Построение эконометрических моделей, представленных различными типами временных рядов
Для временного ряда, который помимо детерминированного, содержит стохастический тренд характерны длительные пребывания значений выше или ниже центральной линии, причем отклонение может быть достаточно значительным, в этом случае линия детерминированного тренда перестанет играть роль центральной линии, вокруг которой колеблется траектория процесса. Такие виды принято называть DS рядами или… Читать ещё >
Построение эконометрических моделей, представленных различными типами временных рядов (реферат, курсовая, диплом, контрольная)
БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Экономический факультет Кафедра банковской и финансовой экономики Курсовой проект Построение эконометрических моделей, представленных различными типами временных рядов Студентки 3 курса отделения «Финансы и кредит»
Ряшницевой Юлии Дмитриевны Научный руководитель преподаватель Абакумова Ю.Г.
Минск, 2007 г.
Содержание Введение
1. Теоретический раздел
2. Аналитический раздел Заключение Список использованной литературы
Приложения
ВВЕДЕНИЕ
Целью исследования является эконометрическое моделирование денежного агрегата М0, в зависимости от валового внутреннего продукта (GNP), индекса потребительских цен (IPC).
Зависимость между выбранными экономическими показателями известна из макроэкономической теории, так например, можно выбрать в качестве основной формулу обмена, где (денежный мультипликатор), скорость обращения денег по доходу, уровень цен, реальный ВВП. Так же она подтверждается в работах множества исследователей, построенными на основе эмпирических статданных эконометрическими моделями для разных стран.
При построении эконометрической модели зависимости денежного агрегата M0 от ВВП (GNP) и индекса потребительских цен (CPI) в Республики Беларусь использовались данные за 2005;2006 года по месяцам (данные в Приложении 1).
При построении эконометрических моделей необходимо учитывать является ли временные ряды стационарными.
Ряд называется строго стационарным, если совместное распределение m наблюдений не зависит от сдвига по времени, то есть совпадает с распределением для любых m, t, t2,…, tm.
Ряд называется слабо стационарным, если его средняя, дисперсия и ковариация не зависит от времени:
Если нарушается хотя бы одно из этих условий то ряд становиться нестационарным.
Временные ряды бывают:
— нестационарными по среднему
— нестационарными по дисперсии.
Временной ряд является нестационарным по среднему, если его математическое ожидание изменяется во времени в соответствии с некоторым детерминированным или вероятностным значением. Для описания таких временных рядов используют модели с детерминированным трендом.
Траектории временных рядов с разными типами трендов отличаются друг от друга. Временной ряд с детерминированным трендом имеет линию тренда в качестве некоторой центральной линии с достаточно частыми колебаниями выше и ниже этой линии. Такие ряды принято называть TS рядами или стационарными относительно тренда.
Для временного ряда, который помимо детерминированного, содержит стохастический тренд характерны длительные пребывания значений выше или ниже центральной линии, причем отклонение может быть достаточно значительным, в этом случае линия детерминированного тренда перестанет играть роль центральной линии, вокруг которой колеблется траектория процесса. Такие виды принято называть DS рядами или стационарными относительно взятия разностей.
Дисперсия временного ряда экономического показателя может зависеть от времени, тогда имеет место гетероскидастичность и данный временной ряд является нестационарным по дисперсии.
Для построения эконометрических моделей, представленных различными типами временных рядов использовались следующие обозначения:
Временной ряд | Обозначение | |
Денежный агрегат М0, млрд. руб. | М0 | |
ВВП, млрд. руб. | GDP | |
Индекс потребительских цен, % | CPI | |
1.Теоретический раздел:
Эконометрические модели, представленные различными типами временных рядов можно построить с помощью таких тестов как:
1.тест Бреуша — Годфри, который указывает на наличие или отсутствие автокорреляции в модели. Тест Бреуша-Годфри применяется для больших выборок и высоких порядков авторегрессий случайных отклонений AR (p):
еi = с1еi-1 + с2еi-2 + с3еt-3+… + сpеi-p — ut, i=1,…, n
Проверка автокорреляции сводится к проверке гипотез
H0: с1 = с2 =…= сp=0
H1: сj? 0
Тест Бреуша-Годфри сводится к следующему:
оценить исходную регрессионную модель и получить остатки еi;
построить и оценить модель еi на все регрессоры исходной модели плюс ei-1, ei-2, …, ei-p:
ei = б0 + б1xi1+ …+ бim + г1ei-1 + г2ei-2 +…+ гpei-p + ut;
определяется коэффициент детерминации вспомогательного уравнения:
if (n-p)R2 < ч2б, n-p, то принимается гипотеза H0
(n-p)R2 > ч2б, n-p, то принимается гипотеза H1.
Тест Бреуша-Годфри применяется в авторегрессионных моделях для зависимой переменной y, в моделях скользящего среднего для случайных отклонений еi= еi-1 + л1ui-1 + +л2ui-2 + … + лpui-p, величина p априорна неизвестным и оценивается экспертным путем с использованием информационных критериев Акаики и Шварца.
2. тест Уайта, который указывает на наличие или отсутствие гетероскедастичности в эконометрической модели. Процедура проверки критерия Уайта состоит из:
Построения обычной линейной регрессионной модели и нахождение остатков
Построения дополнительной модели, где в качестве независимых переменных используются те же регрессоры, что и в п. 1, а так же их квадраты, попарные произведения и константа. В качестве зависимой — квадраты остатков исходной модели
Подсчета статистики критерия: W = TR2,
где T — объем выборки. Если гипотеза H0: верна, то статистика W имеет распределение ?2 с l-1 степенями свободы (l — число регрессоров во второй модели).
3.тест ADF, с помощью которого можно проверить остатки эконометрической модели на стационарность. Тест Дики-Фуллера В тесте Дики-Фуллера для определения наличия «единичного корня» используют 3 типа моделей:
следовательно имеем модель «единичного корня» и нестационарен.
Расширенный тест Дики-Фуллера Этот тест есть модификация теста Дики-Фуллера и используется в таких случаях, когда предполагается наличие автокорреляционных остатков, что может повлиять на объективность результатов теста. В таком случае в правую часть соответствующей регрессии вводят лаговые разности, например:
Для определения статистической значимости коэффициента нельзя использовать привычную статистику Стьюдента, вместо t-статистики используется — статистика со специально подсчитанными критическими точками Маккиннона для уровней значимости = 0,01; 0,05; 0,10. Критическая область левосторонняя.
