametry strukturalne i parametry struktury stochastycznej modelu (1) s
stałe
w czasie. W tych warunkach model prognostyczny dla zmiennej
y
zdefiniujemy nast
puj
co:
p
ln
y
ln
g
(
x
)
ln
v
=
b
+
b
x
+
u
=
x
b
+
u
t
t
t
0
i
ti
t
t
t
i
1
y
= , (4)
gdzie
v
p
jest multiplikatywnym składnikiem zakłócaj
cym w okresie prognozowanym, natomiast
g(x
p
)
jest nielosow
i nieobserwowan
funkcj
prognozuj
c
zmienn
y
w okresie prognozowanym
p
.
Funkcj
t
definiujemy nast
puj
co:
b
g
(
x
)
v
p
p
x
g
(
x
)
=
e
,
(5)
p
p
gdzie:
p
= - wektor wierszowy zmiennych prognozuj
cych.
Model zmiennej prognozowanej
y
, zdefiniowany w (4) i (5), po obustronnym zlogarytmowaniu
przedstawia si
nast
puj
co:
x
[
1
x
x
.
.
.
x
]
p
1
p
2
pk
ln
y
=
ln
g
(
x
)
+
ln
v
=
x
b
+
u
,
(6)
p
p
p
p
p
gdzie zakłócenie logarytmu zmiennej prognozowanej jest równe:
Ä
Ô
y
Å
Æ
Õ
Ö
p
u
=
ln
v
=
ln
y
-
x
b
=
ln
y
-
ln
g
(
x
)
=
ln
.
(7)
p
p
p
p
p
p
g
(
x
)
p
W
wietle powy
szego wzgl
dne zakłócenie zmiennej prognozowanej wynosi:
1
y
p
-
x
b
v
=
=
y
e
(8)
p
p
p
g
(
x
)
p
Z powy
szego wynika,
e wzgl
dne zakłócenie zmiennej prognozowanej okre
la udział zmiennej
prognozowanej w funkcji prognozuj
cej.
Przyj
cie zało
enia o stało
ci parametrów strukturalnych i parametrów struktury
stochastycznej, równowa
ne z uznaniem stabilno
ci procesów ekonomicznych w czasie, oznacza,
e
warto
oczekiwana i wariancja składnika zakłócaj
cego z okresu próbkowego jest równa warto
ci
oczekiwanej i wariancji składnika zakłócaj
cego w okresie prognozowanym:
)
2
u
2
u
N Ù (9)
Ponadto uznajemy brak autokorelacji w okresie próbkowym i okresie prognozowanym, co zapiszemy
nast
puj
co:
u
~
(
0
,
)
u
~
N
(
0
,
s
t
p
Eu
u
=
0
(10)
t
p
W nakre
lonych warunkach stwierdzamy,
e:
E
ln
y
=
E
(
x
b
+
u
)
=
x
b
=
ln
g
(
x
)
.
(11)
p
p
p
p
p
Tym samym otrzymujemy:
E
ln
y
x
b
g
(
x
)
=
e
=
e
(12)
p
p
p
Oznacza to,
e przy przyj
tych zało
eniach:
·
logarytm funkcji prognozuj
cej
ln g(x
p
)
wyznacza zbiór punktów b
d
cych warunkowymi
rednimi arytmetycznymi logarytmu zmiennej prognozowanej,
·
funkcja prognozuj
ca
g(x
p
)
wyznacza zbiór punktów b
d
cych warunkowymi
rednimi
geometrycznymi zmiennej prognozowanej.
