Эконометрический анализ динамических рядов основных макроэкономических показателей Текст научной статьи по специальности «Математика»

ИНСТИТУТ ЭКОНОМИКИ ПЕРЕХОДНОГО ПЕРИОДА

НАУЧНЫЕ ТРУДЫ № 34Р

Эконометрический анализ динамических рядов основных макроэкономических показателей

Москва 2001

Институт экономики переходного периода

Под редакцией: С.Синельникова-Мурылева

Настоящая работа посвящена эконометрическому анализу временных рядов, отражающих динамику развития основных макроэкономических показателей, характеризующих состояние экономики России. В работе исследуются глобальные статистические свойства некоторых экономических и социальных рядов, отработана методика исследования экономических временных рядов, рассмотрена простейшая продукционная база знаний, которая может стать основой для последующей разработки экспертной системы анализа временных рядов, которая в свою очередь позволит упростить и унифицировать анализ временных рядов и может служить основой эконо-метрического анализа различных показателей экономической динамики.

| Авторы: —С. Дробышевский, В. Носко, Р. Энтов, А. Юдин

Выпускающий редактор: А.Молдавский Компьютерный дизайн: А. Астахов

Настоящее издание подготовлено по материалам исследовательского Проекта Института экономики переходного периода, выполненного в Рамках гранта, предоставленного Агентством международного развития США

ISBN 5-93255-056-2

Лицензия на издательскую деятельность № ЛР 021018 от 09 ноября 1995 г.

103918, Москва, Газетный пер., 5

Тел. (095) 229-6413, FAX (095) 203-8816

E-MAIL - root @iet.ru, WEB Site - http://www.iet.ru

© Институт экономики переходного периода 2001

Оглавление

Введение....................................................................................................................5

1. Постановка проблемы и инструментарий исследования.............................7

1.1. Постановка задачи эконометрического исследования макроэкономических рядов динамики................................................................7

1.1.1. Общие соображения..............................................................................7

1.1.2. Формальная постановка задачи............................................................9

1.1.3. Основные задачи анализа временных рядов.....................................13

1.2. Методология исследования.........................................................................19

1.2.1. Общие замечания.................................................................................19

1.2.2. Схема анализа временных рядов с использованием

дерева решений.............................................................................................20

2. Эконометрический анализ макроэкономических

динамических рядов..............................................................................................25

2.1. Статистическая база исследования.............................................................25

2.2. Анализ временных рядов для денежных агрегатов..................................31

2.2.1. Денежный агрегат М1.........................................................................32

2.2.2. Денежный агрегат M0.........................................................................46

2.2.3. Денежный агрегат М2.........................................................................56

2.3. Анализ временных рядов для экспорта и импорта....................................64

2.3.1. Экспорт.................................................................................................64

2.3.2. Импорт..................................................................................................69

2.4. Анализ ряда доходов федерального бюджета и

ряда налоговых доходов федерального бюджета.............................................76

2.4.1. Доходы федерального бюджета..........................................................76

2.4.2. Налоговые доходы федерального бюджета.......................................82

2.5. Анализ временного ряда для данных о темпах инфляции.......................87

2.6. Анализ временного ряда индекса интенсивности

промышленного производства...........................................................................94

2.7. Анализ временного ряда для валового внутреннего продукта..............101

2.8. Анализ временного ряда для уровней безработицы...............................104

2.9. Анализ временного ряда для индекса РТС-1...........................................107

2.10. Анализ временного ряда "обменный курс рубля".................................124

3. Экономический анализ результатов эконометрического анализа.........137

3.1. Анализ временных рядов для денежных агрегатов................................137

3.1.1. Денежный агрегат М1.......................................................................137

3.1.2. Денежный агрегат M0.......................................................................139

3.1.3. Денежный агрегат М2.......................................................................140

3.2. Анализ временных рядов для экспорта и импорта..................................141

3.2.1. Экспорт...............................................................................................141

3.2.2. Импорт................................................................................................142

3.3. Анализ рядов доходов федерального бюджета.......................................145

3.3.1. Доходы федерального бюджета........................................................145

3.3.2. Налоговые доходы федерального бюджета.....................................148

3.4. Темпы инфляции........................................................................................149

3.5. Индекс интенсивности промышленного производства.........................151

3.6. Валовый внутренний продукт...................................................................154

3.7. Безработица................................................................................................155

3.8. Фондовый индекс РТС-1...........................................................................156

3.9. Обменный курс рубля................................................................................158

Заключение............................................................................................................160

Приложения...........................................................................................................164

П1. Обзор процедур, используемых для различения TS и DS рядов............164

П1.1. Критерий Дики-Фуллера и его обобщение......................................164

П1.2. Критерий Филлипса-Перрона...........................................................168

П1.3. Критерий Лейбурна...........................................................................170

П1.4. Критерий Шмидта-Филлипса...........................................................170

П1.5. Критерий DF-GLS..............................................................................171

П1.6. Критерий Квятковского-Филлипса-Шмидта-Шина (KPSS)...........171

П1.7. Критерий Перрона и его обобщение................................................171

П1.8. Процедура Кохрейна (отношение дисперсий).................................174

П1.9. Коррекция сезонности.......................................................................175

П1.10. Процедура Дики-Пантулы...............................................................175

П1.11. Протяженность ряда и мощность критерия...................................176

П2. Проблема анализа временных рядов........................................................176

П2.1. Стационарные временные ряды и их основные характеристики.. 176 П2.2. Неслучайная составляющая временного ряда и методы

его сглаживания...........................................................................................180

П2.3. Модели стационарных временных рядов и их идентификация.....187

П2.4. Модели нестационарных временных рядов и их идентификация . 201 П2.5. Прогнозирование экономических показателей на основе моделей временных рядов...........................................................................209

П3. Исходные данные для расчетов................................................................215

П3.1. Темпы инфляции................................................................................215

П3.2. Денежные агрегаты............................................................................216

П3.3. Экспорт и импорт...............................................................................219

П3.4. Валовой внутренний продукт...........................................................220

П3.5. Доходы федерального бюджета........................................................220

П3.6. Интенсивность промышленного производства...............................221

П3.7. Индекс РТС-1.....................................................................................222

П3.8. Обменный курс рубля........................................................................226

П3.9. Безработица........................................................................................236

Литература ...........................................................................................................239

Введение

Настоящая работа выполнена в рамках исследований по гранту US AID и посвящена эконометрическому анализу временных рядов макроэкономических показателей, характеризующих экономическую ситуацию в РФ.

Разнообразные содержательные задачи экономического анализа требуют использования статистических данных, характеризующих исследуемые экономические процессы и развернутых во времени в форме временных рядов. При этом нередко одни и те же временные ряды используются для решения разных содержательных проблем.

Целью настоящего проекта является анализ временных рядов, отражающих динамику развития основных макроэкономических показателей, характеризующих состояние экономики России.

В работе предполагается исследовать глобальные статистические свойства (стационарность, наличие детерминированного и/или стохастического тренда и др.) некоторых экономических и социальных рядов динамики. Настоящая работа носит предварительный характер. На данном этапе исследований предполагается, в первую очередь, отработать инструментарий исследования динамических рядов с точки зрения изучения их внутренних структурных особенностей. В последующем предполагается продолжить анализ временных рядов в направлении выявления взаимосвязей между различными экономическими рядами и построения прогностических, а если возможно, то и имитационных, моделей соответствующих процессов.

Отчет состоит из настоящего введения, трех глав основного текста, заключения и приложений.

В первой главе работы излагается общая постановка проблемы и инструментарий исследования.

Во второй главе отчета описывается статистическая база, использованная в работе. Основная часть главы посвящена основным формальным результатам исследования.

В третьей части предпринята попытка дать предварительный экономический анализ полученных результатов.

В заключении приведены основные выводы из проделанной работы и намечены пути ее дальнейшего развития.

В приложениях приведены краткие обзоры статистических процедур, используемых для различения Т8 и Б8 рядов и основных разделов анализа временных рядов. Кроме того, там приведена исходная статистическая информация, использованная в работе.

Отчет подготовлен авторским коллективом в составе: С.Г. Синель-ников-Мурылев (руководитель проекта), Р.М. Энтов, С.М. Дробышев-ский, В.П. Носко, А.Д. Юдин.

6

1. Постановка проблемы и инструментарий исследования

1.1. Постановка задачи эконометрического исследования макроэкономических рядов динамики

1.1.1. Общие соображения

В последние годы в эконометрической литературе большое внимание уделяется исследованию рядов динамики макроэкономических показателей. Разнообразные содержательные задачи экономического анализа требуют использования статистических данных, характеризующих исследуемые экономические процессы и развернутых во времени в форме временных рядов. При этом нередко одни и те же временные ряды используются для решения разных содержательных проблем.

В то же время, в российской практике построения эконометрических (как правило, регрессионных) моделей основное внимание уделяется проблемам идентификации моделей, отбору эндогенных и экзогенных показателей, но почти не обращается внимания на формальный анализ структуры исходных статистических временных рядов. Настоящая работа посвящена исследованию глобальных статистических свойств (стационарность, наличие детерминированного и/или стохастического тренда и др.) экономических и социальных рядов динамики, отражающих развитие экономики России.

Проблема эконометрического исследования макроэкономических процессов является весьма актуальной. В последнее время появилось достаточно большое количество работ, в которых рассматриваются различные экономет-рические аспекты развития российской экономики. Однако в этих работах практически не уделяется внимания статистическим характеристикам самих динамических рядов, определяющих исходные данные моделей. В тоже время в западной литературе анализу эконометрических свойств временных рядов макроэкономических показателей уделяется повышенное внимание. Это вызвано целым рядом причин. Далеко не всегда значения временного ряда формируются только под воздействием каких-либо факторов. Нередко бывает, что развитие того или иного процесса обусловлено его внутренними закономерностями, а отклонения от детерминированного процесса вызваны ошибками измерений или случайными флуктуациями. Особый интерес пред-

ставляют процессы, находящиеся в «переходном» режиме, т.е. процессы, являющиеся по существу «стационарными», но на исследуемом промежутке времени проявляющие свойства нестационарного временного ряда, что объясняется далекими от стационарного режима начальными условиями. В ситуациях, когда временной ряд формируется под воздействием некоторого набора случайных и неслучайных факторов, анализ отдельных временных рядов, как результирующих, так и факторных, имеет огромное значение. Это необходимо для правильной идентификации моделей, которые строятся по информации об исследуемых процессах (векторные авторегрессии, модели коррекции ошибок, динамические модели с распределенными запаздываниями и т.п.).

При анализе временных рядов основное внимание уделяется исследованию, описанию и/или моделированию их структуры. Цель таких исследований, как правило, шире просто моделирования и исследования соответствующих процессов. Построенная модель обычно используется для экстраполяции или прогнозирования временного ряда, и тогда качество прогноза может служить полезным критерием при выборе среди нескольких альтернативных моделей. Построение хороших моделей ряда необходимо и для других приложений, таких, как корректировка сезонных эффектов и сглаживание. Наконец, построенные модели могут использоваться для статистического моделирования длинных рядов наблюдений при исследовании больших систем, для которых временной ряд рассматривается как входная информация.

В связи с наличием ошибок измерения экономических показателей, наличием случайных флуктуаций, свойственных наблюдаемым системам, при исследовании временных рядов широко применяется вероятностно-статистический подход. В рамках такого подхода наблюдаемый временной ряд понимается как реализация некоторого случайного процесса. При этом неявно предполагается, что временной ряд имеет какую-то структуру, отличающую его от последовательности независимых случайных величин, так что наблюдения не являются набором совершенно независимых числовых значений. (Некоторые элементы структуры ряда иногда можно выявить уже на основании простого визуального анализа графика ряда. Это относится, например, к таким компонентам ряда, как тренд и циклы.) Обычно предполагается, что структуру ряда можно описать моделью, содержащей небольшое число параметров по сравнению с количеством наблюдений, - это практически важно при использовании модели для прогнозирования. Примерами таких моделей служат модели авторегрессии, скользящего среднего и их комбинации - модели АЯ(р), МА(д), АЯМА(р, д), АЫМА(р, к, д).

8

1.1.2. Формальная постановка задачи

Десятилетний период перехода России к рыночной экономике наряду с ростом понимания экономических последствий принятия тех или иных политических решений сопровождался и накоплением статистических данных о динамике различных макроэкономических показателей. По мере накопления таких данных появляется возможность выявления и изучения долговременных связей между различными макроэкономическими показателями внутри российской экономики, возможность проведения сравнительного анализа динамики аналогичных макроэкономических переменных в Российской Федерации и других развитых и развивающихся странах, возможность выявления долговременных связей между такими переменными и построения эконометрических моделей таких связей.

Однако при построении моделей связей в долгосрочной перспективе необходимо учитывать факт наличия или отсутствия у анализируемых макроэкономических рядов стохастического (недетерминированного) тренда. Иначе говоря, приходится решать вопрос об отнесении каждого из рассматриваемых рядов к классу рядов, стационарных относительно детерминированного тренда (или просто стационарных) - TS (trend stationary) ряды, или к классу рядов, имеющих стохастический тренд (возможно, наряду с детерминированным трендом) и приводящихся к стационарному (или стационарному относительно детерминированного тренда) ряду только путем однократного или ^-кратного1 дифференцирования ряда - DS (difference stationary) ряды.

Принципиальное различие между этими двумя классами рядов выражается в том, что в случае TS ряда вычитание из ряда соответствующего детерминированного тренда приводит к стационарному ряду, тогда как в случае DS ряда вычитание детерминированной составляющей ряда оставляет ряд нестационарным из-за наличия у него стохастического тренда.

Определение принадлежности рядов классам TS или DS весьма важно для правильного построения долгосрочных регрессионных моделей, в которых объясняемыми и объясняющими переменными являются макроэкономические временные ряды (модели коинтеграции, модели коррекции ошибок, векторные авторегрессии). Хорошо известно, что построение регрессии DS-ряда на TS-ряд (с детерминированным трендом) приводит к фиктивным результатам - паразитной (spurious) линейной связи. Паразитная линейная связь возникает и при построении регрессионных моделей

1 Мы не затрагиваем здесь вопрос о возможной дробной интегрированности рядов.

9

между двумя статистически независимыми стохастическими трендами. В то же время, если выявляется группа макроэкономических рядов, принадлежащих классу DS-рядов, то между этими рядами возможна так называемая коинтеграционная связь, анализ которой позволяет, например,

- проверять гипотезу эффективности финансовых рынков (см., например, [Dweyer, Wallace (1992)]; [Dutt, Ghosh (1999))];

- проверять выполнение на практике теории паритета покупательной способности ([Ardeni, Lubian (1991)], [Dutt (1998)];

- проверять выполнение в долгосрочной перспективе уравнения спроса на деньги ([Johansen, Juselius (1990)]; [Hafer, Jansen (1991)]; [Funke, Thornton (1999))].

Более того, при наличии коинтеграционной связи между DS-рядами имеется возможность построения комбинации краткосрочной и долгосрочной динамических регрессионных моделей в форме так называемой модели коррекции ошибок, что открывает возможность построения на основании подобранной модели как краткосрочных, так и долгосрочных прогнозов.

Литература по этому вопросу весьма обширна. В качестве обзорных работ можно сослаться на монографии [Maddala, Kim (1998)], [Enders (1995)], [Hamilton (1994)], [Hatanaka (1996)]. Отметим лишь (чрезвычайно малую) часть работ, посвященных построению моделей связи между конкретными макроэкономическими рядами:

- Денежные агрегаты: [Hasan (1998)].

- Инфляция: [Metin (1995)], [Freeman (1998)]

- Валовый внутренний продукт: [Christiano, Eichenbaum (1990)]; [Murray, Nelson (2000)].

- Уровень безработицы: [Clark (1989)]; [Woodward, Pillarisetti (1999)].

- Обменный курс национальной валюты: [Copeland (1991)], [Kim, Mo (1995)], [Nadal-De Simone, Razzak (1999)].

- Импорт: [Milas (1998)].

- Налоговые ряды: [Molana (1994)].

- Производство : [Cheung, Chinn ( 1996)], [den Haan (2000)].

- Биржевые индексы: [Fama, French (1988)].

Проблема отнесения макроэкономических рядов динамики, имеющих выраженный тренд, к одному из двух указанных классов активно обсуждалась в последние два десятилетия в мировой эконометрической и экономической литературе. Дело в том, что траектории TS и DS рядов отличаются друг от друга кардинальным образом.

10

TS ряды имеют линию тренда в качестве некоторой «центральной линии», которой следует траектория ряда, находясь то выше, то ниже этой линии, с достаточно частой сменой положений выше-ниже. DS ряды помимо детерминированного тренда (если таковой имеется) имеют еще и так называемый стохастический тренд, из-за присутствия которого траектория DS ряда весьма долго пребывает по одну сторону от линии детерминированного тренда (выше или ниже соответствующей прямой), удаляясь от нее на значительные расстояния, так что по-существу в этом случае линия детерминированного тренда перестает играть роль «центральной» линии, вокруг которой колеблется траектория процесса.

В TS-рядах влияние предыдущих шоковых воздействий затухает с течением времени, а в DS-рядах такое затухание отсутствует, и каждый отдельный шок влияет с одинаковой силой на все последующие значения ряда. Поэтому наличие стохастического тренда требует проведения определенной экономической политики для возвращения макроэкономической переменной к ее долговременной перспективе, тогда как при отсутствии стохастического тренда серьезных усилий для достижения такой цели не требуется - в этом случае макроэкономическая переменная «скользит» вдоль линии тренда как направляющей, пересекая ее достаточно часто и не уклоняясь от этой линии сколько-нибудь далеко.

В течение довольно долгого времени было принято при анализе рядов с выраженным трендом производить оценивание и выделение детерминированного тренда, после чего производить подбор динамической модели (например, ARMA) к ряду, «очищенному от тренда», т.е. к ряду остатков от соответствующей оцененной регрессионной модели. После введения Боксом и Дженкинсом ([Бокс, Дженкинс (1974)]) в обиход моделей ARIMA стало модным остационаривание рядов с выраженным трендом и медленным убыванием (оцененной) автокорреляционной функции путем перехода к рядам первых или вторых разностей. Однако, как показали дальнейшие исследования, произвольный выбор одного из этих двух способов остацио-наривания ряда вовсе не так безобиден, как это казалось поначалу.

В работах [Chan, Hayya, Ord (1977)], [Nelson, Kang (1981)] было показано, что остационаривание DS рядов путем перехода к очищенному ряду (детрендирование) изменяет спектр ряда, приводя к появлению ложной периодичности (ложные длиннопериодные циклы), которая может быть ошибочно истолкована как проявление некоторого экономического цикла. С другой стороны, дифференцирование TS ряда приводит к «передифференцированному ряду», который хотя и является стационарным, но облада-

11

ет некоторыми нежелательными свойствами, связанными с необратимостью его МА-составляющей; при этом возникает паразитная автокоррели-рованность соседних значений продифференцированного ряда (в спектре доминируют короткие циклы). Более того, в случае необратимости МА-составляющей продифференцированного ряда становится невозможным использование обычных алгоритмов оценивания параметров и прогнозирования ряда (см., например, [Hamilton (1994), главы 4 и 5]).

Итак, построение адекватной модели макроэкономического ряда, которую можно использовать для описания динамики ряда и прогнозирования его будущих значений, и адекватных моделей связей этого ряда с другими макроэкономическими рядами невозможно без выяснения природы этого ряда и природы рядов, с ним связываемых, т.е. без выяснения принадлежности ряда к одному из двух указанных классов (TS или DS). В настоящем исследовании мы займемся проблемой такой классификации для некоторых российских макроэкономических рядов.

Как показывает огромное количество работ, подробный обзор которых можно найти, например, в книге [Maddala, Kim (1998)], проблема отнесения ряда к одному из указанных двух классов на основании наблюдения реализации ряда на некотором интервале времени оказалась весьма сложной. Было предложено множество процедур такой классификации, но и по настоящее время предлагаются все новые и новые процедуры, которые либо несколько превосходят старые в статистической эффективности (по крайней мере, теоретически) либо могут составить конкуренцию старым процедурам и служить дополнительным средством подтверждения классификации, произведенной другими методами. Описание многих таких процедур и ссылки на статьи с подробным описанием и теоретическим обоснованием этих процедур можно найти, например, в упоминавшихся выше книгах [Maddala, Kim (1998)], [Enders (1995)], [Hamilton (1994)], [Hatanaka (1996)].

Краткое описание процедур классификации, использованных в настоящей работе, дано в Приложении П1. Здесь мы заметим только, что использование различных процедур может приводить к противоположным выводам о принадлежности наблюдаемого ряда классу TS-рядов или классу DS-рядов. В этом отношении весьма показательным является сопоставление выводов, полученных при анализе 14 макроэкономических рядов США (имеющих протяженность от 62 до 111 лет) в работе [Nelson, Plosser (1982)] и в более поздней работе Перрона ([Perron (1989)]). Если в первой работе лишь один из 14 рассмотренных рядов был отнесен к классу TS, то

12

во второй, напротив, к этому классу было отнесено уже 11 из этих рядов. Правда, подобное кардинальное изменение результатов классификации было связано с расширением понятия TS рядов. В класс TS-рядов стали включать и ряды, стационарные относительно трендов, имеющих «излом» в известный момент времени. Отказ от предположения об известной дате излома тренда, в свою очередь привел к некоторому изменению классификации, полученной Перроном (см. [Zivot, Andrews (1992)]). Допущение еще более гибких форм функции тренда изменило и последнюю классификацию, см. [Bierens (1997)]. Наконец, работа [Nunes, Newbold, Kuan (1997)] «замкнула круг»: изменение предположения о характере процесса порождения данных по сравнению с работой [Zivot, Andrews (1992)] привело к той же самой классификации 14 рядов, которая была получена в работе [Nelson, Plosser (1982)].

В связи с такими результатами при анализе конкретных макроэкономических рядов теперь обычно применяют несколько разных статистических процедур, что позволяет несколько укрепить выводы, сделанные в пользу одной из двух (TS или DS) конкурирующих гипотез. В проводимом ниже анализе российских макроэкономических рядов мы будем поступать именно таким образом.

1.1.3. Основные задачи анализа временных рядов

Принципиальные отличия временного ряда от последовательности наблюдений, образующих случайную выборку, заключаются в следующем:

- во-первых, в отличие от элементов случайной выборки члены временного ряда не являются независимыми;

- во-вторых, члены временного ряда не обязательно являются одинаково распределенными, так что P{xt < x} Ф P{xt' < x} при t Ф t'.

Это означает, что свойства и правила статистического анализа случайной выборки нельзя распространять на временные ряды. С другой стороны, взаимозависимость членов временного ряда создает свою специфическую базу для построения прогнозных значений анализируемого показателя по наблюденным значениям.

Генезис наблюдений, образующих временной ряд (механизм порождения данных). Речь идет о структуре и классификации основных факторов, под воздействием которых формируются значения временного ряда. Как правило, выделяются 4 типа таких факторов.