4. тест Жака-Бера. Критерий Жака-Бера используется для проверки гипотезы о том, что исследуемая выборка xS является выборкой нормально распределенной случайной величины с неизвестным математическим ожиданием и дисперсией. Как правило, этот критерий применяется перед тем, как использовать методы параметрической статистики, требующие нормальности исследуемых случайных величин. Для проверки случайной величины на нормальность используется тот факт, что у нормального распределения коэффициент асимметрии и эксцесс равны нолю — отклонение этих величин от нулевого значения может служить мерой отклонения распределения от нормального. На основе выборки строится статистика Жака-Бера
(здесь n — размер выборки), после чего по таблице квантилей распределения вычисляется p-значение, соответствующее полученному значению JB. Следует отметить, что при росте n статистика Жака-Бера сходится к распределению хи-квадрат с двумя степенями свободы, поэтому в практике иногда используют таблицу квантилей распределения хи-квадрат. Однако это является ошибкой — сходимость слишком медленная и неравномерная.
В данной работе были построены:
1. Коинтегрированная модельмодель построенная из нестационарных рядов, интегрированных одного порядка.
2. Модель приростов. Модель прироста строится, временные ряды, входящие в первоначальную модель являются интегрированными первого порядка.
3. Модель первых лагов (1)
4. Модель первых лагов (2) -модель в первых лагах без данных показателей.
5. ECM (1) — модель коррекции ошибок.
2. Аналитический раздел Анализ моделей Построим модель зависимости денежного агрегата M0 от ВВП (GNP) и индекса потребительских цен (CPI) в Республики Беларусь за 2005;2006 года по месяцам (данные в Приложении 1).
Первоначально проверим временные ряды на стационарность:
Ряд | ADF ТЕСТ | Итог | |||
Спецификация | ADF статистика | Критическая точка | |||
GDP | T, 1 | — 2,28 | — 3,63 | I (1) | |
?GDP | C, 1 | — 5,12 | — 3,01 | I (0) | |
CPI | T, 2 | — 1,77 | — 3,64 | I (1) | |
? CPI | C, 1 | — 3.63 | — 3,00 | I (0) | |
M0 | C, 1 | — 1,58 | — 3,00 | I (1) | |
? M0 | N, 0 | — 4,52 | — 1,96 | I (0) | |
Несмотря на то, что ряды не стационарны, они являются интегрированными одного порядка, поэтому мы можем строить по ним модель.
Модель построенная из нестационарных рядов, интегрированных одного порядка, называется коинтегрированной моделью. Построим коинтегрированную модель и оценим ее качество:
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 30 355.73 | 3525.950 | — 8.609 234 | 0.0000 | |
GNP | 0.369 014 | 0.58 231 | 6.337 061 | 0.0000 | |
CPI | 274.9362 | 29.76 776 | 9.236 041 | 0.0000 | |
R-squared = 0.803 368
Durbin-Watson stat = 1.238 616
F-statistic = 42.89 929
Prob (F-statistic) = 0.0
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов модели, включая свободный член. Коэффициент детерминации, Fстатистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина — Уотсона и теста Бреуша — Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test: | ||||
F-statistic | 2.917 086 | Probability | 0.103 122 | |
Obs*R-squared | 3.54 929 | Probability | 0.80 493 | |
По статистике Дарбина — Уотсона невозможно сделать вывод о наличие автокорреляции, однако тест Бреуша — Годфри указывает на ее присутствие, следовательно, мы принимаем гипотезу о наличие автокорреляции в данной модели.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: | ||||
F-statistic | 2.23 071 | Probability | 0.123 816 | |
Obs*R-squared | 8.634 731 | Probability | 0.124 551 | |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic | — 3.321 477 | 1% Critical Value* | — 2.6700 | |
5% Critical Value | — 1.9566 | |||
10% Critical Value | — 1.6235 | |||
Была взята спецификация N, 0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
Теперь посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
Probability (JB)= 0,59
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и tстатистике коэффициенты данной модели являются статистическизначимыми, также статистически значимой является и сама модель по коэффициенту детерминации, Fстатистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует гетероскедастичность, но при этом присутствует автокорреляция, что снижает эффективность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Так как временные ряды, входящие в первоначальную модель, являются интегрированными первого порядка, построим модель приростов и оценим ее качество:
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 174.3703 | 41.27 483 | 4.224 616 | 0.0004 | |
D (GNP) | 0.61 228 | 0.52 202 | 1.172 913 | 0.2546 | |
D (CPI) | 726.3547 | 94.81 866 | 7.660 461 | 0.0000 | |
R-squared = 0.805 893
Durbin-Watson stat = 2.6 428
F-statistic = 41.51 797
Prob (F-statistic) = 0.0
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициента индекса потребительских цен и незначимость коэффициента при ВВП, однако возьмем погрешность в 25%, что позволит сделать вывод о статистической значимости коэффициентов данной модели. Коэффициент детерминации, Fстатистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина — Уотсона и теста Бреуша — Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic | 0.88 849 | Probability | 0.768 880 | |
Obs*R-squared | 0.107 054 | Probability | 0.743 524 | |
По статистике Дарбина — Уотсона и тесту Бреуша — Годфри отчетливо видно отсутствие автокорреляции в данной модели.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: | ||||
F-statistic | 0.499 788 | Probability | 0.736 247 | |
Obs*R-squared | 2.299 121 | Probability | 0.680 929 | |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic | — 4.797 725 | 1% Critical Value* | — 2.6756 | |
5% Critical Value | — 1.9574 | |||
10% Critical Value | — 1.6238 | |||
Была взята спецификация N, 0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
теперь посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
Probability (JB)= 0,7398
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и tстатистике коэффициенты данной модели являются статистически значимыми на уровне значимости 25%, также статистически значимой является и сама модель по коэффициенту детерминации, Fстатистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует как гетероскедастичность, так и автокорреляция, что указывает на эффективность и несмещенность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Теперь перейдем к построению модели в первых лагах:
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 7539.345 | 4672.073 | — 1.613 704 | 0.1250 | |
GNP | 0.32 422 | 0.55 271 | 0.586 602 | 0.5652 | |
CPI | 762.8445 | 93.41 302 | 8.166 362 | 0.0000 | |
M0(-1) | 0.758 026 | 0.130 516 | 5.807 924 | 0.0000 | |
GNP (-1) | — 0.2 924 | 0.54 900 | — 0.53 264 | 0.9581 | |
CPI (-1) | — 689.5790 | 117.3987 | — 5.873 824 | 0.0000 | |
R-squared = 0.957 834
Durbin-Watson stat = 2.699 912
F-statistic = 77.23 275
Prob (F-statistic) = 0.0