f(lny
p
)
f(y
p
)
lny
p
y
p
x
n+1
x
n+1
x
n+2
x
n+2
Dy(x
p
)
My(x
p
)
Elny
p
=lng(x
p
)
Ey(x
p
)
gdzie:
My(x
p
) = g(x
p
)
Ey(x
p
) = g(x
p
)exp(0,5
2
u
)
Dy(x
p
) = g(x
p
)exp(-
2
u
)
x
n+j
x
n+j
Rys. 1
Obraz graficzny prognostycznego modelu multiplikatywnego w wersji pierwotnej
i zlinearyzowanej – przypadek modelu wykładniczego:
y
p
=g(x
p
)v
p
ln y
p
=lng(x
p
)+u
p
,
gdzie:
g(x
p
)=exp(b
0
+b
1
x
p
)
lng(x
p
)=b
0
+b
1
x
p
,
u
p
= lnv
p
, u
p
~ N(0,
2
u
)
Warunkow
prognoz
zmiennej
y
dokona
mo
emy na podstawie predyktora o nast
puj
cej postaci:
ˆ
x
ˆ
=
e
,
(13)
p
p
gdzie:
ˆ
T
-
1
T
=
(
X
X
)
X
y
(14)
2
jest estymatorem MNK parametrów strukturalnych postaci zlinearyzowanej modelu (1) zapisanej w
(3). Z tych te
wzgl
dów wyra
enie (13) nazwiemy predyktorem MNK. Powy
szy predyktor, po
obustronnym zlogarytmowaniu, zapiszemy nast
puj
co:
ˆ
ˆ
p
= (15)
Uznaj
c, i
wyst
puj
cy w predyktorze estymator ma rozkład normalny, uznajemy jednocze
nie, i
zlinearyzowany predyktor (15) ma równie
rozkład normalny a tym samym predyktor (13) ma rozkład
logarytmiczno-normalny. Zauwa
my,
e funkcja (13) jest warunkowym predyktorem zmiennej
prognozowanej
y
p
na poziomie
redniej geometrycznej (mediany), jako
e:
)
ln
x
p
ˆ
E
ln
=
E
ln
y
=
x
b
=
ln
g
(
x
,
(16)
p
p
p
p
a st
d:
ˆ
E
ln
E
ln
y
x
b
== . (17)
Tym samym mo
emy uzna
,
e
predyktor MNK zdefiniowany w (15) jest nieobci
onym
predyktorem zmiennej prognozowanej zdefiniowanej w (4) w tym sensie , i
rednia
geometryczna predyktora jest równa
redniej geometrycznej zmiennej prognozowanej
(por.: [13]
s. 36-37 oraz [2]).
Na podstawie (6) i (13) definiujemy bł
d prognozy dla postaci logarytmiczno-liniowej modelu
multiplikatywnego w nast
puj
cy sposób:
e
e
e
=
g
(
x
)
p
p
p
p
ˆ
ˆ
-= . (18)
Bł
d prognozy składa si
z dwóch cz
ci. Pierwsza cz
okre
la bł
d estymacji parametrów za
pomoc
estymatora MNK. Druga cz
bł
du prognozy odzwierciedla pomini
cie w predyktorze
przyszłych zakłóce
losowych. Zauwa
my,
e przy przyj
tych zało
eniach warto
rednia bł
du
prognozy postaci logarytmicznej modelu jest równa:
f
ln
y
ln
ˆ
=
x
b
+
u
-
x
=
x
(
b
-
)
+
u
p
p
p
p
p
p
p
p
ˆ
ˆ
Ef
=
x
E
(
b
-
)
+
E
ln
v
=
x
E
(
b
-
)
+
Eu
=
0
(19)
p
p
p
p
p
a jego wariancja wyra
a si
wzorem:
2
Ç
×
y
p
2
p
2
2
2
2
ˆ
,
(20)
Ef
:
s
=
E
(ln
y
-
ln
)
=
E
ln
=
s
+
s
È
É
Ø
Ù
ˆ
f
(
p
)
p
p
ln
v
ln
(
p
)
ˆ
È
Ø
p
W
powy
szym
wyra
eniu
wyró
niamy
obok
wariancji
składnika
zakłócaj
cego
postaci
(
2
lnv
),
zlinearyzowanej
modelu
multiplikatywnego
wariancj
predyktora,
któr
definiujemy
nast
puj
co:
2
Ç
×
y
ˆ
p
2
ˆ
2
2
T
p
s
=
E
(ln
y
-
E
ln
)
=
E
[ln
y
-
ln
g
(
x
)]
=
E
ln
=
x
S
(
)
x
,
(21)
È
Ø
ˆ
ln
(
p
)
p
p
p
p
p
g
(
x
)
É
Ù
p
gdzie:
ˆ
2
T
-
1
= sS (22)
jest macierz
kowariancji estymatorów MNK parametrów strukturalnych modelu. Niebci
onym
estymatorem powy
szej macierzy jest nast
puj
ca funkcja stochastyczna:
1
(
)
(
X
X
)
ln
v
ˆ
ˆ
2
T
-
ˆ
S
(
)
= s
(
X
X
)
(23)
ln
v
w której nast
puj
ce wyra
enie:
(
1
)
2
ˆ
2
ˆ
s
=
ln
y
-
ln
(24)
ln
v
t
t
n
-
(
k
+
1
)
jest nieobci
on
statystyk
wariancji składnika losowego (
2
lnv
).
