You are on page 1of 63

МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

НАЦИОНАЛЬНЫЙ ФОНД ПОДГОТОВКИ КАДРОВ
ИННОВАЦИОННЫЙ ПРОЕКТ РАЗВИТИЯ ОБРАЗОВАНИЯ
Программа «Совершенствование
дисциплин в вузах»

преподавания

социально-экономических

МИЭФ ГУ-ВШЭ
(наименование вуза)

Пособие для студентов по курсу

«Анализ временных рядов»

Москва
2003

Часть I.
Руководство по эконометрическому пакету EViews
Введение......................................................................................................... 3
1. Общие принципы работы в EViews ............................................................ 3
1.1. Создание рабочего файла EViews ........................................................ 4
Задания для самостоятельной работы......................................................... 9
1.2. Общая структура рабочего файла EViews ........................................... 9
Задания для самостоятельной работы....................................................... 12
2. Анализ одномерных временных рядов ..................................................... 12
2.1. Структура окна временного ряда ....................................................... 12
Задания для самостоятельной работы....................................................... 16
2.2 Построение графика временного ряда ................................................ 17
Задания для самостоятельной работы....................................................... 20
2.3. Описательные статистики временного ряда...................................... 20
Задания для самостоятельной работы....................................................... 23
2.4. Тесты для описательных статистик временного ряда ...................... 23
Задания для самостоятельной работы....................................................... 31
2.5. Построение кореллограммы временного ряда (выборочных
автокорреляционной и частной автокорреляционной функций)..................... 31
Задания для самостоятельной работы....................................................... 33
2.6. Моделирование процессов типа ARIMA( p, d , q ) .............................. 33
Задания для самостоятельной работы ....................................................... 45
2.7. Тесты на единичные корни (Тест Дикки-Фуллера) .......................... 45
Задания для самостоятельной работы ....................................................... 47
2.8. Прогнозирование при помощи моделей ARMA(p, q)....................... 48
Задания для самостоятельной работы ....................................................... 51
3. Анализ многомерных временных рядов ................................................... 51
3.1. Создание группы временных рядов (многомерного временного
ряда) ....................................................................................................................... 51
Задания для самостоятельной работы ....................................................... 51
3.2. Построение графика многомерного временного ряда ...................... 52
Задания для самостоятельной работы ....................................................... 54
3.3. Векторная авторегрессия ..................................................................... 54
3.4. Тест на причинность по Грэнджеру ................................................... 57
3.5. Тест Йохансена на коинтеграцию ...................................................... 58
Задания для самостоятельной работы к пунктам 3.3-3.5 ........................ 62

2

Введение
Данное руководство представляет собой пособие по использованию
эконометрического пакета EViews 4.1 применительно к анализу временных рядов.
Руководство построено таким образом, что может быть использовано и при
первом ознакомлении с данным пакетом в курсе эконометрики: многие его
возможности традиционно применяются для оценки различных эконометрических
моделей.
Руководство можно условно разделить на три части, касающиеся общих
принципов работы в EViews (1), анализа одномерных временных рядов (2) и
анализа многомерных временных рядов (3).
В первой части показано, как создается рабочий файл EViews и описана его
общая структура. Во второй части рассмотрены основные принципы работы с
одномерными временными рядами – построение графиков временных рядов,
работа с их описательными статистиками, моделирование процессов типа
ARIMA(p, d, q), тесты на единичные корни и прогнозирование при помощи
моделей временных рядов.
И, наконец, в последней части описаны общие принципы работы с
многомерными временными рядами – создание многомерного временного ряда,
построение его графика, оценка моделей векторной авторегрессии, проверка
причинности по Грэнджеру и наличия коинтеграции.
1. Общие принципы работы в EViews
Окно EViews состоит из пяти основных зон:
EViews

_

Χ

File Edit Object View Procs Quick Options Window Help

Welcome to EViews

Path=c:\eviews\

DB=macro

WF=none

Титульная строка. Самая верхняя строка окна Eviews – когда Eviews
активирован, она выделяется синим цветом.
Главное меню – следующая строка окна Eviews – содержит 9
различных «выскакивающих» меню (File, Edit, Object, View, Procs,

3

необходимо в Главном меню выбрать опции File/New/Workfile….Quick. Командное окно. программные файлы. Например. с одной стороны активированы. Например. Рабочая область отображает различные объекты (окна) EViews.д. оцененные уравнения и т. 3-й квартал 1998 года можно задать как 1998:3 или как 98:3 или же как 1998Q3. квартальные. В то же время конечную дату данного интервала необходимо задавать только с использованием всех четырех цифр. Для выполнения конкретной команды необходимо нажать клавишу Enter после ее ввода. а с другой. то задать начальную дату интервала можно как 1994 либо как 94. если это даты типа 19**. К таким объектам относятся. дневные или нерегулярные (недатированные)) и определить соответствующий временной интервал. если у Вас есть данные с 1994 по 2002 г. Начальная (Start date) и конечная (End date) даты интересующего Вас интервала могут быть заданы двумя способами. недельные. конкретные временные ряды. с которыми Вы собираетесь работать (годовые. с которыми Вы собираетесь работать. 1. Window.. например. каждое из которых можно активировать. подведя курсор к названию конкретного меню и кликнув левой кнопкой мышки. рабочие файлы. Годовые данные (Annual). Options. содержащий данные. могут быть набраны в командной строке. то есть как 2002. месячные. Все остальные даты можно задавать. Создание рабочего файла EViews Шаг 1. Область статусного состояния – показывает текущие характеристики Eviews. в результате чего откроется диалоговое окно: Workfile Range Frequency □ Annual □ Weekly □ Semi-annual □ Daily [5 day weeks] □ Quarterly □ Daily [7 day weeks] • Monthly □ Undated or irregular Range Start date 94:1 OK Cancel End date 2003M6 В этом окне необходимо задать информацию о типе имеющихся у Вас данных: выбрать тип данных. записывая год (4 4 . открытые в текущий момент.1. как элементы главного меню. Квартальные данные (Quarterly): границы интервала могут быть заданы тремя способами для дат типа 19** и двумя для всех остальных. полугодовые. Help). Чтобы создать рабочий файл. Все команды EViews могут быть.

а в недельном.цифры). 98:08 или 1998M8. Таким образом. на котором Вы собираетесь работать. Задаются аналогично квартальным данным: за номером года через двоеточие или букву M следует номер месяца (от 1 (или 01) до 12). 1998:8. которые Вы будете использовать. что Вы рассматриваете следующие интервалы: 1994-2002 1994:1-2002:2 1994:1-2002:4 1994:01-2002:12 01/01/1994-12/28/2002 01/01/1994-12/31/2002 94-2002 Для годовых данных Для полугодовых данных Для квартальных данных Для месячных данных Для недельных данных Для дневных данных Для нерегулярных или недатированных данных После того как Вы определили тип данных и промежуток времени. EViews создаст рабочий файл (без названия) заданного Вами типа: 5 . В отличие от данных вышеперечисленных типов. Тогда если Вы ввели в качестве начальной даты 07:10:1974. Недельные или дневные данные (Weekly или Daily). август 1998 года может быть задан как 1998:08. Месячные данные (Monthly). например. то в дневном формате такая запись означает. в этом случае по умолчанию необходимо записать начальную (конечную) дату рассматриваемого интервала в формате месяц:день:год (mm:dd:yyyy). и нажали кнопку ОК. если в качестве начальной и конечной границ интервала Вы ввели числа 94 и 2002 соответственно. за которым через двоеточие или букву Q следует номер квартала (от 1 до 4). что Вы рассматриваете промежуток времени с 10 июля 1974 года. 94:1 (первое полугодие 1994 года) или 2003S1 (первое полугодие 2003 года). Например. что неделя у Вас начинается со среды 10 июля 1974. то в зависимости от типа данных это означает. В этом случае просто определите номера наблюдений (первого и последнего). Нерегулярные или недатированные данные (Undated or irregular). Полугодовые данные (Semi-annual): как и в предыдущих случаях за номером года следует написать номер полугодия через двоеточие или букву S.

что интервал «Range» отображает весь период. можно использовать любой файл формата Microsoft Excel с данными.Wokrfile: UNTITLED View Procs Object Save Label+/Range: 1994:01 2003:06 Sample: 1994:01 2003:06 α √ _ X Show Fetch Store Delete Genr Sample Filter: * Default Eq: None c resid Отметим. В разделе 1.xls) ▾ Cancel Update default directory 6 . заданный при создании рабочего файла. Шаг 2. В Главном меню EViews выберете меню File/Import/Read Text-LotusExcel… После этого в открывшемся окне ? X Open Look in: C:\ ▾ ☑ ☒ □ ☴ File name Files type ☶ Open of Excel(*. из которого импортируются данные.2 мы более подробно остановимся на описании структуры рабочего окна EViews. В качестве файла. Следующим шагом при создании рабочего файла EViews является импорт данных в рабочий файл. в то время как интервал «Sample» показывает размер текущей выборки.

из которого Вы будете импортировать данные. Прежде чем приступить к описанию основных опций окна импорта данных. имеющиеся на листе Microsoft Excel. для большего удобства лучше сохранять файл с данными в формате «файл Microsoft Excel 4. верхняя левая ячейка листа Microsoft Excel. и границы интервала.выберете файл Microsoft Excel. лучше присвоить имя. написанное латиницей. а не книгу Microsoft Excel. которые Вы собираетесь импортировать. было бы лучше. с которой начинается копирование данных в EViews. Если же Вы сохранили файл с данными как книгу Microsoft Excel. с которого Вы будете импортировать данные. то это значительно упростит процедуру импорта данных. особенно.0». Во-вторых. то есть как лист. В результате откроется окно. остановимся на некоторых особенностях процедуры импорта данных. а потом удалять ненужные ряды уже из рабочего файла EViews. знание которых может оказаться полезным при работе с EViews. В этом случае не потребуется указывать название листа в опции Excel5+sheet name. непосредственно в файле Microsoft Excel (первая строка или первый столбец могут быть строкой или столбцом с названиями рядов). 7 . если название самого файла с данными тоже было написано латиницей. которые Вы задали при создании рабочего файла. Кстати. если Вы присвоите названия временным рядам. то листу. удобно формировать лист Microsoft Excel только из тех временных рядов. Во-первых. и откройте его. если Вы собираетесь копировать большие массивы с данными. которые Вы собираетесь импортировать в рабочий файл EViews либо импортировать подряд все ряды. Кроме того. Excel Spreadsheet Import X Data order Upper-left data cell • B2 By Observation – series in columns E E m Exxxccceeell5 l55+++ssshhheeeeeettt nnnaaam meee By Series – series in rows Names for series or Number if named in file 5 6 Import sample 1994:01 2003:06 5 Reset sample to: Current sample Workfile range 6 E E Exxxpppooorrrttt oooppptttiio ioonnnsss W r i t e d a t W Wrriittee ddaatteee///ooobbbsss Ο Ο E V w m ΟE EV Viie ieew wsss dddaaattteeefffooorrrm maaattt Ο Ο ΟFFFiirirrsssttt cccaaalle leennndddaaarrr dddaaayyy Ο Ο ΟLLLaaasssttt cccaaalle leennndddaaarrr dddaaayyy W W m Wrrriititteeessseeerrriie ieesss nnnaaam meee A S C I I T e x t d e l i m i t A AS SC CIIII--TTeexxtt ddeelliim miitteeerrr Ο Ο ΟTTTaaabbb Ο Ο S ΟS Spppaaaccceee Ο Ο C m m ΟC Cooom mm maaa To end pf range OK Cancel в котором по умолчанию отмечен порядок импортирования данных.

временные ряды будут скопированы в рабочий файл EViews. По умолчанию в данной ячейке указывается период. то Вам необходимо выбрать опцию By Observation – series in columns (задается по умолчанию). расположенная ниже и правее этой ячейки. что означает. Порядок импорта данных (Data order). причем длина временных рядов будет соответствовать указанной. из которого Вы копируете данные. Ячейка. Если Вы уже присвоили имена временным рядам в файле Microsoft Excel. с которого Вы импортируете данные. В эту ячейку необходимо ввести название листа книги Microsoft Excel. которые в EViews обозначаются NA). и окно рабочего файла примет. И. В этом окне необходимо указать название верхней левой ячейки. то достаточно указать количество импортируемых временных рядов. например. вид: 8 . выбирайте опцию By Series – series in rows. с которой будет начинаться импорт данных. если данные представлены в строках. если это необходимо (в этом случае вместо значений наблюдений. определенный на первом шаге. то в данном окне необходимо указать через пробел имена (латиницей) временных рядов. файл Microsoft Excel. наконец. будут оставлены пропуски. то данная ячейка не активирована. не попавших в указанный подинтервал. но Вы можете изменить (уменьшить) его. По умолчанию указывается ячейка В2.0. После того как Вы заполните все данные поля окна импорта данных. Если в файле Microsoft Excel данные представлены в столбцах. Если временным рядам не были присвоены имена непосредственно в файле Microsoft Excel. импортировать данные в рабочий файл EViews можно последовательно из различных файлов Microsoft Excel. и нажмете кнопку OK. которые и будут скопированы. Размер выборки (Import sample). Если файл с данными является файлом Microsoft Excel 4. сколько имен Вы напишите в данном окне. что будет скопирована вся указанная Вами информация. Название листа книги Microsoft Excel (Excel5+sheet name). которые Вы импортируете: в этом случае будет скопировано столько временных рядов. должен быть закрыт в момент осуществления процедуры импорта данных. Названия (имена) временных рядов или количество импортируемых временных рядов. с которой начинается копирование данных – верхняя левая ячейка (Upper-left data cell).В-третьих. В противном случае. если файл с данными сохранен в формате «книга Microsoft Excel…». если им присвоены имена в файле Microsoft Excel (Names for series or Number if named in file).

воспользовавшись опцией File/Open… Главного меню EViews и указав путь к нужному файлу.д. Microsoft Word. Вы можете сохранить рабочий файл EViews.2. Отметим. y3– некоторые временные ряды. воспользовавшись опциями Главного меню File/Save… или File/Save as… С другой стороны. Задания для самостоятельной работы 1. Существует два основных способа сохранения рабочего файла EViews. совместимым с Windows.1 или EViews 4. ему присущи те же свойства. что и всем продуктам. 9 . например. можно воспользоваться опцией меню рабочего файла Save (соответствующая «кнопка» в меню рабочего файла).С одной стороны. y2. состоящий недатированных наблюдений из 1000 1. Загрузите пакет EViews 3. что открыть уже существующий рабочий файл можно. Поэтому на некоторых очевидных свойствах пакета EViews мы не будет останавливаться слишком подробно.Wokrfile: UNTITLED View Procs Object Range: 1994:01 2003:06 Sample: 1994:01 2003:06 α Save Label+/Show Filter: * Fetch Store Delete Genr Default Eq: None _ Sample X c √ resid √ y1 √ y2 √ y3 где y1. Excel и т. Поскольку эконометрический пакет EViews создан под оболочку Windows.1 2. Общая структура рабочего файла EViews Изменение имени и сохранение рабочего файла. Создайте рабочий файл EViews.