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов, исключая коэффициенты при ВВП и ВВП в первом лаге. Коэффициент детерминации, Fстатистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина — Уотсона и теста Бреуша — Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test: | ||||
F-statistic | 3.571 374 | Probability | 0.77 041 | |
Obs*R-squared | 4.197 028 | Probability | 0.40 495 | |
По статистике Дарбина — Уотсона и тесту Бреуша — Годфри отчетливо видно отсутствие автокорреляции в данной модели.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: | ||||
F-statistic | 0.903 717 | Probability | 0.557 476 | |
Obs*R-squared | 9.880 366 | Probability | 0.451 051 | |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic | — 6.807 388 | 1% Critical Value* | — 2.6756 | |
5% Critical Value | — 1.9574 | |||
10% Critical Value | — 1.6238 | |||
Была взята спецификация N, 0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
Теперь посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
Probability (JB)= 0,4653
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и tстатистике коэффициенты данной модели являются статистически значимыми, исключая коэффициенты при ВВП и ВВП в первом лаге, также статистически значимой является и сама модель по коэффициенту детерминации, Fстатистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует как гетероскедастичность, так и автокорреляция, что указывает на эффективность и несмещенность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Так как в модели незначимыми оказались коэффициенты при ВВП и ВВп в первом лаге попробуем построить модель в первых лагах без данных показателей и оценим ее качество:
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 5806.533 | 1416.786 | — 4.98 385 | 0.0006 | |
CPI | 797.7339 | 68.30 743 | 11.67 858 | 0.0000 | |
CPI (-1) | — 739.2640 | 67.97 107 | — 10.87 616 | 0.0000 | |
M0(-1) | 0.797 769 | 0.64 184 | 12.42 942 | 0.0000 | |
R-squared | 0.956 968 | Mean dependent var | 1966.091 | ||
Adjusted R-squared | 0.950 173 | S.D. dependent var | 464.8887 | ||
S.E. of regression | 103.7721 | Akaike info criterion | 12.27 904 | ||
Sum squared resid | 204 604.2 | Schwarz criterion | 12.47 652 | ||
Log likelihood | — 137.2090 | F-statistic | 140.8431 | ||
Durbin-Watson stat | 2.734 840 | Prob (F-statistic) | 0.0 | ||
R-squared = 0.956 968
Durbin-Watson stat = 2.734 840
F-statistic = 140.8431
Prob (F-statistic) = 0.0
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов. Коэффициент детерминации, Fстатистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина — Уотсона и теста Бреуша — Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test: | ||||
F-statistic | 3.784 356 | Probability | 0.67 523 | |
Obs*R-squared | 3.995 536 | Probability | 0.45 621 | |
По статистике Дарбина — Уотсона четко не видно есть ли автокорреляция в данной модели, однако тест Бреуша — Годфри показывает отсутствие автокорреляции в данной модели, следовательно принимаем гипотезу об отсутствии автокорреляции.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: | ||||
F-statistic | 1.611 071 | Probability | 0.207 967 | |
Obs*R-squared | 8.662 204 | Probability | 0.193 486 | |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic | — 6.923 127 | 1% Critical Value* | — 2.6756 | |
5% Critical Value | — 1.9574 | |||
10% Critical Value | — 1.6238 | |||
Была взята спецификация N, 0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
теперь Посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
Probability (JB)= 0,3561
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и tстатистике коэффициенты данной модели являются статистически значимыми, также статистически значимой является и сама модель по коэффициенту детерминации, Fстатистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует как гетероскедастичность, так и автокорреляция, что указывает на эффективность и несмещенность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Наконец, построим модель коррекции ошибок (ECM) и оценим ее качество:
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 146.1541 | 38.78 456 | 3.768 357 | 0.0013 | |
D (GNP) | 0.100 672 | 0.49 539 | 2.32 195 | 0.0564 | |
D (CPI) | 639.3349 | 92.25 471 | 6.930 106 | 0.0000 | |
RESID01(-1) | — 0.342 437 | 0.141 123 | — 2.426 512 | 0.0254 | |
R-squared | 0.851 815 | Mean dependent var | — 8.647 826 | ||
Adjusted R-squared | 0.828 417 | S.D. dependent var | 298.4544 | ||
S.E. of regression | 123.6276 | Akaike info criterion | 12.62 920 | ||
Sum squared resid | 290 391.8 | Schwarz criterion | 12.82 667 | ||
Log likelihood | — 141.2357 | F-statistic | 36.40 590 | ||
Durbin-Watson stat | 1.985 892 | Prob (F-statistic) | 0.0 | ||
R-squared = 0.851 815
Durbin-Watson stat = 1.985 892
F-statistic =36.40 590
Prob (F-statistic) = 0.0
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов при уровне значимости 6%. Коэффициент детерминации, Fстатистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина — Уотсона и теста Бреуша — Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test: | ||||
F-statistic | 0.25 444 | Probability | 0.875 042 | |
Obs*R-squared | 0.32 466 | Probability | 0.857 009 | |
По статистике Дарбина — Уотсона и тесту Бреуша — Годфри отчетливо видно отсутствие автокорреляции в данной модели.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: | ||||
F-statistic | 0.240 344 | Probability | 0.956 403 | |
Obs*R-squared | 1.901 579 | Probability | 0.928 524 | |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic | — 4.564 575 | 1% Critical Value* | — 2.6756 | |
5% Critical Value | — 1.9574 | |||
10% Critical Value | — 1.6238 | |||
Была взята спецификация N, 0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
Теперь посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
Probability (JB)= 0,882
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и tстатистике коэффициенты данной модели являются статистически значимыми при уровне значимости 6%, также статистически значимой является и сама модель по коэффициенту детерминации, Fстатистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует как гетероскедастичность, так и автокорреляция, что указывает на эффективность и несмещенность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Заключение
Одним из традиционных подходов к исследованию макроэкономических процессов является подход, основанный на использовании эконометрических моделей. Эконометрические модели позволяют решать дос-таточно широкий круг задач исследования: анализ причинно-следственных связей между экономическими переменными; прогнозирование значений эко-номических переменных; построение и выбор вариантов (сценариев) эконо-мической политики на основе имитационных экспериментов с моделью. Мо-делирование и прогнозирование макроэкономических процессов является, не-сомненно, актуальной проблемой и для белорусской экономики. В данной работе были построены эконометрические модели, которые отразили зависимость денежного агрегата M0 от валового внутреннего продукта и индекса цен Республики Беларусь за период 2005;2006 год.