Wykorzystuj
c powy
sze zdefiniowania jeste
my w stanie okre
li
nieobci
on
statystyk
wariancji predykcji (20) w nast
puj
cy sposób:
2
E
2
p
2
2
:
s
ˆ
=
s
ˆ
+
s
ˆ
(25)
f
(
p
)
ln
v
ln
ˆ
(
p
)
gdzie wyra
enie:
ˆ
ˆ
ˆ
2
T
p
s
=
x
S
(
)
x
(26)
ln
ˆ
(
p
)
p
jest nieobci
on
statystyk
wariancji predyktora zdefiniowanego w (21).
3
Zauwa
my,
e pierwiastkuj
c wyra
enie (20) wyznaczamy bł
d standardowy prognozy, co
zapiszemy nast
puj
co:
-= (27)
Z kolei nieobci
on
ocen
powy
ej zdefiniowanego bł
du standardowego prognozy jest
dodatni pierwiastek wyra
enia (25):
2
ˆ
2
2
2
s
E
(ln
y
ln
)
=
s
+
s
f
(
p
)
p
p
ln
v
ln
ˆ
(
p
)
2
ˆ
ˆ
ˆ
(28)
s
=
s
+
s
ˆ
f
(
p
)
ln
v
ln
(
p
)
2. Wzgl
dny i absolutny przedział ufno
ci prognozy dla modelu multiplikatywnego
Je
li utrzymamy zało
enie o normalno
ci rozkładu składnika losowego
u
t
=lnv
t
oraz o jego
stabilno
ci w okresie prognozowanym
p
, to automatycznie uznajemy, i
bł
d prognozy
f
p
-
zdefiniowany w (18) – jest funkcj
zmiennej losowej o rozkładzie normalnym. Oznacza to
e
nast
puj
ce wyra
enie:
ˆ
ln
y
-
ln
p
p
(29)
s
f
(
p
)
ma standaryzowany rozkład normalny
N(0,1).
Tym samym nast
puj
ca statystyka:
ˆ
ln
y
-
ln
p
ˆ
p
(30)
s
f
(
p
)
ma rozkład t-Studenta o
n-(k+1)
stopniach swobody.
Wykorzystuj
c wła
ciwo
ci powy
szego wyra
enia zdefiniowa
mo
emy w nast
puj
cy
sposób przedział ufno
ci:
Ç
ˆ
×
ln
y
-
ln
p
p
P
-
t
£
£
t
=
1
-
a
,
(31)
È
Ø
a
/
2
a
/
2
ˆ
s
É
Ù
f
(
p
)
gdzie t
/2
jest odczytan
z tablic rozkładu t-Studenta, przy
n-(k+1)
stopniach swobody dla ustalonego
poziomu istotno
ci
, warto
ci
krytyczn
. Wyra
enie (31) przekształci
mo
emy do nast
puj
cej
postaci:
Ç
×
y
p
ˆ
ˆ
P
-
t
×
s
£
ln
£
t
×
s
=
1
-
a
(32)
È
Ø
a
/
2
f
(
p
)
a
/
2
f
(
p
)
ˆ
É
Ù
p
Antylogarytmuj
c wyra
enie w nawiasie, wyznaczamy przedział ufno
ci dla wzgl
dnego bł
du
prognozy. W konsekwencji, w uj
ciu procentowym, otrzymujemy nast
puj
ce wyra
enie:
Ç
×
y
-
t
×
s
ˆ
t
×
s
ˆ
p
P
e
×
100
%
£
×
100
%
£
e
×
100
%
=
1
-
a
(33)
È
a
/
2
f
(
p
)
a
/
2
f
(
p
)
Ø
ˆ
É
Ù
p
Na podstawie powy
szego powiemy,
e z prawdopodobie
stwem
1-
udział zmiennej prognozowanej
w prognozie mie
ci si
w wyznaczonym w nawiasie przedziale.