- Долговременные, формирующие общую (в длительной перспективе) тенденцию в изменении анализируемого признака xt. Обычно эта тен-

13

денция описывается с помощью той или иной неслучайной функции /р(0 (аргументом которой является время), как правило, монотонной. Эту функцию называют функцией тренда или просто - трендом.

- Сезонные, формирующие периодически повторяющиеся в определенное время года колебания анализируемого признака. Поскольку эта функция ср(е) должна быть периодической (с периодами, кратными «сезонам»), в ее аналитическом выражении участвуют гармоники (тригонометрические функции), периодичность которых, как правило, обусловлена содержательной сущностью задачи.

- Циклические (конъюнктурные), формирующие изменения анализируемого признака, обусловленные действием долговременных циклов экономической или демографической природы (волны Кондратьева, демографические «ямы» и т.п.) Результат действия циклических факторов будем обозначать с помощью неслучайной функции

- Случайные (нерегулярные), не поддающиеся учету и регистрации. Их воздействие на формирование значений временного ряда как раз и обусловливает стохастическую природу элементов х, а, следовательно, и необходимость интерпретации хь..., хТ как наблюдений, произведенных над случайными величинами £1,..., £Т.Будем обозначать результат воздействия случайных факторов с помощью случайных величин («остатков», «ошибок ») е.

Конечно, вовсе не обязательно, чтобы в процессе формирования значений всякого временного ряда участвовали одновременно факторы всех четырех типов. Выводы о том, участвуют или нет факторы данного типа в формировании значений конкретного ряда, могут базироваться как на анализе содержательной сущности задачи, так и на специальном статистическом анализе исследуемого временного ряда. Однако во всех случаях предполагается непременное участие случайных факторов. Таким образом, в общем виде модель формирования данных (при аддитивной структурной схеме влияния факторов) выглядит как:

х = МО + +Ж3К0 + е (1.1.1)

где х = 1, если факторы 1-го типа участвуют в формировании значений ряда и х = 0 - в противном случае.

Основные задачи анализа временных рядов. Базисная цель статистического анализа временного ряда заключается в том, чтобы по имеющейся траектории этого ряда:

1. определить, какие из неслучайных функций присутствуют в разложении (1.1.1), т.е. определить значения индикаторов х;

14

2. построить «хорошие» оценки для тех неслучайных функций, которые присутствуют в разложении (1.1.1);

3. подобрать модель, адекватно описывающую поведение случайных остатков еь и статистически оценить параметры этой модели. Успешное решение перечисленных задач, обусловленных базовой целью статистического анализа временного ряда, является основой для достижения конечных прикладных целей исследования и, в первую очередь, для решения задачи кратко- и среднесрочного прогноза значений временного ряда. Приведем кратко основные элементы эконометрического анализа временных рядов.

- Большинство математико-статистических методов имеет дело с моделями, в которых наблюдения предполагаются независимыми и одинаково распределенными. При этом зависимость между наблюдениями чаще всего рассматривается как помеха в эффективном применении этих методов. Однако разнообразные данные в экономике, социологии, финансах, коммерции и других сферах человеческой деятельности поступают в форме временных рядов, в которых наблюдения взаимно зависимы, и характер этой зависимости как раз и представляет главный интерес для исследователя. Совокупность методов и моделей исследования таких рядов зависимых наблюдений называется анализом временных рядов. Главная цель эконометрического анализа временных рядов состоит в построении по возможности простых и экономично параметризованных моделей, адекватно описывающих имеющиеся ряды наблюдений и составляющих базу для решения, в первую очередь, следующих задач:

(а) вскрытие механизма генезиса наблюдений, составляющих анализируемый временной ряд;

(б) построение оптимального прогноза для будущих значений временного ряда;

(в) выработка стратегии управления и оптимизации анализируемых процессов.

- Говоря о генезисе образующих временной ряд наблюдений, следует иметь в виду (и по возможности модельно описать) четыре типа факторов, под воздействием которых могут формироваться эти наблюдения: долговременные, сезонные, циклические (или конъюнктурные) и случайные. При этом не обязательно в процессе формирования значений конкретного временного ряда должны одновременно участвовать факторы всех четырех типов. Успешное решение задач выявления и моде-

15

лирования действия этих факторов является основой, базисным отправным пунктом для достижения конечных прикладных целей исследования, главные из которых упомянуты в предыдущем пункте.

- Приступая к анализу дискретного ряда наблюдений, расположенных в хронологическом порядке, следует в первую очередь убедиться, действительно ли в формировании значений этого ряда участвовали какие-либо факторы, помимо чисто случайных. При этом под «чисто случайными» понимаются лишь те случайные факторы, под воздействием которых генерируются последовательности взаимно не коррелированных и одинаково распределенных случайных величин, обладающих постоянными (не зависящими от времени) средними значениями и дисперсиями. Ответ на поставленный вопрос получают, проводя статистическую проверку соответствующей гипотезы, например, с помощью одного из «критериев серий», критерия Аббе, критериев Бокса-Пирса и Люнга-Бокса.

Если в результате проверки такой статистической гипотезы выяснилось, что имеющиеся наблюдения взаимно зависимы (и, возможно, неодинаково распределены), то приступают к подбору подходящей модели для этого ряда. Множество моделей, в рамках которого ведется этот подбор, ограничивается обычно следующими классами моделей: (а) классом стационарных временных рядов (которые используются, в основном, для описания поведения «случайных остатков»), (б) классом нестационарных временных рядов, которые являются суммой детерминированного тренда и стационарного временного ряда, (в) классом нестационарных временных рядов, имеющих стохастический тренд, который можно удалить последовательным дифференцированием ряда (т.е. путем перехода от ряда уровней к ряду разностей первого или более высокого порядка).

В рамках эконометрического анализа временных рядов макроэкономических показателей российской экономики, проводимого в настоящей работе, мы объединяем ряды, входящие в классы (а) и (б), в один класс, который, следуя общепринятой в последнее время практике [см., например, Maddala, Kim (1998)], называем классом TS-рядов (trend stationary series - ряды, стационарные относительно детерминированного тренда). Адекватным методом остационаривания временных рядов, принадлежащих классу (б), является вычитание из ряда детерминированного тренда. Напротив, для рядов, принадлежащих классу (в), адекватным методом остационаривания ряда является пе-

16

реход от ряда уровней к ряду разностей (первого или более высокого порядка).

- Стационарные (в широком смысле) временные ряды х; характеризуются тем, что их средние значения Ех;, дисперсии 'Ох/; и ковариации у(т) = Е[х; - Ех/)(х/+1 -Ех+)] не зависят от t, для которого они вычисляются. Взаимозависимости, существующие между членами стационарного временного ряда, как правило, могут быть адекватно описаны в рамках моделей авторегрессии порядка р (АЯ(р)-моделей), моделей скользящего среднего порядка д (МА(д)-моделей) или моделей авторегрессии со скользящими средними в остатках порядка р и д (АЯМА(р, д)-моделей).

- Временной ряд х; называется интегрированным (проинтегрированным) порядка к, если последовательные разности Акх; этого ряда порядка к (но не меньшего порядка!) образуют стационарный временной ряд. Поведение таких рядов, в том числе рядов, содержащих сезонную компоненту, в эконометрических прикладных задачах достаточно успешно описывают с помощью моделей авторегрессии - проинтегрированного скользящего среднего порядка р, к и д (АЯ1МА(р, к, д)-моделей) и некоторых их модификаций. К этому классу относится и простейшая модель стохастического тренда - процесс случайного блуждания (АЯ1МА(0, 1, 0)). Приращения случайного блуждания образуют последовательность независимых, одинаково распределенных случайных величин («белый шум»). Поэтому процесс случайного блуждания называют также «проинтегрированным белым шумом».

В настоящее время в класс интегрированных рядов порядка к включают также ряды, у которых разность порядка к (но не меньшего!) является процессом, стационарным относительно детерминированного тренда. В нашей работе используется именно такое определение. При этом если сам временной ряд является стационарным или стационарным относительно детерминированного тренда (Т8-рядом), то он определяется как интегрированный ряд нулевого порядка.

При наличии сезонности получить стационарный ряд иногда возможно, переходя к разностям не соседних значений ряда, а значений, отстоящих на соответствующее число единиц времени. Например, при квартальных данных для достижения стационарности бывает достаточно перейти к последовательности разностей значений ряда, отстоящих на 4 единицы времени.

17

- Подобрать модель для конкретного временного ряда {xt}, t = 1, 2,..., T - это значит определить подходящее параметрическое семейство моделей в качестве допустимого множества решений, а затем статистически оценить параметры модели на основании имеющихся наблюдений x1, Х2,..., Хт. Весь этот процесс принято называть процессом идентификации модели, или просто идентификацией. Для правильной идентификации модели временного ряда необходимо решить вопрос о том, является ли исследуемый временной ряд стационарным, стационарным относительно детерминированного тренда (т.е. суммой детерминированных компонент и стационарного ряда) или в его составе содержится стохастический тренд. Решению этой задачи для ряда российских макроэкономических рядов посвящена основная часть настоящей работы.

- В ситуациях, когда временные ряды {xt} и {yt}, t = 1, 2,., T, являются исходными данными для построения регрессии y на x, причем воздействие единовременного изменения одной из переменных (x) на другую (y) растянуто (распределено) во времени, большой прикладной интерес представляют так называемые модели с распределенными лагами. В рамках этого специального класса моделей проводится, в частности, эконометрический анализ таких важных экономических явлений, как «процесс частичного приспособления», «модели адаптивных ожиданий» и др.

- Важную роль в системах поддержки принятия экономических решений играет прогнозирование экономических показателей. Методы автопрогноза, основанные на анализе временных рядов, экстраполируют имеющийся в наличии ряд только на основании информации, содержащейся в нем самом. Такого рода прогноз может оказаться эффективным лишь в кратко- и, максимум, в среднесрочной перспективе. Серьезное решение задач долгосрочного прогнозирования требует использования комплексных подходов, и в первую очередь привлечения различных (в том числе, статистических) технологий сбора и анализа экспертных оценок.

- Эффективный подход к решению задач кратко- и среднесрочного автопрогноза - это прогнозирование, основанное на использовании «подогнанных» (идентифицированных) моделей типа ARIMA(p, к, q), включая, в качестве частных случаев, и модели AR-, MA- и ARMA.

- Весьма широко распространены в решении прикладных задач кратко-и среднесрочного автопрогноза и так называемые адаптивные методы, позволяющие по мере поступления новых данных обновлять ранее

18

сделанные прогнозы с минимальной задержкой и с помощью относительно несложных математических процедур.

В приложении П2 приведен краткий обзор методов построения, идентификации и верификации моделей одномерных временных рядов, подробный обзор имеется, например, в [Айвазян, Мхитарян (1998)], [Ллойд, Ледерман (1990)].

1.2. Методология исследования

1.2.1. Общие замечания

Как уже отмечалось выше, для решения вопроса об отнесении исследуемого ряда Xt к классу TS (стационарных или стационарных относительно тренда) или DS (разностно стационарных) процессов имеется целый ряд различных процедур. Однако все эти процедуры страдают теми или иными недостатками. Процедуры, оформленные в виде формальных статистических критериев, как правило, имеют достаточно низкую мощность, а это ведет к тому, что весьма часто не отвергается исходная (нулевая гипотеза), когда она в действительности не выполняется. В то же время невыполнение теоретических предпосылок, на которых основывается критерий, при применении его к реальным данным приводит к отличию реально наблюдаемого размера критерия от заявленного уровня значимости. Вследствие последнего обстоятельства теряется контроль над вероятностью ошибки первого рода, и это может приводить к слишком частому отвержению нулевой гипотезы, когда она в действительности верна. В связи с таким положением вещей исследователи обычно используют при анализе рядов на принадлежность их к классу TS или DS не один, а несколько критериев и подкрепляют выводы, полученные с использованием формальных критериев (с установленными уровнями значимости) графическими процедурами. Мы также будем пользоваться в нашем исследовании несколькими процедурами различения TS и DS рядов и в этом разделе кратко опишем эти процедуры. Более подробное их описание можно найти в цитируемой ниже литературе.

В большинстве критериев, предложенных для различения DS и TS гипотез, в качестве нулевой (исходной) берется гипотеза DS, а TS-гипотеза является альтернативной гипотезой. При этом нулевая DS-гипотеза формулируется как «гипотеза единичного корня» (unit root, UR-гипотеза), т.е. как гипотеза о наличии корня z = 1 («единичного корня») у уравнения a(z) = 0,

19

где а(Ь) - многочлен от оператора обратного сдвига Ь в авторегрессионном представлении а(Ь)х; = е; ряда х;.

Критерии, в которых за исходную (нулевую) гипотезу берется гипотеза TS, служат скорее для подтверждения результатов проверки DS-гипотезы. В этом случае вместо проверки гипотезы единичного корня для самого ряда х; проверяется гипотеза о наличии единичного корня г = 1 у уравнения Ь^) = 0, где Ь(Ь) - многочлен от оператора обратного сдвига Ь в представлении в виде процесса скользящего среднего Ах; = Ь(х)ег ряда разностей Ах; = х; - х/л исходного процесса х;.

Краткий обзор основных критериев, использованных в настоящей работе, приведен в приложении П1.

В заключение раздела приведем интерпретацию результатов в зависимости от выводов, получаемых различными критериями.

Для простоты предположим, что при анализе ряда мы используем критерий ADF для проверки DS-гипотезы в качестве нулевой и критерий KPSS для проверки TS-гипотезы в качестве нулевой. Тогда возможны четыре различных исхода статистического анализа:

КР88 — Т8 не отвергается КР88 — Т8 отвергается

АББ - DS не отвергается Исход 1 Исход 2

АББ - DS отвергается Исход 3 Исход 4

Если наблюдается исход 2, то это говорит в пользу DS-гипотезы.

Если наблюдается исход 3, то это говорит в пользу TS-гипотезы. Если наблюдается исход 1, то это можно объяснить низкой мощностью обоих критериев.

Если наблюдается исход 4, то это может говорить о том, что процесс порождения данных (DGP) не описывается DS или TS моделями, а может быть, например, дробно-интегрированным процессом или процессом с нелинейным трендом.

1.2.2. Схема анализа временных рядов с использованием дерева решений

Рассмотрим схему исследования временных рядов экономической динамики с использованием дерева решений. Сформируем базу знаний простейшей продукционной системы (см., например, [Осуга (1989)], отвечающей на вопрос2: является ли исследуемый временной ряд рядом типа Т8

2 Заметим, что на данном этапе исследований мы предполагаем, что все исследуемые ряды имеют порядок интегрированности не выше 1. Это означает, что они ли-

20

или рядом типа БЗ, с шестью вариантами ответа, которые приведены в табл. 2-1 (предполагается, что ряд представляется моделью авторегрессии порядка 1 или порядка р > 1 - в последнем случае в модели, приведенные в табл. 2-1, включаются дополнительные слагаемые, заключенные в круглые скобки).

Таблица 2-1. Варианты результатов исследования рядов на стационарность_

№ Единичные корни Стационарность Тип Вид модели

1 Нет

2 Есть

3 Нет

4 Есть

5 Нет

6 Есть

Стационарный относи- ТЗ тельно тренда

Нестационарный БЗ

Стационарный ТЗ

Нестационарный БЗ

Стационарный

ТЗ

Ах, = а + + ;Ах,_1 \ +

( р-1 л

Ах( = а + рА.+ Ах1Ч I +

( р- Л

Ах, =а + дх1_л Ах\ + е1

(

Ах, = а

V

р-1

+ Ъв; Ах-

1=1

+ е,

( р-1

Ах, = ух^

Нестационарный БЗ

Ах, =

1=1

(р-1 \ ЪвЬх,

1

+ е,

+ е.

В процессе исследования производится оценка трех статистических моделей:

( р-1 \

1. Ах, =а + $ + ух,_1

V 1=1

+ е,

бо сами являются стационарными (стационарными относительно детерминированного тренда), либо стационарными (стационарными относительно детерминированного тренда) являются ряды их первых разностей.

21

( р-1

2. Ах = а + рх^ + ^в1Ахг

V ]=1

+ е

( р-1

3. Ах = < - Ах,

Л

*-]

+ е

V .м У

Выбор варианта анализируемой модели основан на рассмотрении пяти нулевых гипотез:

1. Н0: р = 0

2. Н0: Д = 0 при условии <р= 0

3. Н0: р = 0 при условии Д Ф 0

4. Н0: а = 0 при условии р = 0

5. Н0: р = 0 при условии а Ф 0

Система логического вывода содержит семь правил вида «если., , иначе.» и шесть правил, фиксирующих результат: Если для модели 1 справедлива нулевая гипотеза 1, то переходим к правилу 2, иначе - к правилу 8;

Если для модели 1 справедлива нулевая гипотеза 2, то переходим к правилу 4, иначе - к правилу 3;

Если для модели 1 справедлива нулевая гипотеза 3, то переходим к правилу 9, иначе - к правилу 8;

Если для модели 2 справедлива нулевая гипотеза 1, то переходим к правилу 5, иначе - к правилу 10;

Если для модели 2 справедлива нулевая гипотеза 4, то переходим к правилу 7, иначе - к правилу 6;

Если для модели 2 справедлива нулевая гипотеза 5, то переходим к правилу 11, иначе - к правилу 10;

Если для модели 3 справедлива нулевая гипотеза 1, то переходим к правилу 13, иначе - к правилу 12;

Ряд стационарен относительно тренда. Модель ряда имеет вид:

( р-1 \

то. 1.

2.

3.

4.

5.

6. 7.

Ах = а + Д + + Ах

+ е

V ]=1 У

9. Ряд нестационарен. Модель ряда имеет вид:

( р-1 \

Ах, = а + Д + Ах*-

V ]=1

+ е

22

10. Ряд стационарен. Модель ряда имеет вид: ( р-1 >

Ах, = а + рх^ + ^ 0 Ах,

V ]=1

+ е

11. Ряд нестационарен. Модель ряда имеет вид:

( р-1 \

Ах, =а

+ £0 Ах, -V ■=1

+ е

12. Ряд стационарен. Модель ряда имеет вид: ( р-1 >

Ах, = рх- + Ах

V ]=1

+ е

р-1

13. Ряд нестационарен. Модель ряда имеет вид: Ах, =

Л

+ е

^ -

V ■=1

На рис. 2-1 приведено дерево решений для данной системы.

Построенная здесь простейшая продукционная база знаний может стать основой для последующей разработки экспертной системы анализа временных рядов. Такая экспертная система позволит упростить и унифицировать анализ временных рядов и может служить основой эконометри-ческого анализа различных показателей экономической динамики.

23

Рисунок 2-1. Дерево решений продукционной системы анализа временных рядов

Оценивается модель 1

Н0: р = 0 -^ отвергается -

1

не отвергается

т

Н0: ¡ = 0 при условии р = 0

I

отвергается

Ах, =а + Ц + рг,_,| | + е,

етс

4

отвергается

не отвергается Оценивается модель 2

Н0: р = 0

1

5 = 0

1

вер

1

^ Н0: р = 0 при условии (Ф 0

и

не отвергается

( "-1 ^ Л

Ах( = а + ( + —в;Ах(_; I + ^

отвергается

Ах = а + рх, + —в Ах,_ \ + е1

не отвергается

отвергается

\

Н0: а= 0 при условии р= 0

отвергается

%Н0: р = 0 при условии аФ 0

не отвергается

Оценивается модель 3

не отвергается

I

Н: р= 0 \

не отвергается \

ьх, =(ЕвА\+е.

отвергается

Ах, =а\+ — в]Ах,-]уе, Ах, = <1 + ^,1 + ,,

;=1

=1

24

2. Эконометрический анализ макроэкономических динамических рядов

2.1. Статистическая база исследования

На данном этапе исследования основным критерием отбора временных рядов для эконометрического анализа являлась их доступность и наличие достаточного числа наблюдений, позволяющего использовать предложенную методологию анализа. В последующем предполагается проводить отбор рядов исходя из потребностей содержательных задач.

Для анализа были использованы данные о следующих макроэкономических показателях (в круглых скобках указаны рабочие названия соответствующих рядов):

Темпы прироста индекса потребительских цен (Inflation), % - месячные данные с 1991:01 по 2000:08;

Денежный агрегат M0 (M0), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1990:12 по 2000:07;

Узкая денежная база (Denbaza), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1992:05 по 2000:08;

Резервные деньги (Shirdenmas), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1995:06 по 2000:07;

Денежный агрегат M1 (M1), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1995:06 по 2000:07;

Денежный агрегат M2 (M2), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1990:12 по 2000:07;

Широкие деньги (Shirdengi), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1992:01 по 2000:07;

Объем экспорта (Export), млрд. долл. - месячные данные с1994:01 по 2000:04

Объем импорта (Import), млрд. долл. - месячные данные с 1994:01 по 2000:04;

Объем валового внутреннего продукта (GDP), млрд. руб. (с 1998 г. млн. руб.) - квартальные данные с 1994:1 по 2000:2;

Доходы федерального бюджета (Dokhfedbud), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с1992:01 по 2000:05;

Налоговые доходы федерального бюджета (Dokhnalog), млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1992:01 по 2000:05;

Индекс интенсивности промышленного производства (Шргот) - се-зонно скорректированные месячные данные с 1990:12 по 2000:07;

Фондовый индекс РТС-1 (КТБ1) - дневные данные (значение закрытия) с 01/09/95 по 31/10/00;

Номинальный обменный курс руб./доллар (КиЪкитз) - дневные данные с 01/07/92 по 01/11/00.

Общая численность безработных (на конец года), млн. человек (иШОБ) - месячные данные с 01/1994 по 08/2000.

Все исходные данные для эконометрического анализа приведены в приложениях П3.2-П3.9.

Общее представление о характере поведения перечисленных макроэкономических показателей дают графики изменения этих показателей (см. рис. 2-1 - 2-9). Рисунок 2-1. Инфляция

-5,00 -I

янв.91 июл.91 янв.92 июл.92 янв.93 июл.93 янв.94 июл.94 янв.95 июл.95 янв.96 июл.96 янв.97 июл.97 янв.98 июл.98 янв.99 июл.99 янв.00 июл.00

26

Рисунок 2-2. Денежные агрегаты

|-М1.....Shirdenmas ■ ■ ■ Denbaza ■ " Shirdengi M2 МО

Рисунок 2-3. Экспорт и импорт

| Export.....Import

27

Рисунок 2-4. Объем валового внутреннего продукта

-ЗРР

Рисунок 2-5. Доходы

|-РоШе^^.....РокИпа!од

28

Рисунок 2-6. Индекс интенсивности промышленного производства

|-Intprom

Рисунок2-7. ИндексРТС1

|-RTS1

29

Рисунок 2-8. Обменный курс руб./долл.

