Professional Documents
Culture Documents
Statisztikai adatok
ökonometriai elemzése
Idősori modellek elmélete és alkalmazása
Előadók:
Dr. Hajdu Ottó
Dr. Dombi ákos
Budapest
130
Véletlen_(t)
120 ahol
S1+S2+S3+S4=0
Time: t = 1,2, … , 64
110
Feladat:
Dekompozíció,
100
1996 1998 2000 2002 2004 2006 2008 2010
Előrejelzés,
Negyedévek: 1995Q1 - 2010Q4 Kiigazítás
1
2017. 11. 27.
Y 1t 2t 2 S 1 K 1 S 2 K 2 S 3 K 3
D D4 D2 D4 D3 D4
1
140
AdjustedBusz MFő
135
130
125
120
1996 1998 2000 2002 2004 2006 2008 2010
Negyedévek
2
2017. 11. 27.
8000
7000
6000
5000
AtlAr
4000
3000
2000
1000
0
1996 1998 2000 2002 2004 2006
3
2017. 11. 27.
0,15
0,1
0,05
ld_AtlAr
-0,05
-0,1
Nincs Trend, Szűk sávban marad, Stacioner
-0,15
Korábbi érték ok-okozati kapcsolata
T = 2717 későbbivel feltehető. Kérdés: Szignifikáns?
-0,2
-0,25
1996 1998 2000 2002 2004 2006
Minta
Autokorreláció:
Y1 ~ ( m, Var : y1 Lag(1)
Y2 ~ ( m, Var : y2 y1 Lag(2)
Y3 ~ ( m, Var : y3 y2 y1 AutoCorr(k)
Y4 ~ ( m, Var : y4 y3 y2 Corr Yt ,Ytk k
Yt ~ ( m, Var : yt yt-1 yt-2 bármely "t " esetén
Yˆnrövidtáv
Yn ~ ( m, Var : yn yn-1 yn-2
4
2017. 11. 27.
70
60
50 Stacioner,
40
30 Autokorrelálatlan
20
folyamat
10 corr Yt ,Yt k 0,
t,
bármely esetén
0
1 171 341 511 681 851 1021 1191 1361 1531 1701 1871 2041 2211 2381
ACF: 5-ösLottó
AutoCorrelation Function (ACF), 5-Lottó Ljung Box _ Q :
Lag Corr. S.E. Q p
1 +.023 .0198 1.31 .2519
H0 :
2 +.006 .0198 1.41 .4933
3 +.002 .0197 1.42 .7003
AC(1) AC(2)
4 +.019 .0197 2.33 .6750
5 -.002 .0197 2.34 .8007
... AC(K ) 0
6 -.036 .0197 5.64 .4650
7 +.016 .0197 6.32 .5026
8 -.012 .0197 6.67 .5730
9 -.008 .0197 6.84 .6542
10 -.000 .0197 6.84 .7408
K
rk2
n k
11 +.009 .0197 7.04 .7960
12 -.022 .0197 8.28 .7626 Q n n2
13 +.009 .0197 8.50 .8094 k 1
14
15
+.005 .0197
-.017 .0197
8.56
9.28
.8582
.8623
~ Chi2K becs. par.
16 -.024 .0197 10.75 .8244
17 -.015 .0197 11.37 .8365
18 +.005 .0197 11.45 .8744
19 -.008 .0197 11.62 .9011
ahol
20 +.011 .0197
0
-1,0 -0,5 0,0 0,5 1,0
11.95
0
.9179
rk lin.corr yt , yt k
Szerző: Hajdu Ottó 14
5
2017. 11. 27.
10 +.001 .0198
11 +.008 .0198
t2
12 -.023 .0198
13 +.012 .0198
t 2 DF
14 +.003 .0198
15 -.018 .0198
16 -.022 .0198
17 -.014 .0198
1.829
18 +.004 .0198
2
19 -.006 .0198
20 +.012 .0198
1.829 2553
0
2
-1,0 -0,5 0,0 0,5 1,0
Yt 1 Yt 1 2 Yt 2 ... 6 Yt 6 t
6 6 6
ARMA modellezés
1. Identifikálás: ARMA(p,q) meghatározása
1. Stacionaritás vizsgálat
1. Stacionaritási tesztek
2. Korrelogram
3. Stacioner transzformáció
1. Stacionaritás vizsgálat
6
2017. 11. 27.
1 : VárhatóÉrték Yt
2 : Cov Yt ,Yt1 Var t 1 2
3 : Var Yt Var Yt 1 2 22
AC(1) , AC(2,3,...) 0
1 2
MA(1) mindig stacioner! Korrelogram: az AR(1) duálisa
ACF: AR(2) Postai Éves Csomagszám PACF: AR(2) Postai Éves Csomagszám
Lag Corr. S.E. Q p Lag Corr. S.E.
1 +.779 .1442 29.16 .0000 1 +.779 .1491
2 +.472 .1426 40.10 .0000 2 -.343 .1491
3 +.254 .1409 43.34 .0000 3 +.080 .1491
4 +.143 .1392 44.39 .0000 4 +.026 .1491
5 +.095 .1375 44.86 .0000 5 +.007 .1491
6 +.039 .1358 44.94 .0000 6 -.093 .1491
7 -.012 .1340 44.95 .0000 7 +.013 .1491
8 -.068 .1323 45.21 .0000 8 -.088 .1491
9 -.149 .1305 46.51 .0000 9 -.130 .1491
10 -.207 .1286 49.10 .0000 10 -.012 .1491
11 -.155 .1268 50.60 .0000 11 +.181 .1491
12 -.042 .1249 50.71 .0000 12 +.036 .1491
13 +.051 .1230 50.88 .0000 13 +.011 .1491
14 +.045 .1211 51.02 .0000 14 -.119 .1491
15 -.002 .1191 51.02 .0000 15 +.024 .1491
0 0 0
-1.0 -0.5 0.0 0.5 1. 0 -1.0 -0.5 0.0 0.5 1.0
7
2017. 11. 27.