Na podstawie (33) jeste
my w stanie wyznaczy
przedział ufno
ci dla absolutnego bł
du
prognozy:
-
t
×
s
ˆ
t
×
s
ˆ
(34)
Z powy
szego wynika,
e z prawdopodobie
stwem
1-
zmienna prognozowana odchyla si
od
prognozy w wyznaczonym w nawiasie przedziale.
Celem zilustrowania procedury wnioskowania o wzgl
dnych i absolutnych przedziałach
ufno
ci prognoz, posłu
my si
przykładem zaczerpni
tym z podr
cznika Theila ([21] s.: 121-154).
Rozwa
any tam przykład dotyczy zwi
zku przyczynowo-skutkowego pomi
dzy konsumpcj
tekstyliów (
y
t
) a dochodem realnym ludno
ci (
x
t1
) i cen
realn
tekstyliów (
x
t2
) w USA w latach 1923-
1939. Zmienne zostały uj
te w postaci indeksów, których podstaw
ustalono na poziomie
1925r. =
100
. Rozwa
any przez Theila model w postaci wyj
ciowej miał nast
puj
c
posta
multiplikatywn
:
P
[
ˆ
×
e
£
y
£
ˆ
×
e
]
=
1
-
a
a
/
2
f
(
p
)
a
/
2
f
(
p
)
p
p
p
b
1
b
y
=
B
×
x
×
x
×
v
(35)
1
2
t
0
t
t
2
t
4
Powy
szy model po obustronnym zlogarytmowaniu zapiszemy nast
puj
co
1
:
)
(36)
ln
y
=
b
+
b
ln
x
+
b
ln
x
+
u
,
(
b
=
ln
B
),
(
u
=
ln
v
t
0
1
t
2
2
t
2
t
0
0
t
t
Oszacowana posta
modelu przedstawia si
nast
puj
co:
ˆ
ln
=
3
,
16
+
1
143
ln
x
-
0
,
829
ln
x
(37)
t
t
2
t
2
(
0
,
705
)
(
0
,
156
)
(
0
,
036
)
Pod ocenami parametrów zamieszczono bł
dy standardowe szacunku. Ponadto model charakteryzował
si
nast
puj
cymi wła
ciwo
ciami:
·
R
2
= 0,9744
współczynnik determinacji:
·
statystyka Durbina-Watsona:
DW = 1,9267
ˆ
·
odchylenie standardowe:
s
=
0
,
03118
ln
v
·
nieobci
ona ocena macierzy kowariancji estymatorów parametrów strukturalnych:
0
,
4967
-
0
,
1074
0
,
000175
Ç
×
È
É
Ø
Ù
ˆ
ˆ
T
-
1
ˆ
S
(
)
=
l
s
(
X
X
)
=
-
0
,
107
0
,
0243
-
0
,
00125
v
È
Ø
0
,
0000175
-
0
,
00125
0
,
001304
Zauwa
my,
e warto
ci empiryczne statystyk t-Studenta wynosz
odpowiednio:
ˆ
ˆ
t
=
/
s
=
3
,
16
/
0
,
705
=
4
,
49
0
0
b
0
ˆ
t
=
/
s
ˆ
=
1
143
/
0
,
156
=
7
,
33
1
1
b
1
ˆ
t
=
/
s
ˆ
=
-
0
,
829
/
0
,
036
=
-
22
,
95
2
2
b
2
Z powy
szego wynika,
e analizowane parametry uzna
mo
na za statystycznie istotnie ró
ni
ce si
od zera , tym samym zmienne wyst
puj
ce przy tych parametrach uznane mog
by
za statystycznie
istotnie oddziaływuj
ce na zmienn
obja
nian
.