позволяющие изменять (уменьшать) длину рассматриваемого интервала в процессе работы: @all – обозначает весь. При помощи специальной опции меню рабочего файла. Для того чтобы изменить длину интервала. либо Вы собираетесь использовать данные с начала рассматриваемого периода до декабря 1996 г. @first – обозначает начальную дату интервала. Чтобы изменить границы временного интервала Вам необходимо выбрать опцию Sample в меню окна рабочего файла. используемый в рабочем файле интервал. При помощи специальной команды. В этом случае Вы сократите исходный интервал до подинтервала с сентября 1993 по октябрь 1997 г. до конца исходного периода. подинтервал с сентября 1993 по октябрь 1997 г. Вы будете использовать данные на интервале с августа 1995 г. Например. то необходимо в командной строке написать. набранной в командной строке. что все функции. необходимо написать smpl дата-1 дата-2 Пусть Вы создали файл с месячными данными. @last – обозначает конечную дату интервала.. Если Вы хотите исключить из рассмотрения какие-либо подпериоды в начале и в конце всего интервала времени. Существует три способа изменения границ временного интервала. следующее: smpl 1993:09 1997:1о. Вы можете также записать как smpl @first+9 @last-10. например. либо. в последнем случае. В пакете EViews существуют специальные функции1. Кроме того. обозначаются символом @. 10 . после чего в появившемся окне вместо введенных при создании рабочего файла границ 1 Отметим. что Вы хотите использовать данные за весь имеющийся в Вашем распоряжении период. используемые в пакете EViews. то данные записи означают. изменяющимися на интервале с января 1993 по июль 1998 г. Тогда если Вы написали в командной строке smpl @all smpl @first 1996:12 smpl 1995:08 @last. соответственно.Изменение границ временного интервала. в пакете EViews существует возможность использовать математические выражения при работе со встроенными функциями.

При помощи меню Quick Главного меню EViews. которое отображается в окне рабочего файла после создания объекта: – вектор коэффициентов (Coefficient Vector) – задается по умолчанию при α создании рабочего файла – уравнение (Equation) = ▄▉▅ – график (Graph) – группа (Group) G ℒ – логарифм функции правдоподобия (LogL) # – скаляр (число) (Scalar) – временной ряд (серия) (Series) ✔ – фазовое пространство (State space) ss S – система (System) – симметричная матрица (SYM – Symmetric Matrix) │ │ ╷╷ – матрица (Matrix) [☷] – модель (Model) М – панель данных (Pool) P – размер выборки (Sample) Table – таблица (Table) TXT – текст (Text) VAR 2 При появлении данного окна по умолчанию задаются текущие границы временного интервала. Типы данных пакета EViews Каждый объект рабочего файла EViews имеет свой специфический формат и свое обозначение («кнопку»). 11 . который Вы планируете рассматривать в дальнейшем. которые Вам и необходимо изменить. после чего нужно действовать также как и в предыдущем случае.Sample X Sample range pairs (or sample object to copy) 2 1993:01 1998:07 OK IF condition (optional) Cancel набрать через пробел границы того подпериода. Чтобы изменить границы временного интервала Вам необходимо в меню Quick Главного меню EViews выбрать опцию Sample.

y2. созданный в предыдущем разделе файл. Чтобы открыть окно любого объекта можно. 2. воспользуйтесь меню Object/New Object… Главного меню EViews Х New Object Type of object Name for object Sample Untitled Equation Graph Group LogL Matrix-Vector-Coef Model OK Pool Sample Series Sspace Cancel System Table Text VAR Вы можете выбрать объект нужного Вам типа. который Вы выбрали. указать его имя и затем кликнуть OK. Сохраните. Создайте в этом файле несколько временных рядов с названиями y1. y5. после чего появится окно. соответствующее объекту того типа. и в котором Вам нужно написать названия тех временных рядов (одного. y3. и окно EViews.1.– векторная авторегрессия (VAR – Vector Autoregression) – вектор (столбец или строка) (Vector/Row Vector) ℍ Чтобы создать любой из перечисленных объектов.wf. Задания для самостоятельной работы 1. присвоив ему имя DEMO. нескольких или их арифметических выражений). или другие необходимые данные. Структура окна временного ряда Окно каждого объекта рабочего файла EViews по своей структуре напоминает и окно рабочего файла. дважды кликнуть левой кнопкой мышки на названии открываемого объекта. 12 . y4. 2. Анализ одномерных временных рядов 2. для которых Вы строите данный объект. например.

пункт 2. Distribution ▶ – отображает различные графики. который составляют эти наблюдения от всей выборки.Окно с данными3 любого временного ряда имеет следующий вид: Series: y1 Workfile: CP-2 View Procs Object _ Print Name Freeze X Transform Edit+/.д. Unit Root Test… – позволяет исследовать временной ряд на наличие единичных корней (более подробно см.12:31 5 Modified: 1 1000 // y1=-2 Modified: 2 1000 // y1=0.InsDel Title Sample Genr Y1 Last updated: 03/20/03 .3). а также кумулятивные статистики (количество наблюдений и %). пункт 2. значения которых попадают в этом подинтервал. о чем будет подробнее сказано ниже.Smpl+/. пункт 2.5). характеризующие эмпирическое распределение временного ряда. (более подробно см.3842802 4 1.5*y1(-1)+nrnd 1 -2 2 -0.3917438 6 -1. дисперсии и т. 13 . Данный тест может быть применен как к самим временным. Graph ▶ – строит график временного ряда одного из пяти типов (более подробно см. пункт 2. так и к остаткам оцененных 3 Окно временном ряда. Correlogram… – отображает кореллограмму временного ряда (более подробно см. One-Way Tabulation… – дает информацию о распределении данных на интервалах одинаковой длины.6905064 7 ◀ ▼ ▶ Меню View окна с данными временного ряда содержит следующие опции: SpreadSheeet – позволяет вернуться в окно с данными временного ряда.Label+/.9566483 3 1. Tests for Descriptive Statistics ▶ – позволяет проводить простейшие тесты для описательных статистик (более подробно см. количестве наблюдений временного ряда. и %. в котором представлены результаты какой-либо обработки исходных данных имеет несколько иной вид (содержит иные опции меню).2). BDS Independence Test… – дает возможность проводить тестирование на наличие временной зависимости во временных ярдах.4).0306127 5 -0. Descriptive Statistics ▶ – дает информацию об описательных статистиках временного ряда: математическом ожидании.Wlde+. пункт 2.7). сгруппированных по возрастанию: отображает информацию о рассматриваемом подинтервале.

название таблицы с данными. Меню Freeze окна с данными временного ряда. создать новый временной ряд (Resample…). Позволяет проверить наличие различных типов зависимостей: линейную. Conversion Options… – при импорте данных из базы данных EViews позволяет автоматически конвертировать временные ряды согласно настройкам рабочего файла. содержащее информацию о временном ряде: название временного ряда. Label +/-. Copy Object… – создает безымянную копию временного ряда. Edit +/-. описание которых приведено ниже: Sample +/-. провести сезонную корректировку временного ряда (Seasonal Adjustment ▶) с использованием одного из предложенных методов: Sensus X12…. получить сглаженный временной ряд при помощи метода Ходрика-Прескота (Hodrick-Prescott Filter…). последнее обновление данных. Freeze Output – создает таблицу с данным временным рядом (то же что и меню Freeze окна с данными временного ряда). описание данных. Меню Object окна с данными временного ряда содержит следующие опции. X11 (Historical)…. При помощи меню Name можно изменять имя временного ряда. Tramo/Seats…. Меню Procs окна с данными временного ряда позволяет: сгенерировать новые временные ряды (Generate by Equation – аналог опции Genr меню окна временного ряда). Moving Average Methods…. Данная опция позволяет создать таблицу с данным временным рядом. единицы измерения. Title… Меню Print окна с данными временного ряда. Опция Print позволяет распечатать таблицу с данными. Delete – удаляет временной ряд из рабочего файла EViews (то же что и меню Delete окна рабочего файла). Label – выводит окно. Print – позволяет распечатать таблицу с данными (то же что и меню Print окна с данными временного ряда). нелинейную и других.моделей. многие из которых совпадают с опциями меню окна с данными временного ряда: Store to DB… – позволяет сохранить данные в базе данных EViews. замечания. источник. Name… – позволяет изменить имя временного ряда (то же что и меню Name окна с данными временного ряда). View Options ▶ – содержит ряд опций меню окна с данными временного ряда. Update from DB… – позволяет обновить имеющиеся данные. 14 . воспользовавшись информацией базы данных EViews. Wide +/-. InsDel. Меню Name окна с данными временного ряда. случайным образом переставив значения текущего временного ряда. построить прогнозы при помощи методов экспоненциального сглаживания (Exponential Smoothing…).

данных преобразования носят аналогичный характер. Включает/выключает возможность непосредственного редактирования данных в окне с данными временного ряда. 15 . либо на всем интервале. yt если Вы используете месячные данные. следующие за наблюдением (Вы также должны его выбрать). Позволяет преобразовывать исходные данные (Level) к следующему виду: 1 Period Difference – временной ряд представляется в первых разностях: yt − yt −1 1 Year Difference – временной ряд представляется в виде сезонных разностей: yt − yt −12 для месячных данных. Помните. что в этом случае все наблюдения. данных преобразования носят аналогичный характер. Меню Label+/. на место которого Вы вставляете новое.д. Меню Smpl+/. Изменив данные в ячейке. Если Вы хотите добавить наблюдение к временному ряду. Меню Wlde+.1. При помощи данной опции можно добавить/удалить одно наблюдение. Меню InsDel окна с данными временного ряда.Меню Transform4 окна с данными временного ряда.д. времени его изменения и т.окна с данными временного ряда. сместятся на одно наблюдение вниз. 1 Period % Change – временной ряд представляется в темпах прироста: yt − yt −1 ⋅100% yt – временной ряд представляется в виде темпа прироста в годовом исчислении: 1 Period % Change (Annual Rate) 12   y − y  t −1  ⋅100%  t  1 1 + −     yt    1 Year % Change – временной ряд представляется в виде «сезонного» темпа прироста: yt − yt −12 ⋅100% .окна с данными временного ряда. в появившемся окне выберите опцию Insert obs and move subsequent obs down one.окна с данными временного ряда. В зависимости от того активирована данная возможность или нет. Для квартальных и т. Опция Wlde+. Для квартальных и т.окна с данными временного ряда. не забудьте нажать клавишу Enter.д. Опция Label+/.выводит на экран (либо убирает с экрана) информацию о времени создания временного ряда. Меню Edit+/. в окне с данными временного ряда показаны лишь данные на текущем интервале времени (подинтервале).позволяет представить временной ряд более компактно (в виде матрицы). 4 Данной опции нет в EViews 3.

выше – п. Задания для самостоятельной работы 1. Меню Title окна с данными временного ряда. введите в появившемся окне выражение для вычисления нового временного ряда или для перекодирования старого: Generate Series by Equation X Enter equation ind= Sample 1994:01 2003:06 OK Cancel В окне Sample измените границы временного интервала. если это необходимо. и последнее наблюдение может быть потеряно.2). В файле DEMO.Размер выборки при этом не меняется. имеющий стандартное нормальное распределение 16 . которые Вы можете выбрать самостоятельно так. * nrnd – встроенная в EViews функция. где a0. чтобы сгенерированные случайные процессы оказались слабо стационарными. Меню Genr окна с данными временного ряда. выберите опцию Delete obs and move subsequent obs up one.wf сгенерируйте следующие случайные процессы: wn=nrnd* y1=a0+a1*y1(-1)+wn y2=a0+a2*y2(-1)+wn. так и с использованием генератора случайных чисел EViews. Выбрав эту опцию меню окна с данными временного ряда моно изменить название таблицы (не имя временного ряда) с данными временного ряда: в появившемся окне наберите нужное вам название. позволяющая генерировать случайный процесс. a2 – некоторые константы. Выбрав данную опцию. Если Вы хотите удалить какое-либо наблюдение. Данная опция позволяет менять размер текущей выборки (более подробно см. Меню Sample окна с данными временного ряда. При помощи данной опции можно сгенерировать новые временные как с использованием уже существующих временных рядов. a1.1. В этом случае все следующие за удаляемым наблюдения сместятся на одну позицию вверх.

по оси ординат – значения временного ряда. во-первых. что Вы включаете в число объясняющих переменных первое запаздывание временного ряда. По оси абсцисс отложено время (или номер наблюдения). что прежде чем сгенерировать временные ряды y1 и y2. 2.2 Построение графика временного ряда Для построения графика временного ряда. меню Edit окна временного ряда). например. Во-вторых. 5 В качестве примера рассмотрены различные типы графиков индекса промышленного производства Центра экономической конъюнктуры при Правительстве РФ по промышленности в целом (IND)за период с января 1993 г. В открывшемся меню выберите нужный Вам тип графика: Линейный график5 (Line) – отображает обычный линейный график временного ряда. воспользовавшись.Запись y1(-1) означает. необходимо задать начальные условия (это можно сделать. 2. Затем в меню View окна временного ряда выберите опцию Graph. Является наиболее полезным.Помните. по май 2003 (скорректированное значение января 1993 г. 110 100 90 80 70 60 50 93 94 95 96 97 98 99 00 01 02 IN D Столбчатая диаграмма (Bar) – отображает столбчатую диаграмму временного ряда. Откройте окна с созданными временными рядами. после задания спецификации случайного процесса в окне Generate Series by Equation не забудьте поменять размер выборки на 2 1000. = 100) 17 . откройте окно данного временного ряда. в первую очередь. если временной ряд содержит небольшое количество наблюдений.

110 100 90 80 70 60 50 93 94 95 96 97 98 99 00 01 02 IN D «Игольчатый» график (Spike) – отображает каждое значение временного ряда в виде вертикальной линии. Заметьте.д. 110 100 90 80 70 60 50 93 94 95 96 97 98 99 00 01 02 IN D Сезонно упорядоченный график (Seasonal Stacked Line) – отображает график временного ряда для каждого квартала или месяца в отдельности – значения временного ряда сгруппированы по номерам квартала или месяца и упорядочены по году. На графиках также представлены средние значения временного ряда для каждого сезона. Графики следуют друг за другом: сначала график первого квартала или месяца. и т. длина которой равна этому значению (в выбранном масштабе). затем второго. что данная опция доступна лишь для квартальных либо месячных данных. 18 .