30,00 1 28,00 -26,00 -24,00 -22,00 -20,00 -18,00 -16,00 -14,00 -12,00 -10,00 -

0,00 -

01.07.92 01.03.93 01.11.93 01.07.94 01.03.95 01.11.95 01.07.96 01.03.97 01.11.97 01.07.98 01.03.99 01.11.99 01.07.00

Рисунок 2-9. Безработица.

НШШШШШ1ШШШШШШ1Ш

- Численность официально зарегистрированных в службе занятости безработных (на конец периода), тыс.человек

- в том числе назначено пособие по безработице

- Общая численность безработных (на конец года), млн.человек

- Общая численность безработных (на конец года), в % к экономически активному населению_

16,0

14,0

12,0

8,0

6,0

4,0

2,0

0,0

30

Как видно из приведенных выше графиков, большинство рядов развивается во времени неоднородным образом с выраженными сменами режимов. Вместе с тем, обнаруживается некоторая схожесть поведения денежных рядов, а также схожесть поведения налоговых рядов

Наличие у рядов выраженных трендов требует решения вопроса о том, являются ли эти тренды детерминированными или стохастическими, и изучение этого вопроса является исходным этапом анализа каждого ряда. Разумеется, было бы желательным построение модели, описывающей поведение ряда на всем периоде его наблюдения. Однако наличие смен режима эволюции рядов затрудняет построение такой единой модели, вследствие чего для некоторых рядов приходится строить различные модели эволюции ряда на различных интервалах (например, до и после августовского кризиса 1998 г.).

Как правило, при подборе моделей экономических временных рядов по годовым, квартальным, месячным и недельным данным можно ограничиться классом линейных моделей (случайное блуждание и модели ARI-MA), тогда как использование дневных данных требует привлечения более сложных нелинейных моделей (ARCH, GARCH и их модификации, см., например, [Bollerslev (1986)], [Engle (1983)], [Engle, Granger (1991))]. Поэтому мы начнем анализ с исследования рядов с квартальными и месячными данными и только после этого перейдем к рядам с дневными данными.

2.2. Анализ временных рядов для денежных агрегатов

Мы уже обращали внимание на схожесть в общих чертах эволюции различных номинальных денежных агрегатов, порожденную инфляционным эффектом масштаба цен. Сходное поведение имеют следующие пары рядов:

- Наличные деньги (M0) и узкая денежная база (Denbaza);

- M2 и резервные деньги (Shirdengi);

- М1 и широкие деньги (Shirdenmas).

Поэтому ниже мы будем анализировать результаты только для одного из представителей каждой группы, а именно, ряды М0, М1 и М2.

Анализ временных рядов для денежных агрегатов мы начнем с денежного агрегата M1, поведение которого позволяет произвести анализ ряда на всем периоде его наблюдения, в отличие от денежных агрегатов M0 и M2.

31

2.2.1. Денежный агрегат М1

Денежный агрегат М1 - сумма денег вне банков и депозитов до востребования в банковской системе (без депозитов органов государственного управления), т.е. представляет собой все денежные средства в экономике страны, которые могут быть использованы как средство платежа.

В качестве исходной информации используются данные: денежный агрегат М1, млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1995:06 по 2000:07; источник - ЦБ РФ.

График ряда Х( = М1 имеет следующий вид3:

М1

График показывает выраженный излом тренда ряда в конце 1998 -начале 1999 г., связанный с финансово-экономическим кризисом 1998 года, и сезонный характер изменений темпов увеличения денежного предложения, резкое увеличение денежной массы М1 в декабре, сменяющееся затем значительным изъятием денег из экономики в январе.

Проверку ряда М1 на принадлежность его классу DS процессов (оста-ционариваемых путем дифференцирования) начнем с использования кри-

3 Мы рассматриваем ряд номинальных значений этого и других денежных рядов.

32

терия Дики-Фуллера (его расширенного варианта). Хотя по графику видно, что ряд М1 имеет выраженный тренд, применим здесь для полноты процедуру Доладо и ^.([Dolado, Jenkinson, Sosvilla-Rivero (1990)]), последовательно перебирающую различные комбинации оцениваемой статистической модели (SM) и процесса порождения данных (DGP).

На шаге 1 процедуры Доладо оценивается статистическая модель, допускающая наличие тренда, содержащая в правой части уравнения константу и трендовую составляющую: SM: Лх( = р^ +а + Рt + s t , t = 2,...,T,

и при использовании таблицы критических значений предполагается, что данные порождаются моделью

DGP: Л*, =а + £ t , t = 2,...,T .

Критерий принадлежности ряда классу DS формулируется как критерий единичного корня (UR - Unit Root) в авторегрессионном представлении ряда. Проверяемой в рамках данной статистической модели является гипотеза H0 : р = 0; альтернативная гипотеза HA : р < 0.

Ввиду наличия на коррелограмме ряда разностей пика на лаге 12, включим в правую часть оцениваемой статистической модели (помимо константы и тренда) 12 запаздывающих разностей. Получаемое в результате оценивания такой расширенной модели значение /-статистики критерия Дики-Фуллера 1.495 положительно и не позволяет отвергнуть гипотезу единичного корня (UR-гипотезу) в пользу гипотезы стационарного относительно линейного тренда ряда (5% и 10% критические значения указанной /-статистики в предположении, что данные порождаются моделью случайного блуждания со сносом, во всяком случае, отрицательны).

Попробуем повысить мощность критерия Дики-Фуллера путем исключения из правой части оцениваемого уравнения запаздывающих разностей со статистически незначимыми коэффициентами. Результаты последовательного исключения таких разностей приведены в следующей таблице.

В первом столбце таблицы указаны запаздывания разностей, последовательно исключаемых из правой части оцениваемой статистической модели. Запаздывающая разность исключается из уравнения, если коэффициент при этой разности признается статистически незначимым на 10% уровне значимости.

33

Во втором столбце приведены значения информационного критерия Шварца ^С), соответствующие соответствующим редуцированным моделям.

Порядок запаздывания исключаемой разности SC P-val LM-автокорр. P-val White P-val J-B t-статистика критерия

- (полная модель с 12 запаздывающими разностями) 22.492 1 - 0.208 2 - 0.316 0.341 0.964 1.495

5 22.413

7 22.333

2 22.255

3 22.281

4 22.105

6 22.050

8* 22.030 1 - 0.595 2 - 0.851 0.116 0.699 2.085

11 22.037

1 22.007

10** 21.976 1 - 0.689 2 - 0.410 0.119 0.484 0.850

В третьем столбце приведены P-значения (P-values) LM-критерия ав-токоррелированности ошибок Бройша-Годфри. Цифры, предваряющие эти P-значения, указывают на возможный порядок авторегрессионной модели для ошибок в редуцированном уравнении.

В четвертом столбце приведены P-значения критерия Уайта (White) гетероскедастичности ошибок.

В пятом столбце приведены P-значения критерия Жарка-Бера (Jarque-Bera) нормальности распределения ошибок.

В последнем столбце таблицы приведены значения /-статистики (расширенного) критерия Дики-Фуллера, получаемой при оценивании соответствующей редуцированной (или полной) модели.

34

При редукции модели методом GS "от общего к частному" (с 10% уровнем значимости) из расширенной модели с 12 запаздывающими разностями последовательно удаляются разности, запаздывающие на 5, 7, 2, 3, 4, 6, 8 единиц времени (месяцев). Это приводит модели, содержащей в правой части только разности, запаздывающие на 1, 9, 10, 11 и 12 месяцев; результаты оценивания этой модели приведены в строке таблицы, отмеченной звездочкой. Если продолжать редукцию, отбрасывая запаздывающие разности с коэффициентами, статистически незначимыми на 5% уровне, то остановка происходит на модели, результаты для которой находятся в строке, отмеченной двумя звездочками. Эта же модель выбирается и критерием Шварца (при отбрасывании еще и разности, запаздывающей на 9 месяцев, значение SC возрастает до 21.976).

Значения статистики критерия в редуцированных моделях остается положительным, что не дает возможности отвергнуть гипотезу единичного корня для ряда М1.

Следуя схеме Доладо, проверим, не является ли неотвержение гипотезы UR единичного корня следствием невключения в модель порождения данных тренда (что могло привести к использованию неправильных критических значений). Для этого (шаг 2 процедуры) проверим гипотезу Н0 : Д = 0 в рамках той же статистической модели

SM: Дх, = фх^ + а + Дt + £ 1 , / = 2,..,Т, и в предположении, что данные порождаются моделью DGP: Дт( + + е , , / = 2,..., Т.

При оценивании модели, выбранной методом GS, получаем значение /-статистики для параметра Д, равное 0.480. При оценивании модели, выбранной критерием Шварца, значение этой /-статистики равно 0.760. В то же время 5% критическое значение для проверки гипотезы Н0 : Д = 0 против двусторонней альтернативы равно 3.17. Если же брать одностороннюю альтернативу Щ: Д > 0, то 5% критическое значение равно 2.80. В обоих случаях для обеих моделей гипотеза Н0 : Д = 0 не отвергается, и мы должны перейти к шагу 3 используемой процедуры.

На шаге 3 мы проверяем, не является ли неотвержение гипотезы единичного корня на шаге 1 следствием неоправданного включения в статистическую (оцениваемую) модель (излишней) трендовой составляющей. В связи с этим мы переходим теперь к статистической модели SM: Дх( =фх11 +а + е ( , t = 2,...,Т,

35

без трендовой составляющей и проверяем гипотезу H0 : р = 0 против альтернативной гипотезы HA : р < 0 в рамках этой модели, используя критические значения, полученные при DGP

DGP: Ar, = е , , t = 2,...,T.

При оценивании SM с добавлением в ее правую часть разностей, запаздывающих на 9 и на 12 единиц времени, значение /-статистики критерия равно 3.674. При оценивании SM с добавлением в правую часть только разности, запаздывающей на 12 единиц времени, значение статистики критерия равно 3.101. Критическое (5%) значение статистики критерия равно -3.503, так что не включая в статистическую модель трендовую составляющую, мы опять не отвергаем гипотезу H0.

Перейдем теперь к шагу 4 и проверим, не вызвано ли неотвержение UR-гипотезы следствием неоправданного включения в статистическую модель константы. С этой целью в рамках той же статистической модели проверяем при том же DGP гипотезу H0 : а = 0 против альтернативы HA : а ф 0. При оценивании SM с добавлением в ее правую часть разностей, запаздывающих на 9 и на 12 единиц времени, значение /-статистики критерия равно -1.966. В SM добавлением в правую часть только разности, запаздывающей на 12 единиц времени, значение статистики критерия равно -1.802. Критическое (5%) значение статистики (двухстороннего) критерия равно 2.89, так что гипотеза H0 : а = 0 не отвергается.

На следующем шаге 5 проверяем гипотезу H0 : р = 0 против альтернативной гипотезы HA: р < 0 в рамках статистической модели

SM: Ar, = рх^ +s , , / = 2,...,T,

при

DGP: Ar, =e , , t = 2,...,T.

В SM с добавлением в правую часть разностей, запаздывающих на 9 и на 12 единиц времени, значение t-статистики критерия равно 4.057. В SM добавлением в правую часть только разности, запаздывающей на 12 единиц времени, значение статистики критерия равно 3.444. Поскольку критическое (5%) значение статистики (двухстороннего) критерия равно -1.95, гипотеза H0 : р = 0 не отвергается и здесь.

Итак, в рамках процедуры Доладо мы не отвергаем гипотезу о принадлежности ряда M1 классу DS процессов.

Если применить для проверки DS-гипотезы (в качестве нулевой) критерий DF-GLS [Elliott , Rothenberg, Stock (1996)] с включением в модель константы, линейного тренда и 13 запаздывающих разностей, то получим

36

следующие результаты (в последних 4 столбцах приведены асимптотические критические значения):

Test Statistic 1% 2.5% 5% 10%

DFGLS -1.274 3.48 -3.15 -2.89 -2.57

Наблюдаемое значение статистики критерия -1.274 выше 5% критического уровня; DS-гипотеза не отвергается. То же решение принимается, если, следуя работе [Cheung, Lay (1995)], использовать для вычисления критических значений приближенную формулу, учитывающую как количество имеющихся наблюдений, так и наибольшее запаздывание включаемых в модель разностей (получаемое при использовании этой формулы 5% критическое значение равно -2.62).

В расширенном критерии Дики-Фуллера учет автокоррелированности остатков производится путем дополнения правой части оцениваемой модели достаточным количеством запаздывающих разностей; значение t-статистики критерия вычисляется в рамках расширенной (пополненной) таким образом модели. В критерии Филлипса-Перрона учет автокоррелированности осуществляется путем коррекции значения t-статистики, полученного при оценивании нерасширенной модели. При этом существенное влияние на статистические выводы оказывает выбор количества l выборочных автоковариаций, участвующих в построении оценки [Newey-West (1987)] для "долговременной" ("long-run") дисперсии ряда ошибок (выбор "ширины окна" оценки долговременной дисперсии).

Однозначного рецепта выбора этого параметра не имеется; существуют только некоторые рекомендации. Ориентируясь на выводы, содержащиеся в статье [Schwert (1989)], часто выбирают значение, вычисляемое по формуле

l = [к (Г/100)1'4] ,

где Т - длина ряда, [a] - целая часть числа a , а значение к равно 4 для квартальных данных и равно 12 для месячных данных. В нашем случае Т = 62, данные месячные, и это дает значение l = 10. В то же время, если следовать работе [Newey, West (1994)], то тогда ширину окна следует вычислять по формуле

l = [к (Т / 100)2 9]; в таком случае ширина окна должна быть равной l = 12.

37

Вместе с тем, как мы уже упоминали, ряд разностей имеет пик автокорреляционной функции на лаге 12, и в этой связи, возможно, стоило бы даже (следуя рекомендациям работ [White, Domovitz (1984)] и [Perron (1988)]) несколько расширить окно, увеличив значение l до 13. Именно значение 13 мы и возьмем в качестве максимального в процедуре пакета RATS, реализующей критерий Филлипса-Перрона (процедура UNITROOT).

При таком выборе реализация процедуры UNITROOT дает следующие результаты.

Для статистической модели, имеющей в правой части константу и тренд:

Ширина окна в оценке Newey-West Скорректированная t-статистика

3 2.13839

10 2.64709

11 2.99993

12 2.99009

13 3.12147

Для статистической модели, включающей в правую часть только константу (но не тренд):

Ширина окна в оценке Newey-West Скорректированная t-статистика

3 4.31038

10 4.69271

11 5.03247

12 5.00240

13 5.11224

Для статистической модели, не содержащей в правой части ни константы, ни тренда:

Ширина окна в оценке Newey-West Скорректированная t-статистика

3 6.87791

10 6.79343

11 7.04600

12 6.94513

13 6.96506

38

Во всех трех моделях при всех использованных значениях ширины окна значения скорректированных /-статистик существенно положительны, тогда как критические значения этих статистик (против гипотезы стационарности или стационарности относительно тренда) отрицательны. Поэтому гипотеза принадлежности ряда М1 классу Б8 рядов не отвергается и при использовании критерия Филлипса-Перрона.

Применим теперь критерий KPSS, в котором в качестве нулевой берется TS-гипотеза. Для модели с включением линейного тренда мы ориентируемся на значения статистики ЕТА^и). Гипотеза стационарности относительно линейного тренда отвергается в пользу DS-гипотезы, если наблюдаемое значение этой статистики превышает критическое. Применение критерия KPSS приводит к следующим результатам:_

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.33186

10 0.16585

11 0.15930

12 0.15406

13 0.14997

Гипотеза TS отвергается на 5% уровне значимости для всех рассмотренных вариантов выбора параметра I (ширины окна).

Таким образом, результаты применения критериев, в которых в качестве нулевой берутся разные гипотезы (DS или TS), согласуются между собой. В пользу DS-гипотезы говорит и поведение статистики отношения дисперсий Кохрейна:

39

V к + /

в е г е з

1 * Б О

м 1

w

n о о

w

б i

г е

Тем не менее, если опять обратиться к графику ряда М1, то можно высказать предположение, что неотвержение гипотезы единичного корня критериями Дики-Фуллера и Филлипса-Перрона связано с неудачным выбором альтернативных гипотез. График ряда позволяет предположить, что более подходящей может оказаться модель с изломом тренда в конце 1998 - начале 1999 г., связанного с финансово-экономическим кризисом 1998 года. Представление динамики ряда в виде

6

8

0

2

4

6

8

40

700000

300000 -500000 -400000 -300000 -200000 -100000

..Dill

I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I

1996 1997 1998 1999 2000

ma MI

дает некоторые основания предполагать, что излом тренда выражается в изменении его наклона после августа 1998 г. Имея такое предположение, мы можем обратиться к статистической процедуре проверки гипотезы единичного корня, предложенной в работе Перрона ([Perron (1989a)]) и соответствующей одномоментному (внезапному) изменению наклона тренда (AO модель - модель с аддитивным выбросом).

Согласно этой процедуре, если TB - момент скачка, то сначала следует оценить статистическую модель

xt =ji у.DTSt+ ut , в которой переменная DTSt равна t - TB для t > TB и равна 0 для всех других значений t .

В результате оценивания этой модели получаем ряд остатков et. Затем оценивается модель регресии et на et_i и запаздывающие разности Aet_b...,

et = a et.i + ZFj=i Cj Л e- + et ;

41

полученное при этом значение /-статистики для проверки гипотезы H0: а = 1 сравнивается с критическим значением из таблицы, приведенной в статье [Perron, Vogelsgang (1993), стр. 249]). В правую часть оцениваемой статистической модели следует включать достаточное количество запаздывающих разностей, чтобы исключить автокоррелированность ошибок в расширенной модели.

В нашем случае TB = 42, что соответствует 1998:08. В правую часть уравнения для остатков приходится дополнительно включать 12 запаздывающих разностей, т.к. иначе (при 11 разностях) получаем P-значение критерия Бройша-Годфри (с AR(1) ошибками), равное 0.0002 и указывающее на автокоррелированность остатков. Для повышения мощности критерия, используя стратегию GS и критерий Шварца SC, осуществим редукцию модели, последовательно исключая из нее запаздывающие разности со статистически незначимыми (на 10% уровне значимости) коэффициентами. Результаты такой последовательной редукции сведены в следующую таблицу, аналогичную построенным ранее при реализации критерия Дики-

Порядок запаздывания исключаемой разности SC LM- P-val автокорр. P-val White P-val J-B t-статистика критерия

- (полная модель с 12 22.236 1 - 0.983 0.701 0.281 -1.92

запаздывающими разностями) 2 - 0.967

8 22.157 -2.27

11 22.089 -2.60

10 22.018 -2.90

1 - 0.590

9* 21.986 2 - 0.844 0.372 0.223 -3.27

3 - 0.954

4 21.974 0.040 -2.78

5 21.935 0.035 -2.59

3 21.898 0.016 -2.22

1 (выбор по GS) 21.837 0.006 0.518 -2.04

7 21.834 0.002 0.184 -1.37

6 21.793 0.008 -1.31

2 (выбор по SC) 21.782 0.006 -0.92

42

Поскольку отклонения от нормальности, некоррелированности и го-москедастичности могут отражаться на критических значениях статистики критерия, то в этом отношении предпочтительнее модель, результаты для которой приведены в строке, помеченной звездочкой.

Асимптотические критические значения статистики критерия Перрона зависят от положения момента излома на интервале наблюдений через параметр 1 = TBIT, где TB - момент, непосредственно после которого происходит излом тренда, а T - количество наблюдений. В нашем случае 1 = 42/62 = 0.667. Соответствующее 5% критическое значение заключено между значениями -3.94 (для 1 = 0.6) и -3.89 (для 1=0.7). Гипотеза единичного корня (при сделанном предположении об изменении наклона тренда с одновременным сдвигом траектории) не отвергается ни в полной модели и ни в одной из редуцированных моделей.

Заметим, что выбранные GS-стратегией и критерием Шварца модели недооценивают количество запаздываний, которое следовало бы включить в правую часть оцениваемого уравнения. На это обстоятельство указывает и [Taylor (2000)], не соглашаясь с оптимистическими выводами [Ng, Perron (1995)]. .

Обратим теперь внимание на то, что момент излома тренда 1998:08 был выбран нами на основании уже имеющейся информации об августовском кризисе 1998 г. и визуального обращения к графику ряда М1. Между тем, выбор даты излома тренда на основе анализа графика ряда влияет на критические значения /-статистики критерия единичного корня.

Для учета этого влияния воспользуемся процедурой PERRON97 из пакета статистического анализа RATS, реализующую методику, приведенную в статье [Perron (1997)]. Имея в виду предыдущие результаты, ограничим максимальное запаздывание разностей, включаемых в правую часть оцениваемых уравнений, тринадцатью.

Сначала рассмотрим модель, допускающую сдвиг траектории и изменение наклона тренда в форме инновационного выброса (IO). Результаты применения процедуры PERRON97 для этой модели таковы:

43

break date TB = 1999:07; statistic t(alpha=1) = -3.34124

critical values a 1% 5% 10%

for 70 obs -6.32 -5.59 -5.29

number of lag retained : 12

explained variable : Ml

coefficient student

CONSTANT 124786.79561 3.33345

DU -2506239.31872 -3.77751

D(Tb) 40455.79442 2.72347

TIME 9769.03708 3.44839

DT 23866.02686 3.78217

M1{1} -0.91050 -1.59235

Здесь

DUt=1 для t>TB и DUt = 0 для всех других значений t;

D(Tb)t=1 для t=TB+1 и D(Tb)t = 0 для всех других значений t;

DT= t для t>TB и DUt=0 для всех других значений t; (Ml{l})t =Mlt_J.

(Заметим, что при постулировании инновационного выброса оценивание регрессионной модели при каждой испытываемой дате производится в один этап - в правую часть регрессионной модели в качестве объясняющих включаются сразу все 6 переменных: CONST, DU, D(Tb), TIME, DT и запаздывающая на один шаг переменная M1{1}.)

Процедура PERRON97 определяет в этом случае дату излома как 1999:07, если выбор даты излома осуществляется по минимуму t-статистики критерия единичного корня ta=1, взятому по всем возможным моментам излома. При этом ta=1 = -3.341, что выше 5% критического уровня -5.59, и гипотеза единичного корня не отвергается. Наибольшее запаздывание разностей, включаемых в правую часть уравнений, выбирается равным 12 в рамках применения процедуры GS для редукции модели с 10% уровнем значимости.

Если выбор даты излома осуществляется по максимуму абсолютной величины t-статистики для коэффициента d при переменной DTt, отвечающей за изменение наклона тренда, то выбирается 1998:04. При этом ta=1 = -0.547, что выше 5% критического значения -5.33; гипотеза единичного

44

корня не отвергается. (Наибольшее запаздывание разностей здесь уменьшается до 11).

Наконец, если выбор даты излома тренда осуществляется по минимуму коэффициента при переменной DT, отвечающей за изменение наклона тренда, то выбирается опять 1998:04 с тем же выводом о неотвержении UR-гипотезы.