Eviews 5.1. User Guide. — QMS
«Эконометрика» Бородич С.А.
www.nbrb.by
www.nbrb.by/publications/
Приложение1
Данные ВВП, индексу потребительских цен и денежной массы m0 в РБ за 2005;2006 года
GNP | CPI | M0 | ||
2005.1 | 4044,3 | 113,1 | 2016,4 | |
2005.2 | 4201,3 | 112,6 | 1958,3 | |
2005.3 | 4861,2 | 112,4 | 2043,2 | |
2005.4 | 2065,8 | |||
2005.5 | 4886,3 | 111,8 | ||
2005.6 | 5788,8 | 111,5 | 2243,4 | |
2005.7 | 5539,7 | 111,3 | 2485,9 | |
2005.8 | 6413,4 | 111,1 | 2544,7 | |
2005.9 | 6681,5 | 110,9 | 2578,5 | |
2005.10 | 110,8 | 2688,6 | ||
2005.11 | 5881,2 | 110,6 | 2609,1 | |
2005.12 | 6355,4 | 110,3 | 2653,2 | |
2006.1 | 4990,7 | 108,6 | 1339,4 | |
2006.2 | 5233,4 | 108,2 | 1263,1 | |
2006.3 | 107,7 | 1377,1 | ||
2006.4 | 5527,9 | 107,6 | 1373,9 | |
2006.5 | 5971,2 | 107,5 | 1543,7 | |
2006.6 | 6980,9 | 107,4 | 1549,4 | |
2006.7 | 6734,3 | 107,3 | 1680,5 | |
2006.8 | 7709,7 | 107,2 | ||
2006.9 | 8024,7 | 107,1 | 1725,2 | |
2006.10 | 7227,2 | 1806,8 | ||
2006.11 | 1789,8 | |||
2006.12 | 7659,4 | 1817,5 | ||
Приложение2
Проверка рядов на стационарность
GDP
ADF Test Statistic | — 2.287 907 | 1% Critical Value* | — 4.4415 | ||
5% Critical Value | — 3.6330 | ||||
10% Critical Value | — 3.2535 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
GDP (-1) | — 0.538 353 | 0.235 304 | — 2.287 907 | 0.0345 | |
D (GDP (-1)) | 0.4 440 | 0.232 443 | 0.19 099 | 0.9850 | |
C | 2607.981 | 1057.638 | 2.465 853 | 0.0239 | |
@TREND (2005:01) | 63.42 386 | 36.36 898 | 1.743 900 | 0.0982 | |
R-squared | 0.277 579 | Mean dependent var | 157.1864 | ||
Adjusted R-squared | 0.157 176 | S.D. dependent var | 638.1613 | ||
S.E. of regression | 585.8669 | Akaike info criterion | 15.74 703 | ||
Sum squared resid | 6 178 320. | Schwarz criterion | 15.94 540 | ||
Log likelihood | — 169.2173 | F-statistic | 2.305 409 | ||
Durbin-Watson stat | 1.960 581 | Prob (F-statistic) | 0.111 262 | ||
временной ряд эконометрическая модель
? GDP
ADF Test Statistic | — 5.120 811 | 1% Critical Value* | — 3.7856 | ||
5% Critical Value | — 3.0114 | ||||
10% Critical Value | — 2.6457 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
D (GDP (-1)) | — 1.734 448 | 0.338 706 | — 5.120 811 | 0.0001 | |
D (GDP (-1), 2) | 0.385 613 | 0.214 620 | 1.796 726 | 0.0892 | |
C | 241.6552 | 140.9369 | 1.714 634 | 0.1036 | |
R-squared | 0.687 974 | Mean dependent var | — 9.976 190 | ||
Adjusted R-squared | 0.653 305 | S.D. dependent var | 1025.720 | ||
S.E. of regression | 603.9525 | Akaike info criterion | 15.77 643 | ||
Sum squared resid | 6 565 654. | Schwarz criterion | 15.92 565 | ||
Log likelihood | — 162.6525 | F-statistic | 19.84 377 | ||
Durbin-Watson stat | 1.535 436 | Prob (F-statistic) | 0.28 | ||
Приложение 3
M0
ADF Test Statistic | — 1.580 748 | 1% Critical Value* | — 3.7667 | ||
5% Critical Value | — 3.0038 | ||||
10% Critical Value | — 2.6417 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
M0(-1) | — 0.232 014 | 0.146 775 | — 1.580 748 | 0.1304 | |
D (M0(-1)) | 0.131 271 | 0.228 150 | 0.575 374 | 0.5718 | |
C | 452.6808 | 297.3814 | 1.522 223 | 0.1444 | |
R-squared | 0.116 384 | Mean dependent var | — 6.400 000 | ||
Adjusted R-squared | 0.23 371 | S.D. dependent var | 305.2785 | ||
S.E. of regression | 301.6900 | Akaike info criterion | 14.38 280 | ||
Sum squared resid | 1 729 320. | Schwarz criterion | 14.53 158 | ||
Log likelihood | — 155.2108 | F-statistic | 1.251 271 | ||
Durbin-Watson stat | 2.37 283 | Prob (F-statistic) | 0.308 678 | ||
?M0
ADF Test Statistic | — 4.521 975 | 1% Critical Value* | — 2.6756 | ||
5% Critical Value | — 1.9574 | ||||
10% Critical Value | — 1.6238 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
D (M0(-1)) | — 0.986 023 | 0.218 051 | — 4.521 975 | 0.0002 | |
R-squared | 0.493 300 | Mean dependent var | 3.900 000 | ||
Adjusted R-squared | 0.493 300 | S.D. dependent var | 428.9220 | ||
S.E. of regression | 305.3189 | Akaike info criterion | 14.32 498 | ||
Sum squared resid | 1 957 612. | Schwarz criterion | 14.37 457 | ||
Log likelihood | — 156.5748 | Durbin-Watson stat | 1.991 873 | ||
Приложение 4
CPI
ADF Test Statistic | — 1.774 417 | 1% Critical Value* | — 4.4691 | ||
5% Critical Value | — 3.6454 | ||||
10% Critical Value | — 3.2602 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
CPI (-1) | — 0.327 712 | 0.184 687 | — 1.774 417 | 0.0950 | |
D (CPI (-1)) | 0.334 585 | 0.247 535 | 1.351 670 | 0.1953 | |
D (CPI (-2)) | 0.353 875 | 0.257 889 | 1.372 200 | 0.1889 | |
C | 36.98 185 | 21.2 890 | 1.758 620 | 0.0978 | |
@TREND (2005:01) | — 0.94 465 | 0.61 155 | — 1.544 687 | 0.1420 | |
R-squared | 0.253 779 | Mean dependent var | — 0.257 143 | ||
Adjusted R-squared | 0.67 224 | S.D. dependent var | 0.355 769 | ||
S.E. of regression | 0.343 603 | Akaike info criterion | 0.905 595 | ||
Sum squared resid | 1.889 005 | Schwarz criterion | 1.154 291 | ||
Log likelihood | — 4.508 750 | F-statistic | 1.360 343 | ||
Durbin-Watson stat | 1.958 840 | Prob (F-statistic) | 0.291 350 | ||
? CPI
ADF Test Statistic | — 3.634 188 | 1% Critical Value* | — 3.7667 | ||
5% Critical Value | — 3.0038 | ||||
10% Critical Value | — 2.6417 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
D (CPI (-1)) | — 0.798 592 | 0.219 744 | — 3.634 188 | 0.0017 | |
C | — 0.198 701 | 0.96 127 | — 2.67 054 | 0.0519 | |
R-squared | 0.397 723 | Mean dependent var | 0.22 727 | ||
Adjusted R-squared | 0.367 609 | S.D. dependent var | 0.438 539 | ||
S.E. of regression | 0.348 739 | Akaike info criterion | 0.817 522 | ||
Sum squared resid | 2.432 377 | Schwarz criterion | 0.916 707 | ||
Log likelihood | — 6.992 739 | F-statistic | 13.20 732 | ||
Durbin-Watson stat | 2.23 479 | Prob (F-statistic) | 0.1 652 | ||
Приложение 5
Вывод эконометрической модели.