1. A modell:
Yt Yt 1 t ~ WN 0, 2 , 1
2. Várható érték:
m m m
1
3. Variancia: 2
varYt 2 varYt 2 0
1 2
Yt vt | ahol : vt v
t 1 WNt
Yt 1
Lásd később ADF teszt
t
Yt Y 0 i 1
yi
Y0 = 10
300
200
150
Expected
100
50
0
Yt = 10 + 0.5t + WNt (0,16) , t = 1,2 , ... , 365
-50
0 25 50 75 100 125 150 175 200 225 250 275 300 325 350
8
2017. 11. 27.
Yt Yt1 D WNt
D Yt 2 WNt 1
2. A lineáris trend körül bolyong, növekvő kilengésekkel:
Y 0 i 1 D
t t
Yt WN
i 1 i
E Yt : DeterminisztikusTrend SztochasztikusTag
i .Shock :Nem hal el !
Stacionaritási esetek
1. „Detrended, seasonally adjusted” stacionaritás:
Yt Trendt CiklusC yt
Stacioner
1. „Quadratic” trend és Q szezon mellett :
t = 1,2,...,n
Trendt 0 1t 2t 2 C : Q 1,2, 3, 4
2. Differencia stacionaritás:
Stacionaritási-transzformációk
1. Differencia stacionaritás(DSP) esetén :
1. Elsőrendű differenciázás : DYt = Yt – Yt-1
2. Másodrendű differenciázás: DDYt = D2Yt
3. Logaritmálás és differenciázás: DlogYt
4. d-rendben integrált Y: DdYt stacioner
3. Szezonalitás esetén:
1. Szezonális differenciázás: D4Yt = (Yt – Yt-4)
2. Szezonális kiigazítás: Y - Szezonhatás
9
2017. 11. 27.
1999_5_21
1999_10_7
2000_02_25
2000_07_17
2000_12_01
2001_04_26
2001_09_14
2002_04_22
2002_09_12
2003_02_04
2003_06_25
2003_11_12
2004_04_05
2004_08_23
10
2017. 11. 27.
Dickey-Fuller(1lag) regresszió
Becsült modellek: Augmented Dickey_Fuller teszt
Y: Diff_USD/JPY Coeff t-stat. p
const 0.007365 2.13
USD/JPY(-1) -0.006874 -2.168 0.745
t 0.000003 1.311
t2 0.000000 -1.566
Diff_USD/JPY(-1) -0.040864 -1.549
Y: Diff_Diff_USD/JPY
const -0.000042 -0.064
Diff_USD/JPY(-1) -1.044740 -27.317 0.000
t 0.000001 0.408
t2 0.000000 -0.658
Diff_Diff_USD/JPY(-1) 0.002282 0.086
ARMA(2,0):
2 1, 2 1 1, 2 1 1
ARMA(0,2):
2 1, 2 1 1, 2 1 1
ARMA(1,1):
1, 1
A Box-Jenkins-metódus:
Integrált folyamatok ARIMA modelljei
11
2017. 11. 27.
8000
7000
6000
5000
AtlAr
4000
3000
2000
1000
0
1996 1998 2000 2002 2004 2006
0,2
0,1
0,05
ld_AtlAr
-0,05
-0,1
-0,15
-0,2
-0,25
1996 1998 2000 2002 2004 2006
0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2
0 10 20 30 40 50
lag
0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2
0 10 20 30 40 50
lag
12
2017. 11. 27.
20
A minta „L”
Likelihoodja:
15
az üres (null)
modell esetén.
Density
megváltoztatja a
5
Sűrűségfüggvényt
és így a Likelihoodot is
0
-0.3 -0.2 -0.1 0 0.1 0.2
Hozam
5. A -2Log-likelihood minimálása:
T
OLS : yt fyt 1 min
ˆCML
MSE
t
6. Rövidül az idősor!
13
2017. 11. 27.
lnYt lnYt1
1 lnYt1 lnYt2 2 lnYt2 lnYt3 1t1 2t2 t
Előrejelzés a differenciával
1. ARIMA(p,1,q): dYt Yt Yt1
2. Előrejelzés:
Y
Yˆt dY t
t1
3. OTP pred.lnÁr:
ˆ 8.932345
ln ÁrT 1 8.931267
0.001077
tényadat pred .változás pred .ln Ár
4. ARIMA(p,2,q):
ddYt d2Yt Yt 2Yt1 Yt2
Yˆt d2Y t 2Yt1 Yt2
14
2017. 11. 27.
1 T
et
MPE
T
100 y
t 1
3.9935
t
Mean Absolute Error (az átlagos hiba):
1 T
MAE
T
| e
t 1
t
| 0.3726
1 T |e |
MAPE 100 yt 4.2403
T t 1 t
Szerző: Hajdu Ottó 43
2 2
MSE f y sf r sy 1 r 2 sy2
Bias
Regression
Disturbance
Var e Var yf sy2 s2f 2rsysf
Theil’s U = 18.715
15
2017. 11. 27.
Theil Unaive 1 | ft 1 yt
16