— **-. -1−0.210−0.
2104.
2603 ***-. — ****-. -2−0.446−0.
51 223.
7630.000. -* - .*-. -30.178−0.
10 026.
8990.000. -. — **-. -40.022−0.
25 226.
9480.000 .*-. — **-. -5−0.148−0.
24 129.
1770.000. -** -. -* -60.
2650.
11 736.
3630.
000 .*-. — **-. -7−0.202−0.
32 340.
5870.000. -* -. -** -80.
1080.
31 741.
8170.
000. -* -. -. -90.138−0.
243.
8370.000 ***-. — **-. -10−0.406−0.
29 661.
5150.000 .*-. — ***-. -11−0.137−0.
35 463.
5420.000. -***** -. -** -120.
6850.
293 115.
130.
000 .*-. —. -* -13−0.
1410.
89 117.
340.
000 **-. —. -. -14−0.322−0.
11 129.
020.000. -* - .*-. -150.
082−0.
111 129.
790.000. -. —. -* -160.
0730.
74 130.
410.
000 .*-. —. -. -17−0.107−0.
62 131.
740.000. -* -. -. -180.
1680.
4 135.
100.
000 .*-. —. -. -19−0.
1230.
39 136.
920.
000. -* -. -. -200.
1000.
6 138.
150.
000. -* -. -. -210.
080−0.
19 138.
940.000 **-. — .*-. -22−0.317−0.
85 151.
570.000 .*-. —. -. -23−0.
0960.
24 152.
730.
000. -**** -. -* -240.
5490.
100 191.
610.
000 .*-. — .*-. -25−0.144−0.
81 194.
330.000 **-. —. -. -26−0.
2560.
9 203.
000.
000. -. — .*-. -270.
029−0.
168 203.
110.000. -* -. -. -280.
1070.
67 204.
670.
000. -. —. -. -29−0.050−0.
18 205.
020.000. -* -. -. -300.
0910.
14 206.
180.
000 .*-. —. -* -31−0.
0800.
86 207.
110.
000. -* -. -. -320.
110−0.
35 208.
870.000. -. —. -. -330.
0140.
66 208.
890.
000 **-. —. -. -34−0.245−0.
50 217.
940.000. -. —. -. -35−0.
0590.
28 218.
470.
000. -*** - .*-. -360.
393−0.
106 242.
480.000MA (1)Date: 04/26/12 Time: 00:54Sample: 2004M02 2011M12Included observations: 95Q-statistic probabilities adjusted for 1 ARMA term (s)AutocorrelationPartial CorrelationAC PAC Q-Stat Prob. -. —. -. -1−0.039−0.
0390.
1501 .*-. — .*-. -2−0.197−0.
1993.
99 790.046. -* -. -* -30.
1200.
1075.
43 550.
066. -. —. -. -40.
0330.
0025.
54 490.
136 .*-. — .*-. -5−0.109−0.
0676.
76 330.149. -** -. -** -60.
2680.
27 314.
1920.
014 .*-. — **-. -7−0.163−0.
21 916.
9730.009. -* -. -** -80.
0940.
26 417.
9130.
012. -. — .*-. -90.042−0.
13 618.
1060.020 **-. — **-. -10−0.281−0.
24 326.
6600.002 .*-. —. -. -11−0.085−0.
427.
4510.002. -**** -. -*** -120.
5920.
47 266.
3480.
000 .*-. —. -. -13−0.094−0.
2 467.
3450.000 .*-. — .*-. -14−0.190−0.
15 371.
4420.000. -. —. -. -150.
031−0.
6 371.
5550.000. -. —. -* -160.
0690.
14 872.
1160.
000 .*-. —. -. -17−0.083−0.
3 572.
9390.000. -* -. -. -180.
1810.
476.
8620.
000 .*-. —. -. -19−0.
1060.
1 478.
2300.
000. -* -. -. -200.
077−0.
3 878.
9580.000. -. —. -. -210.
005−0.
3 678.
9600.000 **-. —. -. -22−0.227−0.
1 785.
4430.000 .*-. —. -. -23−0.
0800.
4 086.
2540.
000. -*** -. -. -240.
4420.
45 111.
650.
000 .*-. — .*-. -25−0.141−0.
135 114.
280.000 .*-. —. -. -26−0.
1630.
37 117.
810.
000. -. — .*-. -27−0.020−0.
74 117.
870.000. -* -. -* -280.
0940.
118 119.
070.
000. -. —. -. -29−0.
0370.
7 119.
260.
000. -* -. -. -300.
117−0.
15 121.
190.000 .*-. —. -. -31−0.
0790.
24 122.
090.
000. -. — .*-. -320.
067−0.
95 122.
750.000. -. —. -. -33−0.
0530.
8 123.
180.
000 .*-. — .*-. -34−0.195−0.
89 128.
900.000. -. —. -. -35−0.
0570.
15 129.
400.
000. -** -. -. -360.
306−0.
55 144.
010.000Исходя из построенных графиков, можно с уверенностью выбрать модель MA (1)Breusch-Godfrey Serial Correlation LM Test: F-statistic19.48 612 Prob. F (2,90)0.0000Obs*R-squared28.40 449 Prob. Chi-Square (2)0.0000Test Equation: Dependent Variable: RESIDMethod: Least SquaresDate: 04/26/12 Time: 00:59Sample: 2004M03 2011M12Included observations: 94Presample missing value lagged residuals set to zero.VariableCoefficientStd. Errort-StatisticProb. C-0.
57 370.
43 606−0.
1 315 550.
8956AR (1)-0.
1 852 530.
507 656−0.
3 649 170.
7160RESID (-1)-0.
1 570 570.
469 241−0.
3 347 040.
7386RESID (-2)-0.
6 038 710.
240 501−2.
5 108 930.
0138R-squared0.302 175 Mean dependent var3.54E-17Adjusted R-squared0.278 915 S.D. dependent var0.70 5897S.E. of regression0.599 425 Akaike info criterion1.85 5929Sum squared resid32.33 792 Schwarz criterion1.96 4155Log likelihood-83.22 867 Hannan-Quinn criter.
1.89 9644F-statistic12.99 075 Durbin-Watson stat2.5 0393Prob (F-statistic)0.0
Автокорреляция отсутствует, так все вероятности не равны нулю, а в большинстве случаев ближе к 1. На основании этой модели MA (1) целесообразно сделать прогноз. Прогнозирование при помощи модели MA (1)Точечный прогнозянварь4,62По данной модели мы можем спрогнозировать на один шаг вперед, для более долгосрочного прогноза предполагается использование более сложных моделей. Заключение
В результате написания данной работы были проанализированы данные по объему страховых выплат компании ОАО «Росгосстрах». Проведены гипотезы на стационарность изначального ряда, с помощью ряда тестов найден стационарный ряд, который найден с помощью первых разностей, на основании которого выбрана наиболее подходящая модель. Использование программы EVIEWSпоиску оптимальной модели для составления краткосрочного прогноза для статистических данных во временном ряду. Список использованной литературы
Доугерти К.
Введение
в эконометрику. М., 2003
Магнус Я.Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс: Учебник. — 8-е изд. — М.: Дело, 2007
Анализ временных рядов. Пособие для студентов. М., 2003
Тихомиров Н.П., Тихомирова Т. М., Ушмаев О. С. Методы эконометрики и многомерного статистического анализа: Учебник — Москва: Экономика, 2011 — (Высшее образование) Эконометрика: Учебник / Елисеева И. И., Курышева С. В., Костеева Т. В. и др. — М.: Финансы и статистика, 2007