Коинтегрированная модель
Dependent Variable: M0 | |||||
Method: Least Squares | |||||
Date: 12/18/07 Time: 13:53 | |||||
Sample: 2005:01 2006:12 | |||||
Included observations: 24 | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 30 355.73 | 3525.950 | — 8.609 234 | 0.0000 | |
GNP | 0.369 014 | 0.58 231 | 6.337 061 | 0.0000 | |
CPI | 274.9362 | 29.76 776 | 9.236 041 | 0.0000 | |
R-squared | 0.803 368 | Mean dependent var | 1968.188 | ||
Adjusted R-squared | 0.784 641 | S.D. dependent var | 454.7861 | ||
S.E. of regression | 211.0515 | Akaike info criterion | 13.65 855 | ||
Sum squared resid | 935 397.1 | Schwarz criterion | 13.80 581 | ||
Log likelihood | — 160.9026 | F-statistic | 42.89 929 | ||
Durbin-Watson stat | 1.238 616 | Prob (F-statistic) | 0.0 | ||
Модель приростов
Dependent Variable: D (M0) | |||||
Method: Least Squares | |||||
Date: 12/18/07 Time: 14:40 | |||||
Sample (adjusted): 2005:02 2006:12 | |||||
Included observations: 23 after adjusting endpoints | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 174.3703 | 41.27 483 | 4.224 616 | 0.0004 | |
D (GNP) | 0.61 228 | 0.52 202 | 1.172 913 | 0.2546 | |
D (CPI) | 726.3547 | 94.81 866 | 7.660 461 | 0.0000 | |
R-squared | 0.805 893 | Mean dependent var | — 8.647 826 | ||
Adjusted R-squared | 0.786 482 | S.D. dependent var | 298.4544 | ||
S.E. of regression | 137.9098 | Akaike info criterion | 12.81 218 | ||
Sum squared resid | 380 382.0 | Schwarz criterion | 12.96 029 | ||
Log likelihood | — 144.3401 | F-statistic | 41.51 797 | ||
Durbin-Watson stat | 2.6 428 | Prob (F-statistic) | 0.0 | ||
Модель первых лагов (1)
Dependent Variable: M0 | |||||
Method: Least Squares | |||||
Date: 12/18/07 Time: 14:49 | |||||
Sample (adjusted): 2005:02 2006:12 | |||||
Included observations: 23 after adjusting endpoints | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 7539.345 | 4672.073 | — 1.613 704 | 0.1250 | |
GNP | 0.32 422 | 0.55 271 | 0.586 602 | 0.5652 | |
CPI | 762.8445 | 93.41 302 | 8.166 362 | 0.0000 | |
M0(-1) | 0.758 026 | 0.130 516 | 5.807 924 | 0.0000 | |
GNP (-1) | — 0.2 924 | 0.54 900 | — 0.53 264 | 0.9581 | |
CPI (-1) | — 689.5790 | 117.3987 | — 5.873 824 | 0.0000 | |
R-squared | 0.957 834 | Mean dependent var | 1966.091 | ||
Adjusted R-squared | 0.945 432 | S.D. dependent var | 464.8887 | ||
S.E. of regression | 108.5974 | Akaike info criterion | 12.43 263 | ||
Sum squared resid | 200 487.9 | Schwarz criterion | 12.72 885 | ||
Log likelihood | — 136.9753 | F-statistic | 77.23 275 | ||
Durbin-Watson stat | 2.699 912 | Prob (F-statistic) | 0.0 | ||
Модель первых лагов (2)
Dependent Variable: M0 | |||||
Method: Least Squares | |||||
Date: 12/19/07 Time: 13:46 | |||||
Sample (adjusted): 2005:02 2006:12 | |||||
Included observations: 23 after adjusting endpoints | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 5806.533 | 1416.786 | — 4.98 385 | 0.0006 | |
CPI | 797.7339 | 68.30 743 | 11.67 858 | 0.0000 | |
CPI (-1) | — 739.2640 | 67.97 107 | — 10.87 616 | 0.0000 | |
M0(-1) | 0.797 769 | 0.64 184 | 12.42 942 | 0.0000 | |
R-squared | 0.956 968 | Mean dependent var | 1966.091 | ||
Adjusted R-squared | 0.950 173 | S.D. dependent var | 464.8887 | ||
S.E. of regression | 103.7721 | Akaike info criterion | 12.27 904 | ||
Sum squared resid | 204 604.2 | Schwarz criterion | 12.47 652 | ||
Log likelihood | — 137.2090 | F-statistic | 140.8431 | ||
Durbin-Watson stat | 2.734 840 | Prob (F-statistic) | 0.0 | ||
ECM (1)
Dependent Variable: D (M0) | |||||
Method: Least Squares | |||||
Date: 12/18/07 Time: 14:56 | |||||
Sample (adjusted): 2005:02 2006:12 | |||||
Included observations: 23 after adjusting endpoints | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 146.1541 | 38.78 456 | 3.768 357 | 0.0013 | |
D (GNP) | 0.100 672 | 0.49 539 | 2.32 195 | 0.0564 | |
D (CPI) | 639.3349 | 92.25 471 | 6.930 106 | 0.0000 | |
RESID01(-1) | — 0.342 437 | 0.141 123 | — 2.426 512 | 0.0254 | |
R-squared | 0.851 815 | Mean dependent var | — 8.647 826 | ||
Adjusted R-squared | 0.828 417 | S.D. dependent var | 298.4544 | ||
S.E. of regression | 123.6276 | Akaike info criterion | 12.62 920 | ||
Sum squared resid | 290 391.8 | Schwarz criterion | 12.82 667 | ||
Log likelihood | — 141.2357 | F-statistic | 36.40 590 | ||
Durbin-Watson stat | 1.985 892 | Prob (F-statistic) | 0.0 | ||
Приложение 5
Тест БреушаГодфри Коинтегрированная модель
Breusch-Godfrey Serial Correlation LM Test: | |||||
F-statistic | 2.917 086 | Probability | 0.103 122 | ||
Obs*R-squared | 3.54 929 | Probability | 0.80 493 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 250.3030 | 3378.431 | 0.74 089 | 0.9417 | |
GNP | — 0.10 036 | 0.56 051 | — 0.179 050 | 0.8597 | |