Рассмотрим теперь модель, допускающую только изменение наклона тренда без сдвига траектории в форме аддитивного выброса (AO). Результаты применения процедуры PERRON97 для этой модели таковы:_

break date TB = 1999:02; statistic t(alpha=1) = -3.59417

critical values at for 100 obs.

1% -5.45

5% -4.83

10% -4.48

number of lag retained : 12 explained variable : M1

coefficient student

CONSTANT 104939.65455 20.48279

TIME 4832.56930 26.73200

DT 14335.07564 21.11189

Ml {1} -0.75752 -1.54915

(Заметим, что при постулировании аддитивного выброса оценивание регрессионной модели при каждой испытываемой дате производится в два этапа. На первом шаге в правую часть регрессионной модели в качестве объясняющих включаются только переменные CONST, TIME, DT; в результате оценивания этой модели получаем ряд остатков et .. На втором шаге оценивается модель регресии et на et-1 и запаздывающие разности Лем,..„ Aet-P ).

Выбор осуществляется по минимуму статистики ta=1 для проверки гипотезы о равенстве 1 коэффициента при et-1 в последней модели. При этом дата излома определяется как 1999:02, ta=1= -3.594 (используются 12 запаздывающих разностей), 5% критическое значение равно -4.83, так что UR-гипотеза не отвергается и в этом случае.

Заметим, что распределение ошибок имеет в последней ситуации распределение, отличающееся от нормального (коэффициент эксцесса -"kurtosis" - превышает на 1.626 значение коэффициента эксцесса нормаль-

45

ного распределения4, равного 3). Как следует из работы [Zivot, Andrews (1992)], в таких ситуациях критические уровни уменьшаются, так что если использовать скорректированные на ненормальность критические уровни, то UR-гипотеза не будет отвергнута тем более.

Подведем итоги анализа ряда М1 на интервале 1995:06 по 2000:07, для наглядности поместив результаты применения различных процедур в одну таблицу._

Используемая процедура (критерий) Исходная (нулевая) гипотеза

DS TS

Критерий Дики-Фуллера (расширенный) Не отвергается

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Не отвергается

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна Критерий Перрона (экзогенный выбор даты излома тренда) Обобщенный критерий Перрона (эндогенный выбор даты излома тренда) В пользу DS Не отвергается Не отвергается

Статистические выводы, полученные при применении всех перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

2.2.2. Денежный агрегат М0

Денежный агрегат M0 - Наличные деньги в обращении. В качестве исходной информации используются данные: денежный агрегат М0, млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1990:12 по 2000:07; источник - ЦБ РФ.

В отличие от ряда М1, построение единой модели, описывающей поведение ряда М0, затруднительно из-за существенно различного характера

4 Обычно коэффициент эксцесса определяется таким образом, что для нормального распределения он равен нулю. Однако мы здесь придерживаемся другого определения, при котором этот коэффициент в случае нормального распределения равен 3, из-за того, что в приводимых распечатках результатов, полученных применением пакета статистического анализа ECONOMETRIC VIEWS, используется именно второе определение.

46

поведения этого ряда на периодах до и после 1995 г. По этой причине, а также для возможности сравнения результатов, мы будем проводить эко-нометрический анализ ряда МО (а затем и ряда М2) на том же периоде с 1995:06 по 2000:07, на котором исследовался ряд М1.

На этом периоде график ряда имеет вид

|-М0

Напомним график ряда М1:

Г— М1 |

Как видно из сравнения графиков, выраженность возможного излома тренда у ряда М0 не столь велика, как у ряда М1, что может объясняться

47

различием в скорости реструктуризации портфелей населения и предприятий. Посмотрим, как это отразится на статистических выводах при анализе ряда М0.

Как и в случае ряда М1, коррелограмма ряда разностей у ряда М0 имеет значимый пик на лаге 12; для учета автокоррелированности ошибок в оцениваемые уравнения будем включать первоначально 13 запаздывающих разностей.

Оценивание начнем с расширенной модели Дики-Фуллера с включением в правую часть оцениваемой статистической модели константы и тренда:_

ADF Test Statistic 1.368149 1% Critical Value*

5% Critical Value

_10% Critical Value

*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(Z) Method: Least Squares Sample(adjusted): 1996:08 2000:07 _Included observations: 48 after adjusting endpoints_

Variable Coefficient Std. Error t-Statistic Prob.

Z(-1) 0.204696 0.149616 1.368149 0.1808

D(Z(-1)) -0.194405 0.228411 -0.851122 0.4010

D(Z(-2)) -0.316411 0.228968 -1.381904 0.1766

D(Z(-3)) -0.201863 0.216740 -0.931362 0.3586

D(Z(-4)) -0.365408 0.205424 -1.778799 0.0848

D(Z(-5)) -0.336200 0.174358 -1.928221 0.0627

D(Z(-6)) -0.102447 0.181976 -0.562972 0.5774

D(Z(-7)) -0.054527 0.214887 -0.253748 0.8013

D(Z(-8)) -0.205422 0.221867 -0.925878 0.3614

D(Z(-9)) -0.630249 0.212157 -2.970678 0.0056

D(Z(-10)) -0.195244 0.234221 -0.833589 0.4107

D(Z(-11)) -0.451913 0.232739 -1.941718 0.0610

D(Z(-12)) 0.632189 0.249860 2.530179 0.0165

D(Z(-13)) -0.651846 0.266730 -2.443841 0.0202

C -9353.863 5632.908 -1.660575 0.1066

@TREND(1995:06) -232.7007 423.7413 -0.549158 0.5867

R-squared 0.636001 Mean dependent var 4816.396

Adjusted R-squared 0.465377 S.D. dependent var 12589.30

S.E. of regression 9205.038 Akaike info criterion 21.35409

Sum squared resid 2.71E+09 Schwarz criterion 21.97782

Log likelihood -496.4982 F-statistic 3.727491

Durbin-Watson stat 1.979912 Prob(F-statistic) 0.000867

48

-4.1584 -3.5045 -3.1816

Полученное значение ^статистики положительно, так что гипотеза единичного корня не отвергается.

Попробуем повысить мощность критерия Дики-Фуллера путем исключения из правой части оцениваемого уравнения запаздывающих разностей со статистически незначимыми коэффициентами. Результаты последовательного исключения таких разностей приведены в следующей таблице.

Порядок запаздывания исключаемой разности SC P-val LM-автокорр. P-val White P-val J-B t-статистика критерия

- (полная модель с 13 запаздывающими разностями) 21.978 1 2 - 0.746 - 0.781 0.249 0.227 1.368

7 21.899

6 21.826

10 21.761

3 21.699

1 21.619

8 21.557

2 21.502

4 21.471

5 (выбор и по GS и по 8С) 21.411 1 2 - 0.717 - 0.778 0.162 0.775 0.416

11 21.415

Обе процедуры редукции модели - "от общего к частному" и SC -приводят к одной и той же модели, результаты проверки которой приведены в предпоследней строке таблицы.

В результате редукции оцениваемой модели значение статистики критерия уменьшилось с 1.368 до 0.416. Однако оно все же осталось положительным, что не дает возможности отвергнуть гипотезу единичного корня для ряда М0.

Следуя схеме Доладо, проверим, не является ли неотвержение DS-гипотезы (гипотезы единичного корня) следствием невключения в модель порождения данных тренда (что могло привести к использованию неправильных критических значений). Для этого (шаг 2 процедуры) проверим гипотезу Н0 : р= 0 в рамках статистической модели 8М: Дг( = фх^ +а + рг + е ( , г = 2,...,Т,

49

и в предположении, что данные порождаются моделью

БвР: Дт( = а + Дг + е , , / = 2,...,Т .

При оценивании модели, выбранной методом GS и критерием Шварца, получаем значение ^статистики для параметра Д, равное 0.700. В то же время 5% критическое значение для проверки гипотезы Н0 : Д = 0 против двусторонней альтернативы равно 3.17. Если же брать одностороннюю альтернативу Н0 : Д > 0, то 5% критическое значение равно 2.80. В обоих случаях для обеих моделей гипотеза р = 0 не отвергается, и мы должны перейти к шагу 3 используемой процедуры.

Мы не будем приводить результаты, получаемые при дальнейшем применении процедуры Доладо, а только заметим, что, как и в случае ряда М1, последующие шаги и здесь не приводят к отвержению DS-гипотезы.

Использование в тех же моделях коррекции автокоррелированности по методу Филлипса-Перрона приводит к следующим результатам.

Модель с включением в правую часть оцениваемого уравнения константы и тренда:_

Ширина окна Статистика критерия

3 0.18896

4 0.14980

5 0.28467

6 0.21953

7 0.21763

8 0.17085

9 0.28009

10 0.34388

11 0.49913

12 0.49863

13 0.57393

50

Модель с включением в правую часть только константы:

Ширина окна Статистика критерия

3 2.11867

4 2.24850

5 2.45154

6 2.41942

7 2.47094

8 2.45836

9 2.64371

10 2.77427

11 3.05619

12 3.10151

13 3.10151

Модель без включения детерминированных составляющих в оценива-

емое уравнение:

Ширина окна Статистика критерия

3 4.51174

4 4.48610

5 4.76835

6 4.71538

7 4.77881

8 4.75252

9 5.00488

10 5.17870

11 5.56153

12 5.61023

13 5.84205

Во всем диапазоне использованных значений ширины окна (от 4 до 13) значения статистик критерия положительны, и гипотеза единичного корня поэтому не отвергается.

Если применить для проверки DS-гипотезы (в качестве нулевой) критерий DF-GLS с включением в модель константы, линейного тренда и 13 запаздывающих разностей, то получим следующие результаты:

51

Critical values (asymptotic)

Test Statistic 1 % 2.5 % 5 % 10 %

DFGLS -0.985 -3.48 -3.15 -2.89 -2.57

Наблюдаемое значение статистики критерия -0.985 выше 5% критического уровня; DS-гипотеза не отвергается. То же решение принимается, если использовать для вычисления критических значений приближенную формулу, учитывающую как количество имеющихся наблюдений, так и наибольшее запаздывание включаемых в модель разностей (получаемое при этом 5% критическое значение равно -2.62).

Возьмем теперь в качестве исходной (нулевой) гипотезу стационарности ряда М0 и применим критерий KPSS:

Гипотеза стационарности отвергается в пользу DS-гипотезы, если наблюдаемое значение статистики ЕТА(ти) превышает критическое.

Для ряда М0, рассматриваемого на периоде 1995:06-2000:07, в зависимости от выбранной ширины окна получаем следующие результаты.

For lag parameter l = ETA(mu) =

3 1.51504

4 1.24933

12 0.59065

13 0.56191

При всех использованных значениях ширины окна гипотеза стационарности отвергается в пользу DS-гипотезы.

Если нулевой является гипотеза стационарности относительно линейного тренда, то критерий основывается на статистике ETA(tau), критические значения которой равны_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

Гипотеза стационарности относительно линейного тренда отвергается в пользу DS-гипотезы, если наблюдаемое значение этой статистики превышает критическое.

Для ряда М0, рассматриваемого на периоде 1995:06-2000:07, в зависимости от выбранной ширины окна получаем следующие результаты.

52

For lag parameter ! = ETA(tau) =

3 0.31134

4 0.26651

12 0.15545

13 0.15098

Гипотеза стационарности ряда МО относительно линейного тренда на периоде 1995:06-2000:07 отвергается в пользу гипотезы наличия у этого ряда единичного корня.

Таким образом, использованные критерии, в которых за нулевую берется или DS или TS гипотеза, дают согласованные результаты.

В пользу DS-гипотезы говорит и поведение отношения дисперсий Кохрейна:

ук + / - 1 * б й

Э е г е э : М 0

5

53

Имея в виду возможность изменения наклона тренда и сдвига уровня ряда, применим теперь обобщение критерия Перрона с эндогенным выбором момента излома тренда по минимуму статистики критерия единичного корня.

Сначала допустим только изменение наклона тренда в рамках модели аддитивного выброса (AO), положив при этом максимальное число запаздываний равным 14 и производя понижение порядка модели методом GS с уровнем значимости 10%. При этом получаем следующие результаты: break date TB = 1999:01; statistic t(alpha=1) = -3.69570

Critical values at 1 % 5% 10%

for 100 obs. -5.45 -4.83 -4.48

Number of lag retained: 12

Explained variable: M0

Переменная Коэффициент t-статистика

CONSTANT 59106.87212 14.93557

TIME 2357.19676 16.59750

DT 5505.22025 11.13153

M0 {1} -0.36991 -0.99792

(Напомним, что при постулировании аддитивного выброса оценивание регрессионной модели при каждой испытываемой дате производится в два этапа. На первом шаге в правую часть регрессионной модели в качестве объясняющих включаются только переменные CONST, TIME, DT; в результате оценивания этой модели получаем ряд остатков et .. На втором шаге оценивается модель регресии et на et-1 и запаздывающие разности AetA,., Aet-P .)

Поскольку пренебрежение возможным сдвигом уровня (так же как и пренебрежение возможным изменением наклона тренда) может приводить к ложным единичным корням (см., например, [Leybourne, Mills, Newbold (1998)]), рассмотрим теперь модель со сдвигом траектории и изменением наклона тренда в форме инновационного выброса (IO), опять осуществляя эндогенный выбор точки излома по минимуму статистики критерия единичного корня, положив максимальное число запаздываний равным 14 и

54

понижая порядок модели методом GS с уровнем значимости 10%. В этой

ситуации получаем:_

break date TB = 1999:01 ; statistic t(alpha=1) = -3.24111_

Critical values at 1% 5% 10%

for 70 obs. -6.32 -5.59 -5.29

Number of lag retained : 12 Explained variable : M0

coefficient student

CONSTANT 93203.60949 3.16641

DU -802428.37416 -3.41458

D(Tb) 8419.59298 0.75410

TIME 4236.75927 3.31729

DT 7988.20640 3.43175

M0{1} -0.91391 -1.54766

(Напомним, что при постулировании инновационного выброса оценивание регрессионной модели при каждой испытываемой дате производится в один этап - в правую часть регрессионной модели в качестве объясняющих включаются сразу все 6 переменных: CONST, DU, D(Tb), TIME, DT и запаздывающая на один шаг переменная M0{ 1}.)

Учет возможности излома тренда в обоих ситуациях не приводит к отвержению DS-гипотезы.

Подведем итоги анализа ряда М0 на интервале 1995:06 по 2000:07:

Используемая процедура (критерий) Исходная (нулевая) гипотеза

DS TS

Критерий Дики-Фуллера (расширенный) Не отвергается

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Не отвергается

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Критерий Перрона (экзогенный выбор даты излома тренда) Обобщенный критерий Перрона (эндогенный выбор даты излома тренда) Не отвергается Не отвергается

Статистические выводы, полученные при применении всех перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

55

2.2.3. Денежный агрегат М2

Денежный агрегат М2 - объем наличных денег в обращении (вне банков) и остатков средств в национальной валюте на расчетных, текущих счетах и депозитах нефинансовых предприятий, организаций и физических лиц, являющихся резидентами Российской Федерации. В этот агрегат не включаются депозиты в иностранной валюте. Начиная с 1 января 1998 г. в состав денежной массы не включаются данные по кредитным организациям с отозванной лицензией.

В качестве исходной информации используются данные: денежный агрегат М2, млрд. руб. (с 1998 г. млн. руб.) - месячные данные с 1990:12 по 2000:07; источник - ЦБ РФ.

Ограничимся опять рассмотрением общего для всех денежных показателей периода с 1995:06 по 2000:07. График ряда Х4=М2 на этом периоде имеет вид

-М2

И в этом случае наблюдается излом тренда. Кроме того, обращает на себя внимание поведение ряда М2 в предкризисный период: на интервале 1997:08-1998:07 ряд М2 "топчется на месте".

В правую часть расширенной статистической модели критерия Дики-Фуллера (с константой и трендом) опять приходится включать разность с

56

запаздыванием на 13 месяцев. Получаемое при этом значение /-статистики критерия равно 0.751 при 5% критическом уровне -3.482, так что гипотеза единичного корня не отвергается. Однако коэффициенты при многих запаздывающих разностях оказываются статистически незначимыми:_

ADF Test Statistic 0.751177 1% Critical Value*

5% Critical Value 10% Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2)

Method: Least Squares Date: 02/21/01 Time: 12:22 Sample: 1995:06 2000:07

Included observations: 62

Variable Coefficient Std. Error t-Statistic Prob.

M2(-1) 0.051437 0.068475 0.751177 0.4564

D(M2(-1)) 0.153723 0.145734 1.054815 0.2970

D(M2(-2)) 0.282703 0.141848 1.993001 0.0522

D(M2(-3)) 0.152426 0.150454 1.013107 0.3163

D(M2(-4)) -0.171566 0.151069 -1.135680 0.2620

D(M2(-5)) -0.092493 0.132650 -0.697270 0.4891

D(M2(-6)) 0.266310 0.127068 2.095801 0.0416

D(M2(-7)) 0.192078 0.154991 1.239288 0.2215

D(M2(-8)) -0.174375 0.156768 -1.112312 0.2718

D(M2(-9)) -0.483386 0.154209 -3.134619 0.0030

D(M2(-10)) 0.014774 0.159316 0.092735 0.9265

D(M2(-11)) 0.034310 0.165689 0.207073 0.8369

D(M2(-12)) 0.575335 0.171785 3.349151 0.0016

D(M2(-13)) -0.482094 0.193203 -2.495275 0.0162

C -5393.940 5339.081 -1.010275 0.3176

@TREND(1995:06) -204.8787 509.0531 -0.402470 0.6892

R-squared 0.680388 Mean dependent var 12790.32

Adjusted R-squared 0.576167 S.D. dependent var 16295.92

S.E. of regression 10609.04 Akaike info criterion 21.59444

Sum squared resid 5.18E+09 Schwarz criterion 22.14337

Log likelihood -653.4275 F-statistic 6.528315

Durbin-Watson stat 2.096000 Prob(F-statistic) 0.000000

-4.1109 -3.4824 -3.1689

57

Исключим из правой части оцениваемого уравнения запаздывающие разности со статистически незначимыми коэффициентами. Результаты последовательного исключения таких разностей приведены в следующей таблице._

Порядок запаздывания 8С Р-уа1 Р-уа1 Р-уа1 ^статистика

исключаемой разности ЬМ-автокорр. White .1-В критерия

- (полная модель с 13 запаздывающими разностями) 22.143 1 - 0.250 2 - 0.252 0.287 0.051 0.751

10 22.077 1 - 0.411 2 - 0.253 0.430 0.065 0.783

11 22.011 0.009

5 21.954 0.009

3 21.906 0.014 0.335

7 21.857 0.023 1.171

8 21.823 0.155 0.019 1.575

4 21.794 0.054 1.109

6* 21.770 1 - 0.093 2 - 0.230 0.028 0.123 1.566

1 21.761 1 - 0.534 2 - 0.405 0.028 0.295 2.618

2 21.752 1 - 0.403 2 - 0.108 0.016 0.439 4.122

Процедура редукции модели "от общего к частному" (с 10% уровнем значимости при исключении незначимых разностей) приводит к модели, результаты проверки которой приведены в строке таблицы, помеченной звездочкой. Если продолжать редукцию, уменьшив уровень значимости до 5%, то приходим к модели, результаты для которой приведены в последней строке таблицы. Эта модель оказывается лучшей по критерию Шварца.

В то же время, в последней модели обнаруживается гетероскедастич-ность, как в модели, отмеченной звездочкой. Возвращаясь обратно вверх по той же цепочке, замечаем, что удовлетворительно проходит проверку по различным критериям только модель с исключенной разностью, запаздывающей на 10 месяцев. Однако и для этой и для всех остальных моделей (полной и редуцированных) значения статистики критерия положительны, что не дает возможности отвергнуть гипотезу единичного корня для ряда М2.

Следуя схеме Доладо (шаг 2 процедуры) проверим гипотезу Н0 : р = 0 в рамках статистической модели

58

8М: Дт( = + а + Д/+ е ( , / = 2,...,Т, и в предположении, что данные порождаются моделью

БвР: Дт( = а + Д г + е ( , / = 2,..., Т.

При оценивании модели с одной исключенной разностью (запаздывающей на 10 месяцев), получаем значение /-статистики для параметра Д равное -0.424. В то же время 5% критическое значение для проверки гипотезы Н0 : Д = 0 против двусторонней альтернативы равно 3.17, эта гипотеза не отвергается, и мы должны перейти к шагу 3 используемой процедуры.

Как и в случае рядов М1 и МО, последующие шаги и здесь не приводят к отвержению DS-гипотезы. Приведем результаты для полных моделей (с 13 запаздывающими разностями). Для модели с включением в правую часть константы значение /-статистики критерия равно 1.178; для модели без включения в правую часть константы значение /-статистики критерия равно 1.253.

Приведем теперь результаты применения критерия Филлипса-Перрона в трех различных ситуациях: с включением в оцениваемую модель и тренда и константы, с включением в оцениваемую модель только константы и без включения в оцениваемую модель детерминированных составляющих.

Критерий, основанный на модели с константой и трендом:_

Ширина окна Статистика критерия

3 2.63324

4 2.59715

5 2.56834

6 2.43783

7 2.32673

8 2.26941

9 2.32449

10 2.39557

11 2.52389

12 2.55470

13 2.63931

59

Критерий с включением константы (без тренда):

Ширина окна

Статистика критерия

3 4.37034

4 4.54957

5 4.46640

6 4.29340

7 4.14101

8 4.04731

9 4.06176

10 4.09185

11 4.17005

12 4.16109

13 4.19499

Критерий без включения константы и тренда:

Ширина окна Статистика критерия

3 7.27233

4 7.03590

5 6.83753

6 6.55422

7 6.29882

8 6.11824

9 6.05329

10 6.00632

11 6.00280

12 5.91879

13 5.87156

Ни один из критериев не отвергает гипотезу единичного корня. Применяя для проверки DS-гипотезы (в качестве нулевой) критерий DF-GLS с включением в модель константы, линейного тренда и 13 запаздывающих разностей получаем следующие результаты:_

Critical values (asymptotic)

Test DFGLS

Statistic

-1.446

1% -3.48

2.5% -3.15

5% -2.89

10% -2.57

Наблюдаемое значение статистики критерия -1.446 выше 5% критического уровня; DS-гипотеза не отвергается. То же решение принимается при использовании для вычисления критических значений приближенной формулы, учитывающей как количество имеющихся наблюдений, так и

60

наибольшее запаздывание включаемых в модель разностей (получаемое при этом приближенное 5% критическое значение равно -2.62).

Применим теперь критерий KPSS, берущий в качестве нулевой TS-гипотезу.

Для модели без включения линейного тренда:_

ETA(mu) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

3 1.45488

4 1.19809

12 0.57423

13 0.54802

Гипотеза стационарности отвергается в пользу гипотезы единичного корня.

Для модели с включением линейного тренда:_

ETA(mu) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(mu) =

3 0.32707

4 0.27270

12 0.14618

13 0.14212

Гипотеза стационарности относительно линейного тренда отвергается в пользу гипотезы единичного корня на 10% уровне значимости и отвергается на 5% уровне значимости при ширине окна, меньшей 13.

