Autoregresīvais modelis (AR) - kas tas ir, definīcija un jēdziens 2021. gads

Satura rādītājs:

Anonim

Autoregresijas modeļus, kas pazīstami arī kā AR modeļi, izmanto, lai prognozētu ex post mainīgos (novērojumus, kuru vērtību mēs pilnībā zinām) noteiktos laika momentos, parasti tos sakārtojot hronoloģiski.

Autoregresīvie modeļi, kā norāda viņu nosaukums, ir modeļi, kas atkal vēršas pret sevi. Tas ir, atkarīgais mainīgais un skaidrojošais mainīgais ir vienādi ar atšķirību, ka atkarīgais mainīgais būs vēlākā laika posmā (t) nekā neatkarīgais mainīgais (t-1). Mēs sakām hronoloģiski sakārtotu, jo mēs šobrīd esam tajā brīdī (t). Ja mēs virzāmies uz priekšu vienu periodu, mēs pārietam uz (t + 1) un, ja mēs atgriezīsimies par vienu periodu, mēs ejam uz (t-1).

Tā kā mēs vēlamies veikt projekciju, atkarīgajam mainīgajam vienmēr jābūt vismaz augstākā laika posmā nekā neatkarīgajam mainīgajam. Kad mēs vēlamies veikt projekcijas, izmantojot autoregresiju, mūsu uzmanībai jāpievērš uzmanība mainīgā tipam, tā novērojumu biežumam un projekcijas laika horizontam.

Tos tautā dēvē par AR (p), kur p saņem “pasūtījuma” etiķeti un ir līdzvērtīgs periodu skaitam, kurus mēs atgriezīsimies, lai veiktu mūsu mainīgā lieluma prognozi. Mums jāņem vērā, ka jo vairāk periodu mēs atgriezīsimies vai vairāk pasūtījumu piešķirsim modelim, jo ​​vairāk potenciālās informācijas parādīsies mūsu prognozē.

Reālajā dzīvē caur autoregresiju atrodam prognozes uzņēmuma pārdošanas prognozēs, valsts iekšzemes kopprodukta (IKP) pieauguma prognozēs, budžeta un kases prognozēs utt.

Regresijas modelis

Novērtējums un prognoze: RA rezultāts un kļūda

Lielākā daļa iedzīvotāju prognozes saista ar parasto mazāko kvadrātu (OLS) metodi un prognozes kļūdu ar OLS atlikumiem. Šī neskaidrība var radīt nopietnas problēmas, sintezējot regresijas līniju sniegto informāciju.

Rezultāta atšķirība:

  • Novērtēt: Rezultāti, kas iegūti ar OLS metodi, tiek aprēķināti, izmantojot novērojumus, kas ir paraugā, un izmantoti regresijas līnijā.
  • Prognoze: Prognozes ir balstītas uz laika periodu (t + 1) pirms regresijas novērojumu perioda (t). Faktiskie prognozētie dati par atkarīgo mainīgo nav izlasē.

Starpība kļūdās:

  • Novērtēt: ar OLS metodi iegūtie atlikumi (u) ir starpība starp atkarīgā mainīgā (Y) reālo vērtību YLietaun aprēķinātā (Y) vērtība, kas dota izlases novērojumos, ÝLieta.

vaiLieta = YLieta - JāLieta

Apakšindekss tas atspoguļo i novērojumu periodā t.

  • Prognoze: Prognozes kļūda ir starpība starp (Y), Y nākotnes vērtību (t + 1)tas + 1un prognoze (Y) nākotnē (t + 1), Ýtas + 1. Reālā (Y) vērtība (t + 1) nepieder pie izlases.

Prognozes kļūda = Ytas + 1 - Jātas + 1

Kopumā jāņem vērā divas detaļas:

  1. Aplēses un atlikumi pieder pie novērojumiem, kas ietilpst izlasē.
  2. Prognozes un to kļūdas pieder pie novērojumiem, kas nav iekļauti izlasē.

AR modeļa teorētiskais piemērs

Ja mēs vēlamies veikt prognozi par slēpošanas caurlaides šīs sezonas beigām (t), pamatojoties uz pagājušās sezonas cenām (t-1), mēs varam izmantot autoregresīvo modeli.

Mūsu autoregresīvā regresija būtu:

Šis autoregresīvais modelis pieder pirmās kārtas autoregresijas modeļiem vai biežāk dēvētiem par AR (1). Autoregresijas nozīme ir tāda, ka regresija tiek veikta ar vienu un to pašu mainīgo forfaits, bet citā laika periodā (t-1 un t). Tādā pašā veidā slēpošanas caurlaidest nav slēpošanas caurlaides paraugāt-1.

Noslēgumā interpretācija būtu tāda, ka tādējādi. Ja caurlaides cena iepriekšējā periodā palielinājās par 1%, paredzams, ka nākamajā periodā tā pieaugs par B1%.