CPI | — 1.744 675 | 28.51 379 | — 0.61 187 | 0.9518 | |
RESID (-1) | 0.360 458 | 0.211 048 | 1.707 948 | 0.1031 | |
R-squared | 0.127 289 | Mean dependent var | — 2.56E-12 | ||
Adjusted R-squared | — 0.3 618 | S.D. dependent var | 201.6667 | ||
S.E. of regression | 202.0311 | Akaike info criterion | 13.60 573 | ||
Sum squared resid | 816 331.6 | Schwarz criterion | 13.80 207 | ||
Log likelihood | — 159.2688 | F-statistic | 0.972 362 | ||
Durbin-Watson stat | 1.905 880 | Prob (F-statistic) | 0.425 325 | ||
Модель приростов
Breusch-Godfrey Serial Correlation LM Test:
F-statistic | 0.88 849 | Probability | 0.768 880 | ||
Obs*R-squared | 0.107 054 | Probability | 0.743 524 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 1.897 314 | 42.72 522 | — 0.44 407 | 0.9650 | |
D (GNP) | 0.4 578 | 0.55 596 | 0.82 337 | 0.9352 | |
D (CPI) | — 6.571 666 | 99.52 781 | — 0.66 028 | 0.9480 | |
RESID (-1) | — 0.74 592 | 0.250 246 | — 0.298 076 | 0.7689 | |
R-squared | 0.4 655 | Mean dependent var | 4.94E-15 | ||
Adjusted R-squared | — 0.152 505 | S.D. dependent var | 131.4918 | ||
S.E. of regression | 141.1628 | Akaike info criterion | 12.89 447 | ||
Sum squared resid | 378 611.5 | Schwarz criterion | 13.9 195 | ||
Log likelihood | — 144.2865 | F-statistic | 0.29 616 | ||
Durbin-Watson stat | 1.849 763 | Prob (F-statistic) | 0.992 904 | ||
Модель первых лагов (1)
Breusch-Godfrey Serial Correlation LM Test: | |||||
F-statistic | 3.571 374 | Probability | 0.77 041 | ||
Obs*R-squared | 4.197 028 | Probability | 0.40 495 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 2912.116 | 4618.974 | 0.630 468 | 0.5373 | |
GNP | 0.495 | 0.51 513 | 0.9 619 | 0.9924 | |
CPI | — 21.79 160 | 87.82 084 | — 0.248 137 | 0.8072 | |
M0(-1) | 0.92 994 | 0.131 217 | 0.708 707 | 0.4887 | |
GNP (-1) | — 0.32 862 | 0.54 041 | — 0.608 097 | 0.5517 | |
CPI (-1) | — 4.738 471 | 109.4437 | — 0.43 296 | 0.9660 | |
RESID (-1) | — 0.493 169 | 0.260 963 | — 1.889 808 | 0.0770 | |
R-squared | 0.182 479 | Mean dependent var | 6.36E-13 | ||
Adjusted R-squared | — 0.124 091 | S.D. dependent var | 95.46 249 | ||
S.E. of regression | 101.2123 | Akaike info criterion | 12.31 811 | ||
Sum squared resid | 163 903.0 | Schwarz criterion | 12.66 369 | ||
Log likelihood | — 134.6582 | F-statistic | 0.595 229 | ||
Durbin-Watson stat | 2.15 386 | Prob (F-statistic) | 0.729 967 | ||
Модель первых лагов (2)
Breusch-Godfrey Serial Correlation LM Test: | |||||
F-statistic | 3.784 356 | Probability | 0.67 523 | ||
Obs*R-squared | 3.995 536 | Probability | 0.45 621 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 644.8164 | 1364.035 | 0.472 727 | 0.6421 | |
CPI | — 28.16 772 | 65.41 554 | — 0.430 597 | 0.6719 | |
CPI (-1) | 21.64 611 | 64.44 663 | 0.335 876 | 0.7408 | |
M0(-1) | 0.32 267 | 0.62 195 | 0.518 804 | 0.6102 | |
RESID (-1) | — 0.451 888 | 0.232 293 | — 1.945 342 | 0.0675 | |
R-squared | 0.173 719 | Mean dependent var | 6.79E-12 | ||
Adjusted R-squared | — 0.9 899 | S.D. dependent var | 96.43 751 | ||
S.E. of regression | 96.91 365 | Akaike info criterion | 12.17 518 | ||
Sum squared resid | 169 060.6 | Schwarz criterion | 12.42 202 | ||
Log likelihood | — 135.0145 | F-statistic | 0.946 089 | ||
Durbin-Watson stat | 1.989 516 | Prob (F-statistic) | 0.460 234 | ||
ECM (1)
Breusch-Godfrey Serial Correlation LM Test: | |||||
F-statistic | 0.25 444 | Probability | 0.875 042 | ||
Obs*R-squared | 0.32 466 | Probability | 0.857 009 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 1.459 292 | 40.85 664 | — 0.35 717 | 0.9719 | |
D (GNP) | 0.2 049 | 0.52 457 | 0.39 054 | 0.9693 | |
D (CPI) | — 5.306 885 | 100.3889 | — 0.52 863 | 0.9584 | |
RESID01(-1) | 0.11 577 | 0.162 048 | 0.71 439 | 0.9438 | |
RESID (-1) | — 0.50 001 | 0.313 465 | — 0.159 512 | 0.8750 | |
R-squared | 0.1 412 | Mean dependent var | — 9.89E-15 | ||
Adjusted R-squared | — 0.220 497 | S.D. dependent var | 114.8896 | ||
S.E. of regression | 126.9256 | Akaike info criterion | 12.71 474 | ||
Sum squared resid | 289 981.9 | Schwarz criterion | 12.96 159 | ||
Log likelihood | — 141.2195 | F-statistic | 0.6 361 | ||
Durbin-Watson stat | 1.901 379 | Prob (F-statistic) | 0.999 911 | ||
Приложение 6
Тест Уайта Коинтегрированная модель
White Heteroskedasticity Test: | |||||
F-statistic | 2.23 071 | Probability | 0.123 816 | ||
Obs*R-squared | 8.634 731 | Probability | 0.124 551 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | — 3.01E+08 | 1.27E+08 | — 2.382 405 | 0.0284 | |
GNP | 4326.224 | 2102.165 | 2.57 985 | 0.0544 | |
GNP2 | — 0.23 563 | 0.19 208 | — 1.226 725 | 0.2357 | |
GNP*CPI | — 36.91 029 | 17.59 627 | — 2.97 620 | 0.0503 | |
CPI | 5 261 193. | 2 220 565. | 2.369 304 | 0.0292 | |
CPI2 | — 22 970.79 | 9749.626 | — 2.356 068 | 0.0300 | |
