Проверка адекватности выбранных моделей

 

Проверка адекватности выбранных моделей реальному про­цессу (в частности, адекватности полученной кривой роста) строится на анализе случайной компоненты. Случайная остаточная компонента получается после выделения из исследуемого ряда систематической со­ставляющей (тренда и периодической составляющей, если она присут­ствует во временном ряду). Предположим, что исходный временной ряд описывает процесс, не подверженный сезонным колебаниям, т.е. примем гипотезу об аддитивной модели ряда вида:

yt = ut + et . (5.33)

Тогда ряд остатков будет получен как отклонения фактиче­ских уровней временного ряда (yt) от выравненных, расчетных ( ):

et=yt- . (5.34)

При использовании кривых роста вычисляют, подставляя в уравнения выбранных кривых соответствующие последовательные значения времени.

Принято считать, что модель адекватна описываемому процес­су, если значения остаточной компоненты удовлетворяют свойствам случайности, независимости, а также случайная компонента подчи­няется нормальному закону распределения.

При правильном выборе вида тренда отклонения от него будут носить случайный характер. Это означает, что изменение остаточной случайной величины не связано с изменением времени. Таким образом, по выборке, полученной для всех моментов времени на из­учаемом интервале, проверяется гипотеза о зависимости последова­тельности значений et от времени, или, что то же самое, о наличии тенденции в ее изменении. Поэтому для проверки данного свойства может быть использован, например, критерий серий.

Если вид функции, описывающей систематическую состав­ляющую, выбран неудачно, то последовательные значения ряда остат­ков могут не обладать свойствами независимости, т.к. они могут кор­релировать между собой. В этом случае говорят, что имеет место авто­корреляция ошибок.

В условиях автокорреляции оценки параметров модели, полу­ченные по методу наименьших квадратов, будут обладать свойствами несмещенности и состоятельности. В то же время эффективность этих оценок будет снижаться, а следовательно, доверительные интервалы будут иметь мало смысла в силу своей ненадежности.

Существует несколько приемов обнаружения автокорреляции. Наиболее распространенным является метод, предложенный Дарбиным и Уотсоном. Критерий Дарбина-Уотсона связан с гипотезой о существовании автокорреляции первого порядка, т.е. автокорреля­ции между соседними остаточными членами ряда. Значение этого критерия определяется по формуле:

. (5.35)

Можно показать, что величина d приближенно равна:

d=2(1-r1) , (5.36)

где r1 - коэффициент автокорреляции первого порядка (т.е. парный коэффициент корреляции между двумя рядами е1, е2,... ,еn-1 и е2, е3,... ,еn).

Из последней формулы видно, что если в значениях et имеется сильная положительная автокорреляция ( ), то величина d=0 , в случае сильной отрицательной автокорреляции ( ) d=4. При от­сутствии автокорреляции ( ) d=2.

Для этого критерия найдены критические границы, позво­ляющие принять или отвергнуть гипотезу об отсутствии автокорре­ляции. Авторами критерия границы определены для 1, 2,5 и 5% уровней значимости. Значения критерия Дарбина-Уотсона при 5% уровне значимости приведены в таблице 5.5. В этой таблице d1 и d2 -соответственно нижняя и верхняя доверительные границы критерия Дарбина-Уотсона; k/ - число переменных в модели; п - длина времен­ного ряда.

Таблица 5.5

Значения критерия Дарбина-Уотсона d1 и d2 при 5% уровне значимости

 

п k/=1 k/=2 k/=3
d1 d2 d1 d2 d1 d2
1,08 1,36 0,95 1,54 0,82 1,75
1,1 1,37 0,98 1,54 0,86 1,73
1,13 1,38 1,02 1,54 0,9 1,71
1,16 1,39 1,05 1,53 0,93 1,69
1,18 1,4 1,08 1,53 0,97 1,68
1,2 1,41 1,1 1,54 1,68
1,22 1,42 1,13 1,54 1,03 3,67
1,4 1,43 1,15 1,54 1,05 1,66
1,26 1,44 1,17 1,54 1,08 1,66
1,27 1,45 1,19 1,55 1,1 1,66
1,29 1,45 1,21 1,55 1,32 1,66
1,3 1,46 1,22 1,55 1,14 1,65
1,32 1,47 1,24 1,56 1,16 1,65
1,33 1,48 1,26 1,56 1,18 1,65
1,34 1,48 1,27 1,56 1,2 1,65
1,35 1,49 1,28 1,57 1,21 1,65
1,36 1,5 1,3 1,57 1,23 1,65
1,37 1,5 1,33 1,57 1,24 1,65
1,38 1,51 1,32 1,58 1,26 1,65
1,49 1,51 1,33 1,58 1,27 1,65
1,4 1,52 1,34 1,58 1,28 1,65
1,41 1,52 1,35 1,59 1,29 1,65

 

Применение на практике критерия Дарбина-Уотсона основано на сравнении величины d, рассчитанной по формуле (5.35) с теорети­ческими значениями d1 и d2, взятыми из таблицы.

При сравнении величины d с d1 и d2 возможны следующие вари­анты:

1) если d < d1 то гипотеза о независимости случайных отклоне­ний (отсутствие автокорреляции) отвергается;

2) если d > d2, то гипотеза о независимости случайных откло­нений не отвергается;

3) если d1 < d < d2, то нет достаточных оснований для принятия решений, т.е. величина попадает в область «неопределенности».

Рассмотренные варианты относятся к случаю, когда в остат­ках имеется положительная автокорреляция.

Когда же расчетное значение d превышает 2, то можно говорить о том, что в et существует отрицательная автокорреляция.

Для проверки отрицательной автокорреляции с критиче­скими значениями d1 и d2 сравнивается не сам коэффициент d, a 4 - d.

Для определения доверительных интервалов модели свой­ство нормальности распределения остатков имеет важное значение. Поскольку временные ряды экономических показателей, как правило, невелики (<50), то проверка распределения на нормальность может быть произведена лишь приближенно, например, на основе исследова­ния показателей асимметрии и эксцесса.

При нормальном распределении показатели асимметрии (А) и эксцесса (Э) равны нулю. Так как мы предполагаем, что отклонения от тренда представляют собой выборку из некоторой генеральной со­вокупности, то можно определить выборочные характеристики асим­метрии и эксцесса, а также их среднеквадратические ошибки

, (5.37)

, (5.38)

, (5.39)

, (5.40)

где: А - выборочная характеристика асимметрии;

Э - выборочная характеристика эксцесса;

sА - среднеквадратическая ошибка выборочной характеристики асимметрии;

sЭ - среднеквадратическая ошибка выборочной характеристики эксцесса.

Если одновременно выполняются следующие неравенства:

, (5.41)

то гипотеза о нормальном характере распределения случайной ком­поненты не отвергается.

Если выполняется хотя бы одно из неравенств

, (5.42)

то гипотеза о нормальном характере распределения отвергается.

Другие случаи требуют дополнительной проверки с помощью более мощных критериев.