Графики располагаются на одной годовой оси. что в этом случае Вы можете построить лишь линейный график. В появившемся окне необходимо набрать название временного ряда. график которого Вы хотите построить. Для построения графика временного ряда можно также воспользоваться меню Object/New Object/Graph… Главного меню EViews. Изменив название данного объекта при помощи опции Name окна графика временного ряда. Данная опция также доступна только для квартальных либо месячных данных. Вы сохраните его (график временного ряда) в окне рабочего файла EViews. 19 .IND by Season 110 100 90 80 70 60 50 Jan Feb Mar Apr May Jun IND Jul Aug Sep Oct Nov Dec Means by Season Сезонно упорядоченный график (Seasonal Split Line) – отображает график временного ряда для каждого квартала или месяца в отдельности – значения временного ряда сгруппированы по номерам квартала или месяца и упорядочены по году. IN D b y S eason 110 100 Jan F eb M ar Apr M ay Ju n Ju l Aug S ep O ct N ov D ec 90 80 70 60 50 93 94 95 96 97 98 99 00 01 02 03 Если Вы хотите сохранить график как отдельный объект. Отметим. выберите опцию Freeze в меню окна временного ряда – появится окно графика данного временного ряда. создав при этом новый объект (график) EViews.

Постройте линейные графики случайных процессов wn. В случае. Третий и четвертый – отображаются пунктирными линиями. по оси ординат – всех остальных. Описательные статистики временного ряда Воспользовавшись опцией Descriptive Statistics меню View окна временного ряда. когда это условие не выполняется. которые были сгенерированы в пункте 2. hilo На этом графике можно отобразить до 4-х временных рядов. Первые два временных ряда изображаются аналогично случаю опции errbar. y2. y1. если Вы не зададите тип графика в командной строке) pie Круговая диаграмма (опция доступна лишь для многомерных временных рядов и положительных значений этих многомерных временных рядов) scat Аналогично опции xy.<тип графика (опции)> <название временного ряда (временных рядов)> и нажать Enter.2. только точечная диаграмма (диаграмма рассеяния) spike «Игольчатый» график xy График в координатах (x. Для этого в командной строке необходимо записать (латиницей) строку graph <название графика>. что значение первого ряда превышает соответствующее значение второго. на графике пунктирной линией отображаются лишь значения самих временных рядов. не соединенные вертикальным отрезком.3. соединяющие одномоментные значения первого и второго временных рядов. Таким образом. По оси абсцисс (OX) откладываются значения первого из перечисленных в командной строке временных рядов. В EViews доступные следующие типы графиков и опции: bar Столбчатая диаграмма errbar Для двух временных рядов отображает вертикальные отрезки.Воспользовавшись командной строкой и командой graph. Вы можете получить простейшие описательные статистики временного ряда. Вы также можете создать новый объект – график. line Линейный график (будет построен по умолчанию в случае. 20 . Для этого в появившемся окне Histogram and Stats Stats Table Stats by Classification… выберите необходимую опцию. y). отображается несколько графиков y(x) xyline Аналогично опции xy xypair Аналогично опции xy Задания для самостоятельной работы 1. При этом предполагается. Сравните графические свойства этих случайных процессов 2.

88370 107. если количество наблюдений не четно. минимальное значение (Minimum). если он содержит четное число наблюдений.744585 6. равен нулю. Коэффициент асимметрии симметричного распределения.000000 100 и соответствующие выборочные статистики: математическое ожидание (Mean). T  σˆ ′  где T −1 – T оценка стандартного отклонения. количество наблюдений) 24 Series: IND Sample 1993:01 2002:02 Observations 110 20 16 12 8 4 0 50 60 70 80 90 Mean Median Maximum Minimum Std. стандартное отклонение (Std. рассчитанная на основе смещенной оценки дисперсии. Положительное значение σˆ ′ = σˆ 21 . нормального. например. Выборочное математическое ожидание µˆ рассчитывается как сумма всех наблюдений yt .4897 0.82430 10. Dev. коэффициент асимметрии: 3 1  y − µˆ  S = ∑ t  . деленная на количество наблюдений Т.64339 1.).157356 Jarque-Bera Probability 101. размер выборки. а также значение статистики Харке-Бера (JarkeBera) с соответствующим Р-значением (Probability).1960 50. медиану (Median).91535 62. Стандартное отклонение и коэффициенты асимметрии и эксцесса рассчитываются по следующим формулам: стандартное отклонение: T σˆ = ∑(y t =1 − µˆ ) 2 t – T −1 несмещенная оценка стандартного отклонения.Гистограмма и статистики (Histogram and Stats) – отображает гистограмму временного ряда с информацией о нем (название ряда. и среднее арифметическое двух центральных наблюдений упорядоченного по возрастанию/убыванию временного ряда. максимальное значение (Maximum). коэффициенты асимметрии (Skewness) и эксцесса (Kurtosis). Медиана – среднее наблюдение упорядоченного по возрастанию (или убыванию) временного ряда. Dev. Skewness Kurtosis 64.

  где S – значение коэффициента асимметрии. стандартное отклонение (Std. Коэффициент эксцесса островершинного распределения превышает 3. наконец. Dev. И. K – значение коэффициента эксцесса. DTt =  1.).). и с сентября 1998 г. медиану. значение статистики Харке-Бера (Jarke-Bera) с соответствующим Р-значением (Probability). а также сумму всех наблюдений (Sum) и сумму квадратов отклонений (Sum Sq. допустим. Затем выберите меню View/Descriptive Statistics/Stats by Classification… и в появившемся окне выделите необходимые Вам статистики: Stats by Classification Statistics 3 X Series/Group for Classify Mean dt Sum NA handling 3 Median 3 Maximum Output Layout Table Display Treat NA as category 3 Show Row Margins 3 Show Column Margins 3 Show Table Margins 22 . по август 1998 г. на основе коэффициентов асимметрии и эксцесса: T − k  2 ( K − 3) S + 6  4  . медиану (Median). а отрицательное – что длинный левый. Представляет в форме таблицы информацию о временном ряде (название ряда и количество наблюдений) и соответствующие выборочные статистики: математическое ожидание (Mean). по май 2003 г. стандартное отклонение) временного ряда базисного индекса объема промышленного производства на двух подинтервалах с января 1995 г. Вы хотите сравнить статистические характеристики (математическое ожидание. если t ≤ 1998 : 08. исходя из свойств нормального распределения. тест Харке-Бера позволяет проверить гипотезу о том. в противном случае. что распределение имеет длинный правый хвост. максимальное значение (Maximum). коэффициенты асимметрии (Skewness) и эксцесса (Kurtosis).к. т. Dev. Статистика Харке-Бера распределена как χ 2 (2) . а плосковершинного – меньше 3. коэффициент эксцесса: 4 1 T  y − µˆ  K = ∑ t  . Описательные статистики временного ряда по специально выделенным подгруппам (Stats by Classification…). максимальное и минимальное значения. T t =1  σˆ ′  Коэффициент эксцесса нормального распределения равен 3. никакая модель не оценивается). 2 JB = Статистическая таблица (Stats Table). k – количество оцениваемых в модели параметров (в данном случае равно нулю. Для этого можно создать фиктивную переменную 0. минимальное значение (Minimum). Например. Статистика Харке-Бера вычисляется.коэффициента асимметрии означает. Данная опция позволяет вычислять описательные статистики временного ряда для его различных подгрупп. что временной ряд нормально распределен.

51. если ввести в окошке Series/Group for Classify через пробел несколько временных рядов. нажмите клавишу ОК – в окне временного ряда появится таблица с требуемой информацией: Descriptive Statistics for IND Categorized by values of DT Date: 08/08/03 Time: 13:04 Sample: 1995:01 2003:05 Included observations: 101 DT 0 1 All Mean 58.d.. Тесты для описательных статистик временного ряда Эконометрический пакет Eviews дает возможность проводить простейшие тесты для описательных статистик временных рядов. y2.4..555 Skewness Kurtosis Max # of bins 5 # of Nas 3 Observations OK Cancel Options После того как Вы выбрали все необходимое. по которым Вы хотите провести разбиение.70410 50. y1. count < 2 S S w S M Shhhooow wS Suuubbb---M Maaarrrgggiin innsss S p a r s e L a b e l s S Sppaarrssee LLaabbeellss Quintile 000.33490 Max 69. данные случайные процессы имеют нормальное распределение? 2. введя интересующие Вас значения в появившееся окно: Series Distribution Tests Test Value X Mean test assumption Mean: 65 Median: 63 Mean test will use a known standard deviation if supplied Variance: 100 Enter s. что можно проводить разбиение на подгруппы по нескольким признакам. Вы можете проверить простейшие гипотезы о равенстве математического ожидания. Выведите статистические таблицы для каждого из перечисленных выше временных рядов.40950 62. 4.57914 62. Можно ли сказать. медианы и дисперсии временного ряда конкретным значениям. 44 57 101 Очевидно. Dev. Dev.59149 65.516713 6.83030 Std.67090 75.3 Minimum Group into bins if 3 Std.009558 Obs.83030 50. 3 # of values > 100 List Display 3 Avg. Задания для самостоятельной работы 1. if known 23 .39150 66.67090 Min.019442 5. Совпадают ли их средние значения и стандартные отклонения с теоретическими? 2. Постройте гистограммы случайных процессов wn. Выбрав меню View/Tests for Descriptive Stats/Simple Hypothesis Tests.53502 Median 58.26350 75.

Тогда: Математическое ожидание. против соответствующей альтернативной двусторонней гипотезы: H 0 : med ( yt ) = m H A : med ( yt ) ≠ m EViews вычисляет несколько статистик. например. то можно говорить о том. Значение вероятности для соответствующей статистики интерпретируется стандартным образом: если это значение меньше некоторого уровня значимости. t= σˆ T где µ&& – выборочное среднее yt . что математическое ожидание базисного индекса объема промышленного производства (база – январь 1993 г. Если yt нормально распределен. а дисперсия – 81. σ – заданное Вами значение стандартного отклонения.) на интервале с января 1993 г. EViews также вычисляет и z-статистику: µˆ − m z= σ T где µ&& – выборочное среднее yt . если значение полученной вероятности превышает конкретный уровень значимости. равно 65. то вычисленная t-статистика соответствует распределению Стьюдента с T-1 степенью свободы.05. что ее значение равно m=63. σˆ – несмещенное выборочное стандартное отклонение. что оно равно m=65. по май 2003 г. против соответствующей альтернативной двусторонней гипотезы: H0 : µ = m HA : µ ≠ m Если Вы не задаете значение стандартного отклонения yt . что математическое ожидание значимо не отличается от заданного значения. медиана – 63. σˆ – несмещенное выборочное стандартное отклонение. Вы хотите проверить гипотезы о том. Если Вы специфицировали значение стандартного отклонения σ . Медиана. то в качестве тестовой статистики вычисляется t-статистика: µˆ − m .OK Cancel Допустим. позволяющих проверит данную нулевую гипотезу. то вычисленная z-статистика соответствует стандартному нормальному распределению. 0. что на 5%-м уровне значимости гипотеза о равенстве математического ожидания значению m отвергается. Для математического ожидания Вы проверяете гипотезу о том. то можно говорить о том. Для медианы Вы проверяете гипотезу о том. Если yt нормально распределен. 24 .

Тогда тест Вилкоксона основан на идее о том. что и тест Вилкоксона. меньших медианы. а затем упорядочили все наблюдения по убыванию (или возрастанию). Для дисперсии проверяется гипотеза о том. В нашем случае в результате проверки описанных выше гипотез получились следующие результаты: Hypothesis Testing for IND Date: 08/08/03 Time: 17:18 Sample: 1993:01 2003:05 Included observations: 125 Test of Hypothesis: Mean = 65. что сумма рангов. Отметим.Binomial sign test. = 10. где Т – число наблюдений. то на этом уровне значимости мы не можем отвергнуть нулевую гипотезу. то половина наблюдений выборки должна располагаться выше медианного значения. Wilcoxon signed ranks test. Van der Waerden (normal scores) test. Если yt нормально распределен. Предположим. σˆ – выборочное стандартное отклонение. превышающих медиану. должны быть одинаковыми. smoothed ranks.0170 Test of Hypothesis: Variance = 81. что Вы вычислили абсолютное значение разности между каждым наблюдением и выборочным математическим ожиданием временного ряда. и сумма рангов. что если выборка является случайной подвыборкой биномиального распределения. если значение соответствующей вероятности больше некоторого уровня значимости.000000 Sample Variance = 104.00000 Sample Mean = 65. статистика соответствует распределению χ 2 (T − 1) . как видно из приведенного ниже примера. EViews вычисляет Р-значение для асимптотического нормального приближения t-статистики Вилкоксона (скорректированное на непрерывность и ties) (correcting for both continuity and ties). что результаты этих тестов могут противоречить друг другу. что ее значение равно σ =81.3133 Method Variance Ratio 25 . EViews представляет двусторонние P-значения как для биномиального теста. против соответствующей альтернативной двусторонней гипотезы H 0 : var( yt ) = σ 2 H A : var( yt ) ≠ σ 2 . В данном случае. Данный тест основан на идее о том.6894 Probability 0. Данный тест основан на той же идее.4697 Value 159.66241 Sample Std. Dev. EViews вычисляет следующую статистику: χ2 = (T − 1)σˆ 2 σ2 . но базируется на сглаженных рангах. Дисперсия.725120 Probability 0. так и для его нормального приближения (для случая наличия большого количества наблюдений с соответствующей коррекцией на непрерывность).21339 Method t-statistic Value 0. а вторая половина – ниже него.

0802 0.0298 Median Test Summary Category Count Mean Rank 68 57 0 68.6140351 Obs > 63. медиан и дисперсий различных подвыборок имеющейся у Вас выборки. связанным с анализом дисперсий (ANOVA) различных подвыборок имеющейся выборки: считается.Test of Hypothesis: Median = 63. по май 2003 г. что если математические ожидания подгрупп совпадают. а также отметьте равенство каких статистических характеристик временного ряда Вы собираетесь проверить: математического ожидания (Mean). 26 .894427 1.22410 Value 68 0. по май 2003 г. медиан и дисперсий базисного индекса объемов промышленного производства на двух подпериодах: с января 1995 г. Выбрав соответствующие опции меню.3711 0.00000 Obs = 63.3529412 56. по август 1998 года и с сентября 1998 г. выбрав меню View/Tests for Descriptive Stats/Equality Tests by Classification…. Данный тест основан на подходе. что среднее значение базисного индекса объемов промышленного производства за период с января 1993 г. рассчитанным по всей выборке. а в случае с медианой – результаты противоречат друг другу.00000 Total 125 Таким образом. дисперсия равна 81 – отвергается.00000 Obs < 63. Вы можете проверить гипотезы о равенстве математических ожиданий. на 5%-м уровне значимости мы не можем отвергнуть гипотезу о том. в появившемся окне укажите название(я) временного(ых) ряда(ов) (Series/Group for classify).3712 0. равно 65 не отвергается.00000 Sample Median = 64. Допустим. Вы хотите проверить гипотезы о равенстве математических ожиданий. Далее.172257 Method Sign (exact binomial) Sign (normal approximation) Wilcoxon signed rank van der Waerden (normal scores) Probability 0. count < 2 Max # of bins 5 Variance OK Cancel Тест на равенство математических ожиданий.749391 2. медианы (Median) или дисперсии (Variance) – Tests By Classification Series/Group for classify X NA handling dt Treat NAs as category Test equality of Group into bins of • Mean 3 # of values > 100 Median 3 Avg. то сумма квадратов разностей между математическим ожиданием любой подргруппы и математическим ожиданием.