Результаты применения критериев, берущих в качестве нулевой различные гипотезы (DS или TS), подтверждают друг друга. В пользу DS-гипотезы говорит и поведение отношения дисперсий Кохрейна :

61

8

2 6 0 4 8 2 6 0

Тем не менее, имея в виду возможное изменение наклона тренда с одновременным сдвигом уровня ряда, применим теперь еще и критерий Перрона с эндогенным выбором точки излома (модель с инновационным выбросом)]_

break date TB = 1999:10; statistic t(alpha=1) = -2.78182 critical values at 1%

for 70 obs. -6.32

number of lag retained : 12 explained variable : M2

coefficient student

CONSTANT 73764.42647 2.48260

DU -1421216.11961 -2.76082

D(Tb) -786.33813 -0.04148

TIME 4269.66737 2.99594

DT 13273.55715 2.77995

M2 {1} 0.34649 1.47489

Гипотеза единичного корня не отвергается.

v k + / - 1 * s d

Seres: M 2

5% -5.59

10% -5.29

62

Если рассмотреть модель, допускающую только изменение наклона тренда (модель с аддитивным выбросом), то при этом получим следующие результаты:_

break date TB = 1997:05; statistic t(alpha=1) = -2.78944

critical values at 1% 5% 10%

for 100 obs. -5.45 -4.83 -4.48

number of lag retained : 12

explained variable : M2

coefficient student

CONSTANT 190978.79927 8.21763

TIME 3283.15278 2.47380

DT 9565.20521 5.15626

M2 {1} 0.85569 16.53993

И в этой ситуации гипотеза единичного корня не отвергается. Подведем итоги анализа ряда М2 на интервале 1995:06 по 2000:07:

Исходная (нулевая) гипотеза

Используемая процедура (критерий) -

DS TS

Критерий Дики-Фуллера (расширенный) Не отвергается

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Не отвергается

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Критерий Перрона (экзогенный выбор даты излома тренда) Обобщенный критерий Перрона (эндогенный выбор даты излома тренда) Не отвергается Не отвергается

Статистические выводы, полученные при применении всех перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

63

2.3. Анализ временных рядов для экспорта и импорта

2.3.1. Экспорт

Экспорт - вывоз из страны товаров отечественного производства, а также реэкспорт товаров. К товарам отечественного производства относятся также товары иностранного происхождения, ввезенные в страну и подвергшиеся существенной переработке, изменяющей основные качественные или технические характеристики товаров. К реэкспортным товарам относятся товары, ввезенные в страну, а затем вывезенные за границу без переработки.

В качестве исходной информации используются данные: объем экспорта (во все страны), млрд. долл. - месячные данные с1994:01 по 2000:04; источник - Госкомстат РФ.

График ряда имеет следующий вид:

- EXPORT

Форма этого графика коренным образом отличается от графиков денежных рядов, более напоминая график стационарного ряда. Стационарность ряда экспорта может являться, например, результатом статистиче-

64

ского сглаживания фактических колебаний экспортных доходов вследствие ряда причин, указанных ниже в разделе 3.2.1.

Вид коррелограммы ряда_

Sample: 1994:01 2000:04

Included observations: 76

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

***** i***** 1 0.590 0.590 27.557 0.000

*** 1* 2 0.404 0.085 40.623 0.000

*** i** 3 0.396 0.198 53.370 0.000

** i 4 0.318 0.004 61.698 0.000

** i 5 0.226 -0.022 65.950 0.000

* *i 6 0.147 -0.059 67.774 0.000

* i 7 0.121 0.012 69.024 0.000

* i 8 0.092 -0.005 69.769 0.000

i 9 0.055 -0.008 70.034 0.000

*i 10 -0.037 -0.118 70.155 0.000

i* 11 0.012 0.101 70.169 0.000

** i*** 12 0.229 0.337 75.013 0.000

****i 13 -0.044 -0.456 75.192 0.000

* *i 14 -0.165 -0.095 77.799 0.000

* *i 15 -0.148 -0.094 79.917 0.000

* i* 16 -0.106 0.149 81.031 0.000

указывает на необходимость включения в правую часть статистической модели, оцениваемой в критерии Дики-Фуллера, разностей с запаздываниями до 12 месяцев. Кроме того, судя по графику ряда, из трех вариантов моделей, оцениваемых в критериях Дики-Фуллера, следует выбрать вариант, не включающий в уравнение линейный тренд, но с включением в правую часть уравнения константы. Оценивание расширенной модели для этого случая дает следующие результаты.

65

ADF Test Statistic -2.172099 1% Critical Value*

5% Critical Value

10% Critical Value

*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(EXPORT) Sample(adjusted): 1995:02 2000:04 _Included observations: 63 after adjusting endpoints_

Variable Coefficient Std. Error t-Statistic Prob.

EXPORT(-1) -0.320298 0.147460 -2.172099 0.0347

D(EXPORT(-1)) -0.021490 0.164733 -0.130454 0.8967

D(EXPORT(-2)) -0.012906 0.157857 -0.081755 0.9352

D(EXPORT(-3)) 0.081849 0.153277 0.533990 0.5958

D(EXPORT(-4)) 0.143501 0.151594 0.946613 0.3485

D(EXPORT(-5)) 0.142530 0.153347 0.929464 0.3572

D(EXPORT(-6)) 0.060647 0.152810 0.396876 0.6932

D(EXPORT(-7)) 0.115841 0.154146 0.751501 0.4559

D(EXPORT(-8)) 0.119480 0.149454 0.799443 0.4279

D(EXPORT(-9)) 0.026379 0.140848 0.187288 0.8522

D(EXPORT(-10)) -0.030960 0.136149 -0.227401 0.8211

D(EXPORT(-11)) -0.163303 0.127508 -1.280726 0.2063

D(EXPORT(-12)) 0.640801 0.126129 5.080512 0.0000

C 2.198274 0.996168 2.206731 0.0320

R-squared 0.652897 Mean dependent var 0.040635

Adjusted R-squared 0.560808 S.D. dependent var 0.943584

S.E. of regression 0.625328 Akaike info criterion 2.092050

Sum squared resid 19.16073 Schwarz criterion 2.568302

Log likelihood -51.89956 F-statistic 7.089867

Durbin-Watson stat 2.125882 Prob(F-statistic) 0.000000

Гипотеза единичного корня не отвергается даже на 10% уровне. Однако это может быть связано с оцениванием излишнего количества коэффициентов при запаздывающих разностях, среди которых лишь коэффициент при разности, запаздывающей на 12 месяцев, оказывается статистически значимым.

-3.5362 -2.9077 -2.5911

66

Результаты последовательного исключения из правой части оцениваемого уравнения запаздывающих разностей со статистически незначимыми коэффициентами приведены в следующей таблице._

Порядок запаздывания SC P-val P-val P-val t-статистика

исключаемой разности_LM-автокорр. White_J-B_критерия

- (полная модель с 12 запаз- 2.568 1 - 0.293 0.377 0.663 -2.172

дывающими разностями) 2 — 0 285

2 2.503

I 2.437 10 2.372 9 2.310

6 2.248

7 2.193

3 2.139 5 2.080

4 2.031

8 1.981

II 1.947 1 - 0.251 0.711 0.840 -3.186

2 - 0.175

3 - 0.142

4 - 0.244

При редукции модели методом "от общего к частному" (с 10% уровнем значимости) из расширенной модели с 12 запаздывающими разностями последовательно удаляются разности, запаздывающие на 2, 1, 10, 9, 6, 7, 3, 5, 4, 8, 11 единиц времени (месяцев). Это приводит модели, содержащей в правой части только одну разность, запаздывающую на 12 месяцев; результаты оценивания этой модели приведены в последней строке таблицы. Эта же модель выбирается и критерием Шварца.

В результате редукции мы получили модель, в которой значение Ь статистики расширенного критерия Дики-Фуллера ниже 5% критического уровня, так что гипотеза единичного корня отвергается в пользу гипотезы стационарного процесса (имеющего ненулевое математическое ожидание). Более того, судя по приведенным результатам статистического анализа ряда остатков от оцененной модели, нет указаний на ненормальность, гете-роскедастичность или автокоррелированность ошибок, так что можно считать выполненными предположения, при которых были рассчитаны крити-

67

ческие значения статистики Дики-Фуллера. Поэтому, в отличие от анализа денежных агрегатов, здесь анализ с использованием других критериев с DS-гипотезой в качестве нулевой можно не проводить.

Приведем теперь график поведения отношения дисперсий Кохрейна и результаты применения критерия KPSS.

V K + / - 1 * S D

Seres: EXPO R T

9

Поведение отношения дисперсий говорит в пользу TS-гипотезы.

68

Применение критерия KPSS (для модели без тренда) дает следующие

результаты:_

ETA(mu) Values:

Critical Level: 010 005 0.025 00Г

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

3 0.31930

4 0.27642

10 0.18705

11 0.18204

12 0.17662

13 0.17245

14 0.16979

Гипотеза стационарности ряда не отвергается.

Подведем итоги анализа ряда EXPORT:_

Исходная (нулевая) гипотеза

Используемая процедура (критерий) -

DS TS

Критерий Дики-Фуллера (расширенный) Отвергается

Критерий KPSS Не отвергается

Отношение дисперсий Кохрейна В пользу TS

Результаты применения различных статистических процедур согласуются друг с другом: гипотеза DS в качестве нулевой гипотезы отвергается, тогда как гипотеза TS в качестве нулевой не отвергается; поведение отношения дисперсий Кохрейна говорит в пользу TS-гипотезы.

2.3.2. Импорт

Импорт - ввоз товаров в страну. В импорт включаются ввезенные товары, предназначенные для потребления в экономике страны, реэкспорта, и товары, закупаемые для отечественных организаций за границей, для потребления на месте.

В качестве исходной информации используются данные: объем импорта (во все страны), млрд. долл. - месячные данные с 1994:01 по 2000:04; источник - Госкомстат РФ.

69

График ряда имеет вид

IMPORT

Этот график показывает, что в сентябре 1998 года происходит резкое изменение траектории ряда (падение на более низкий уровень), связанное с девальвацией рубля и относительным удорожанием импортных товаров. Поскольку количество наблюдений на втором подпериоде мало, мы возьмем для исследования период 1994:01 - 1998:01. График ряда на этом промежутке времени имеет вид

70

IMPORT

Отметим весьма выраженный сезонный характер этого ряда с пиками в декабрях и провалами в январях, а также наличие излома тренда на рассматриваемом периоде. В разд. 3.2.2 дается возможное объяснение такого поведения ряда.

В правую часть уравнения, оцениваемого при применении расширенного критерия Дики-Фуллера, приходится включать разность, запаздывающую на 12 месяцев.

Оценивание уравнения с включением в правую часть константы, линейного тренда и всех разностей с запаздываниями до 12 месяцев включительно дает следующие результаты.

71

ADF Test Statistic -1.614015 1% Critical Value

5% Critical Value 10% Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(IMPORT) Sample(adjusted): 1995:02 1998:02

Included observations: 37 after adjusting endpoints_

Variable Coefficient Std. Error t-Statistic Prob.

IMPORT(-1) -0.687650 0.426050 -1.614015 0.1208

D(IMPORT(-1)) 0.020600 0.417224 0.049375 0.9611

D(IMPORT(-2)) 0.079784 0.354080 0.225327 0.8238

D(IMPORT(-3)) 0.159596 0.311822 0.511818 0.6139

D(IMPORT(-4)) 0.319003 0.290247 1.099071 0.2836

D(IMPORT(-5)) 0.508832 0.292103 1.741961 0.0955

D(IMPORT(-6)) 0.388655 0.314875 1.234318 0.2301

D(IMPORT(-7)) 0.281873 0.336228 0.838341 0.4109

D(IMPORT(-8)) 0.287544 0.351195 0.818759 0.4217

D(IMPORT(-9)) 0.003979 0.350617 0.011350 0.9910

D(IMPORT(-10)) -0.130758 0.325622 -0.401564 0.6919

D(IMPORT(-11)) -0.465013 0.273920 -1.697620 0.1037

D(IMPORT(-12)) 0.361035 0.229435 1.573584 0.1299

C 2.840222 1.558390 1.822536 0.0820

@TREND(1994:01) 0.032467 0.024645 1.317368 0.2013

R-squared 0.820057 Mean dependent var 0.064865

Adjusted R-squared 0.705548 S.D. dependent var 0.805842

S.E. of regression 0.437277 Akaike info criterion 1.474437

Sum squared resid 4.206651 Schwarz criterion 2.127512

Log likelihood -12.27708 F-statistic 7.161511

Durbin-Watson stat 2.158910 Prob(F-statistic) 0.000027

Значение /-статистики Дики-Фуллера выше даже 10% критического уровня, так что гипотеза единичного корня не отвергается. В этой связи можно было бы опять произвести редукцию модели, последовательно исключая из правой части оцениваемой модели разности, коэффициенты которых статистически незначимы на 10% уровне. Однако на этот раз положение отличается от ситуации, с которой мы встретились при анализе ряда объемов экспорта. Дело в том, что здесь Р-значение критерия Бройша-

-4.2242 -3.5348 -3.1988

72

Годфри автокоррелированности ошибок в полной модели, соответствующее модели авторегрессии (для ошибок) 2-го порядка, оказывается равным 0.000766, так что включения в правую часть оцениваемого уравнения 12 запаздывающих разностей оказывается недостаточным. Обращение к более длинному варианту коррелограммы показывает наличие пика еще и на лаге 24. И хотя оценки автокорреляций со столь большими запаздываниями при столь малом количестве наблюдений совершенно ненадежны, тем не менее возникает вопрос об оправданности использования при применении расширенного критерия Дики-Фуллера только запаздываний, меньших 12 месяцев.

Обращаясь к графику ряда на рассматриваемом интервале, можно заметить весьма выраженный сезонный характер этого ряда с пиками в декабрях и провалами в январях. Имея это в виду, воспользуемся здесь рекомендацией [Dickey, Bell, Miller (1986)] применять критерий Дики-Фуллера в таких ситуациях не к "сырому" ряду, а к ряду, "очищенному от детерминированной сезонности", т.е. к ряду остатков от оцененной регрессии исходного ряда на сезонные переменные ("dummies") D1, D2,..., D12, отвечающие, соответственно, 1-му (январь), 2-му (февраль),..., 12-му (декабрь) месяцу года. (Переменная D1 принимает значение 1 для январей и значение 0 для всех остальных месяцев года. Аналогично определяются и остальные сезонные переменные.)

График "очищенного" ряда имеет вид

-X DESEASONED

73

Поскольку этот график в целом имеет выраженный излом; применим процедуру Перрона с допущением сдвига уровня с одновременным изменением наклона тренда (инновационный выброс). Процедура Перрона с эндогенным выбором даты сдвига уровня дает следующие результаты: break date TB = 1996:07 ; statistic t(alpha=1) = -5.03902

critical values at 1% 5% 10%

for 70 obs. -6.32 -5.59 -5.29

number of lag retained : 6 explained variable : IMP_DES

coefficient student

CONSTANT -2.36511 -4.38786

DU 0.10875 0 . 08382

D(Tb) 0.60556 1 .65437

TIME 0.10353 4 . 48843

DT -0.01642 -0 . 91853

IMP_DES {1} -0.21537 -0.89294

При сделанных допущениях DS-гипотеза не отвергается.

Отметим весьма низкое значение абсолютной величины t-статистики для коэффициента при переменной DT, что указывает на возможное отсутствие изменения наклона тренда при сдвиге уровня. В связи с этим, применим процедуру Перрона при допущении только лишь сдвига уровня ряда (инновационный выброс). В этом случае процедура Перрона с эндогенным

выбором даты сдвига уровня дает следующие результаты:_

break date TB = 1997:05; statistic t(alpha=1) = -4.25858

critical values at 1% 5% 10%

for 60 obs. -5.92 -5.23 -4.92

number of lag retained : 6 explained variable : IMP_DES

coefficient student

CONSTANT -1.31878 -3 . 56353

DU -0.28657 -1 . 51369

D(Tb) -0.54686 - 1 .59774

TIME 0.04897 3 . 7 5276

IMP_DES {1} 0.17386 0.89624

74

Полученная датировка момента излома тренда другая; однако, DS-гипотеза все равно не отвергается.

Результаты применения критерия KPSS (с включения линейного тренда);_

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.11094

4 0.09783

5 0.08947

10 0.08556

11 0.08864

12 0.09220

13 0.09675

Гипотеза стационарности относительно линейного тренда не отвергается Поведение отношения дисперсий Кохрейна говорит в пользу TS-гипотезы.

v k + / - 1 * s d

Seres: I M P D E S

8

75

Приведем еще результаты проверки DS-гипотезы критерием DF-GLS

Lags = 13

Test Statistic Critical values (asymptotic)

1% 2.5% 5% 10%

DFGLS -1.017 -3.48 -3.15 -2.89 -2.57

Этот критерий не отвергает DS-гипотезу в пользу TS-гипотезы. То же решение принимается, если вычислять критические значения по приближенной формуле, учитывающей как количество имеющихся наблюдений, так и наибольшее запаздывание включаемых в модель разностей (получаемое при использовании этой формулы 5% критическое значение равно -2.68).

Подведем итоги анализа ряда IMPORT на интервале 1994:01 - 1998:01:

Используемая процедура (критерий)

Исходная (нулевая) гипотеза

DS

TS

Критерий DF-GLS Не отвергается

Критерий KPSS

Отношение дисперсий Кохрейна В пользу TS

Обобщенный критерий Перрона Не отвергается (эндогенный выбор даты излома тренда)_

Не отвергается

Здесь согласия между выводами, полученными при применении различных статистических процедур, нет: две из четырех процедур склоняются к гипотезе Т8, а две другие - к гипотезе Б8. Как уже отмечалось в разд. 1.3.1, такое положение может объясняться недостаточной мощностью использованных критериев, связанной с малым количеством наблюдений на исследованном периоде.

2.4. Анализ ряда доходов федерального бюджета и ряда налоговых доходов федерального бюджета

2.4.1. Доходы федерального бюджета

Доходы бюджета - денежные средства, поступающие в безвозмездном и безвозвратном порядке в соответствии с бюджетным и налоговым законодательством Российской Федерации в распоряжение органов государственной власти Российской Федерации. В доходах бюджетов могут быть частично централизованы доходы, зачисляемые в бюджеты других

76

уровней бюджетной системы Российской Федерации для целевого финансирования централизованных мероприятий, а также безвозмездные перечисления. В составе доходов бюджетов обособленно учитываются доходы целевых бюджетных фондов.

К налоговым доходам относятся предусмотренные налоговым законодательством Российской Федерации федеральные налоги и сборы, а также пени и штрафы.

К неналоговым доходам относятся доходы от использования имущества, находящегося в государственной собственности; от продажи или иного возмездного отчуждения имущества, находящегося в государственной собственности; от платных услуг, оказываемых соответствующими органами государственной власти, а также бюджетными учреждениями, находящимися в ведении федеральных органов исполнительной власти; средства, полученные в результате применения мер гражданско-правовой, административной и уголовной ответственности, в том числе штрафы, конфискации, компенсации, а также средства, полученные в возмещение вреда, причиненного Российской Федерации, и иные суммы принудительного изъятия; иные неналоговые доходы.

В качестве исходной информации используются следующие данные: совокупные (налоговые и неналоговые доходы) федерального бюджета, млрд. руб. (с 1998 г. млн. руб.) - месячные данные с1992:01 по 2000:05; источник - Министерство финансов РФ.

График ряда доходов федерального бюджета X = БокЫМЪМ имеет вид:

120000

100000 -

80000 -

60000 -

40000 -

20000 -

0

92 93 94 95 96 97 98 99 00

77

График указывает на наличие детерминированных сезонных составляющих, амплитуда которых резко возрастает с конца 1995 г., когда влияние инфляционного эффекта масштаба цен стало доминирующим по отношению к предшествующей динамике ряда.

В связи с этим мы выделим для анализа период 1996:01-2000:05, на котором график ряда имеет вид 120000 -

100000 80000

60000

40000

20000

1996

1997

1998

1999

2000

-X

и рассмотрим на этом интервале ряд БРВ_БЕ8, очищенный от детерминированных сезонных составляющих: 60000.

40000

20000 -

20000

40000

1996

1997

1998

1999

2000

■ ОРВ ОББ

0

0

78

Применение к ряду БРВ_БЕ8 процедуры Перрона с эндогенным выбором даты излома тренда и последовательной редукцией модели в отношении максимального запаздывания разностей (в итоге оказывается возможным вообще отказаться от включения в модель запаздывающих разностей) дает следующие результаты.

Для модели с аддитивным выбросом, приводящим только к изменению наклона тренда:_

break date TB = 1998:12 ; statistic t(alpha=1) = -5.38168

Critical values at 1% 5% 10%

for 100 obs. -5.45 -4.83 -4.48

Explained variable : X_deseas

Coefficient student

CONSTANT 13754.29814 -8.20735

TIME 124.63087 1.71624

DT 3598.89564 16.31043

X deseas(-l) 0.26764 1.96676

Если пользоваться указанными критическими значениями, то DS-гипотеза отвергается на 5% уровне значимости в пользу TS-гипотезы. Следует, однако, заметить, что P-значение критерия Жарка-Бера при проверке нормальности по остаткам от последнего оцененного уравнения равно 0.006 за счет большого значения коэффициента эксцесса (4.98 против 3 у нормального распределения). Как было замечено в работе [Zivot, Andrews (1992)], в подобных случаях критические уровни существенно понижаются, а это означает, что наблюдаемое значение /-статистики критерия -5.382 в действительности может находиться ниже 5% критического уровня. Но тогда DS-гипотеза не может быть отвергнута.

Если допустить одновременное изменение наклона тренда и сдвиг траектории ряда (в рамках модели с инновационным выбросом), то получаем следующие результаты:_

break date TB = 1998:12 statistic t(alpha=1) = -5.20414

Critical values at 1 % 5 % 10 %

for 70 obs. -6.32 -5.59 -5.29

Number of lag retained: 0

Explained variable: DFB DES

79

Coefficient student

CONSTANT -10006.79048 -3.73394

DU - -4.86542

278103.35966

D(Tb) 7576.57283 1.33219

TIME 93.92653 1.08695

DT 2850.55763 4.97317

DFB_DES {1} 0.26757 1.90121

Эти результаты не позволяют в рамках сделанных предположений отвергнуть гипотезу Б8 в пользу Т8.

Результаты применения критерия DF-GLS (с включенным линейным трендом):_

Critical values (asymptotic)

Test Statistic 1% 2.5% 5% 10%

DFGLS -1.181 -3.48 -3.15 -2.89 -2.57

Этот критерий также не отвергает DS-гипотезы в качестве нулевой. То же решение принимается, если использовать приближенную формулу для критических значений, учитывающую количество имеющихся наблюдений и наибольшее запаздывание включаемых в модель разностей (получаемое при использовании этой формулы 5% критическое значение равно -2.78).

