Владимир Брюков - Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews
Т1 — количество наблюдений в неполной выборке;
Т2 — количество прогнозируемых наблюдений, т. е. наблюдений, не вошедших в неполную выборку;
k — количество параметров в уравнении регрессии.
Таким образом, в нашем случае фактический F-критерий в тесте Чоу на точность прогноза относительно прогнозируемого наблюдения — августа 1998 г. будет иметь следующее значение:
Далее находим уровень значимости Fфакт с помощью функции в Excel РРАСП(200,28; 1; 70) = 0. Поскольку уровень значимости Fфакт равен нулю, то, следовательно, нулевая гипотеза отвергается.
Как мы уже говорили ранее, LR-статистика этого теста основана на сравнении соотношения ограниченного и неограниченного максимума логарифма правдоподобия. Причем как ограниченный, так и неограниченный логарифм правдоподобия находятся путем оценки всей выборки наблюдений. Однако при расчете ограниченного логарифма правдоподобия используется первоначальный набор независимых переменных, в то время как для нахождения неограниченного логарифма правдоподобия в первоначальный набор регрессоров добавляют еще фиктивную переменную, которая равна единице — для прогнозируемых наблюдений выборки и равна нулю — для остальных наблюдений выборки. Следовательно, в нашем случае фиктивная переменная равна единице лишь для августа 1998 г.
Следует иметь в виду, что при нулевой гипотезе об отсутствии структурных изменений LR-статистика имеет асимптотическое χ2 (хи-квадрат) распределение со степенями свободы, равными количеству прогнозируемых наблюдений. В том случае, если уровень значимости LR-статистики оказывается меньше 0,05, нулевая гипотеза о структурной стабильности отвергается.
Таким образом, тесты Чоу на структурную стабильность и на точность прогноза помогают анализировать устойчивость временного ряда. При этом тест на структурную стабильность, на наш взгляд, лучше подходит для ретроспективного анализа устойчивости статистической модели за весь период наблюдений, а тест на точность прогноза — для анализа ее стабильности относительно последнего наблюдения.
Причем в том случае, когда тест на точность прогноза свидетельствует о структурной нестабильности, возникшей в модели в результате резкого изменения курса доллара в последнем наблюдении, то для устранения смещения в коэффициентах регрессии (и (или) величины константы) в уравнение можно ввести фиктивную переменную. Приравняем к единице фиктивную переменную для последнего наблюдения, а все остальные наблюдения приравняем к нулю, и тем самым прогностической моделью будет аппроксимирован последний рост без изменения коэффициентов регрессии и константы (свободного члена) уравнения. Еще более надежным способом получения точного прогноза в ситуации, когда тест Чоу на точность прогноза показал структурную нестабильность, является отказ от уравнения авторегрессии с нестационарной ARMА-структурой и переход к уравнению авторегрессии со стационарной ARMA-структурой, поскольку внешние шоки в гораздо меньшей степени влияют на коэффициенты регрессии и константу последнего уравнения. О том, как построить прогностическую модель со стационарной ARMA-структурой, мы будем говорить в главе 6.
5.6. Структурные изменения в курсе доллара, произошедшие в августе-октябре 1998 г
Пока остановимся на тестировании характера структурных изменений во временном нестационарном ряде, поскольку по форме они могут быть различными. Вполне очевидно, что в том случае, когда тестирование показывает нестабильность временнoго ряда, тогда перед нами стоит задача выявить характер произошедших структурных изменений. В общем виде этот анализ проводится следующим образом. Например, предположим, что в момент времени t = 5 в динамике временнoго ряда произошли кардинальные изменения. Чтобы понять характер этих изменений, нужно сравнить параметры следующего уравнения регрессии:
Y= a1 + b1 × Y(-1) в момент времени t ≤ 5;
Y= а2 + b2 × Y(-1) в момент времени t > 5,
где Y(-1) — независимая переменная с лагом в один месяц;
а — свободный член уравнения регрессии;
b — коэффициент регрессии уравнения регрессии.
Если, например, после момента времени t = 5 в уравнении регрессии (5.8) статистически значимо изменился свободный член уравнения, т. е. если мы пришли к выводу, что а1 ≠ а2, это свидетельствует о произошедшем структурном изменении в виде сдвига. Геометрически это означает, что графики стабильного тренда и тренда со сдвигом продолжают оставаться параллельными друг другу (рис. 5.10), в то время как изменение в начальном уровне тренда со сдвигом произошло единовременно в момент времени t = 5 при неизменном среднем темпе прироста в обоих трендах за весь период времени t.
Если, например, после момента времени t = 5 в уравнении (5.8) статистически значимо изменился коэффициент регрессии, т. е. если мы пришли к выводу, что b1 ≠ b2, это свидетельствует о произошедшем структурном изменении в виде изменения наклона. Геометрически это означает, что графики стабильного тренда и тренда с изменением наклона становятся непараллельными друг другу, пересекаясь в момент времени t = 5 (рис. 5.11). При этом изменения в динамике обоих трендов обусловлены возникшей у них существенной разницей в среднем темпе прироста.
Если после момента времени t = 5 в уравнении регрессии (5.8) статистически значимо изменились как свободный член уравнения (а1 ≠ а2), так и коэффициент регрессии (b1 ≠ b2), это свидетельствует о произошедшем структурном изменении в виде одновременного сдвига и изменения наклона. В этой ситуации можно говорить о том, что изменение в начальном уровне «тренда со сдвигом и изменением наклона» произошло единовременно в момент времени t = 5, что совпало и с возникшей в этот момент существенной разницей в среднем темпе прироста между обоими трендами. Поэтому вполне понятно, что с геометрической точки зрения график тренда со сдвигом и изменением наклона представляет собой сочетание тренда с изменением наклона и тренда со сдвигом. А потому график тренда со сдвигом и изменением наклона не параллелен стабильному тренду и резко отклоняется от последнего в момент времени, равный 5 (рис. 5.12).