…. G. Err.53502 Std.597973 t-test Anova F-statistic Analysis of Variance Total Category Statistics DT 0 1 All Count 44 57 101 Если G=2.…. рассчитанное для выборки в целом. которая представляет собой квадратный корень из F-статистики с T-G степенями свободы.03467 0. независимо и нормально распределенo.073519 50. F-статистика для проверки гипотезы о равенстве математических ожиданий вычисляется по формуле: SS B (G − 1) F= .019442 5.G. а µˆ g – выборочное математическое ожидание.730707 0.464 24. где i=1.479 36. рассчитанное для подгруппы g=1. то EViews вычисляет t-статистику. Т-G) в предположении.516713 6. G 2 g =1 i =1 где µˆ – выборочное математическое ожидание. Dev. i − µˆ g ) . i . n g для групп g=1.464 2399. Test for Equality of Means of IND Categorized by values of DT Date: 08/11/03 Time: 13:33 Sample: 1995:01 2003:05 Included observations: 101 Method df Value Probability 99 (1. F-статистика имеет F-распределение со степенями свободы (G-1.11479 Mean 58. Between Within 1 99 1212.0000 Source of Variation df Sum of Sq. 4.должна совпадать с суммой квадратов разностей между математическим ожиданием всей выборки и каждым наблюдением. 99) 7. SSW (T − G ) где Т – общее количество наблюдений.….59149 65. Обозначим i-е наблюдение в группе g как as y g .0000 0. В итоговой таблице также приведены результаты анализа дисперсий: общая сумма квадратов описанных выше разностей разложена на межгрупповую (Between) и внутригрупповую (Within) составляющие – 27 .57914 62.009558 Std.015 1212. Mean Sq. Тогда межгрупповые (Between) и внутригрупповые (Within) суммы квадратов равны: 2 SS B = ∑ n g (µˆ g − µˆ ) G g =1 ng SSW = ∑∑ ( y g . что процесс одинаково.605954 0. of Mean 0. 2.23248 100 3611.

Chi-square Adj. Основная идея состоит в том. то значения данных сумм должны быть одинаковыми. и рассчитывается аналогично тесту Вилкоксона для проверки гипотезы о равенстве медианы какому-то конкретному заданному значению (см. раздел 2. что подгруппы имеют одинаковое распределение.948351 30. хотя использование данной корректировки является довольно спорной. Данный тест является обобщением теста Манна-Уитни (Mann-Whitney test) для случая наличия более чем двух подгрупп. Тогда F-статистика – это отношение Between F= . Kruskal-Wallis one-way ANOVA by ranks.0000 0. Med. позволяющих проверить гипотезу о том. рассчитанной для всей выборки. Данный тест проводится для случая.) Med. Chi-square Kruskal-Wallis df Value Probability 1 1 1 5.0000 0. Иногда этот тест называют «медианным тестом» («the median test»). что временной ряд ранжируется по возрастанию (наименьшему значению присваивается ранг 1. EViews вычисляет несколько различных тестов. что обе подвыборки являются независимыми выборками одного и того же общего распределения. против альтернативной о том.948351 5.Between = Within = SS B df B SSW . Test for Equality of Medians of IND Categorized by values of DT Date: 08/12/03 Time: 13:02 Sample: 1995:01 2003:05 Included observations: 101 Method Wilcoxon/Mann-Whitney Wilcoxon/Mann-Whitney (tie-adj. Данный тест относится к классу ANOVA тестов и основан на сравнении количества наблюдений. наибольшему – ранг Т). Необходимо отметить. EViews также вычисляет статистику Ята (Yate).3). вычисленных для подгрупп. Chi-square test for the median.0000 28 .0000 0. когда выборка разбита по некоторому признаку на две подвыборки. что в данном случае проверяется равенство не самих медиан. расположенных выше и ниже медианы.0000 0. После этого сравниваются суммы рангов подгрупп 1 и 2. что по крайней мере одна из подргупп имеет распределение. скорректированную на непрерывный случай. во избежание ошибок. отличающееся от остальных. Если медианы этих подгрупп совпадают.42363 0. dfW где df B и df W – соответствующее число степеней свободы.42072 35. а различных статистик. В случае наличия двух подгрупп нулевая гипотеза состоит в том. Within Тесты на равенство медиан. Wilcoxon/Mann-Whitney signed ranks test. Медианная χ 2 –статистика асимптотически распределена как χ 2 (G − 1) .60075 28.

Затем вычисляются дисперсии каждой подгруппы s L2 и s S2 – большая и меньшая дисперсия соответственно. как в отдельно подгруппе. составляющих эту подгруппу. максимальному – Т).40950 62. 6 Данные значения вычисляются следующим образом: сначала все наблюдения выборки упорядочиваются по возрастанию и каждому значению присваивается свой ранг (минимальному – 1. так и по выборке в целом (Count). что дисперсия по крайней мере одной подгруппы отличается от остальных. s S2 Данная F-статистика имеет F-распределение с (TL − 1. что ранги сглаживаются при помощи обращения в нормальные квантили. Тест основан на односторонний анализ дисперсии. 29 .476983 -9.) van der Waerden 1 1 35.Kruskal-Wallis (tie-adj. медианы по подгруппам и по всей выборке (Median). Тогда F-статистика – это отношение большей дисперсии к меньшей: F= s L2 . TS − 1) степенями свободы в предположении. Данный тест является аналогом теста Крускала-Уоллеса за исключением того. средние значения рангов6 по подгруппам и по всей выборке (Mean Rank). Кроме того. Тесты на равенство дисперсий.00000 Category Statistics DT 0 1 All Count 44 57 101 Mean Score -0. превышающих медиану по всей выборке (> Overall Median).42363 31.33490 > Overall Median 8 42 50 Mean Rank 31. после чего ранги наблюдений. использующий только ранги данных. принадлежащих данной подгруппе.617909 0. и сглаженные средние значения ван дер Вардена для каждой подргуппы и выборки в целом (Mean Score).51E-17 EViews вычисляет асимптотическое нормальное приближение U-статистики (с корректировкой на непрерывность и …tie) и Р-значения для двустороннего теста. Van der Waerden (normal scores) test. F-test – вычисляется только для случая наличия двух подгрупп (G=2).91995 0. в итоговой таблице представлены различные тестовые статистики для каждой подгруппы наблюдений: количество наблюдений. которая приближенно распределена как χ 2 (G − 1) . количество наблюдений к подгруппах и выборке в целом.0000 0.25000 66. суммируются и делятся на количество наблюдений. EViews также вычисляет χ 2 –приближение теста КрускалаУоллеса (с tie корректировкой). EViews вычисляет статистику. Данная опция позволяет проверять гипотезу о равенстве между собой дисперсий различных подгрупп имеющейся выборки против альтернативной гипотезы о том.24561 51.0000 Median 58. Данная статистика приближенно распределена как χ 2 (G − 1) . что подвыборки нормально и независимо распределены.39150 66.

и наименьшему значению присваивается ранг 1. EViews вычисляет скорректированную статистику Бартлета.715720 4. 56) 1 (1. 3. Нулевая гипотеза: дисперсии всех подгрупп совпадают.923835 51. Заметим.019442 5. однако. присваивается ранг 4. В предположении.142851 3. 99) (1. а следующему за ним – 5. данный тест проводится для случая наличия двух подгрупп.944700 Category Statistics DT 0 1 All Count 44 57 101 Mean Abs.291564 53. Данный тест основан на сравнении логарифма weighted average variance с взвешенной суммой логарифмов дисперсий. следующему за наименьшим.15789 3. что эти подвыборки независимы и имеют одинаковые медианы. но с иным распределением рангов. Siegel Rank 3.0445 0.Siegel-Tukey test.0315 0.38636 4. тестовая статистика имеет приближенное распределение χ 2 (G − 1) . T − G ) степенями свободы.883776 0. Dev. EViews вычисляет нормальное приближение статистики Сигеля-Таки с корректировкой на непрерывность.009558 Mean Abs. Предполагается. 4. Наибольшему значению присваивается ранг 2. а значению. Mean TukeyMedian Diff. которое предшествует наибольшему – ранг 3. Levene test – основан на анализе дисперсий (ANOVA) абсолютных отклонений от среднего.0263 0. в которой абсолютные отклонения от математического ожидания заменяются на абсолютные отклонения от медианы. и так далее. нулевая гипотеза предполагает чувствительность к отклонениям распределения выборки от нормального. Mean Diff.0602 Std. Соответствующая F-statistic имеет приближенное Fраспределение с (G − 1. аналогичной процедуре вычисления теста КрускалаУоллеса (см. 99) 1.448680 3. Данный тест превосходит предыдущий с точки зрения чувствительности (robustness) и мощности.411904 49.623970 4.4742 0. Brown-Forsythe (modified Levene) test Test for Equality of Variances of IND Categorized by values of DT Date: 08/12/03 Time: 18:07 Sample: 1995:01 2003:05 Included observations: 101 Method F-test Siegel-Tukey Bartlett Levene Brown-Forsythe df Value Probability (43.922649 30 . Сначала все наблюдения упорядочиваются по возрастанию. выше). что выборка нормально распределена. – модификация предыдущего теста.516713 6. Bartlett test. Значению.00000 Bartlett weighted standard deviation: 4. Тестовая статистика вычисляется с использованием процедуры. Аналогично предыдущему тесту.291818 4.613701 0.

| .017 -0.013 -0.000 0.000 0.08 437. где Т – длина временного ряда (количество наблюдений). y2 проверьте гипотезы о том.031 -0.000 7 Методики вычисления этих промежуточных статистик приведены в описании тестов.86 438.027 -0.| | .| | . Построение кореллограммы временного ряда (выборочных автокорреляционной и частной автокорреляционной функций) Для построения кореллограммы временного ряда выберите опцию Correlogram… в меню View окна временного ряда – View/Correlogram…: X Correlogram Specification Correlogram of • Level 1st difference OK 2d difference Lags to include Cancel 36 В появившемся окне выберите.003 0.|** .000 0.000 0.548 0.| | .В таблице также приведены промежуточные статистики7 (Category Statistics).| . а также количество лагов8.| . Series: Y1 Workfile: CP-2 View Procs Object Print Name Freeze _ Date: 07/31/03 Time: 15:38 Sample: 1 1000 Included observations: 1000 Autocorrelation .|* .025 0.|* . Для процессов wn.162 0.5.56 399. по умолчанию предлагается построить кореллограмму для 36 запаздываний.| | . как правило.14 437.| .000 0.| | .000 0.006 -0.000 0. что выборочные средние значения и стандартные отклонения этих процессов совпадают с теоретическими значениями.022 301.| | | | | | | | | | X Sample Genr Sheet Stats Ident LineBar Correlogram of Y1 5 Partial Correlation .023 0.|**** .313 0. либо его первых (1st difference) или вторых разностей (2d difference).85 437.002 0.045 0. будете ли Вы строить кореллограмму (Correlogram of) самого временного ряда (Level). 8 31 .80 426.000 0.| | .012 -0.01 0. 2.| | 1 2 3 4 5 6 7 8 9 AC PAC Q-Stat Prob 0. нажмите ОК. что достаточно взять Т/4 запаздываний. После того как Вы отметите все необходимые поля.012 0.548 0. необходимые при вычислении различных тестовых статистик. y1.|**** .00 438. Задания для самостоятельной работы 1. Простое эмпирическое правило говорит.25 435.| | . для которых Вы хотите построить кореллограмму9 (Lags to include).094 0. 9 При большом количестве наблюдений.

| | | | | 10 11 12 13 -0. где rk – k-е значение выборочной автокорреляционной функции и φ k .| . В столбцах Autocorrelation и Partial Correlation представлены графики выборочных автокорреляционной и частной автокорреляционной функций с соответствующими доверительными интервалами (пунктирные линии).012 -0. k − j .02 0.98 439.| . j rk − j  j =1 k =1 k >1 .000 0.000 0.018 -0.022 0. что в окне представлена кореллограмма временного ряда Y1. Напомним.007 -0. и является состоятельной оценкой частной автокорреляционной функции. текущем размере выборки (Sample: …) и количестве включенных наблюдений (Included observations: …). Пунктирные линии на графиках выборочных автокорреляционной и частной автокорреляционной функций удалены от оси соответствующего графика на расстояние в два стандартных отклонения и вычисляются как ± 2 .| . и из какого рабочего файла он взят (CP-2). Следующая строка – меню окна временного ряда: View ProcsObject Print Name Freeze SampleGenr Sheet Stats Ident Line Bar Строка Correlogram of Y1 показывает.009 -0.| .| . Если k-е T значение выборочной автокорреляционной (либо частной автокорреляционной) функции находится внутри данного интервала. 2 t где Т – длина временного ряда yt .| | | | | . k −1   1 − ∑ φ k −1. 32 ..006 -0. µ – выборочное среднее временного ряда yt .  k −1  rk − ∑ φ k −1. j = φ k −1.| .000 6 В первой строке появившегося окна представлена информация о том. что это значение (приблизительно) на 5%-м уровне значимости незначимо отличается от нуля.47 438. k-е значение выборочной частной автокорреляционной функции рассчитывается по формуле r1 .000 0.011 0. j − φ k φ k −1. то можно говорить о том. что k-е значение выборочной автокорреляционной функции слабостационарного процесса yt рассчитывается по формуле T rk = ∑(y t = k +1 t − µ )( yt − k − µ ) T ∑(y t =1 − µ) . с каким временным рядом Вы работаете (Y1).15 438. j rk − j φ kk = φ k =  j =1 .038 438. Далее представлена информация о дате и времени открытия данного окна (Date: … Time: …).