R-squared | 0.359 780 | Mean dependent var | 38 974.88 | ||
Adjusted R-squared | 0.181 942 | S.D. dependent var | 51 472.79 | ||
S.E. of regression | 46 555.38 | Akaike info criterion | 24.54 699 | ||
Sum squared resid | 3.90E+10 | Schwarz criterion | 24.84 150 | ||
Log likelihood | — 288.5639 | F-statistic | 2.23 071 | ||
Durbin-Watson stat | 1.631 763 | Prob (F-statistic) | 0.123 816 | ||
Модель приростов
White Heteroskedasticity Test: | |||||
F-statistic | 0.499 788 | Probability | 0.736 247 | ||
Obs*R-squared | 2.299 121 | Probability | 0.680 929 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 19 600.44 | 9929.894 | 1.973 882 | 0.0639 | |
D (GNP) | 5.895 863 | 9.47 363 | 0.651 666 | 0.5229 | |
(D (GNP))^2 | — 0.15 957 | 0.14 236 | — 1.120 862 | 0.2771 | |
D (CPI) | 4736.144 | 45 069.32 | 0.105 086 | 0.9175 | |
(D (CPI))^2 | 19 639.90 | 31 282.30 | 0.627 828 | 0.5380 | |
R-squared | 0.99 962 | Mean dependent var | 16 538.35 | ||
Adjusted R-squared | — 0.100 047 | S.D. dependent var | 19 096.51 | ||
S.E. of regression | 20 029.01 | Akaike info criterion | 22.83 741 | ||
Sum squared resid | 7.22E+09 | Schwarz criterion | 23.8 426 | ||
Log likelihood | — 257.6302 | F-statistic | 0.499 788 | ||
Durbin-Watson stat | 2.576 392 | Prob (F-statistic) | 0.736 247 | ||
Модель первых лагов (1)
White Heteroskedasticity Test: | |||||
F-statistic | 0.903 717 | Probability | 0.557 476 | ||
Obs*R-squared | 9.880 366 | Probability | 0.451 051 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 1.217 794 | 0.2467 | |||
GNP | 27.73 369 | 56.28 174 | 0.492 765 | 0.6311 | |
GNP2 | — 0.1 551 | 0.4 371 | — 0.354 799 | 0.7289 | |
CPI | — 3 607 170. | 2 414 220. | — 1.494 135 | 0.1610 | |
CPI2 | 16 428.82 | 11 044.45 | 1.487 519 | 0.1627 | |
M0(-1) | — 167.8807 | 146.5298 | — 1.145 710 | 0.2743 | |
M0(-1)^2 | 0.38 117 | 0.35 162 | 1.84 030 | 0.2997 | |
GNP (-1) | 24.17 686 | 53.42 889 | 0.452 505 | 0.6590 | |
GNP (-1)^2 | — 0.1 884 | 0.4 185 | — 0.450 241 | 0.6606 | |
CPI (-1) | 2 535 047. | 1 845 973. | 1.373 285 | 0.1948 | |
CPI (-1)^2 | — 11 486.73 | 8452.676 | — 1.358 946 | 0.1992 | |
R-squared | 0.429 581 | Mean dependent var | 8716.865 | ||
Adjusted R-squared | — 0.45 768 | S.D. dependent var | 12 330.67 | ||
S.E. of regression | 12 609.69 | Akaike info criterion | 22.2 825 | ||
Sum squared resid | 1.91E+09 | Schwarz criterion | 22.57 131 | ||
Log likelihood | — 242.3249 | F-statistic | 0.903 717 | ||
Durbin-Watson stat | 2.263 756 | Prob (F-statistic) | 0.557 476 | ||
Модель первых лагов (2)
White Heteroskedasticity Test: | |||||
F-statistic | 1.611 071 | Probability | 0.207 967 | ||
Obs*R-squared | 8.662 204 | Probability | 0.193 486 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 1.341 097 | 0.1986 | |||
CPI | — 3 874 668. | 1 926 518. | — 2.11 229 | 0.0615 | |
CPI2 | 17 697.92 | 8803.259 | 2.10 383 | 0.0616 | |
CPI (-1) | 2 996 276. | 1 507 967. | 1.986 964 | 0.0643 | |
CPI (-1)^2 | — 13 661.69 | 6881.007 | — 1.985 421 | 0.0645 | |
M0(-1) | — 143.7000 | 116.6461 | — 1.231 931 | 0.2358 | |
M0(-1)^2 | 0.35 357 | 0.30 439 | 1.161 565 | 0.2624 | |
R-squared | 0.376 618 | Mean dependent var | 8895.837 | ||
Adjusted R-squared | 0.142 849 | S.D. dependent var | 13 457.62 | ||
S.E. of regression | 12 459.39 | Akaike info criterion | 21.94 413 | ||
Sum squared resid | 2.48E+09 | Schwarz criterion | 22.28 971 | ||
Log likelihood | — 245.3575 | F-statistic | 1.611 071 | ||
Durbin-Watson stat | 2.428 228 | Prob (F-statistic) | 0.207 967 | ||
ECM (1)
White Heteroskedasticity Test: | |||||
F-statistic | 0.240 344 | Probability | 0.956 403 | ||
Obs*R-squared | 1.901 579 | Probability | 0.928 524 | ||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
C | 19 187.90 | 9111.775 | 2.105 836 | 0.0514 | |
D (GNP) | 8.952 201 | 10.22 770 | 0.875 290 | 0.3944 | |
(D (GNP))^2 | — 0.12 487 | 0.12 687 | — 0.984 197 | 0.3397 | |
D (CPI) | 34 516.76 | 45 071.30 | 0.765 826 | 0.4549 | |
(D (CPI))^2 | 31 924.09 | 32 070.79 | 0.995 426 | 0.3343 | |
RESID01(-1) | — 10.36 966 | 26.50 964 | — 0.391 166 | 0.7008 | |
RESID01(-1)^2 | 0.8 045 | 0.95 336 | 0.84 389 | 0.9338 | |
R-squared | 0.82 677 | Mean dependent var | 12 625.73 | ||
Adjusted R-squared | — 0.261 319 | S.D. dependent var | 15 848.86 | ||
S.E. of regression | 17 799.60 | Akaike info criterion | 22.65 753 | ||
Sum squared resid | 5.07E+09 | Schwarz criterion | 23.312 | ||
Log likelihood | — 253.5616 | F-statistic | 0.240 344 | ||
Durbin-Watson stat | 2.568 972 | Prob (F-statistic) | 0.956 403 | ||
Приложение 6
Вывод остатков модели
Коинтегрированная модель | Модель приростов | Модель первых лагов (1) | Модель первых лагов (1) | ECM (1) | |
— 215.564 | |||||