Эти выводы подтверждаются применением критерия KPSS (с включением линейного тренда):_

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.30564

4 0.25663

10 0.15320

11 0.14758

12 0.14357

В пользу DS-гипотезы говорит и поведение отношения дисперсий Кохрейна:

80

V к

+ /

в р

1

*

5

о

р

в

о

Е

э

е

0

Подведем итоги анализа ряда доходов федерального бюджета на интервале 1996:01-2000:05 :_

Используемая процедура (критерий) Исходная (нулевая) гипотеза

БЗ ГЗ

Критерий DF-GLS Не отвергается

Критерий KPSS Отвергается

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)_

Статистические выводы, полученные при применении всех перечисленных в таблице процедур, согласуются между собой: нулевая Б8-гипотеза не отвергается, тогда как нулевая Т8-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу Б8-гипотезы.

81

2.4.2. Налоговые доходы федерального бюджета

К налоговым доходам федерального бюджета относятся предусмотренные налоговым законодательством Российской Федерации федеральные налоги и сборы, а также пени и штрафы.

В качестве исходной информации используются следующие данные: все налоговые доходы федерального бюджета, млрд. руб. (с 1998 г. млн. руб.) - месячные данные с1992:01 по 2000:05; источник - Министерство финансов РФ.

График ряда налоговых доходов федерального бюджета Х1 = Ма^-^кИ имеет вид

-X

и весьма похож на график ряда БокММЪМ (являющегося суммой ряда налоговых и ряда неналоговых доходов). Для анализа опять выделим интервал 1996:01:2000:05, на котором ряд имеет следующий вид:

82

100000

1996 1997 1998 1999 2000

|-ЫД1_ОЗРО |

Ориентируясь на форму графика, применим процедуру Перрона, предполагающую изменение наклона тренда. Рассмотрим ряд МЛЬ_ББ8, очищенный от детерминированных сезонных составляющих. Применение к этому ряду процедуры Перрона с эндогенным выбором даты излома тренда и последовательной редукцией модели в отношении максимального запаздывания разностей на этот раз приводит к несколько иному (но близкому к полученному для ряда доходов федерального бюджета) результату. Отметим

- РРБ РБв

83

-NAL DES

При применении процедуры PERRON97 к ряду налоговых доходов, реализующей эндогенный выбор даты изменения наклона тренда в модели

с аддитивным выбросом, получаем следующие результаты:_

break date TB = 1999:02 ; statistic t(alpha=1) = -4.88088

critical values at 1% 5% 10%

for 100 obs. -5.45 -4.83 -4.48

number of lag retained : 0 explained variable : NAL_DES

coefficient student

CONSTANT -13594.20391 -9.05378

TIME 214.85839 3.43942

DT 3441.92040 15.39548

NAL_DES {1} 0.35871 2.73011

В качестве даты изменения наклона тренда указанная процедура выбирает 1999:02 (а не 1998:12, как в модели для ряда всех доходов федерального бюджета).

При использовании указанных критических значений и уровня значимости 5% Б8-гипотеза отвергается формально в пользу Т8-гипотезы. Остатки от оцененной модели проходят тесты на нормальность (Р-значение 0.134) и на отсутствие автокоррелированности ошибок (Р-значения при разных значениях параметра критерия не меньше 0.425).

84

При допущении одновременного изменения наклона тренда и уровня ряда (модель с инновационным выбросом) процедура PERRON97 выбирает датой излома 1999:04. При этом получаются следующие результаты: break date TB = 1999:04 ; statistic t(alpha=1) = -4.56691

critical values at 1% 5% 10%

for 70 obs. -6.32 -5.59 -5.29

number of lag retained : 0 explained variable : NAL_DES

coefficient student

CONSTANT -8770.40256 -3.69052

DU -151804.20882 -2.66436

D(Tb) -12287.41898 -2.36503

TIME 163.54522 2.37784

DT 1596.10854 2.88630

NAL_DES {1} 0.38512 2.86039

В соответствии с этими результатами DS-гипотеза не отвергается. Результаты применения критерия DF-GLS (с включенным трендом):

Lags = 0

Critical values (asymptotic)

Test Statistic 1% 2.5% 5% 10%

DFGLS -1.090 -3.48 -3.15 -2.89 -2.57

Нулевая DS-гипотеза не отвергается. То же решение принимается при использовании для вычисления критических значений упоминавшейся ранее приближенной формулы (получаемое при использовании этой формулы 5% критическое значение равно -2.62).

Критерий КБвв:_

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.30690

4 0.25870 10 0.15405

Гипотеза Т8 в качестве нулевой отвергается в пользу Б8-гипотезы. Поведение отношения дисперсий Кохрейна

85

v

е г

1 *

А ^

в р

О Е

к

/

+

N

3

з

0

говорит в пользу Б8-гипотезы.

Подведем итоги анализа ряда налоговых доходов федерального бюджета на интервале 1996:01-2000:05:_

Используемая процедура (критерий) Исходная (нулевая) гипотеза

53 ТЗ

Критерий DF-GLS Не отвергается

Критерий KPSS Отвергается

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)_

Статистические выводы, полученные при применении всех перечисленных в таблице процедур, согласуются между собой: нулевая Б8-гипотеза не отвергается, тогда как нулевая Т8-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу Б8-гипотезы.

86

2.5. Анализ временного ряда для данных о темпах инфляции

Здесь в качестве исходной информации рассматривается темп прироста индекса потребительских цен, % - месячные данные с 1991:01 по 2000:08; источник - Госкомстат РФ.

Индекс потребительских цен (ИПЦ) измеряет отношение стоимости фактического фиксированного набора товаров и услуг в текущем периоде к его стоимости в базисном периоде. ИПЦ является важнейшим показателем, характеризующим уровень инфляции, и используется для целей государственной политики, анализа и прогноза ценовых процессов в экономике, пересмотра минимальных социальных гарантий, решения правовых споров.

Расчет ИПЦ производится путем объединения двух информационных потоков:

• данных об изменении цен, полученных методом регистрации цен и тарифов на потребительском рынке;

• данных о структуре фактических потребительских расходов населения за предыдущий год.

График ряда Х1 = INFL, представляющего значения темпов прироста индекса потребительских цен на периоде с 1991:01 по 2000:08, имеет следующий вид:

250

200-

150-

100-

-50

91 92 93 94 95 96 97 98 99 00

|-!ЫР-

87

График показывает резкие всплески ряда в апреле 1991 г., в январе-феврале 1992 г. и в сентябре 1998 г., связанные, соответственно, с моментами повышения цен правительством В. Павлова, либерализации цен и инфляционного всплеска после августовского кризиса.

Выделим для исследования промежуток времени между двумя последними всплесками, точнее, период 1992:05-1998:07. Для этого периода график ряда имеет вид

!ЫР1.

Проверку ряда Х1 на принадлежность его классу DS процессов начнем с использования критерия Дики-Фуллера. Ряд имеет выраженный тренд, поэтому будем оценивать статистическую модель, содержащую в правой части уравнения константу и трендовую составляющую.

Получаемый в результате оценивания модели ряд остатков имеет автокорреляционную функцию, типичную для процесса белого шума: отсутствуют сколько-нибудь заметные пики как автокорреляционной, так и частной автокорреляционной функции:

88

Sample: 1992:05 1998:07 Included observations: 75

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

I* I* 1 0.106 0.106 0.8693 0.351

I* I* 2 0.079 0.069 1.3646 0.505

I I 3 0.004 -0.011 1.3662 0.713

*I *I 4 -0.077 -0.083 1.8483 0.764

**I **I 5 -0.203 -0.191 5.2570 0.385

*I I 6 -0.094 -0.050 6.0022 0.423

I I 7 -0.047 -0.005 6.1929 0.517

I I 8 0.012 0.027 6.2053 0.624

I* I 9 0.085 0.065 6.8398 0.654

I *I 10 -0.019 -0.084 6.8709 0.738

*I *I 11 -0.087 -0.131 7.5465 0.753

I I 12 -0.037 -0.033 7.6697 0.810

**I *I 13 -0.194 -0.173 11.184 0.595

Вместе с тем распределение остатков весьма отличается от нормального:

25

20.

15

10.

5.

Series: Residuals

Sample 1992:05 1998:07

Observations 75

Mean 6.45E-16

Median -0.047377

Maximum 10.14915

Minimum -8.988688

Std. Dev. 2.825929

S kewness 0.244567

Kurtosis 5.999021

Jarque-Bera 28.85431

Probability 0.000001

0 _

-8-6-4 -2 0 2 4 6 8 10 и это не позволяет пользоваться критическими значениями /-статистики критерия Дики-Фуллера. Столь серьезное отклонение оцененного распределения ошибок от нормального связано с существенным изменением амплитуды колебаний ряда остатков весной 1995 г.:

89

- RESIDUALS

на что указывалось ранее в работах [Развитие российского финансового рынка. (1998, Глава 3)] и [Экономика переходного периода. (1998, Приложение IY)].

Следующая таблица показывает значения оцененных стандартных отклонений значений ряда остатков на левом и правом подинтервалах данного периода, отношение этих стандартных отклонений и P-значения статистики Жарка-Бера при проверке на нормальность значений на левом и правом подинтервалах. Дата, указанная в заголовке каждого столбца, соответствует конечной точке левого подинтервала._

94:12 95:01 02 03 04 05 06 07 08

SDлев 4.136 4.097 4.134 4.084 4.026 3.971 3.923 3.879 3.834

Рлев 0.989 0.990 0.995 0.981 0.963 0.932 0.886 0.829 0.694

SDправ 1.123 1.006 0.733 0.715 0.725 0.734 0.730 0.714 0.706

Рправ 0.000 0.000 0.317 0.347 0.330 0.311 0.329 0.362 0.377

SDлев/SDправ 3.683 4.073 5.640 5.712 5.533 5.410 5.374 5.433 5.431

Отношение стандартных ошибок SDлев/SDправ максимально при окончании левого подинтервала в точке 1995:03. Р-значение статистики Жарка-Бера на левом подинтервале достигает максимума при расширении левого подинтервала до 1995:02, после чего начинает убывать. Р-значение

90

статистики Жарка-Бера на правом подинтервале становится существенно отличным от нуля только при уменьшении правого подинтервала до 1995:02-1998:07. Основываясь на этих результатах, мы выделим подинтер-валы 1992:05-1995:03 и 1995:04-1998:07 для предварительного раздельного анализа.

На интервале 1992:05-1995:03 ряд остатков при оценивании статистической модели с трендом (без включения запаздывающих разностей) проходит тесты на нормальность и отсутствие автокоррелированности. Значение /-статистики критерия Дики-Фуллера равно -2.193 при 5% критическом значении -3.547, так что DS-гипотеза не отвергается.

На интервале 1995:03-1998:07 ряд остатков при оценивании аналогичной статистической модели с трендом также проходит тесты на нормальность и отсутствие автокоррелированности. Значение /-статистики критерия Дики-Фуллера равно -3.437 при 5% критическом значении -3.522, так что формально DS-гипотеза не отвергается и здесь при выборе такого критического уровня.

На объединенном периоде мы не можем использовать процедуру Дики-Фуллера, но можем применить критерий Филлипса-Перрона, допускающий наличие гетероскедастичности ошибок. Применение этого критерия к модели, допускающей линейный тренд, с выбором ширины окна, равной 3, дает значение скорректированной /-статистики, равное -3.285 при 5% критическом уровне -3.470. Если в оцениваемую модель не включается линейный тренд, то тогда значение скорректированной /-статистики равно -1.877 при 5% критическом уровне -2.900. Наконец, если в оцениваемую модель не включается еще и константа, то значение скорректированной /-статистики получается равным -1.878 при 5% критическом значении -1.945. Во всех этих трех случаях DS-гипотеза не отвергается. Расширение окна, используемого при оценивании долговременной дисперсии, не меняет дела. Так, при включении в модель константы и тренда расширение ширины окна с 3 до 9 приводит к увеличению значений статистики критерия с -3.285 до -2.922 и не изменяет решения о неотвержении DS-гипотезы.

Применение критерия DF-GLS_

Lags = 0_

Critical values (asymptotic)_

Test Statistic 1% 2.5% 5% 10%

DFGLS_-2.258_-3.48_-3.15_-2.89_-2.57

также не приводит к отвержению DS-гипотезы. То же решение принимается при вычислении критических значений по приближенной формуле из [Cheung, Lay (1995)] (получаемое при использовании этой формулы 5% критическое значение равно -3.08).

91

Предполагая теперь возможное изменение наклона тренда, применим процедуру PERRON97 с эндогенным выбором точки излома тренда.

Если предполагать только изменение наклона тренда (модель с аддитивным выбросом), то результаты применения этой процедуры таковы:

break date TB = 1996:09 ; statistic t(alpha=1) = -3.68319_

critical values at 1% 5% 10%

For 100 obs. -5.45 -4.83 -4.48

number of lag retained : 9

explained variable : INFL_

coefficient student

CONSTANT 22.27305 19.61729

TIME -0.39843 -11.77569

DT 0.36387 3.11099

INFL{1} 0.50575 3.76886

Если допустить одновременное изменение наклона тренда и сдвиг уровня

ряда (модель с инновационным выбросом), то получаем следующие результаты:

break date TB = 1996:02 ; statistic t(alpha==1) = -3.77937

critical values at 1% 5% 10%

for 70 obs. -6.32 -5.59 -5.29

for 100 obs. -6.21 -5.55 -5.25

number of lag retained : 9

explained variable : INFL

coefficient student

CONSTANT 15.38542 3.44129

DU -15.71117 -2.70978

D(Tb) 1.57031 0.71748

TIME -0.27679 -3.32577

DT 0.23045 2.74869

INFL{1} 0.39869 2.50589

Хотя оцененные даты излома в этих двух моделях отличаются, DS-гипотеза в обоих случаях не отвергается.

Возьмем теперь в качестве исходной TS-гипотезу и применим критерий KPSS. Результаты применения этого критерия следующие:_

ETA(mu) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

0 5.74061

1 2.96682

2 2.03981

3 1.57389

4 1.29263

12 0.59361

ETA(tau) Values:

92

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.11674

4 0.10484 12 0.09731

В модели без тренда TS-гипотеза отвергается в пользу DS-гипотезы в рассматриваемом диапазоне значений ширины окна. В модели с трендом при ширине окна 3 и при более широких окнах TS-гипотеза не отвергается, что не согласуется с результатами применения предыдущих критериев.

Рассмотрим поведение отношения дисперсий Кохрейна:

4

2 О 8 6

4

2 О

W INDO W SIZE

График изменения значений этого отношения говорит в пользу TS-гипотезы.

Если применить критерий KPSS ко второму подинтервалу, то получаем следующие результаты:_

ETA(mu) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

0 2.75929

1 1.49846

2 1.06897

3 0.85409

4 0.72445

V

s

K

+ /

N

93

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau)

0 0.67046

1 0.37587

2 0.27557

3 0.22718

4 0.19878

Здесь TS-гипотеза отвергается в пользу DS-гипотезы.

Подведем итоги анализа ряда INFL на интервале 1992:05-1998:07:

Используемая процедура (критерий) Исходная (нулевая) гипотеза

DS TS

Критерий Дики-Фуллера Не отвергается

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Не отвергается

Критерий КРЗЗ Результат

не вполне

ясен

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)

Несогласованность выводов, получаемых при выборе гипотезы DS в качестве нулевой или альтернативной, можно объяснить взаимодействием двух факторов - отклонением распределения ошибок в оцениваемых моделях от нормального и изменением амплитуды колебаний ряда при переходе ко второму подинтервалу.

2.6. Анализ временного ряда индекса интенсивности промышленного производства

В качестве исходной информации используются сезонно скорректированные месячные данные по индексу интенсивности промышленного производства с 1990:12 по 2000:07, рассчитанные ЦЭК при Правительстве РФ и ИИР Государственного университета - Высшей школы экономики.

График ряда (с учетом сезонной коррекции) выглядит следующим образом:

94

I — ШтргоМ

Если пытаться решать вопрос об использовании для описания ряда Б8 или Т8 модели, то здесь не вполне ясной представляется подходящая модель тренда. С одной стороны, в целом кажется подходящей модель квадратичного тренда. С другой стороны, выделяются два подпериода, на которых более предпочтительным представляется линейный тренд. Это участки спада промышленного производства до момента кризиса 1998 года и по-слекризисного роста производства. Один из таких периодов - это интервал 1994:01-1998:

95

При проверке DS-гипотезы на этом интервале методом Дики-Фуллера в оцениваемое уравнение помимо константы и тренда приходится первоначально включать 7 запаздывающих разностей, поскольку разность, запаздывающая на 7 месяцев, статистически значима:

ADF Test Statistic -2.017956 1% Critical Value* -4.1540

5% Critical Value -3.5025

10% Critical Value -3.1804

*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(X) Method: Least Squares Date: 02/22/01 Time: 09:46 Sample: 1994:01 1998:01

Included observations: 49

Variable Coefficient Std. Error t-Statistic Prob.

X(-1) -0.012284 0.006087 -2.017956 0.0505

D(X(-1)) 2.593330 0.134552 19.27388 0.0000

D(X(-2)) -3.204512 0.380911 -8.412763 0.0000

D(X(-3)) 1.923210 0.604972 3.179005 0.0029

D(X(-4)) 0.193033 0.677911 0.284747 0.7773

D(X(-5)) -1.372521 0.563908 -2.433943 0.0196

D(X(-6)) 1.158955 0.329394 3.518443 0.0011

D(X(-7)) -0.403933 0.104910 -3.850283 0.0004

C 0.534607 0.296595 1.802481 0.0792

@TREND(1994:01) -0.000806 0.001404 -0.573960 0.5693

R-squared 0.990786 Mean dependent var -0.221429

Adjusted R-squared 0.988660 S.D. dependent var 0.524786

S.E. of regression 0.055885 Akaike info criterion -2.751147

Sum squared resid 0.121801 Schwarz criterion -2.365061

Log likelihood 77.40310 F-statistic 465.9683

Durbin-Watson stat 2.112515 Prob(F-statistic) 0.000000

96

При этом гипотеза о наличии единичного корня в авторегрессионном представлении ряда не отвергается.

Исключение из правой части разности, запаздывающей на 4 месяца, приводит к модели со статистически значимыми коэффициентами.

Dependent Variable: D(X)

Method: Least Squares Sample: 1994:01 1998:01

Included observations: 49

Variable Coefficient Std. Error t-Statistic Prob.

C 0.530484 0.293839 1.805355 0.0785

@TREND( 1993:12) -0.000804 0.001388 -0.579622 0.5654

X(-1) -0.012165 0.006003 -2.026557 0.0494

D(X(-1)) 2.615517 0.108429 24.12187 0.0000

D(X(-2)) -3.289578 0.233588 -14.08281 0.0000

D(X(-3)) 2.085218 0.203252 10.25930 0.0000

D(X(-5)) -1.221284 0.187269 -6.521545 0.0000

D(X(-6)) 1.084367 0.197403 5.493155 0.0000

D(X(-7)) -0.385655 0.082023 -4.701813 0.0000

R-squared 0.990767 Mean dependent var -0.221429

Adjusted R-squared 0.988920 S.D. dependent var 0.524786

S.E. of regression 0.055239 Akaike info criterion -2.789886

Sum squared resid 0.122054 Schwarz criterion -2.442409

Log likelihood 77.35222 F-statistic 536.5299

Durbin-Watson stat 2.154521 Prob(F-statistic) 0.000000

Эта модель обладает удовлетворительными остатками (Р-значение критерия Жарка-Бера равно 0.938, Р-значение критерия Уайта равно 0.449, Р-значения ЬМ теста автокоррелированности превышают значение 0.405). Однако значение /-статистики критерия -2.027 выше 5% критического уровня -3.503. Поэтому Б8-гипотеза остается неотвергнутой.

В рамках процедуры Доладо теперь следовало бы проверить гипотезу о равенстве нулю коэффициента р при трендовой составляющей в Б8-модели БвР. Значение /-статистики соответствующего критерия берем из только что приведенной таблицы: оно равно -0.580. В то же время 5% кри-

97

тическое значение одностороннего критерия (против альтернативы р < 0) равно (при 50 наблюдениях) -2.81. Таким образом, гипотеза р= 0 не отвергается, и далее следует применять критерий Дики-Фуллера к модели с включением в правую часть только константы (но не тренда).

При оценивании модели с константой, но без тренда в правую часть оцениваемого уравнения необходимо включать разность, запаздывающую на 7 месяцев. При этом опять оказывается статистически незначимой разность с запаздыванием на 4 месяца. Исключение последней из правой части оцениваемой модели дает следующий результат: Dependent Variable: D(X) Method: Least Squares Sample: 1994:01 1998:01

Included observations: 49

Variable Coefficient Std. Error t-Statistic Prob.

C 0.386789 0.156455 2.472206 0.0177

X(-1) -0.009415 0.003647 -2.581691 0.0135

D(X(-1)) 2.627685 0.105513 24.90400 0.0000

D(X(-2)) -3.313664 0.227993 -14.53407 0.0000

D(X(-3)) 2.104959 0.198748 10.59107 0.0000

D(X(-5)) -1.244470 0.181459 -6.858130 0.0000

D(X(-6)) 1.109549 0.190997 5.809249 0.0000

D(X(-7)) -0.398960 0.078105 -5.107988 0.0000

R-squared 0.990689 Mean dependent var -0.221429

Adjusted R-squared 0.989100 S.D. dependent var 0.524786

S.E. of regression 0.054790 Akaike info criterion -2.822339

Sum squared resid 0.123079 Schwarz criterion -2.513470

Log likelihood 77.14730 F-statistic 623.2228

Durbin-Watson stat 2.169413 Prob(F-statistic) 0.000000

Значение /-статистики критерия единичного корня -2.582 оказывается выше 5% критического уровня, который на этот раз равен -2.922. Б8-гипотеза не отвергается.

Проверяем теперь гипотезу о равенстве нулю константы в DGP. Наблюдаемое значение статистики критерия для проверки этой гипотезы берем из последней таблицы. Оно равно

2.472, что меньше 5% критического уровня 2.89. Поэтому гипотеза о равенстве нулю константы в DGP не отвергается. Остается только проверить DS-гипотезу в рамках оценивания модели без константы.

98

Исключая разность с запаздыванием на 4 месяца, получаем оцененную модель

Dependent Variable: D(X) Method: Least Squares Sample: 1994:01 1998:01

Included observations: 49

Variable Coefficient Std. Error t-Statistic Prob.