Авторегрессионные модели порядка р – AR ( p ) . то QLB (k ) асимптотически распределена как χ 2 (k ) . скользящего среднего первого порядка (y4=a0+wn+b1*wn(-1)) и смешанный процесс авторегрессии скользящего среднего порядка (1. если они не совпадают. В файле DEMO. d . почему. y1-y5. по Вашему мнению. наконец.wf сгенерируйте случайные процессы авторегрессии второго порядка (y3). то QLB (k ) асимптотически распределена как χ 2 (k − p − q ) .В столбцах AC и PAC приведены численные значения выборочных автокорреляционной и частной автокорреляционной функций соответствующего порядка. Моделирование процессов типа ARIMA( p. Задания для самостоятельной работы 1. d . Совпадают ли выборочные кореллограммы с теоретическими? В том случае. поскольку в пакете запрограммированы специальные команды. В качестве общего замечания остановимся на одной специфической особенности оценки авторегрессионных моделей в пакете EViews. Статистика ЛьюнгаБокса порядка k вычисляется по формуле r j2 k QLB (k ) = T (T + 2 )∑ j =1 T−j и позволяет проверить нулевую гипотезу об отсутствии автокорреляции порядка меньшего либо равного k: k H0 : HA : ∑r j =1 k 2 j ∑r j =1 2 j =0 >0 Если тест Льюнга-Бокса применяется непосредственно к временному ряду yt . q ) . В теории временных рядов под авторегрессионной моделью порядка р обычно понимается модель вида: yt = α 0 + α 1 yt −1 + K + α p yt − p + ε t . в столбцах Q-Stat и Prob приведены значения Q-статистики Льюнга-Бокса (Ljung-Box) и P-значения для этой статистики. И. постройте кореллограммы. возникают такие расхождения? 2. 1) (y5). q ) Эконометрический пакет EViews позволяет довольно легко моделировать случайные процессы типа ARIMA( p. q ) . (*) 33 . Если же данный тест применяется к остаткам моделей типа ARIMA( p. информация о котором приведена в третьем столбце таблицы.6. Для случайных процессов wn. d . позволяющие оценивать соответствующие модели. 2.

– позволяющие оценивать авторегрессионные модели следующего типа (применительно к моделям временных рядов): ′ yt = α 0 + ut . Например. Equation: UNTITLED Workfile: CP-2 View Procs Objects Print Name Freeze _ Х Estimate Forecast Stats Resids Dependent Variable: Y5 Method: Least Squares Date: 08/13/03 Time: 17:18 Sample(adjusted): 2 1000 Included observations: 999 after adjusting endpoints Variable Coefficient Std. Тогда наберите в командной строке окна EViews ls y5 c y5(-1).363014 1.….824538 342. Resids – отображает в окне уравнения график остатков оцененной модели (Residual). ar(p). (**) где ut = ρ1ut −1 + K + ρ put − p + ε t .994097 Mean dependent var S. и Вы хотите оценить для него авторегрессионую модель первого порядка. Error t-Statistic Prob. а частично содержит свои специфические опции: Estimate – данная опция меню позволяет оценить/переоценить модель.255953 0. и коэффициентом при авторегрессионном члене. Оценить такую модель в пакете EViews можно несколькими способами (подробнее об этом будет сказано чуть ниже).34281 -18. 10 y5 – случайный процесс авторегрессии первого порядка с константой.D. В результате появится окно уравнения EViews.987497 972.814714 2.E.5).027201 52. график временного ряда (Actual) и график оценок временного ряда.950 1.000000 в котором отображены результаты оценивания модели. Stats – отображает в окне уравнения таблицу с оценками текущей модели. полученных на основе оцененной модели (Fitted). C Y5(-1) 5. of regression Sum squared resid Log likelihood Durbin-Watson stat 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3. равном (-0.503753 0.0000 0.где ε t ~ WN (0.9695 0. В пакете EViews содержатся встроенные функции – ar(1).0000 R-squared Adjusted R-squared S.096585 0. равной 5. Меню окна уравнения частично совпадает с меню окна временного ряда.144243 2.255207 0. допустим. ar(2).055556 -0.51944 0. у Вас есть некий временной ряд y110. σ ε2 ) .2257 -1403. Forecast – позволяет строить прогнозы и вычислять соответствующие статистики. 34 .

of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots 0. что оценки параметров α i и ρi моделей (*) и (**) совпадают с точностью до свободного члена.020777 0.361958 -0.Можно показать. а также полученные статистики.50 Данные результаты практически не отличаются от результатов оценки предыдущей модели: как уже говорилось.255207 0. вычисленных исходя из полученных оценок (Inverted AR Roots). информация об этом содержится в строке «Convergence achieved after 3 iterations» . что модель (**) оценивается при помощи итерационных методов: фактически.027201 161. характеризующие качество моделей.363014 1. то оценки будут следующие: Dependent Variable: Y5 Method: Least Squares Date: 08/13/03 Time: 19:24 Sample(adjusted): 2 1000 Included observations: 999 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std.255953 0.814714 2. Например.«сходимость достигнута после 3 итераций».8136 -18.000000 -.0000 R-squared Adjusted R-squared S. Кроме того. Получить оценку любой модели (в том числе и авторегрессионной) можно и при помощи различных опций Главного меню окна EViews.9695 0.0000 0.E. оценки моделей. OR an explicit equation like Y=c(1)+c(2)*X Y5 c y5(-1) 5 5 5 6 6 6 Estimation Settings Method: LS – Least Squares (NLS and ARMA) OK 6 Cancel Sample: 1 1000 5 5 5 6 6 6 Options 35 . C AR(1) 3. Отметим.824538 342.950 1.994097 Mean dependent var S. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3.503753 0. если оценить модель: ls y5 c ar(1). совпадают с точностью до оценок константы. то появится окно Equation Specification X Equation Specification Dependent variable following by list of regressors including ARMA and PDL terms. Например. Error t-Statistic Prob.987497 972. в данном случае приводится информация о характеристических корнях. если Вы выберите меню Object/New Object/Equation. в рассмотренном выше примере.51944 0.2257 -1403.D.144243 2.

е. 36 . например. что в строке Method можно выбрать метод оценивания уравнения: LS – метод наименьших квадратов. являющихся натуральными числами. например. то в спецификации оцениваемого уравнения необходимо указывать оба авторегрессионных члена. Прежде. например. Замечание 1. сделаем несколько замечаний. который Вы также имеет право рассматривать. extreme value). Замечание 2. на первый. в которое необходимо ввести нужную Вам спецификацию модели. Если Вы хотите оценить модель авторегрессии более высокого порядка. В контексте данного пособия мы не будем останавливаться подробно на описании вышеперечисленных моделей: данную информацию можно найти практически в любом учебнике по эконометрике. например. GMM – обобщенный метод моментов. probit. следующее ls y c y(-1) y(-2) (или ls y c ar(1) ar(2)). чем приступить к дальнейшему изложению способов оценивания моделей ARMA( p. т.В результате Вы получите оценку модели (*). Если же Вы напишите. TSLS – двухшаговый метод наименьших квадратов. ARCH – авторегрессионная модель с условной гетероскедастичностью. позволяющая оценить цензурированные данные. выбрав опцию Quick/Estimate Equation… в Главном меню основного окна EViews. то получите результат оценки модели yt = c + a 2 y t −2 + ε t . Отметим. q ) . предназначенная для оценки данных. COUNT – модель. необходимо написать в командной строке. ORDERED – модель порядкового выбора. Выбрав эту опцию. аналогичное предыдущему. Поскольку описанными выше способами можно оценить любое эконометрическое уравнение. мы будем использовать лишь один из них. чем первый. ls y c y(-2). второго yt = c + a1 yt −1 + a2 yt −2 + ε t . Оценить модель в EViews также можно. Аналогичное замечание относится и к авторегрессионным моделям более высоких порядков. BINARY – бинарная модель (logit. что само по себе является самостоятельным результатом. CENSORED – модель. Вы получите окно.

of regression). Поскольку обычный коэффициент детерминации R 2 не уменьшается при включении в оцениваемую модель дополнительных переменных. 37 . Данный показатель приводится в окне регрессии для удобства пользователя. где µˆ – выборочное среднее зависимой переменной yt . = ε) ′εˆ T −k Сумма квадратов остатков регрессии RSS (Sum squared resid).Замечание 3. В качестве общего замечания. характеризующих качество модели. R2 = 1− εˆ′εˆ ( y − µˆ )′ ( y − µˆ ) . могут уменьшаться при включении в регрессию дополнительных переменных и могут быть отрицательными. 2 T ′ RSS = SSR = εˆ′εˆ = ∑  yt − X t b  . которая объясняется при помощи данного набора экзогенных переменных. При стандартных предположениях коэффициент детерминации может быть интерпретирован как доля дисперсии зависимой переменной yt . которые не способствуют увеличению объясняющей силы регрессии.e. поскольку используется для расчетов многочисленных статистических характеристик регрессии.regr. где k – число оцениваемых параметров. при использовании других методов оценивания) коэффициент детерминации может быть отрицательным. 2 Скорректированный коэффициент детерминации Radj (Adjusted R-squared). Если регрессия оценивается методом наименьших квадратов.regr.e. ( 2 = 1− 1− R2 Radj )TT −− 1k . Значения скорректированного коэффициента детерминации не превышают соответствующих значений обычного коэффициента детерминации. остановимся на описании статистик. если модель плохо специфицирована.  t =1  где X t – матрица объясняющих переменных. В некоторых случаях (например. то он не может служить хорошей мерой качества множественной регрессии. и присутствующих в стандартном окне уравнения EViews. Стандартная ошибка регрессии s. При расчете скорректированного коэффициента детерминации вводится штраф за дополнительные регрессоры. Статистики. εˆ – вектор-столбец случайных ошибок регрессии. значения коэффициента детерминации изменяются от 0 до 1. s.E. характеризующие качество модели: Коэффициент детерминации R 2 (R-squared). b – вектор–столбец коэффициентов при объясняющих переменных соответствующих размерностей. касающегося оценки всех рассматриваемых моделей. (S.

критерий Шварца является асимптотически состоятельным.D. T DW = ∑ (εˆ t =2 − εˆt −1 ) 2 t t ∑ εˆ 2 T T =1 Среднее значение и стандартное отклонение зависимое переменной µˆ и σˆ y (Mean dependent var и S. Информационный критерий Шварца BIC или SC (Schwarz criterion). 38 . Информационный критерий Акаике AIC (Akaike info criterion). включенных в модель. εˆ′εˆ  T l = − 1 + log(2π ) + log . Информационный критерий Акаике. в то время как информационный критерий Акаике смещен в сторону выбора перепараметризованной модели. T T Информационный критерий Шварца всегда выбирает лучшую модель с числом параметров. F-статистика (F-statistic). l k AIC = −2 + 2 . Среднее значение и стандартное отклонение зависимой переменной вычисляются с использованием стандартных формул: T µˆ = ∑ t =1 yt T и σˆ y = T ∑ t =1 ( yt − µˆ )2 T −1 . т. проверяется нулевая гипотеза о том. значимо отличаются от нуля. которая была выбрана по критерию Акаике. проверяется гипотеза о значимости регрессии в целом. что коэффициенты при всех экзогенных переменных. dependent var). k – количество оцениваемых в модели параметров. T  2 Логарифм функции правдоподобия вычисляется в предположении.е. используется для выбора лучшей модели из некоторого набора альтернативных моделей – чем меньше значение критерия.Логарифм функции правдоподобия l (Log likelihood). T T где l логарифм функции правдоподобия. l k log T BIC = SC = −2 + . кроме свободного члена. Статистика Дарбина-Ватсона DW (Durbin-Watson stat). Кроме того. При помощи F-статистики в предположении. что остатки модели распределены нормально. что остатки модели нормально распределены. тем лучше модель. не превышающим число параметров в модели. Позволяет определить (при определенных условиях на параметры модели) наличие автокорреляции остатков первого порядка. также как и информационный критерий Шварца.

т. White Heteroskedastisity (no cross terms) – проверяет гипотезу о гетерескедастичности остатков модели (без включения смешанных произведений объясняющих переменных).R2 F= (k − 1) (1 − R ) 2 . Если P-значение меньше.е. пункт 2. можно отвергнуть на этом уровне значимости. Данный тест позволяет проверить гипотезу о том. Histogram – Normality Test – выводит гистограмму остатков и приводит результаты теста на нормальность остатков (более подробно см. Также в окне регрессии EViews приводится Pзначение для F-статистики (Prob(F-statistic)). что регрессия может быть значимой. ARCH LM Test… 39 . где u t ~ WN (0. пункт 2. Замечание 4. число оцениваемых параметров (включая константу). что все коэффициенты модели равны нулю. где T – число наблюдений временного ряда. а R 2 – коэффициент множественной детерминации регрессии et = α 0 + α 1 x1 + K + α k xk + γ 1et −1 + γ 2 et − 2 + K + γ p et − p + u t . на котором Вы проверяете нулевую гипотезу. Correlogram Squared Residuals – позволяет построить кореллограмму квадратов остатков. что остатки модели описываются моделью авторегрессии порядка p: ε t = γ 1ε t −1 + γ 2ε t −2 + K + γ pε t − p + ut . что случайные ошибки остатки описываются моделью ARCH. Serial Correlation LM Test… – тест на серийную коррелированность остатков Бройша-Годфри. Тогда соответствующая статистика рассчитывается по формуле TR 2 . проверяется следующая нулевая гипотеза: H0 : γ1 = K = γ p против альтернативной: H A : γ 12 + K + γ p2 > 0 . Таким образом. где et – остатки модели yt = α 0 + α 1 x1 + K + α k xk + ε t . (T − k ) где k – число ограничений в модели. Помните. чем уровень значимости. В данном меню доступны следующие опции: Correlogram – Q-statistics – позволяет построить кореллограму остатков текущей модели (более подробно см.3). то гипотезу о том. – позволяет проверить гипотезу о том.5). даже если каждый коэффициент в отдельности не значим. Для тестирования остатков модели необходимо воспользоваться опцией Residual Tests меню View окна уравнения. Статистика TR 2 имеет асимптотическое распределение χ 2 ( p ) . σ u2 ).

0000 0.049815 0.022033 13.000000 .943281 669. встроенной в EViews.923572 6.186233 0.477 1. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) . Отметим лишь.669620 0. Результат оценки некоторого процесса скользящего среднего третьего порядка ma3 приведен в таблице Dependent Variable: MA3 Method: Least Squares Date: 09/09/03 Time: 17:24 Sample(adjusted): 4 998 Included observations: 995 after adjusting endpoints Convergence achieved after 30 iterations Backcast: 1 3 Variable Coefficient Std.668620 7.0000 0. Поэтому.35218 12.37097 6. исходя из абсолютных величин которых можно сделать вывод об обратимости оцененной модели. то в командной строке необходимо.24+.E. написать 40 . Error t-Statistic Prob. – (с проверяет гипотезу о включением смешанных Модели скользящего среднего порядка q – MA(q ) Оценка моделей скользящего среднего осуществляется при помощи специальных функций ma(1).0000 R-squared Adjusted R-squared S. 1). q ) В отличие от двух предыдущих случаев в пакете EViews нет общей встроенной функции.915246 . что аналогично авторегрессионным моделям необходимо включать в спецификацию уравнения все переменные ma(q).5251 0.640902 -0. ma(2)….24 -.D.031133 58.0000 0. Смешанные модели авторегрессии и скользящего среднего порядка (p.86569 -5. C MA(1) MA(2) MA(3) 1. К примеру. Например.028819 -1. чтобы оценить любую смешанную модель необходимо указать в ее спецификации все включаемые авторегрессионные члены и все включаемые запаздывания случайного возмущения.031186 0.697083 58711. если Вам нужно оценить модель yt = c + ε t + β1ε t −1 + β 2ε t − 2 + β 3ε t −3 .39i Структура этой таблицы ничем не отличается от стандартных таблиц с результатами оценки регрессий.383183 0. то в командной строке необходимо набрать ls c ma(1) ma(2) ma(3). например.017601 0. что в последней строке «Inverted MA Roots » приведены значения соответствующих характеристических корней. если Вы хотите оценить модель ARMA (2. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots 0.90 Mean dependent var S.88 -3440.39i 1. Заметим.White Heteroskedastisity (cross terms) гетерескедастичности остатков модели произведений объясняющих переменных). содержащиеся в регрессионном уравнении. q) – ARMA( p. позволяющей оценивать такие модели.981893 0.45392 -44.