Na podstawie bł
du standardowego reszt szacujemy miary przeci
tnego wzgl
dnego
rozproszenia warto
ci rzeczywistych w stosunku do ich warto
ci teoretycznych:
-
s
ˆ
-
0
,
03118
v
=
e
=
e
=
0
,
969
ln
v
d
ˆ
s
0
,
03118
v
=
e
=
e
=
1
032
ln
v
g
Na podstawie powy
szych miar powiemy,
e w sensie standardowym przeci
tny udział warto
ci
rzeczywistych (obserwowanych) zmiennej
y
t
w jej warto
ciach teoretycznych, ustalonych na poziomie
rednich geometrycznych, waha si
w granicach od 96,9% do 103,2%. Tym samym w sensie
standardowym warto
ci zmiennej obja
nianej odchylaj
si
od warto
ci teoretycznych
rednio
wprzedziale od -3,1% do do 3,2%.
Zauwa
my,
e parametry wyst
puj
ce przy zmiennych
x
t1
i
x
t2
s
odpowiednio
elastyczno
ciami dochodowymi i cenowymi konsumpcji wyrobów tekstylnych. Na podstawie ocen
tych parametrów powiemy,
e:
·
w warunkach stało
ci pozostałych zmiennych, wzrost realnych dochodów ludno
ci (
x
t1
) 0 1%
prowadził do wzrostu konsumpcji wyrobów tekstylnych przeci
tnie 1,143% z przeci
tnym bł
dem
0,156%,
·
w warunkach stało
ci pozostałych zmiennych, wzrost cen realnych wyrobów tekstylnych (
x
t2
) o
1% prowadził do spadku konsumpcji wyrobów tekstylnych przeci
tnie o 0,829% z przeci
tnym
bł
dem 0,036%.
W swoim podr
czniku Theil (por.: [21] s. 153], w oparciu o oszacowany model, rozwa
ał
prognoz
warunkow
konsumpcji uznaj
c,
e w okresie prognozowanym (p) zmienne prognozuj
ce
przyjm
warto
ci:
x
p1
= 105
oraz
x
p2
= 65
. Oznacza to,
e wektor wierszowy zmiennych
prognozuj
cych dla postaci zlinearyzowanej modelu multiplikatywnego jest odpowiednio równy:
]
x
=
[
1
ln
x
ln
x
]
=
[
1
ln
105
ln
65
]
=
[
1
4
,
654
4
,
174
p
p
1
p
2
1
W swoim podr
czniku Theil posługiwał si
logarytmami dziesi
tnymi (por.[21] s.:134-135). W niniejszy
opracowaniu posłu
ono si
logarytmami naturalnymi, co ułatwia proces wnioskowania o rozpatrywanych
rednich geometrycznych. Warto zaznaczy
,
e na skutek zastosowanego zabiegu zmiany podstaw logarytmów
zmieniła si
jedynie ocena parametru wyrazu wolnego. Wraz z t
zmian
uległy jednocze
nie zmianie elementy
z pierwszego wiersza i pierwszej kolumny macierzy kowariancji. Zmiany te jednak nie wpłyn
ły na warto
ci
statystyk t-Studenta oraz wielko
prognoz oraz na ich absolutne i wzgl
dne bł
dy.
5
Plik z chomika:
a-n-i-a-1989
Inne pliki z tego folderu:
J. Ossowski - Ekonometryczna analiza kursu dolara w Polsce w latach 1993-2000.pdf
(201 KB)
J. Ossowski - Agregatowy Model Płac w Warunkach Konkurencji Monopsonistycznej na Rynku Pracy - Teoria i Rzeczywistość Gospodarcza.pdf
(302 KB)
J. Ossowski - Analiza czynnikowa kursu dolara na polskim rynku walutowym - ujęcie kwartale.pdf
(203 KB)
J. Ossowski - Analiza czynnikowa kursu dolara na polskim rynku walutowym.pdf
(1403 KB)
J. Ossowski - Analiza przyczynowo-skutkowa inflacji w Polsce w latach 1993-1998.pdf
(167 KB)
Inne foldery tego chomika:
Bankowość elektroniczna
Zgłoś jeśli
naruszono regulamin