X(-1) -0.000416 0.000237 -1.754543 0.0866

D(X(-1)) 2.673588 0.110005 24.30418 0.0000

D(X(-2)) -3.359898 0.240655 -13.96145 0.0000

D(X(-3)) 2.125533 0.210311 10.10660 0.0000

D(X(-5)) -1.227803 0.192052 -6.393074 0.0000

D(X(-6)) 1.082069 0.201944 5.358274 0.0000

D(X(-7)) -0.376041 0.082137 -4.578220 0.0000

R-squared 0.989301 Mean dependent var -0.221429

Adjusted R-squared 0.987773 S.D. dependent var 0.524786

S.E. of regression 0.058028 Akaike info criterion -2.724203

Sum squared resid 0.141427 Schwarz criterion -2.453943

Log likelihood 73.74299 Durbin-Watson stat 1.991915

Значение -1.755 /-статистики критерия единичного корня выше 5% критического уровня -1.947; DS-гипотеза не отвергается.

Итак, при использовании критериев Дики-Фуллера DS-гипотеза не отвергается.

Проверим теперь DS-гипотезу, используя критерий DF-GLS.

Для модели с включением линейного тренда получаем:_

Lags = 7_

Critical values (asymptotic)_

Test Statistic 1% 2.5% 5% 10% DFGLS_-0.976_-348_-3Л5_-2.89_-2.57

Этот критерий не отвергает DS-гипотезу. То же решение принимается, если использовать для вычисления критических значений приближенную формулу, (получаемое при использовании этой формулы 5% критическое значение равно -2.88).

Критерий KPSS с TS-гипотезой в качестве нулевой дает следующие результаты:

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.23079

4 0.19541

99

7

8 12

0.14612 0.13798 0.12337

При ширине окна 3 гипотеза Т8 отвергается в пользу DS-гипотезы. Однако, если учитывать упомянутую выше статистическую значимость разностей, запаздывающих на 7 месяцев, значение статистики критерия практически совпадает с 5% критическим значением.

На более продолжительном периоде 1990:12-1998:08 график ряда имеет следующий вид:

10090 80 70 60 50 40 30

91

92

93

94

95

96

97

98

ЕЕЗ

Такой вид графика позволяет предположить, что детерминированный тренд можно описать как сегментированный линейный тренд со сменой наклона. Имея это в виду, воспользуемся процедурой Перрона с эндогенным выбором даты излома тренда (по минимуму /-статистики для проверки DS-гипотезы) и редукцией модели с использованием стратегии GS (с уровнем значимости 10%) - процедура PERRON97 из пакета RATS. Указанная процедура приводит к следующим результатам (модель с аддитивным выбросом):_

break date TB = 1994:10 ; statistic t(alpha=1) = -5.48413_

critical values at for 100 obs.

number of lag retained : 4 explained variable : INTPROM

CONSTANT TIME

1% -5.45

coefficient

96.10760 -1.09112

5% -4.83

student

176.67216 -64.60380

10% -4.48

100

БТ 0.98282 32.53140

ЮТРЯОМ(-1)_0.91884_62.08842_

Гипотеза о том, что ряд ГЫТРЯОМ принадлежит классу Б8-рядов, отвергается последней процедурой (на периоде 1990:12 - 1998:08).

Подведем итоги анализа ряда INTPROM:

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Т8

Период 1994:01-1998:08

Критерий Дики-Фуллера (расширенный) Не отвергается

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Не отвергается

Критерий KPSS Отвергается

Период 1990:12-1998:08

Обобщенный критерий Перрона Отвергается

(эндогенный выбор даты излома тренда)

Здесь следует все же скорее согласиться с выводом последнего критерия, поскольку он построен по большему количеству наблюдений и учитывает возможность изменения структуры модели.

2.7. Анализ временного ряда для валового внутреннего продукта

Валовой внутренний продукт (ВВП) - Представляет собой на стадии производства сумму добавленных стоимостей отраслей экономики, а на стадии использования - стоимость товаров и услуг, предназначенных для конечного потребления, накопления и экспорта. ВВП рассчитывается в текущих основных и рыночных ценах (номинальный ВВП). Для изучения динамики ВВП применяются постоянные цены. Реальный ВВП рассчитывается методом дефлятирования.

В качестве исходной информации используются данные: номинальный объем валового внутреннего продукта, млрд. руб. (с 1998 г млн. руб.) -квартальные данные с 1994:1 по 2000:2; источник - Госкомстат РФ.

График этого ряда имеет следующий вид:

101

I-GDP I

Этот график похож по характеру поведения на графики денежных рядов. Поэтому на основании характера этого графика можно было бы опять рассмотреть в качестве модели порождения ряда модель сегментированного тренда и проверить гипотезу о принадлежности ряда классу DS-процессов, используя процедуру PERRON97 из пакета RATS. Однако данных для анализа слишком мало (26 наблюдений), поэтому проведем анализ в рамках более простой модели линейного тренда.

Ряд остатков при оценивании регрессии ряда разностей Yt = Xt - Xt-1 на константу и линейный тренд имеет коррелограмму, указывающую на необходимость включения в правую часть расширенного уравнения (по крайней мере, в качестве исходного пункта до 12 запаздывающих разностей): Sample: 1994:2 2000:2

Included observations: 25

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.148 0.148 0.6181 0.432

*| 2 -0.133 -0.159 1.1397 0.566

| 3 0.045 0.096 1.2022 0.752

|**** 4 0.477 0.456 8.5129 0.074

**| *** | 5 -0.196 -0.436 9.8056 0.081

***| 6 -0.344 -0.162 13.998 0.030

**| 7 -0.201 -0.240 15.518 0.030

|** 8 0.294 0.230 18.956 0.015

**| 9 -0.231 -0.142 21.203 0.012

***| 10 -0.351 -0.139 26.741 0.003

11 -0.164 -0.108 28.040 0.003

|* 12 0.120 -0.362 28.784 0.004

102

При этом теряется еще 13 первых наблюдений, и всего остается 25 - 13 = 12 наблюдений - меньше, чем число оцениваемых параметров. Таким образом, мы не можем воспользоваться здесь и расширенным критерием Ди-ки-Фуллера.

По той же причине нельзя воспользоваться и критерием БР^Ь8.

Если использовать вместо критерия Дики-Фуллера критерий Филлип-са-Перрона с шириной окна 2, рекомендуемой Швертом и Newey-West, то скорректированная /-статистика критерия (с включением константы и тренда) получается равной -0.423, тогда как 5% критический уровень равен -3.603. Расширение окна не изменяет положения вещей: изменяя ее можно добиться всего лишь значения -0.698 (при ширине окна, равной 5).

Итак, имеющееся количество наблюдений не дает возможности отвергнуть Б8-гипотезу, выбранную в качестве исходной (нулевой).

В то же время, если в качестве нулевой использовать Т8-гипотезу, то тогда можно воспользоваться процедурой КР88. Применение этой процедуры дает следующие результаты:_

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

0 0.37987

1 0.21571

2 0.16020

3 0.13464

4 0.12210

При ширине окна равной 3 и 4, нулевая TS-гипотеза не отвергается, в то время как при ширине окна 2 (рекомендуемой) она отвергается в пользу DS-гипотезы.

Подведем итоги анализа ряда GDP:_

Используемая процедура (критерий) Исходная (нулевая) гипотеза

DS TS

Критерий Дики-Фуллера (расширенный) Неприменим

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Неприменим

Критерий KPSS Результат не ясен

Получение сколько-нибудь надежных статистических выводов оказывается невозможным ввиду слишком малого количества наблюдений.

103

2.8. Анализ временного ряда для уровней безработицы

Уровень безработицы определяется как удельный вес численности безработных в численности экономически активного населения.

Экономически активное население (рабочая сила) - это часть населения, обеспечивающая предложение рабочей силы для производства товаров и услуг. Численность экономически активного населения включает занятых в экономике и безработных.

К безработным, применительно к стандартам Международной Организации Труда (МОТ), относятся лица в возрасте, установленном для измерения экономической активности, которые в рассматриваемый период одновременно удовлетворяли следующим критериям:

- не имели работы (доходного занятия);

- занимались поиском работы, т.е. обращались в государственную или коммерческую службу занятости, использовали или помещали объявления в печати, непосредственно обращались к администрации предприятия или работодателю, использовали личные связи и т.д. или предпринимали шаги к организации собственного дела;

- были готовы приступить к работе.

Учащиеся, студенты, пенсионеры и инвалиды учитываются в качестве безработных, если они занимались поиском работы и были готовы приступить к ней.

104

Поскольку на графике явно наблюдается перелом тенденции в 19981999 годах, для анализа выбираем период 1994:01- 1998:04, на котором ряд ведет себя более или менее однородным образом:

| — ишов|

При оценивании уравнения, используемого при применении критерия Дики-Фуллера с включением тренда, но без запаздывающих разностей, получаем ряд остатков, имеющий коррелограмму, типичную для белого шума, и проходящий тесты на нормальность (Р-значение критерия Жарка-Бера равно 0.429), гетероскедастичность (Р-значение критерия Уайта равно 0.619) и отсутствие автокоррелированность (Р-значения LM-критерия равны 0.283, 0.108, 0.089, 0.155 при авторегрессионных моделях для остатков порядков 1, 2, 3, 4).

Гипотеза единичного корня отвергается критерием Дики-Фуллера (значение /-статистики критерия равно -4.515 при 5% критическом уровне -3.499). Поэтому можно не привлекать для анализа другие критерии, берущие в качестве нулевой DS-гипотезу.

Критерий KPSS, берущий в качестве нулевой TS-гипотезу, дает следующие результаты:_

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

3 0.04899

4 0.04766 12 0.11558

105

Гипотеза TS не отвергается этим критерием, что подтверждает результаты применения предыдущих критериев.

Поведение отношения дисперсий Кохрейна также говорит в пользу Т8-гипотезы.

4

2 0 8 6 4 2 0

W I N00 W в I ЕЕ

Подведем итоги анализа ряда ЦМОВ на интервале 1994:01-1998:04:

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Т8

Критерий Дики-Фуллера Отвергается

Критерий Филлипса-Перрона Отвергается

Критерий КРЗЗ Не отвергается

Отношение дисперсий Кохрейна В пользу Т8

Статистические выводы, полученные при применении перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза отвергается, тогда как нулевая TS-гипотеза не отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу TS-гипотезы.

V К + / - 1 * в Р

Б е г е з : и N и О В

1—3—4—5—6—7—8—1 | 1 I1 I I 1 I I 11 I

106

2.9. Анализ временного ряда для индекса РТС-1

Индекс РТС. Индекс РТС является единственным официальным индикатором Фондовой биржи РТС. Индекс рассчитывается один раз в 30 минут в течение всей торговой сессии, начиная с 12:00 и заканчивая в 18:10. В 18:00 индекс не рассчитывается. Рассчитанное значение индекса на 18:10 является значением закрытия. Соответственно значение индекса на 12:00 - это значение открытия.

Расчет индекса. Индекс рассчитывается в двух значениях - валютном и рублевом. Рублевые значения являются вспомогательными и рассчитываются на основе валютных значений. Индекс (валютное значение) на расчетное время рассчитывается как отношение суммарной рыночной капитализации акций, включенных в список для расчета индекса, к суммарной рыночной капитализации этих же акций на начальную дату, умноженное на значение индекса на начальную дату. Рублевое значение индекса РТС определяется как произведение валютного значения индекса на коэффициент, рассчитанный как отношение текущего значения курса рубля к доллару США к начальному значению. Общий контроль и внесение изменений в методику расчета индекса осуществляется Информационным Комитетом РТС.

В качестве исходной информации используется фондовый индекс торговой системы РТС - дневные данные индекса РТС-1 на момент закрытия торгов с 01/09/95 по 31/10/00.

В отличие от всех ранее рассмотренных рядов здесь мы имеем дело с рядом дневных значений. График ряда фондового индекса Х1 = ЯТ81 (на горизонтальной оси указаны номера последовательных наблюдений - всего 1294 наблюдения) имеет достаточно сложный вид

107

затрудняющий описание этого ряда единои трендовои моделью.

Имея в виду обычную практику построения моделей рядов высокочастотных финансовых показателей, а именно, построение моделей для ряда = 1пХ - 1пХ_ь мы рассмотрим вопрос о принадлежности классу Б8 или Т8 ряда = 1пХ график которого имеет вид

I X

Отвергнуть Б8-гипотезу для ряда ^ , рассматриваемого на всем периоде наблюдений, конечно, сложно, если в качестве альтернативы рассматривать стационарный или стационарный относительно линейного тренда ряд, тем более что в уравнение, оцениваемое при применении расширенного критерия Дики-Фуллера, здесь приходится включать большое количество запаздывающих разностей: даже при включении 36 запаздывающих разностей последние две разности остаются статистически значимыми. При этом гистограмма ряда остатков от оцененной расширенной модели 200 .

150

100 .

50.

1 I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I 1

-0.20 -0.15 -0.10 -0.05 0.00 0.05 0.10 0.15

Series: RESID

Sample 38 1294

Observations 1257

Mean -3.16E-18

Median -0.000104

Maximum 0.185715

Minimum -0.190944

Std. Dev. 0.034402

Skewness -0.077948

Kurtosis 6.36151С

Jarque-Bera 593.0974

Probability 0.000000

6. 5

6. 0

5. 5

5. 0

4. 5

4. 0

3. 5

200

400

600

800

000

200

108

и Р-значение статистики критерия Жарка-Бера определенно говорят об отличии распределения ошибок от нормального.

Если обратиться к критерию Филлипса-Перрона с рекомендуемой шириной окна I = 7, то значение скорректированной ^статистики оказывается равным РР(7) = -1.290 при 5% критическом уровне -2.864. Увеличение ширины окна до 13 дает значение РР(13) = -1.359 и даже увеличение ширины окна до 36 приводит лишь к значению РР(36) = -1.507, так что критерием Филлипса-Перрона Б8-гипотеза для ряда У1 не отвергается.

В то же время используемая в качестве нулевой в критерии КР88 гипотеза Т8 уверенно отклоняется в пользу Б8-гипотезы как при включении в модель линейного тренда, так и без его включения в модель:_

ETA(mu) Values (без включения линейного тренда):

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

7 1.90482

8 1.69460

9 1.52644

10 1.38886

11 1.27424

12 1.17726

24 0.61951

36 0.42440

ETA(tau) Values (с включением линейного тренда):

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(mu) =

7 1.85758

8 1.65259

9 1.48861

10 1.35446

11 1.24268

12 1.14812

24 0.60424

36 0.41399

Поведение статистики отношения дисперсий Кохрейна также говорит в пользу отнесения ряда к Б8-рядам:

109

V K

1

S

D

ь

у

6

5

4

3

2

Возможно, что гипотезу принадлежности ряда Yt можно отвергнуть на более коротких промежутках времени, естественно выделяющихся при взгляде на график ряда на всем интервале наблюдений. Проведем такой анализ на интервалах с 1 по 500 наблюдение, с 545 по 649 наблюдение, с 650 по 776 наблюдение и с 777 по 1294 наблюдение.

Период c 1 по 500 наблюдение (с 01/09/95 по 03/09/97) соответствует общей тенденции возрастания индекса РТС-1. График ряда Yt = lnXt на этом участке имеет вид

i — x log

110

При оценивании расширенного уравнения в критерии Дики-Фуллера с включением в правую часть тренда и 13 запаздывающих разностей, получаем значительное количество статистически незначимых разностей, последовательное отбрасывание которых (на уровне значимости 10%) приводит к модели с 7 запаздывающими разностями. При этом /-статистика критерия ЛЭР(7) (здесь ЛОБ указывает на использование расширенного критерия Дики-Фуллера, а 7 - на наибольшее запаздывание разностей) равна -3.54, что ниже 5% критического уровня -3.42, так что формально гипотеза единичного корня для ряда должна быть отвергнута. Однако следует обратить внимание на гистограмму остатков, получаемых при оценивании расширенного уравнения: 100

80

60.

40.

20.

Series: RESID

Sample 9 500

Observations 492

Mean 2.50E-17

Median -0.000953

Maximum 0.150407

Minimum -0.121994

Std. Dev. 0.026987

S kewness 0.280318

Kurtosis 6.663588

Jarque-Bera 281.5919

Probability 0.000000

-0.10 -0.05 0.00 0.05 0.10 0.15 Гипотеза нормальности распределения ошибок отвергается. Поэтому обратимся к критерию Филлипса-Перрона, менее требовательному к свойствам ряда ошибок.

В зависимости от выбранной ширины окна I получаем следующие значения скорректированной /-статистики критерия Филлипса-Перрона РР(1) (в модели, включающей константу и тренд):_

Ширина окна l

Значение PP(l)

Ширина окна l

Значение PP(l)

4 -3.10827 9 -3.15984

5 -3.11748 10 -3.16800

6 -3.12576 11 -3.17752

7 -3.14034 12 -3.18431

8 -3.15161 13 -3.18722

Все эти значения оказываются выше 5% критического уровня -3.42, так что Б8 гипотеза для ряда ^ не отвергается.

0

111

График ряда Yt на рассматриваемом интервале времени позволяет предположить, что при проверке DS-гипотезы, возможно, следует допускать возможность излома тренда в некоторой точке.

Предполагая такую возможность, применим к анализу ряда процедуру PERRON77 из пакета RATS, проводящую процедуру проверки с эндогенным выбором точки изменения наклона тренда. При этом получаем следующие результаты.

Для модели с одним только изменением наклона тренда (аддитивный выброс):_

break date TB = 8 ; statistic t(alpha=1) = -3.83291

critical values at 1% 5% 10%

for 200 obs. -5.28 -4.65 -4.38

infinite sample -4.91 -4.36 -4.07

number of lag retained : 7

explained variable : Y coefficient student

CONSTANT 4.91560 42.52236

TIME -0.10263 -6.97001

DT 0.10692 7.25719

Y{1} 0.97071 127.00868

Для модели, допускающей сдвиг уровня ряда с одновременным изме

нением наклона тренда (инновационный выброс):

break date TB = 148 ; statistic t(alpha=1) = -3.90218

critical values at 1% 5% 10%

for 100 obs. -6.21 -5.55 -5.25

infinite sample -5.57 -5.08 -4.82

number of lag retained : 7

explained variable : Y coefficient student

CONSTANT 0.17089 3.72886

DU -0.00316 -0.37357

D(Tb) -0.02381 -0.86267

TIME 3.23993e-005 0.55435

DT 1.32791e-004 1.62462

Y {1} 0.96007 93.81295

В обоих случаях значения статистики критериев оказались выше даже 10% критического уровня, и поэтому Б8-гипотеза не отвергается.

112

Применим теперь критерий КР88, который в качестве нулевой берет Т8-гипотезу. Применение этого критерия в диапазоне значений ширины окна I от 5 до 10 дает значения статистики критерия в диапазоне от 0.229 до 0.241. Все эти значения превышают 5%-критический уровень 0.146. Поэтому критерий КР88 отвергает Т8-гипотезу в пользу Б8-гипотезы.

Наконец, рассмотрим поведение статистики отношения дисперсий Кохрейна:

V к

+ /

в р

1

*

у

е

г

5

Поведение этой статистики говорит скорее в пользу Б8-гипотезы. Итак, все рассмотренные критерии склоняются к признанию ряда по наблюдениям с 1 по 500 разностно стационарным (Э8) рядом.

Перейдем теперь к анализу ряда У4 на интервале с 545 по 649 наблюдение (05/11/97-08/04/98), соответствующему общему снижению индекса РТС-1:

113

550 560 570 580 590 600 610 620 630 64о'''

|"^x_LOG

В расширенное уравнение Дики-Фуллера на этом участке приходится включать 13 запаздывающих разностей:

Dependent Variable: D(Y) Method: Least Squares Sample: 545 649 Included observations: 105

Variable Coefficient Std. Error t-Statistic Prob.

C 1.001140 0.276175 3.625016 0.0005

@TREND(544) -0.000405 0.000169 -2.398596 0.0185

Y(-1) -0.167945 0.046235 -3.632429 0.0005

D(Y(-1)) 0.131702 0.097361 1.352724 0.1796

D(Y(-2)) 0.047363 0.098355 0.481549 0.6313

D(Y(-3)) 0.054178 0.098161 0.551934 0.5824

D(Y(-4)) -0.031487 0.096156 -0.327454 0.7441

D(Y(-5)) 0.025801 0.091657 0.281497 0.7790

D(Y(-6)) 0.039993 0.081728 0.489342 0.6258

D(Y(-7)) -0.015957 0.079705 -0.200199 0.8418

D(Y(-8)) 0.142763 0.079639 1.792618 0.0764

D(Y(-9)) 0.061410 0.079897 0.768617 0.4442

D(Y(-10)) 0.187308 0.078298 2.392236 0.0188

114

Variable Coefficient Std. Error t-Statistic Prob.

D(Y(-11)) 0.075771 0.080819 0.937537 0.3510

D(Y(-12)) 0.141246 0.080762 1.748919 0.0838

D(Y(-13)) 0.261173 0.080272 3.253602 0.0016

R-squared 0.287618 Mean dependent var -0.003293

Adjusted R-squared 0.167553 S.D. dependent var 0.037795

S.E. of regression 0.034484 Akaike info criterion -3.757217

Sum squared resid 0.105833 Schwarz criterion -3.352804

Log likelihood 213.2539 F-statistic 2.395527

Durbin-Watson stat 1.943850 Prob(F-statistic) 0.005872

Остатки, получаемые при оценивании этого уравнения, имеют распределение, более близкое к нормальному, чем при рассмотрении ряда на всем интервале наблюдений, проходят тест на гетероскедастичность (Р-значение критерия Уайта равно 0.327) и ЬМ тест на автокоррелированность (Р-значение 0.691 при параметре 2). Следовательно, здесь имеется больше оснований принять во внимание результат применения расширенного критерия Дики-Фуллера. Полученное значение /-статистики критерия -3.632 ниже 5% критического уровня -3.453. Поэтому Б8-гипотеза для рассматриваемого отрезка ряда У4 должна быть отвергнута и можно не применять более сложных критериев с Б8-гипотезой в качестве нулевой.

Применим на этом участке критерий КР88, берущий в качестве нулевой Т8-гипотезу:_

ETA(mu) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = 4 10 11 12 13 ETA(mu) = 0.86627 0.48031 0.45115 0.42656 0.40583

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = 4 ETA(tau) = 0.20477

7 0.14726

8 0.13615

13 0.10383

14 0.10046

115

В отношении этого критерия положение не вполне определенное: при рекомендуемой ширине окна 4 гипотеза Т8 отвергается. В то же время, при увеличении ширины окна до 11 в модели без тренда и до 8 в модели с трендом получаем значения статистик, которые ниже 5% критических уровней, и гипотеза Т8 не отвергается.