— 194.131 | 121.094 | — 60.1345 | — 57.86 928 | 25.79 | |
— 297.757 | 15.3961 | — 144.350 | — 136.7041 | — 66.298 | |
— 54.035 | 157.213 | — 7.189 248 | — 10.59 395 | 60.5396 | |
88.7429 | 159.122 | 49.1565 | 43.41 768 | 138.559 | |
— 192.4113 | — 42.3224 | — 76.6337 | — 61.81 058 | — 45.4215 | |
196.997 | 228.652 | 145.472 | 142.8688 | 183.40 166 | |
— 11.6229 | — 23.7945 | 6.0487 | 19.90 379 | 20.0146 | |
— 21.7683 | — 11.71 467 | 3.7923 | 18.488 992 | — 15.457 | |
427.826 | 60.1336 | 54.8366 | 33.54 489 | 105.543 | |
386.634 | — 111.366 | — 28.4489 | — 48.1691 | 44.16 593 | |
338.2288 | 58.6016 | 151.6093 | 150.821 | 174.405 | |
— 4.5862 | — 169.809 | — 60.024 | — 63.7923 | — 119.875 | |
— 60.4714 | 25.0114 | — 19.4359 | — 29.638 | 7.2762 | |
— 78.2359 | 258.134 | 235.0466 | 248.3928 | 193.355 | |
106.6156 | — 78.2944 | — 106.833 | — 135.611 | — 68.40 897 | |
140.325 | 40.9226 | 57.0742 | 42.5884 | 79.4605 | |
— 199.074 | — 157.856 | — 90.5 242 | — 81.3258 | — 130.117 | |
50.518 | 44.464 | 55.1 295 | 51.7 389 | 5.5348 | |
— 153.425 | — 204.822 | 59.1049 | 80.833 | — 34.617 | |
— 325.97 | — 204.822 | — 122.1355 | — 99.633 | — 250.27 | |
77.4119 | 28.6947 | 57.9 136 | 54.667 | — 31.95 867 | |
67.12 830 416 | — 190.256 | — 92.4634 | — 101.357 | — 134.813 | |
— 71.3759 | — 174.2475 | — 66.5331 | — 60.095 | — 140.8098 | |
Приложение 7
Оценка остатков модели на стационарность Коинтегрированная модель:
ADF Test Statistic | — 3.321 477 | 1% Critical Value* | — 2.6700 | ||
5% Critical Value | — 1.9566 | ||||
10% Critical Value | — 1.6235 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
RESID01(-1) | — 0.644 936 | 0.194 171 | — 3.321 477 | 0.0031 | |
R-squared | 0.333 463 | Mean dependent var | 6.269 062 | ||
Adjusted R-squared | 0.333 463 | S.D. dependent var | 229.3958 | ||
S.E. of regression | 187.2827 | Akaike info criterion | 13.34 562 | ||
Sum squared resid | 771 645.5 | Schwarz criterion | 13.39 499 | ||
Log likelihood | — 152.4746 | Durbin-Watson stat | 2.43 184 | ||
Модель приростов
ADF Test Statistic | — 4.797 725 | 1% Critical Value* | — 2.6756 | ||
5% Critical Value | — 1.9574 | ||||
10% Critical Value | — 1.6238 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
RESID02(-1) | — 1.67 812 | 0.222 566 | — 4.797 725 | 0.0001 | |
R-squared | 0.520 433 | Mean dependent var | — 13.42 462 | ||
Adjusted R-squared | 0.520 433 | S.D. dependent var | 190.1434 | ||
S.E. of regression | 131.6758 | Akaike info criterion | 12.64 295 | ||
Sum squared resid | 364 108.7 | Schwarz criterion | 12.69 254 | ||
Log likelihood | — 138.0725 | Durbin-Watson stat | 1.889 100 | ||
Модель в первых лагах (1)
ADF Test Statistic | — 6.807 388 | 1% Critical Value* | — 2.6756 | ||
5% Critical Value | — 1.9574 | ||||
10% Critical Value | — 1.6238 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
RESID03(-1) | — 1.378 368 | 0.202 481 | — 6.807 388 | 0.0000 | |
R-squared | 0.688 151 | Mean dependent var | — 0.290 846 | ||
Adjusted R-squared | 0.688 151 | S.D. dependent var | 160.5493 | ||
S.E. of regression | 89.65 625 | Akaike info criterion | 11.87 423 | ||
Sum squared resid | 168 803.1 | Schwarz criterion | 11.92 382 | ||
Log likelihood | — 129.6166 | Durbin-Watson stat | 1.932 930 | ||
Модель в первых лагах (2)
ADF Test Statistic | — 6.923 127 | 1% Critical Value* | — 2.6756 | ||
5% Critical Value | — 1.9574 | ||||
10% Critical Value | — 1.6238 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
RESID05(-1) | — 1.391 336 | 0.200 969 | — 6.923 127 | 0.0000 | |
R-squared | 0.695 342 | Mean dependent var | — 0.101 180 | ||
Adjusted R-squared | 0.695 342 | S.D. dependent var | 163.2351 | ||
S.E. of regression | 90.9 903 | Akaike info criterion | 11.88 408 | ||
Sum squared resid | 170 474.5 | Schwarz criterion | 11.93 368 | ||
Log likelihood | — 129.7249 | Durbin-Watson stat | 1.970 882 | ||
ECM (1)
ADF Test Statistic | — 4.564 575 | 1% Critical Value* | — 2.6756 | ||
5% Critical Value | — 1.9574 | ||||
10% Critical Value | — 1.6238 | ||||
*MacKinnon critical values for rejection of hypothesis of a unit root. | |||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. | |
RESID04(-1) | — 1.30 299 | 0.225 716 | — 4.564 575 | 0.0002 | |
R-squared | 0.496 932 | Mean dependent var | — 7.572 750 | ||
Adjusted R-squared | 0.496 932 | S.D. dependent var | 165.5331 | ||
S.E. of regression | 117.4082 | Akaike info criterion | 12.41 358 | ||
Sum squared resid | 289 478.2 | Schwarz criterion | 12.46 317 | ||
Log likelihood | — 135.5494 | Durbin-Watson stat | 1.886 366 | ||
Приложение 8
Оценка случайных отклонений на нормальное распределение Коинтегрированная модель Модель приростов модель Первых лагов (1)
Модель в первых лагов (2)
ECM (1)
www.r