вычисленных для МА-части: Dependent Variable: ARMA21 Method: Least Squares Date: 09/10/03 Time: 17:11 Sample(adjusted): 3 1000 Included observations: 998 after adjusting endpoints Convergence achieved after 9 iterations Backcast: 2 Variable Coefficient Std.032300 20.0000 0. но также порядок и тип сезонности: ar(12)12 для сезонных авторегрессионных моделей и ma(12) – для сезонных 11 Вместо ar(1) и ar(2) можно написать первое и второе запаздывание самого временного ряда.58i Сезонные авторегрессионные модели и сезонные модели скользящего среднего Отметим в первую очередь.832452 4.35962 91.524807 0.44169 -16.878129 23653.174 0. необходимо в спецификации модели указать не только все включаемые авторегрессионные члены и запаздывания случайной ошибки регрессии.0000 R-squared Adjusted R-squared S.E. Тогда спецификация исходной модели имеет вид yt = c + u t . которые позволяют оценивать сезонные модели.ls c ar(1) ar(2) ma(1)11.832956 0. В случае наличия квартальных данных необходимо в скобках указывать число 4: ar(4) или ma(4). of regression Sum squared resid Log likelihood Durbin-Watson stat 0.24770 0. Итоговая таблица с оценками соответствующей модели практически не отличается от предыдущих случаев и содержит информацию как о характеристических авторегрессионных корнях.93400 -61.011401 6. где ut – случайная ошибка регрессия одного из описанных выше типов.951439 Inverted AR Roots Inverted MA Roots .37 -2995. что.014565 0.016269 0. отражают соответствующую спецификацию ошибок оцениваемых регрессий и позволяют оценить модели двух типов (в данном случае рассмотрен пример для месячных данных): (1 − α L − K − α 1 или ( p )( ) Lp 1 − ϕL12 ut = ε t )( ) ut = 1 + β1 L + K + β q Lq 1 + ωL12 ε t . 12 41 .0000 0. как и в случае обычных авторегрессионных моделей или моделей скользящего среднего.894885 -0.58i .75+.000000 . Чтобы оценить мультипликативную сезонную модель. C AR(1) AR(2) MA(1) 3.52 Mean dependent var S. так и о характеристических корнях. встроенные в EViews специальные функции.75 -.D.746622 1.689 1.91745 6.184022 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3.031063 1652. Error t-Statistic Prob.0000 0.728876 11.495641 -0.

70 .25i Если теперь Вы хотите оценить данную модель как авторегрессионную модель первого порядка с сезонным скользящими средним.68i -.47i 2.183277 6.54 -3124.38 -3048. Заметим.47i -.D.93i -.262037 6.342 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .93i -.728068 5.94i -.моделей скользящего среднего. Например.0000 R-squared Adjusted R-squared S.82+.93+.82 -. что полученные оценки Dependent Variable: S_AR Method: Least Squares Date: 07/15/03 Time: 14:36 Sample(adjusted): 2 1000 Included observations: 999 after adjusting endpoints Convergence achieved after 13 iterations Backcast: -10 1 Variable Coefficient Std.E. напишите в командной строке окна EViews ls s_ar c ar(1) ar(12).47 -.47+.702925 0.70528 -17.0000 0.276772 1178.68+.302074 0.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots 0.25 -.68i .25 -.245655 0.728619 0.25i .702328 5.68 -. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) . если Вы хотите оценить сезонную авторегрессионную модель первого порядка (ряд s_ar).983751 .0000 0.698247 -0.93 -.318454 27833.0000 0. то в командной строке напишите ls s_ar с ar(1) sma(12). C AR(1) SAR(12) 2.93i -.25i .93+.68 -.00+.94 .447 1.02035 -24. C AR(1) MA(12) 1.93i Mean dependent var S. Error t-Statistic Prob.25i -.47+.602889 30.94i -.025378 8.952 0.82i -.57 -.0000 0.00 -.68i .93 -.165992 22. имеющей стандартную структуру: Dependent Variable: S_AR Method: Least Squares Date: 07/15/03 Time: 14:34 Sample(adjusted): 14 1000 Included observations: 987 after adjusting endpoints Convergence achieved after 13 iterations Variable Coefficient Std.198155 1320.68 -.25+.68i 2.012653 10.82 -. Error t-Statistic Prob.888 1.47i . of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots 0.82i Mean dependent var S.000000 .574613 -0.027931 6.D.017917 10.026095 0.19894 6.94 42 .13974 6.82i -.994558 0.006013 0.25+.82i -.43280 0.39699 0.485910 0.47 -.963491 .0000 R-squared Adjusted R-squared S.000000 .47i .620051 0.82+.532175 30482.022740 0. Результат оценки такой модели представлен в таблице.

Например.022019 1670.771827 4.90i -. она представима в виде yt = c + ut .534 1. Отметим также.007593 0.е. модель вида yt = c + ut . ( ) где 1 − a1 L − ϕL12 ut = ε t . Оценки.962955 Mean dependent var S.475595 -0.15399 -26.870138 23362.24i Аналогичное замечание относится и к сезонным моделям скользящего среднего.0000 0. d .772290 0.88+. q ) Модель ARIMA( p. где (1 − a1 L )(1 − ϕL12 )u t = ε t .47 -2964. с результатом оценки модели yt = c + ut .19552 6. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .0000 0.018907 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots 0.513877 0.е.007153 6.21+.28+.64+.66i .91i -.90i -. т. полученные в этом случае.97 -.019092 13. указанными в последней таблице с точностью до константы.E.91i -.000000 . где (1 − a1 L )u t = (1 + ωL12 )ε t .023927 10. Кроме мультипликативных сезонных моделей существуют и аддитивные сезонные модели.21 -. т.будут фактически совпадать с оценками авторегрессионной модели первого порядка с аддитивным сезонным скользящим средним. C AR(1) AR(12) 2.24i . Error t-Statistic Prob.45325 25.88 -.е.D. что вместо встроенных функций ar(1) и ar(12) можно писать s_ar(-1) s_ar(-12) – полученные оценки будут совпадать с результатами.28 -.24i . Если же мы хотим рассмотреть аддитивную сезонную авторегрессионную модель первого порядка.0000 R-squared Adjusted R-squared S. рассмотренная выше сезонная авторегрессионная модель первого порядка является мультипликативной.66i -.336 0.97+.91633 0. т.71+.71 -. будут довольно сильно отличаться от оценок мультипликативной модели: Dependent Variable: S_AR Method: Least Squares Date: 07/15/03 Time: 14:37 Sample(adjusted): 13 1000 Included observations: 988 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. d .66i -.149227 0. Mодели ARIMA( p.64 -.24i . то в командной строке необходимо написать ls s_ar c ar(1) ar(12). q ) можно запаздывания L в следующем виде: (1 − a L − K − a L )∆ y p 1 p d t записать ( при помощи оператора ) = c + 1 + β1 L + K + β q Lq ε t . 43 .66i 2.

в командной строке рабочего окна EViews введите: ls d(y) c d(y(-1)) или ls d(y) c ar(1).027914 11. Error t-Statistic Prob. n.190197 0.874090 23661.0000 0.106930 0.65589 16. q ) необходимо оценить модель в разностях порядка d.95697 0. 1.000000 и во втором случае: Dependent Variable: D(Y) Method: Least Squares Date: 07/15/03 Time: 18:57 Sample(adjusted): 3 1000 Included observations: 998 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. of regression Sum squared resid Log likelihood Durbin-Watson stat 0. ( ) ( ) dlog(y.027914 13.е.е.007746 6.017577 287.E. равносильна записи (n. Error t-Statistic Prob.473341 0.865 1. C D(Y(-1)) 2.224020 Mean dependent var 3. C AR(1) 4.000559 0.223241 4. ( ) ( ) Чтобы получить оценки модели ARIMA( p. В EViews встроены специальные функции.где ∆ = 1 − L – оператор разности.95697 0.0000 R-squared 0.473341 0. s) логарифма временного ряда у. эквивалентна разности yt − yt −1 = (1 − L ) yt = ∆yt .956180 Mean dependent var S. т.292955 0. d(y. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 3. равносильна записи (1 − L )n 1 − Ls log yt = ∆n 1 − Ls log yt . модель вида ( ) ( ) ∆d yt = c + a1 L + K + a p Lp ∆d yt + 1 + β1 L + K + β q Lq ε t .73 -2995. т. т. позволяющие компактно записывать разности различных порядков: d(y) – используется для обозначения разности первого порядка временного ряда у. т.07765 16.992921 5.е.530322 6.0000 R-squared Adjusted R-squared S. 0) (1 − a1 L )∆yt = c + ε t . чтобы оценить модель ARIMA(1. s) n s n s (1 − L ) 1 − L yt = ∆ 1 − L yt .5388 0. Соответствующие оценки будут совпадать с точностью до константы: Dependent Variable: D(Y) Method: Least Squares Date: 07/15/03 Time: 18:53 Sample(adjusted): 3 1000 Included observations: 998 after adjusting endpoints Variable Coefficient Std. s) – используется для обозначения сезонной разности порядка временного ряда у.224020 0. n.0000 0. d .992921 44 . s) – используется для обозначения сезонной разности порядка (n. Например.D.е.

000000 .7.956180 S. Для тестирования временного ряда на наличие единичных корней с использованием расширенного теста Дикки-Фуллера в открытом окне временного ряда выберите опцию View/Unit Root Test… В появившемся окне Unit Root Test ? X Test type Augmented Dickey-Fuller Test for unit root in • Level 1st difference 2d difference Include in test equation 13 ▼ Lag length • Automatic selection Schwartz Info criterion ▼ Maximum lags: User specified 4 Тесты Дикки-Фуллера и Филлипса-Перрона также есть в EViews 3. В каждом из случаеы выберите наилучшую модель с точки зрения информационных критериев Акаике и Шварца. q ) при p. 45 . Тесты на единичные корни (Тест Дикки-Фуллера) EViews 4. ma(2) и т.E. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 5.д. тесты Эллиота-Розенберга-Стока (Dickey-Fuller GLS Test & Elliot-Rothenberg-Stock Point-Optimal Test). of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots 0.874090 23661. В рамках настоящего пособия будет рассмотрен лишь расширенный тест Дикки-Фуллера.Adjusted R-squared S. q ≤ 2 .017577 287. y1-y5 оцените модели ARMA( p.73 -2995.865 1. d . 2. 3. q ) . тест Кватковского-Филлипса-Шмидта-Шина (Kwiatkowski-Phillips-Shmidt-Shin Test – KPSS Tests) и тест Нг-Перрона (Ng-Perron Test).530322 6. Совпадают ли выбранные модели с теоретическими.1 предлагает несколько тестов на наличие единичных корней: расширенный тест Дикки-Фуллера (Augmented Dickey-Fuller Test).223241 4.007746 6. 2.5388 0. Для каждого из случайных процессов wn. содержащие запаздывающие значения случайной ошибки необходимо включить в спецификацию уравнения соответствующие члены: ma(1). Задания для самостоятельной работы 1.D.1. тест Филлипса-Перрона13 (Phillips-Perron Test). Проверьте остатки выбранных моделей на нормальность и автокоррелированность.47 Для оценки моделей ARIMA( p.

включаемых в тестируемое уравнение. предлагается включить 4 запаздывающих разности). MAXLAG=21) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level _ X 5 t-Statistic Prob.1 46 . нажмите кнопку OK. 15 Данная возможность не реализована в пакете EViews 3. Augmented Dickey-Fuller Test Equation Dependent Variable: D(Y1) Method: Least Squares Date: 07/25/03 Time: 18:40 Sample (adjusted): 2 1000 Included observations: 999 after adjusting endpoints Variable Coefficient Std.567279 -1. Количество запаздывающих разностей. 14 Кроме информационного критерия Шварца можно использовать информационные критерии Акаике (Akaike) и Хэннана-Квина (Hannan-Quinn). Результаты расширенного теста Дикки-Фуллера будут приведены в следующем окне (окно временного ряда): Series: Y1 Workfile: CP-2 View Procs Object Print Name Freeze Sample Genr Sheet Stats Ident LineBar Augmented Dickey-Fuller Unit Root Test on Y1 Null Hypothesis: Y1 has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC. Шварца и Хэннана-Квина. можно выбрать как автоматически (Automatic selection) с использованием одного из информационных критериев (по умолчанию критерий Шварца14 (Schwartz Info criterion))15. как правило. либо не включать ничего (None). либо его вторые разности (2d difference). Error t-Statistic Prob. а также модифицированные информационные критерии Акаике.941140 -1. либо задать вручную при помощи опции User specified (по умолчанию при выборе данной опции. какое количество запаздывающих разностей Вы включаете (Lag lendgh). необходимо ли включать в тестируемое уравнение свободный член (Intercept).0000 *MacKinnon (1996) one-sided p-values.Intercept Trend and intercept • None OK Cancel выберите: будете ли Вы тестировать на наличие единичных корней сам временной ряд (Level). После того как Вы выбрали все необходимые параметры. либо его первые разности (1st difference).616486 0. либо тренд и свободный член (Trend and intercept).08816 -2.* -17.

7+y8(-1)+wn 2.018780 6 В первой строке таблицы представлена информация о том.226358 0. а также критические значения этой статистики на 1. и по информационному критерию Шварца была выбрана модель без включения запаздывающих разностей (Lag Length: 0 (Automatic based on SIC. MAXLAG=21)). Затем следует информация о том.Y1(-1) R-squared Adjusted R-squared S.002017 1. т. ни тренд (Exogenous: None). dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat 0. Следующая строка – меню окна временного ряда: View Procs Object Print Name Freeze Sample Genr Sheet Stats Ident LineBar Строка Augmented Dickey-Fuller Unit Root Test on Y1 показывает.331 -1469. В файле DEMO.08816 Mean dependent var S. Постройте графики данных случайных процессов. а нулевая гипотеза имеет вид: H0 : γ = 0 .226358 1. в данном случае – τ 0 ) и ее P-значение. Используя тест Дикки-Фуллера. тестируется модель: ∆Y 1t = γY 1t −1 + et .D.616486 Последняя часть таблицы – результаты оценки модели – по своей структуре повторяет стандартную таблицу EViews.567279 -1.949549 2.02641 9 0.0000 0. 5 и 10%-м уровнях значимости: Test critical values: 1% level 5% level 10% level -2.E. of regression Sum squared resid Log likelihood -0.846 -17.941140 -1. Далее в таблице приведены значение статистики Дикки-Фуллера (Augmented Dickey-Fuller test statistic. проверьте гипотезу о наличии единичного корня для случайных процессов y2. что в окне отображены результаты теста Дикки-Фуллера для временного ряда Y1. с каким временным рядом Вы работаете (Y1).451460 0.99*y6(-1)+wn y7=y7(-1)+wn y8=0. в которой представляются результаты оценки регрессий. когда в тестируемое уравнение не включены ни свободный член. 47 . y6-y8. и из какого рабочего файла он взят (CP-2). Обсудите графические свойства этих временных рядов.wf сгенерируйте случайные процессы: y6=0.944637 2.198658 2. Задания для самостоятельной работы 1. что тестируется гипотеза о наличии единичного корня (Null Hypothesis: Y1 has a unit root) в случае.054303 1109.е. 3.

