коррелограммы Если бы мы выбрали, например, опцию 1ST DIFFERENCE (разница исходных уровней 1-го порядка) или 2ND DIFFERENCE (разница исходных уровней 2-го порядка), тогда была бы построена коррелограмма не исходных уровней временного ряда, а соответственно их первых и вторых разностей. Например, исходный уровень для курса доллара по состоянию на апрель 2010 г. был равен 29,2886 руб. В то время как разница исходных уровней 1-го порядка на эту же дату оказалась равна -0,0752 руб. (т. е. по сравнению с прошлым месяцем курс доллара снизился на 7,52 коп.), а разница исходных уровней 2-го порядка составила 0,5094 руб. (т. е. падение курса доллара по сравнению с предыдущим месяцем уменьшилось на 50,94 коп.).
В полученной коррелограмме (см. табл. 3.1) можно увидеть, как меняются коэффициенты автокорреляции (Autocorrelation, или АС) и частной автокорреляции (Partial Correlation, или РАС) в зависимости от изменения величины лага. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. Так, коэффициент автокорреляции уровней первого порядка измеряет корреляционную зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t- 1, т. е. в нашем случае измеряется коэффициент автокорреляции при лаге в один месяц. В свою очередь коэффициент автокорреляции уровней второго порядка измеряет зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t- 2, т. е. при лаге в два месяца. И так далее, вплоть до коэффициента автокорреляции уровней 36-го порядка, измеряющего зависимость между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t-36, т. е. с лагом в 36 месяцев.
При этом коэффициент автокорреляции уровней k-го (т. е. 1-го, 2-го…., 36- го) порядка находится в EViews по следующей формуле:
Следует заметить, что коэффициент автокорреляции, рассчитываемый в EViews, несколько отличается от обычно вычисляемого коэффициента автокорреляции. Дело в том, что в EViews с целью упрощения вычислений в качестве Y- взята средняя для всей выборки, в то время как обычно для рядов Yt и Yt_k берутся свои средние.
Частной автокорреляционной функцией называют серию частных коэффициентов автокорреляции г, измеряющих связь между текущим лагом временного ряда Yt и предыдущими лагами временного ряда Yt- 1, Yt_2…., Yt_k_1 с устранением влияния других промежуточных временных лагов. Вполне естественно, что при нулевом лаге коэффициент частной корреляции ?0 = 1, а при лаге k = 1 ?1 = r1, т. е. коэффициент частной корреляции равен коэффициенту автокорреляции.
Для лага k больше 1 EViews рекурсивно вычисляет частную автокорреляцию по следующей формуле:
где rk — коэффициент автокорреляции для лага k.
Этот алгоритм вычисления коэффициента частной корреляции, предложенный Боксом и Дженкинсом в 1976 г., представляет собой аппроксимацию. Чтобы найти его более точную оценку, следует решить следующее уравнение регрессии, с помощью которого мы найдем коэффициент частной корреляции ?k для лага k:
где еt — остатки.
Судя по полученной коррелограмме (см. табл. 3.1), уровень автокорреляции (АС) между исходными уровнями временного ряда USDollar постоянно убывает начиная с 1-го лага. В свою очередь уровень частной корреляции (РАС) резко снижается уже после 1-го лага, а после 2-го лага осциллирующим образом стремится к нулю (т. е. колеблется вокруг нуля).
В том случае, когда мы хотим построить модель авторегрессионного процесса AR(/?), для определения оптимального числа р мы должны использовать частную автокорреляционную функцию. При этом следует исходить из следующего критерия: оптимальное число р в уравнении авторегрессии должно быть меньше лага, в котором частная автокорреляционная функция начинает стремиться к нулю. Судя по коррелограмме, помещенной в табл. 3.1, коэффициент частной автокорреляции для лага один месяц (или лага 1-го порядка) равен 0,99, а для лага два месяца (или лага 2-го порядка) -0,25. Однако для 3-го порядка коэффициент частной автокорреляции равен -0,014, причем начиная с этого лага величина этого коэффициента колеблется вокруг нулевого уровня. Следовательно, можно сделать вывод, что для прогнозирования курса доллара с помощью модели авторегрессии необходимо использовать модель AR(2), которая примет следующий вид:
В свою очередь при идентификации модели ARMA(/? q) в качестве лага р выбирается лаг, после которого начинает убывать частная автокорреляционная функция, а в качестве лага q — лаг, после которого начинает убывать автокорреляционная функция. Исходя из табл. 3.1 легко прийти к выводу, что коэффициент автокорреляции начинает убывать уже с лага 2-го порядка. Аналогичный вывод можно сделать и относительно коэффициента частной автокорреляции. Поэтому для прогнозирования курса доллара с помощью модели авторегрессии со скользящими средними в остатках необходимо использовать модель ARMA(1, 1), которая примет следующий вид:
Два последних столбца в табл. 3.1 показывают соответственно Q-статистику Люнга — Бокса (Q-Stat) и ее значимость (Prob.) для каждого лага. Следует иметь в виду, что Q-статистика для лага k является тестовой статистикой при нулевой гипотезе об отсутствии автокорреляции между динамикой курса доллара временного ряда t и динамикой курса доллара временного ряда t- k.
При этом Q-статистика Люнга — Бокса для лага k-го порядка находится по следующей формуле:
где Т — число наблюдений;
rk — автокорреляция k-го порядка;
m — число проверяемых лагов.
Например, для лага 1-го порядка формула (3.12) имеет следующее значение:
Следует иметь в виду, что в том случае, когда в табл. 3.1 значимость (Prob.) 0-статистики будет больше 0,05, то нулевую гипотезу об отсутствии автокорреляции между уровнями ряда с лагом А:-го порядка нельзя считать опровергнутой с 95 %-ным уровнем надежности. Если значимость 0-статистики будет больше 0,01, но меньше 0,05, то нулевую гипотезу об отсутствии автокорреляции между уровнями ряда с лагом А:-го порядка нельзя считать опровергнутой с 99 %-ным уровнем надежности. Судя по
