Autoregresszív modell (AR) - Mi ez, definíció és fogalom

Tartalomjegyzék:

Anonim

Az autoregressziós modelleket, más néven AR modelleket használják az utólagos változók (megfigyelések, amelyek értékét teljes mértékben ismerjük) előrejelzésére bizonyos időpillanatokban, általában időrendben.

Az autoregresszív modellek, amint a nevük is mutatja, olyan modellek, amelyek visszafordulnak önmagukban. Vagyis a függő változó és a magyarázó változó megegyezik azzal a különbséggel, hogy a függő változó egy későbbi időpontban (t) lesz, mint a független változó (t-1). Azt mondjuk, időrend szerint rendezve, mert jelenleg az idő pillanatában (t) vagyunk. Ha előre lépünk egy periódust, akkor a (t + 1) -re lépünk, és ha egy periódusra visszamegyünk, a (t-1) -re megyünk.

Mivel vetítést akarunk készíteni, a függő változónak mindig legalább előrehaladottabb időszakban kell lennie, mint a független változó. Amikor vetületeket akarunk készíteni autoregresszióval, figyelmünknek a változó típusára, megfigyelésének gyakoriságára és a vetítés időhorizontjára kell összpontosítania.

Népiesen AR (p) néven ismertek, ahol p megkapja a „rendelés” címkét, és megegyezik azzal az időszakok számával, amelyeket vissza fogunk térni változónk előrejelzésének végrehajtásához. Figyelembe kell vennünk, hogy minél több periódust visszalépünk, vagy minél több rendelést rendelünk a modellhez, annál több potenciális információ jelenik meg az előrejelzésünkben.

A való életben autoregressziós előrejelzéseket találunk egy vállalat értékesítési előrejelzésében, egy ország bruttó hazai termékének (GDP) növekedésére, a költségvetés és a kincstár előrejelzésére stb.

Regressziós modell

Becslés és előrejelzés: RA eredménye és hibája

A népesség többsége az előrejelzéseket a Rendes legkisebb négyzetek (OLS) módszerhez, az előrejelzési hibát az OLS maradványokhoz köti. Ez a zavar súlyos problémákat okozhat, amikor szintetizáljuk a regressziós vonalak által szolgáltatott információkat.

Az eredmény különbsége:

  • Becslés: Az OLS módszerrel kapott eredményeket a mintában lévő megfigyelések alapján számoljuk ki, és ezeket a regressziós vonalon használtuk fel.
  • Előrejelzés: Az előrejelzések a regressziós megfigyelések időtartama előtti (t + 1) időszakon alapulnak (t). A függő változó tényleges előrejelzési adatai nincsenek a mintában.

Különbség a hibában:

  • Becslés: az OLS módszerrel kapott maradványok (u) a függő változó (Y) valós értéke közötti különbség, YTétel, és a minta megfigyelései alapján becsült (Y) értéket, ÝTétel.

vagyTétel = YTétel - IgenTétel

Az al index a t periódus i-edik megfigyelését jelenti.

  • Előrejelzés: Az előrejelzési hiba az (Y), Y jövőbeli értéke (t + 1) közötti különbségit + 1és az (Y) jövőbeni előrejelzése (t + 1), Ýit + 1. A (t + 1) (Y) valós értéke nem tartozik a mintához.

Előrejelzési hiba = Yit + 1 - Igenit + 1

Összefoglalva két szem előtt tartandó részlet:

  1. A becslések és a maradványok a mintán belüli megfigyelésekhez tartoznak.
  2. Az előrejelzések és hibáik a mintán kívüli megfigyelésekhez tartoznak.

Az AR modell elméleti példája

Ha előrejelzést akarunk készíteni a síbérletek a szezon végére (t) a tavalyi szezon árai alapján (t-1) használhatjuk az autoregresszív modellt.

Autoregresszív regressziónk a következő lenne:

Ez az autoregresszív modell az elsőrendű autoregressziós modellekhez tartozik, vagy általánosabban AR-nak hívják (1). Az autoregresszió jelentése az, hogy a regresszió ugyanazon változó forfaitson történik, de különböző időtartamban (t-1 és t). Ugyanígy a síbérletekt nem szerepel a minta síbérletbent-1.

Összefoglalva, az értelmezés olyan lenne, hogy így. Ha a bérletek ára 1% -kal emelkedett az előző időszakban, akkor a következő időszakban várhatóan B1% -kal fog emelkedni.