4. Прокомментируйте результаты теста Дикки-Фуллера: для всех ли
случаев полученные результаты совпадают с теоретическими
моделями? Если не совпадают, то каковы причины таких
несоответствий?
2.8. Прогнозирование при помощи моделей ARMA(p, q)
Для большей наглядности рассмотрим методы построения прогнозов в
пакете EViews на примере модели ARMA(p, q) индекса промышленного
производства Центра экономической конъюнктуры при Правительстве РФ16
промышленности в целом (IND1). На первом этапе для данного временного ряда
была оценена некоторая модель на интервале с октября 1998 г. по сентябрь 2002 г.
(Допустим, что у Вас есть данные только за этот период.) Затем при помощи
опции Forecast меню окна уравнения был построен прогноз для этого временного
ряда с октября 2002 г. по апрель 2003 г. (чтобы сделать это, необходимо при
создании рабочего файла указать размер выборки с октября 1998 г. по апрель 2003
г.):
Forecast

X

Forecast of IND1

Method

Series name:
Forecast name:

Dynamic
Static

Ind1f

Structural

S.E. (optional):

(ignore ARMA)

G
G
A
R
C
H
GA
AR
RC
CH
H (((oooppptttiin
innaaall)l)):::
Output
Forecast sample

2002:10 2003:04

✓ Insert actual for out-of-sample
OK

Do graph
Forecast
evaluation

Cancel

Отметьте в появившемся окне необходимые опции: название ряда прогнозов
(Forecast name), название ряда ошибок прогнозирования (S.E. (optional)), границы
интервала, на котором строите прогнозы (Forecast sample), метод прогнозирования
(Method: Dynamic, Static или Structural) и те результаты, которые Вы хотите получить
при построении прогнозов (Output: Do graph и Forecast evaluation). Отметим разницу
между динамическими и статическими прогнозами:
Динамические прогнозы. Допустим, Вы оценили модель авторегрессии
второго порядка для некоторого временного ряда и хотите построить
соответствующие прогнозы на h шагов вперед. Тогда, строя прогноз на
один шаг вперед, в качестве запаздывающих значений переменной Вы
должны использовать ее истинные значения в данные моменты времени.
Но при построении прогноза на 2 шага вперед вместо переменной yt −1 уже
16

Базисный месяц – январь 1993 г.

48

необходимо использовать ее прогнозное значение, полученное на
предыдущем шаге, а вместо переменной yt −2 ее истинное значение.
Начиная с прогноза на 3 шага вперед, в качестве запаздывающих значений
прогнозируемых переменных необходимо использовать их прогнозные
значения,
полученные
на
предыдущих
шагах.
Результаты
прогнозирования, полученные этим методом, приведены ниже:

80

Forecast: IND1F
Actual: IND1
Forecast sample: 2002:10 2003:04
Included observations: 7

78
76
74

Root Mean Squared Error
Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

72
70
68
66

2.137304
1.886911
2.654802
0.014775
0.092529
0.492510
0.414961

64
02:11

02:12

03:01

03:02

03:03

03:04

IND1F

Статические прогнозы. В отличие от динамических прогнозов для
прогнозирования используются только истинные значения, т.е.
фактически, если у нас есть данные на интервале от 1 до T, то построить
прогноз по моделям ARMA(p, q) мы можем только на один шаг вперед ~
yT +1 .
В нашем примере можно построить статический прогноз на 7 месяцев,
поскольку у нас есть все данные:

80

Forecast: IND1F
Actual: IND1
Forecast sample: 2002:10 2003:04
Included observations: 7

76

Root Mean Squared Error
Mean Absolute Error
Mean Abs. Percent Error
Theil Inequality Coefficient
Bias Proportion
Variance Proportion
Covariance Proportion

72

68

2.462476
1.944386
2.717071
0.017053
0.025005
0.175971
0.799024

64
02:11

02:12

03:01

03:02

03:03

03:04

IND1F

49

Справа от графика в тех случаях, когда известны истинные значения
временного ряда на прогнозируемом периоде, приведены статистики,
характеризующие качество прогноза:
Root Mean Squared Error – квадратный корень из средней квадратичной ошибки:
T +h

RMSE =

( yˆ t − yt )2
h +1

t =T +1

,

где h – длина интервала прогнозирования, yˆ t – прогнозное значение временного
ряда, yt – истинное значение временного ряда;
Mean Absolute Error

– средняя абсолютная ошибка:
T +h

MAE =

t =T +1

Mean Abs. Percent Error

yˆ t − yt
;
h +1

– средняя абсолютная ошибка (в %):

MAPE =

T +h

t =T +1

Theil Inequality Coefficient

yˆ t − yt
yt
;
h +1

– коэффициент Тэйла:
T +h

TIC =

( yˆ t − yt )2
h +1

t =T +1
2

T +h

yˆ t
+

t =T +1 h + 1

T +h

2

yt

t =T +1 h + 1

;

– показывает смещение среднего значения прогноза временного
ряда относительно среднего значения реального временного ряда:
Bias Proportion

2

  yˆ t 

  ∑  − y 
h

 ,
2
( yˆ − y )
∑ tht
где y – среднее значение временного ряда;
– показывает смещение дисперсии прогноза временного ряда
относительно дисперсии реального временного ряда:
Variance Proportion

(s

− sy )

2

( yˆ t − yt )2

,

h
где s yˆ и s y – смещенные стандартные отклонения прогноза временного ряда и
истинного временного ряда;
Covariance Proportion – измеряет остаточную несистематическую ошибку
прогнозирования:

50

не убирая указатель мыши с выделенного синим фона. Окно группы временных рядов содержит те же опции Меню.wf сгенерируйте случайные процессы rw=rw(-1)+nrnd rw1=rw1(-1)+nrnd rw2=rw+nrnd rw3=1+rw+nrnd rw4=-1+0. Создать группу временных рядов также можно воспользовавшись меню Object/New object/Group Главного меню EViews или при помощи команды group <название группы> <список временных рядов>. h где r – коэффициент корреляции между yˆ t и yt . d . Для случайных процессов wn. …. В открывшемся окне в одной таблице будут собраны все выделенные ряды на указанном подинтервале.1.2(1 − r )s yˆ s y ∑ ( yˆ t − yt )2 . состоящую из этих случайных процессов. что и окно временного ряда. описание которых дано в пункте 2. Задания для самостоятельной работы 1.и Wide+-. После этого. за исключением опций Label+/. которую необходимо написать в командной строке. 2. Совпадают ли полученные прогнозные значения со средним значением соответствующего временного ряда? Что Вы можете сказать о дисперсии ошибок прогнозирования в каждом из случаев? 3. Задания для самостоятельной работы 1. y2. Создайте группу RW.5*@trend+rw+nrnd. 2. нажмите правую кнопку мыши и в появившемся окне выберите опцию Open/as Group. По оцененным моделям постройте прогнозы 101. q ) . Анализ многомерных временных рядов 3. 110 значений для каждого случайного процесса 3. В файле DEMO. y4-y8 на подинтервале от 1 до 100 оцените наилучшую модель в терминах ARIMA( p.1. 51 . Создание группы временных рядов (многомерного временного ряда) Простейший способ создать группу временных рядов состоит в следующем: нажмите клавишу Ctrl на клавиатуре и при помощи левой кнопки мыши выделите в окне рабочего файла необходимые для создания группы ряды.

Построение графика многомерного временного ряда Для построения графика многомерного временного ряда в меню View окна группы выберите опцию Graph или Multiple Graph. в соответствующем окне в одних осях отобразятся графики временных рядов.3. например: 730 720 710 700 690 680 670 660 960 970 980 Y8 990 1000 Y9 В случае. если Вы выберите опцию Multiple Graph. Если Вы выберите опцию Graph.2. графики отобразятся в различных осях: 52 .

730 725 720 715 710 705 700 695 960 970 980 990 1000 990 1000 Y8 710 700 690 680 670 660 960 970 980 Y9 Более подробно различные типы графиков были описаны в пункте 2. 53 .3.

В рассмотренном примере оценивается модель векторной авторегрессии второго порядка для двух временных рядов: IND1 – индекс промышленного производства Центра экономической конъюнктуры при Правительстве РФ17 промышленности в целом. 3. и экзогенных переменных (Exogenous Variables). Векторная авторегрессия Чтобы оценить векторную авторегрессию в меню Procs окна группы выберите опцию Make Vector Autoregression… В появившемся окне VAR Specification Basics ? X Cointegration VEC Restrictions VAR Type Endogenous Variables • ind1 oilex Unrestricted VAR Vector Error Correction Lag Intervals for Endogenous 12 Estimation Sample Exogenous Variables 1995:01 2003:04 c OK Отмена выберите интересующие Вас опции.09675) [ 6. – и OILEX – индекс промышленного производства Центра экономической конъюнктуры при Правительстве РФ нефтедобывающей промышленности (на интервале с января 1995 г. на котором Вы хотите оценить модель (Estimation Sample). введите список эндогенных переменных.е. входящих в векторную авторегрессию (Endogenous Variables). 2.614035 (0. 54 . выберите необходимое количество включаемых запаздываний эндогенных переменных. т. порядок векторной авторегрессии (Lag Intervals for Endogenous).е.Задания для самостоятельной работы 1.wf постройте график многомерного временного ряда RW.34644] Базисный месяц – январь 1993 г. т.3.835523 (0.): Vector Autoregression Estimates Date: 07/22/03 Time: 19:57 Sample: 1995:01 2003:04 Included observations: 99 Standard errors in ( ) & t-statistics in [ ] IND1(-1) 17 IND1 OILEX 0. а также укажите интервал. образующих группу RW.24255] 0. В файле DEMO. по апрель 2003 г. Сравните графические свойства случайных процессов.10137) [ 8.

376560 9.07911) [ 0.07902) [ 12.10096) [-0. что случайные ошибки модели подчиняются многомерному закону нормального распределения: T ˆ .83442] 0. характеризующие качество каждого уравнения системы. R-squared Sum sq.389568 (2.826194 0.8962 -232.37569] -2.427032 262.8280 9.63776] OILEX(-2) 0.257463 R-squared Adj.08288) [-4.f. Последние 4 строки таблицы – статистики.5961 2.14213 -458.098109 (0. d – число экзогенных переменных (включая константу).35589] OILEX(-1) -0.981794 (0.818875 614.45052 5.753102 4.637077 В таблице приведены оценки коэффициентов модели со стандартными ошибками в (…) и t–статистиками в […].6551 4.D.16891 8. оцениваемых в модели векторной авторегрессии.545722 (0. adjusted) – значения логарифмической функции максимального правдоподобия рассчитывается в предположении.4244] C 1. k – число эндогенных переменных.917102 0. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.883360 62. характеризующие оцененную модель векторной авторегрессии: Determinant Residual Covariance – определитель ковариационной матрицы случайных ошибок модели рассчитывается по формуле:   ˆ = det  1 ∑ εˆt εˆt ′  . [ ] 55 .362132 (0. l = k (1 + log 2π ) + log Ω 2 Информационные критерии Акаике и Шварца (Akaike Information Criteria и Schwarz Criteria): 2l 2n AIC = − + T T и 2l n log T .f. p – порядок векторной авторегрессии.09637) [-6.36909] 0.913611 559.127190 (3. Log Likelihood (d.9961 4.97172] -0.7452 -227. Ω T − p t  где T – длина временного ряда.00032) [ 0. BIC = − + T T где n=k(d+pk) – число всех параметров.050454 (0.659922 4. resids S.2458 2.790181 84.08279) [ 6. dependent Determinant Residual Covariance Log Likelihood (d.IND1(-2) -0.86374) [-0.E. adjusted) Akaike Information Criteria Schwarz Criteria 33.974760 0.542783 112.59160] 0.612509 (0. а также стандартные МНК–статистики.

33E-15] 71. характеризующие остатки модели. позволяющие выбрать наилучшую модель.020817 0. удовлетворяет ли многомерный временной ряд условию устойчивости.000000] 170. ниже) приводятся соответствующие значения статистики χ 2 для проверки совместных гипотез о значимости группы переменных на конкретном запаздывании в каждом уравнении векторной авторегрессии. В таблице (см.811875 -0.33E-16] 113.0.473357 .000000] df 2 2 4 56 . опция Residual Tests меню View окна векторной авторегрессии позволяет получить стандартные статистики. т.9752 [ 0. а также об их значимости в векторной авторегрессии (в последнем столбце – Joint): VAR Lag Exclusion Wald Tests Date: 07/24/03 Time: 18:21 Sample: 1995:01 2003:04 Included observations: 99 Chi-squared test statistics for lag exclusion: Numbers in [ ] are p-values IND1 OILEX Joint Lag 1 68. Во-первых.е.251051i 1.000000] Lag 2 54. проверить гипотезы о значимости запаздывающих значений эндогенных переменных (Lag Exclusion Tests).47254 [ 1.47932 [ 1. а в нижней части таблицы (последние две строки) указывается.Кроме приведенных выше статистик качества модели существуют и другие статистики ее качества. В таблице приводятся значения характеристических корней.020817 0. Кроме того. описанные выше.535811 Warning: At least one root outside the unit circle. проверить гипотезы о том.7268 [ 0.9743 [ 0. что некоторые эндогенные переменные на самом деле являются экзогенными при помощи теста на причинность по Грэнджеру (Pairwise Granger Causality Tests).34502 [ 3.251051i -0.535811 0. VAR does not satisfy the stability condition.473357 + 0. опция Lag Structure меню View окна векторной авторегрессии дает возможность: вычислить характеристические авторегрессионные корни рассматриваемого многомерного временного ряда и построить их на графике (AR Roots Table и AR Roots Graph): Roots of Characteristic Polynomial Endogenous variables: IND1 OILEX Exogenous variables: C Lag specification: 1 2 Date: 07/24/03 Time: 19:07 Root Modulus 1.811875 0.48E-12] 154. является ли слабостационарным многомерным процессом.

644467 8.198331 7.080743* 3.4080 -382.02011 6. в EViews есть специальная опция: в меню View окна группы временных рядов необходимо выбрать опцию Granger Causality… Например.63368 16.773470* 6.7090 NA 211.852258 7.25423 15.273973 9.257591 9.40223 10.919574 16.5521 103.23819 14.180261* 8.02164 27.1). п. Затем 18 Базисный месяц – январь 1993 г.244240 6.). – и OILEX – индекс промышленного производства Центра экономической конъюнктуры при Правительстве РФ нефтедобывающей промышленности (на интервале с января 1995 г. в данном примере все включенные запаздывания оказываются значимыми.210549 9.38115 10.72324 53.5607 -397.904419 3.519332 4. которая указывается звездочкой «*».629569 816. Тест на причинность по Грэнджеру Для проведения теста на причинность по Грэнджеру. что временной ряд xt не является причиной по Грэнджеру для временного ряда yt . состоящую из этих рядов (см.109710 9.045074 7.1914 22.103997 12.367253 7.Как видно из таблицы.109980 8.43651 9.454861 9. 3.546825 8.474704 9.324791 8. позволяющих выбрать лучшую модель.53920 31. Для этого.175715 8.28020 9.0080 -386.6986 -441.57770 6. 57 .598988 8.4990 -431. Выбрав эту опцию необходимо указать количество запаздываний.379409 9.683273 8.385708 * indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion Для каждого числа запаздываний приводится 6 различных статистик. для которых Вы хотите провести тестирование (в нашем случае – 13): VAR Lag Order Selection Criteria Endogenous variables: IND1 OILEX Exogenous variables: C Date: 07/24/03 Time: 18:53 Sample: 1995:01 2003:04 Included observations: 99 Lag LogL LR FPE AIC SC HQ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 -617. Вы хотите провести данный тест для двух временных рядов: IND1 – индекс промышленного производства Центра экономической конъюнктуры при Правительстве РФ18 промышленности в целом.43325 10.58158 18.20621* 5.460160 8.774180 12.534490 9. проверки того.985931 8.25299 14.2120 -284.6735 -280.34346 9.0574 -508.602243 7.771419 7.69131 18.883172 8.90985 23. позволяющих наилучшим образом выбрать порядок векторной авторегрессии без ограничений (Lag Length Criteria).953008 5.9166 -338.8005 99.е. необходимо создать группу.2965 -410.651213 8.285179 12.696415 8.23500 12. т.56853 36. по апрель 2003 г.328159 8.0099 -453. 3.4.3627 -312.41672 19.565631 8.2395 -371.224351 9.22602 40.41095 24.188296 8. вычислить значения различных критериев.734294 8.342824* 7.93104 36. вопервых.1122 -322.137505 9.

т.53840 1. то тест был бы проведен для каждой пары рядов.воспользуйтесь опцией View/Granger Causality… окна созданной группы.32699 3.6E-09 0. что ряд OILEX не является причиной по Грэнджеру ряда IND1. входящие в векторную авторегрессионную модель.е. являются интегрированными процессами первого порядка и ошибки независимо и нормально распределены. что основными предположениями данного теста являются допущения. использующий метод максимального правдоподобия применительно к векторным авторегрессионным моделям. Отметим. В результате Вы получите следующую таблицу: Pairwise Granger Causality Tests Date: 07/18/03 Time: 18:13 Sample: 1995:01 2003:04 Lags: 13 Null Hypothesis: Obs F-Statistic Probability OILEX does not Granger Cause IND1 IND1 does not Granger Cause OILEX 100 7. встроенная в EViews процедура позволяется проверять соответствующую гипотезу в обе стороны. что β1 = K = β p = 0 для каждого из рассмотренных уравнений.5. являющихся интегрированными первого порядка и является одним из методов оценки систем. что если бы группа содержала больше двух временных рядов. что переменные. Тест Йохансена на коинтеграцию Тест Йохансена на коинтеграцию позволяет выявить наличие стационарных линейных комбинаций временных рядов. Таким образом. в окне X Lag Specifaication Lags to include OK 13 Cancel введите необходимое количество включаемых в уравнений лагов (в данном случае их число равно 13). 3. входящих в нее. Отметим. оценить регрессии следующего вида: yt = α 0 + α 1 yt −1 + K + α p yt − p + β 1 xt −1 + K + β p xt − p + ε t и xt = α 0 + α1 xt −1 + K + α p xt − p + β 1 yt −1 + K + β p yt − p + u t и проверить нулевую гипотезу о том. Прежде чем получить необходимый результат. и не можем отвергнуть на данном уровне значимости гипотезу о том. что ряд IND1 не является причиной по Грэнджеру для ряда OILEX.21759 Интерпретация результатов теста проста: мы можем отвергнуть на 5%-м уровне значимости нулевую гипотезу о том. 58 .

Если Вы точно 59 . а пятой опции – наличие квадратичного тренда в данных. в котором в соответствии с тестом Йохансена представлены различные опции. а в векторную авторегрессию только константа. но не тренд.. третьей или четвертой опции – наличие только линейного стохастического тренда во всех временных рядах (третий случай) или стохастического (во всех) и детерминированного (в некоторых) тренда (четвертый случай). в EViews предусмотрены следующие опции: 1) No intercept or trend in CE or test VAR – и константа и тренд отсутствуют и в коинтеграционном соотношении и в векторной авторегрессии. выбор первой или второй опций предполагает отсутствие тренда в данных и наличие нулевого (в первом случае) и ненулевого (во втором) среднего. появляющемся при оценивании векторной авторегрессии. касающиеся спецификации многомерного временного ряда и коинтеграционного соотношения: Johansen Cointegration Test ? X Cointegration Test Specification: Deterministic trend assumption of test Exog variables Assume no deterministic trend in data: 1) No intercept or trend in CE or test VAR 2) Intercept (no trend) in CE – no intercept in VAR Allow for linear deterministic trend in data: 3) Intercept (no trend) in CE and test VAR Do not include C or Trend Critical values may not be valid with exogenous variables 4) Intercept and trend in CE – no trend in VAR Allow for quadratic deterministic trend in data: 5) Intercept and trend in CE – linear trend in VAR Lag intervals 14 Summary: 6) Summarize all 5 sets of assumptions Lag spec for differenced endogenous OK Отмена Поскольку асимптотическое распределение соответствующей тестовой LR– статистики зависит от спецификации коинтеграционного соотношения и векторной авторегрессии. В первом случае появится окно. Таким образом. а в векторной авторегрессии отсутствуют и константа и тренд. 2) Intercept (no trend) in CE – no intercept in VAR – в коинтеграционное соотношение включена константа. 4) Intercept and trend in CE – no trend in VAR – в коинтеграционное соотношение включены константа и тренд. выберите View/Cointegration Test..Чтобы провести тест Йохансена на коинтеграцию. в окне группы или в окне. 5) Intercept and trend in CE – linear trend in VAR – и тренд и константа включены и в коинтеграционное соотношение и в векторную авторегрессию. 3) Intercept (no trend) in CE and test VAR – только свободный член включен и в коинтеграционное соотношение и в векторную авторегрессию.

полученные результаты.4083 -281.5035 -281.216862 8. а по критерию Акаике – пятого. если.07 3.104913 1. Если продолжить рассмотрение примера из предыдущего пункта.810070 6.216862 8. результаты вполне согласуются друг с другом: обе тестовые статистики (и λtrace – Trace – и λmax – Max-Eig) говорят об отсутствии коинтеграции между данными временными рядами на 5%-м уровне значимости независимо от типа модели.748187 6.340697 14.275512 8.291543 8.728440* 6. противоречат друг другу: по критерию Шварца лучшими оказываются модели первого и второго типа.307762 8. Но с другой стороны.63 6.4220 -276.087027 0.475475 8.168231* 8.7090 -286.813542 6.874044 6.324580 8.не уверены в том.207083 8.65 *(**) denotes rejection of the hypothesis at the 5%(1%) level Trace test indicates no cointegration at both 5% and 1% levels Hypothesized No.828063 6.7022 -288. позволяющей получить таблицу со сравнительными характеристиками всех пяти возможных спецификаций – 6) Summarize all 5 sets of assumptions.469385 8.808166 8.854180 6.8382 -280. Действительно.5035 -280.469385 Как видно из таблицы.475475 Log Likelihood by Rank (rows) and Model (columns) 0 1 2 -288.3765 -276.787529 6. например. of CE(s) Eigenvalue Max-Eigen Statistic 5 Percent Critical Value 1 Percent Critical Value None At most 1 0.76 20.013317 9.813542 6. можно воспользоваться опцией.796763 6. оценить вторую модель.6771 -285.4083 6.44561 1. of CE(s) Eigenvalue Trace Statistic 5 Percent Critical Value 1 Percent Critical Value None At most 1 0.437146 8. то полученный результат будет свидетельствовать об отсутствии коинтеграции: Date: 07/22/03 Time: 19:24 Sample(adjusted): 1995:01 2003:04 Included observations: 100 after adjusting endpoints Trend assumption: Linear deterministic trend Series: IND1 OILEX Lags interval (in first differences): 1 to 12 Unrestricted Cointegration Rank Test Hypothesized No.854180 Schwarz Criteria by Rank (rows) and Model (columns) 0 1 2 8.810070 6.76 18. какова спецификация имеющихся у Вас данных.5282 -280.4032 -283.7090 Akaike Information Criteria by Rank (rows) and Model (columns) 0 1 2 6.808166 6.286958 8.6771 -282. of CEs No Intercept No Trend Intercept No Trend Intercept No Trend Intercept Trend Intercept Trend Selected (5% level) Number of Cointegrating Relations by Model (columns) Trace Max-Eig 0 0 0 0 0 0 0 0 0 0 -286.013317 10.168231* 8.087027 0.41 3. то сводная таблица будет выглядеть следующим образом: Date: 07/19/03 Time: 17:46 Sample: 1995:01 2003:05 Included observations: 100 Series: IND1 OILEX Lags interval: 1 to 13 Data Trend: None None Linear Linear Quadratic Rank or No.340697 15.790565 6.4094 -276. с одной стороны.04 6.65 60 .

где n – количество случайных процессов в группе19. в таблице непосредственно указывается количество коинтеграционных соотношений на конкретном уровне значимости: Trace test indicates no cointegration at both 5% and 1% levels и Max-eigenvalue test indicates no cointegration at both 5% and 1% levels.046670 (0. кратко остановимся на теории многомерных временных рядов применительно к понятию коинтеграции.е.221737 0. чем приступить к описанию второй части таблицы.err.3438 Normalized cointegrating coefficients (std. т.293166 OILEX 0.088506 0.277611 -0.451230 Unrestricted Adjustment Coefficients (alpha): D(IND1) D(OILEX) -0.061557 (0. Вторая часть таблицы содержит информацию о коинтеграционных соотношениях. Для определения количества коинтегрирующих векторов Йохансен предлагает две статистики: Unrestricted Cointegration Rank Test n λtrace = −T ∑ log(1 − λi ) .054175 (0. H A : rank ≤ r + 1 . 61 . Кроме того.096102 Log likelihood -285. in parentheses) D(IND1) -0.43561) Adjustment coefficients (std. и λmax = −T log(1 − λr +1 ) – тестовая статистика для гипотез H 0 : rank ≤ r . i = r +1 которая является тестовой статистикой для следующих нулевой и альтернативной гипотез H 0 : rank ≤ r .03211) Интерпретация полученных результатов: – в данной части таблицы приводятся результаты тестов на наличие коинтеграционных соотношений.err. так и их 5%-е и 1%-е критические значения. 19 В EViews можно оценивать коинтеграционные модели не более чем для 10 временных рядов. Прежде.03391) D(OILEX) 0.*(**) denotes rejection of the hypothesis at the 5%(1%) level Max-eigenvalue test indicates no cointegration at both 5% and 1% levels Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I): IND1 0.000000 0. В таблице приводятся как значения данных тестовых статистик (Trace Statistic и Max-Eigen Statistic). in parentheses) IND1 OILEX 1. H A : r = n . n ≤ 10 .015040 0.168112 1 Cointegrating Equation(s): 0.

rw и rw3.д. чуть ниже.wf создайте группы RW1.5 1.Любая модель векторной авторегрессии порядка p может быть записана в виде: Yt = A1Yt −1 + A2Yt −1 K + ApYt − p + U t . то необходимо включать запаздывания от 1 до p-1. С другой стороны. В скобках под оценками коэффициентов в каждом из случаев приведены соответствующие стандартные ошибки. с двумя – первый и второй. β T – матрица коинтеграционных векторов. то необходимо указать 0 0. Отметим также. rw и rw2. приведены оценки матрицы коинтеграционных векторов β T . а α можно интерпретировать как матрицу коэффициентов при корректирующих членах в модели коррекции ошибок. и т. что векторная авторегрессия имеет порядок p. а не порядок исходной векторной авторегрессии.3-3. состоящие из следующих пар случайных процессов: rw и rw1. rw и rw4. B j = −∑ Ai . 62 . p p i =1 i= j где B1 = − I + ∑ Ai . что Вы указываете количество запаздывающих разностей в модели коррекции ошибки. что при выборе количества лагов необходимо учитывать тот факт. в соответствующей опции появившегося окна написать 1 p–1. содержащих r коинтеграционных соотношений при 1 ≤ r ≤ n − 1 (в нашем случае рассматривается лишь одно коинтеграционное соотношение – 1 Cointegrating Equation(s): Normalized cointegrating coefficients (std. Обозначим ее ранг r. Задания для самостоятельной работы к пунктам 3. in parentheses)). RW3. которую условно можно назвать «Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I) ». RW4. Т. в то время как Yt −1 – интегрированный первого порядка. Далее.err. т. K . Тогда в той части таблицы. p . приводятся нормированные коинтеграционные векторы для моделей. эта модель может быть записана в виде модели коррекции ошибки (Error Correction Model): ∆Yt = B1Yt −1 + B2 ∆Yt −1 K + B p ∆Yt − p +1 + U t . ∆Yt − p+1 – стационарные процессы. что векторная авторегрессия имеет порядок 1. в которой предполагается.е.к. Пусть B1 = αβ T .е. где α – матрица размера n × r и β T – матрица размера r × n . Поэтому для того чтобы уравнение было состоятельным. RW2. если Вы предполагаете. j = 2. При этом в модели с одним коинтеграционным соотношением нормируется первый коинтеграционный вектор. матрица B1 не должна быть полного ранга. ∆Yt . т. В файле DEMO. Тогда β T Yt −1 представляет собой вектор из r коинтеграционных соотношений. Если Вы хотите оценить модель.

Какие результаты о наличии коинтеграции и причинности по Гренждеру можно было предположить. используя процедуры Энгла-Гренджера и Йохансена.2. как были построены случайные процессы (см. проверьте наличие причинности по Гренджеру и оцените модели векторной авторегрессии.1)? Согласуются ли полученные результаты с предполагаемыми? 63 . задание к пункту 3. 3. Для данных групп временных рядов проверьте наличие коинтеграции. исходя из того.