Посмотрим на поведение статистики отношения дисперсий:

5

0 5 0 5 0 5 0

W INDO W SIZE

V K + /

S e г

1 * S D

Y

s

Структура графика говорит в пользу Т8-гипотезы. Можно предположить также, что где-то в середине рассматриваемого интервала происходит сдвиг уровня ряда. В соответствии с этим предположением, применим процедуру РЕКЯОМ97 с эндогенным выбором даты момента

break date TB = 586; statistic t(alpha=1) = -4.43466

critical values at 1% 5% 10%

for 100 obs. -5.70 -5.10 -4.82

infinite sample -5.41 -4.80 -4.58

number of lag retained : 13

explained variable : Y coefficient student

CONSTANT 1.68876 4.43159

DU -0.06361 -3.47660

D(Tb) 0.05179 1.32380

TIME 3.66382e-004 1.34112

Y{1} 0.71311 11.02328

116

Оцененная дата сдвига уровня вполне согласуется с визуальным впечатлением от графика. Гипотеза единичного корня при допущении сдвига уровня отвергается. По-видимому, такой результат говорит все же в пользу гипотезы Т8.

Следующий рассматриваемый интервал - период с 650 по 776 наблюдение (09/04/98-08/10/98) - последний этап общего снижения индекса РТС-1 перед началом периода его возрастания:

X 1_ОС

117

Оценим расширенное уравнение Дики-Фуллера с трендом и 13 запаздывающими разностями:

Dependent Variable: D(Y) Method: Least Squares Sample: 650 776 Included observations: 127

Variable Coefficient Std. Error t-Statistic Prob.

C 0.361578 0.197475 1.831010 0.0698

@TREND(649) -0.001093 0.000518 -2.109901 0.0371

Y(-1) -0.061276 0.032801 -1.868122 0.0644

D(Y(-1)) 0.202075 0.094638 2.135228 0.0349

D(Y(-2)) -0.019964 0.097305 -0.205165 0.8378

D(Y(-3)) 0.016297 0.097470 0.167195 0.8675

D(Y(-4)) -0.040131 0.097273 -0.412567 0.6807

D(Y(-5)) -0.000205 0.096241 -0.002131 0.9983

D(Y(-6)) 0.074409 0.094653 0.786125 0.4335

D(Y(-7)) 0.035719 0.094876 0.376477 0.7073

D(Y(-8)) -0.106997 0.095171 -1.124268 0.2633

D(Y(-9)) -0.054292 0.095118 -0.570793 0.5693

D(Y(-10)) 0.180209 0.094765 1.901636 0.0598

D(Y(-11)) -0.051534 0.097217 -0.530097 0.5971

D(Y(-12)) 0.151243 0.096972 1.559657 0.1217

D(Y(-13)) -0.017490 0.098229 -0.178050 0.8590

R-squared 0.139304 Mean dependent var -0.015926

Adjusted R-squared 0.022994 S.D. dependent var 0.052214

S.E. of regression 0.051610 Akaike info criterion -2.972874

Sum squared resid 0.295664 Schwarz criterion -2.614552

Log likelihood 204.7775 F-statistic 1.197698

Durbin-Watson stat 1.994755 Prob(F-statistic) 0.284126

Распределение ошибок отлично от нормального (Р-значение критерия Жарка-Бера равно 0.0004), что не позволяет вполне полагаться на Р-значения, приведенные в последнем столбце таблицы. Поэтому при редукции модели они служат лишь ориентиром, указывающим на то, что в правую часть уравнения, возможно, следует включать запаздывания до 12 месяцев. Имея в виду эту величину, попробуем применить критерий Филлипса-Перрона.

Для значений ширины окна от 4 до 14 значение скорректированной /статистики критерия Филлипса-Перрона изменяется от -2.061 до -2.005,

118

что выше 5% критического уровня, равного -3.445, и не позволяет отвергнуть DS-гипотезу.

Если брать в качестве исходной TS-гипотезу, то критерий KPSS приводит к следующим результатам:_

ETA(mu) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.347 0.463 0.574 0.739

For lag parameter l = ETA(mu) =

4 2.44102

13 0.95431

_14_0.90011_

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

4 0.39585

13 0.17636

_14_0.16857_

В обоих случаях TS-гипотеза отвергается при выборе 5% уровня значимости.

Рассмотрим поведение статистики Кохрейна. График значений этой статистики, приведенный ниже, также говорит скорее в пользу DS-гипотезы:

V K +/- 1 * S D

Seres: Y

О

8

6

4

2

О

8

6

4

W INDO W SIZE

119

Во всех рассмотренных выше процедурах не предполагалось возможное изменение наклона тренда и/или сдвиг уровня ряда. Однако, судя по графику ряда, такое изменение вполне возможно в промежутке между 700 и 720 наблюдениями.

Применим процедуру РБКЯОШ7, предполагая возможное одновременное изменение уровня ряда и наклона тренда (инновационный выброс). Эта процедура дает следующие результаты:_

break date TB = 711; statistic t(alpha=1) = -5.44184

critical values at 1% 5% 10%

for 100 obs. -6.21 -5.55 -5.25

infinite sample -5.57 -5.08 -4.82

number of lag retained : 12

explained variable : Y

coefficient student

CONSTANT 2.11919 5.38448

DU 2.59915 4.34286

D(Tb) -0.07749 -1.36832

TIME -0.00592 -4.93560

DT -0.00344 -4.20653

Y{1} 0.64395 9.84216

Мы имеем здесь 127 наблюдений, а критические значения даны только для 100 и бесконечного количества наблюдений. По-видимому, наблюдаемое значение -5.4418 статистики критерия близко к 5% критическому значению для 127 наблюдений.

Рассмотрим, наконец, последний отрезок наблюдений с 777 по 1294 наблюдение (09/10/98-31/10/00) - период общего возрастания индекса РТС-1:

120

— x loG

В этом случае распределение ошибок в уравнении расширенного критерия Дики-Фуллера опять отличается от нормального, и поэтому мы начнем анализ сразу с критерия Филлипса-Перрона. При ширине окна от 4 до 24 значения скорректированной /-статистики критерия изменяются в пределах от 1.05 до 1.41, положительны, и поэтому DS-гипотеза для ряда Yt не отвергается.

Критерий KPSS при включении в модель линейного тренда и рекомендованной ширине окна 5 дает следующие результаты:_

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

4 0.52225 12 0.21694 _13_0.20337_

TS-гипотеза отвергается в пользу DS-гипотезы.

Статистика Кохрейна ведет себя следующим образом:

121

0

5

0

5

0

5

0

что также не отрицает Б8-гипотезы.

Примем теперь в расчет возможность сдвига уровня ряда с одновременным изменением наклона тренда, что, судя по графику ряда, вполне возможно в интервале между 1000 и 1100 наблюдениями (между 01/09/99 и 26/01/00). Процедура РБКЯОШ7 (инновационный выброс) дает следующие результаты:_

break date TB = 1070 statistic t(alpha=1) = -4.16208

critical values at 1% 5% 10%

for 100 obs. -6.21 -5.55 -5.25

infinite sample -5.57 -5.08 -4.82

number of lag retained : 13

explained variable : Y

coefficient student

CONSTANT 0.17712 4.24500

DU 0.14512 2.85596

D(Tb) -0.05340 -1.60238

TIME 1.02229e-004 2.76409

DT -1.14638e-004 -2.55189

Ym 0.95704 92.72848

122

v k + / - 1 * s d

Seres: Y

Гипотеза Б8 не отвергается и при таких допущениях.

Подведем итоги анализа ряда РТС1 на интервале с 01/09/95 по

31/10/00 и на отдельных подинтервалах.

Полный интервал наблюдений 01/09/95-31/10/00:

Используемая процедура (критерий) Исходная (нулевая) гипотеза

DS TS

Критерий Дики-Фуллера (расширенный) Неприменим

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Неприменим

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Статистические выводы, полученные при применении подходящих процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

Интервал c 1 по 500 наблюдение (с 01/09/95 по 03/09/97)_

Используемая процедура (критерий) _Исходная (нулевая) гипотеза_

DS TS

Критерий Дики-Фуллера (расширенный) Неприменим

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Неприменим

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)

Статистические выводы, полученные при применении перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

Интервал с 545 по 649 наблюдение (05/11/97-08/04/98):

Используемая процедура (критерий) Исходная (нулевая) гипотеза DS TS

Критерий Дики-Фуллера (расширенный) Отвергается

Критерий КРЗЗ Нет ясности

Отношение дисперсий Кохрейна В пользу Т8

Обобщенный критерий Перрона Отвергается

(эндогенный выбор даты излома тренда)

Статистические выводы, полученные при применении перечисленных в таблице процедур, говорят скорее в пользу TS-гипотезы: хотя интерпретация результатов применений критерия KPSS затруднительна, остальные процедуры склоняются в пользу TS-гипотезы.

Интервал с 650 по 776 наблюдение (09/04/98-08/10/98):

123

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Т8

Критерий Дики-Фуллера (расширенный) Неприменим

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Неприменим

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Значение ?-статистики

(эндогенный выбор даты излома тренда) критерия близко к 5%

критическому уровню

Статистические выводы, полученные при применении перечисленных

в таблице процедур, говорят скорее в пользу DS-гипотезы.

Наконец, для интервала с 777 по 1294 наблюдение (09/10/98-31/10/00):

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Т8

Критерий Дики-Фуллера (расширенный) Неприменим

Критерий Филлипса-Перрона Не отвергается

Критерий DF-GLS Неприменим

Критерий КРЗЗ Отвергается

Отношение дисперсий Кохрейна В пользу DS

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)

Статистические выводы, полученные при применении перечисленных в таблице процедур, согласуются между собой: нулевая DS-гипотеза не отвергается, тогда как нулевая TS-гипотеза отвергается; поведение отношений дисперсий Кохрейна также говорит в пользу DS-гипотезы.

Общие итоги:_

Интервал наблюдений Предпочтительная модель или Т8)

01/09/95-31/10/00 (полный) БЗ

01/09/95-03/09/97 БЗ

05/11/97-08/04/98 ТЗ

09/04/98-08/10/98 БЗ

09/10/98-31/10/00 БЗ

2.10. Анализ временного ряда "обменный курс рубля"

Здесь используется показатель номинального обменного курса рубля к доллару - официальный обменный курс рубля к доллару США, устанавливаемый ЦБ РФ ежедневно.

124

В качестве исходной информации используются следующие данные: номинальный обменный курс рубля к доллару - дневные данные с 01/07/92 по 01/11/00; источник - Министерство финансов РФ.

Поскольку здесь мы опять имеем дело с дневными данными, не удивительно, что график ряда Х=КиЬкиг8 имеет весьма сложную форму:

EX

Как отмечается, например, в работе [Nadal-De Simone, Razzak (1999)], в настоящее время среди экономистов имеется определенное согласие в том, что в эпоху после Бреттон-Вуддса ряды номинальных значений обменных курсов могут иметь единичные корни, т.е. относиться к классу DS-рядов. В этой же работе на основании анализа месячных данных за период с января 1980 г. по июль 1997 г. к этому классу были отнесены ряды логарифмов номинальных значений обменных курсов DM-USD, GBP-USD, YEN-USD и CAD-USD. Такая классификация дала возможность проведения дальнейшего анализа связей между этими обменными курсами с целью проверки выполнения теории паритета покупательной способности для различных пар стран.

Мы также будем проводить анализ ряда логарифмов Yt = lnXt, график которого имеет вид

125

-X ьсю

Рассмотрим сначала период 03/09/96-14/08/98 (с 462 по 949 наблюдение), соответствующий формированию обменного курса в пределах установленных коридоров, что явным образом отражается на графике ряда:

-Х_1-013|

126

Попробуем применить здесь критерий Дики-Фуллера. Оценивание уравнения с включением в правую часть константы и тренда, но без включения в нее запаздывающих разностей приводит к ряду остатков, имеющему вид:

RESID

При таком поведении остатков мы не можем воспользоваться ни одним из критериев для проверки гипотез Т8 и Б8, разработанных по существу для случая, когда ошибки имеют непрерывное распределение. Для анализа обменного курса рубля на данном периоде требуются методы, отличающиеся от тех, которыми мы пользуемся в настоящем исследовании.

Поэтому мы не будем анализировать ряд У1 на этом периоде, а ограничимся рассмотрением его на некоторых периодах свободного изменения обменного курса (плавающего курса).

Интервал 11/01/99-01/11/00 (с 1050 по 1507 наблюдения):

127

3.4

3.3-

3.2-

3.1-

3.0

111111111111111111111111111111111111111111111' 1050 1100 1150 1200 1250 1300 1350 1400 1450 1500

X LOG

Ввиду наличия на графике излома в окрестности 1300 наблюдения (11/01/00) имеет смысл сразу применить процедуру РБКЯОШ7 с эндогенным выбором даты излома и допустить при этом одновременный сдвиг уровня и изменение наклона тренда. В результате применения этой процедуры (модель инновационного выброса) получаем:

break date TB = 1297 ; statistic t(alpha=1) = -5.64108

Critical values at

for 100 obs.

Infinite sample

Number of lag retained : 11

Explained variable : RUBKURS

1% -6.21 -5.57

5% -5.55 -5.08

coefficient

student

CONSTANT

DU

D(Tb)

1.78751 2.46555 -0.24166

5.66944 5.65979 -2.28691

10% -5.25 -4.82

128

TIME 0.00125 5.25651

DT -0.00177 -5.61882

rubkurs {1}_0.92176_66.45906_

Гипотеза DS отвергается в пользу гипотезы TS.

Рассмотрим, однако, подпериод 11/01/99-22/12/99 (с 1050 по 1290

наблюдения):

X LOG

Критерий KPSS дает на этом подпериоде следующие результаты:

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

4 0.35318

12 0.16172

13 0.15316

14 0.14581

15 0.13943

16 0.13384

129

В зависимости от выбранной ширины окна получаем противоположные выводы в отношении принадлежности ряда к Т8 или Б8 классам. Применим к выделенному подпериоду другие критерии. Отношение дисперсий Кохрейна скорее говорит в пользу Т8-гипотезы:

э

4

2

0

8

6

4

2

W INDO W SIZE

Обратимся теперь к критерию Дики-Фуллера. Остатки от оцененной модели с константой и трендом в правой части даже при включении в правую часть 24 запаздывающих разностей не проходят тесты на отсутствие автокоррелированности (Р-значение LM критерия с 2 запаздывающими остатками равно 0.00008) и нормальность:

V K + / - 1 * S D

eres: R U B K U R S

130

Series: Residuals

Sample 1050 1290

Observations 241

Mean 1.33E-17

Median -0.000998

Maximum 0.028061

Minimum -0.017462

Std. Dev. 0.005606

Skewness 1.534219

Kurtosis 9.026910

Jarque-Bera 459.2954

Probability 0.000000

0.00 0.01 0.02 0.03 Такое положение характерно для многих финансовых рядов и связано с весьма нерегулярным поведением остатков в оцениваемом уравнении:

0.03

0.02

0.01

0.00-

-0.01

-0.02

I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I

1050 1100 1150 1200 1250

RESID

В этих случаях АЯГМА моделирование с независимыми и одинаково распределенными ошибками не годится: для описания ряда более подходят

131

нелинейные модели, например, модели с ARCH, GARCH ошибками, в которых ошибки имеют условную гетероскедастичность авторегрессионного характера. Такое положение осложняет интерпретацию результатов, получаемых при использовании стандартных критериев проверки DS-гипотезы. В рамках настоящей работы мы не будем углубляться в эту тему. Заметим только, что изменчивость дисперсий, равно как и изменчивость уровней ряда может приводить как к неоправданно частому, так и к неоправданно редкому отвержению TS-гипотезы.

Оставляя в стороне проблемы, связанные с указанными осложнениями, представим результаты применения стандартных критериев еще на нескольких выделенных периодах времени.

Период 01/07/92-26/08/94 (с 1 по 215 наблюдение):

-X LOG

Применим процедуру PERRON97, предполагая возможное одновременное изменение уровня ряда и наклона тренда. Эта процедура дает следующие результаты (модель инновационного выброса):_

break date TB = 125 ; statistic t(alpha=1) = -4.64360_

Critical values at 1% 5% 10%

132

for 100 obs.

Infinite sample

Number of lag retained : 12

Explained variable : RUBKURS

-6.21 -5.57

-5.55 -5.08

-5.25 -4.82

coefficient

student

CONSTANT 0.00411 0.82027

DU -0.10113 -4.46211

D(Tb) 0.26144 12.66729

TIME 0.00118 4.36206

DT 6.52082e-004 4.48231

RUBKURS {1} 0.86678 30.21349

Гипотеза единичного корня не отвергается.

Процедура, предполагающая только изменение наклона тренда дае

следующие результаты (модель аддитивного выброса):

break date TB = 140; statistic t(alpha= =1) = -3.15871

Critical values at 1% 5% 10%

for 200 obs. -5.28 -4.65 -4.38

Infinite sample -4.91 -4.36 -4.07

Number of lag retained : 1

Explained variable : RUBKURS

coefficient student

CONSTANT 0.05774 5.11654

TIME 0.00859 68.56875

DT 0.00409 11.65102

RUBKURS {1} 0.91711 34.94671

Гипотеза единичного корня не отвергается и в этом случае.

Критерий KPSS:

ETA(tau) Values:

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l =

ETA(tau) =

0 4 12 24

3.41074 0.76524 0.33370 0.21045

Для всех значений ширины окна в диапазоне от 0 до 24 гипотеза Т8 отвергается в пользу Б8-гипотезы. Отношение дисперсий Кохрейна:

133

V K + / - 1 * S D

Seres: R U B K U R S

I N D O

SIZE

График изменения этого отношения не дает определенного ответа на вопрос, к какому из двух классов отнести ряд по наблюдениям его на интервале 1-250.

Период 25/01/2000-28/07/00 (с 1310 по 1439 наблюдение): 29.0-

28.828.628.428.228.027.827.6

1з20.....1з40.....1з60.....1з80.....1400.....1420''1'

rubkurS

9

8

7

6

5

4

3

2

0

W

W

134

Критерий KPSS:_

ETA(tau) Values:_

Critical Level: 0.10 0.05 0.025 0.01

Critical Value: 0.119 0.146 0.176 0.216

For lag parameter l = ETA(tau) =

0 1.22425

4 0.29309

12 0.16087

16 0.14802

17 0.14680

18 0.14619

19 0.14612

20 0.14654

_24_0.15205_

Здесь при ширине окна от 0 до 12 TS-гипотеза отвергается. При более широких окнах значения статистики критерия колеблются около 5% критического уровня.

Отношение дисперсий Кохрейна:

V к + / - 1 * S D

Seres: R U B K U R S

5

0 5 0 5 0 5 0 5

График изменения этого отношения также говорит в пользу Б8-гипотезы.

Применим процедуру РЕКЯОШ7, предполагая возможное одновременное изменение уровня ряда и наклона тренда. Эта процедура дает следующие результаты (модель инновационного выброса):

N

D O

W

S I

Z

E

135

break date TB = 1356; statistic t(alpha =1) = -4.83009

Critical values at 1% 5% 10%

for 100 obs. -6.21 -5.55 -5.25

Infinite sample -5.57 -5.08 -4.82

Number of lag retained : 1

Explained variable : RUBKURS

coefficient student

CONSTANT 5.21179 4.85003

DU 0.37708 0.45186

D(Tb) -0.10339 -2.01671

TIME -0.00214 -3.55302

DT - ■2.15747e-004 -0.34859

RUBKURS {1} 0.81950 21.92879

Гипотеза единичного корня не отвергается.

Если обратить внимание на весьма близкое к нулю значение I-статистики при переменной БТ, то следует, по-видимому, рассмотреть еще и модель с одним только сдвигом уровня (без изменения наклона тренда). Оценивание такой модели приводит к следующим результатам (модель с инновационным выбросом):_

break date TB = 1356; statistic t(alpha=1) = -4.97646

Critical values at 1% 5% 10%

for 100 obs. -5.70 -5.10 -4.82

Infinite sample -5.41 -4.80 -4.58

Number of lag retained : 13

Explained variable : RUBKURS

coefficient student

CONSTANT 8.15044 4.98109

DU 0.10380 4.82563

D(Tb) -0.13128 -2.51146

TIME -0.00324 -5.74401

RUBKURS {1} 0.71820 12.68305

Поскольку здесь мы имеем 120 наблюдений, наблюдаемое значение (статистики критерия -4.976 близко к 5% критическому уровню. Суммируем полученные результаты.

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Т8

Критерий KPSS Отвергается

Отношение дисперсий Кохрейна Нет ясности

Обобщенный критерий Перрона Не отвергается

(эндогенный выбор даты излома тренда)

136

Интервал 11/01/99-01/11/00 (с 1050 по 1507 наблюдение):

Используемая процедура (критерий) Исходная (нулевая) гипотеза

Обобщенный критерий Перрона (эндогенный выбор даты излома тренда) Отвергается

Интервал 11/01/99-22/12/99 (с 1050 по 1290 наблюдение).

Используемая процедура (критерий) Исходная (нулевая) гипотеза Т8

Критерий Дики-Фуллера (расширенный) Применение

Критерий KPSS Отношение дисперсий Кохрейна затруднено Нет ясности В пользу TS

Интервал 25/01/00-28/07/00 (с 1310 по 1439 наблюдение):

Используемая процедура (критерий) Исходная (нулевая) гипотеза Т8

Критерий KPSS В основном

Отношение дисперсий Кохрейна Обобщенный критерий Перрона (эндогенный выбор даты излома тренда) отвергается В пользу DS На границе отвержения

Общие итоги:

Интервал наблюдений Предпочтительная модель (08 или Т8)

01/07/92-26/08/94 БЗ

11/01/99-01/11/00 тз

11/01/99-22/12/99 Ясности нет

25/01/00-28/07/00

Таким образом, полученные результаты лишь отчасти подтверждают сложившееся среди экономистов мнение о том, что ряды номинальных значений обменных курсов валют имеют единичный корень (т.е. относятся к классу БЗ-рядов). Это ограничивает возможность проведения проверки выполнимости закона паритета покупательной способности в парах, включающих российский рубль и основные иностранные валюты.

Заметим в заключение, что мы не рассматривали здесь эффекты дней недели и банковских каникул. В этом отношении можно сослаться на работу [Соре1аМ (1991)], автор которой, проведя соответствующее исследование, не обнаружил заметного влияния на критерии единичного корня введения дополнительных объясняющих переменных, принимающих во внимание возможное проявление таких эффектов.

137

3. Экономический анализ результатов эконометрического анализа

3.1. Анализ временных рядов для денежных агрегатов

3.1.1. Денежный агрегат М1

Мы рассматриваем ряд номинальных значений этого и других денежных рядов, имея в виду возможность использования именно номинальных денежных агрегатов для оценки уравнения спроса на деньги и моделирования инфляционных процессов.

График ряда (см. рис. 2-2 части 2.1) позволяет предположить, что более подходящей может оказаться модель с изломом тренда в конце 1998 -начале 1999 г., связанного с финансово-экономическим кризисом 1998 года. Иными словами, возможно описание ряда двухфазной моделью с переключением в точке / = Тв = 42, соответствующей июлю 1998 г. Момент переключения для данного ряда можно считать экзогенным, т.к. он непосредственно связан с девальвацией рубля и внешним по отношению к динамике денежных агрегатов инфляционным шоком5, и график ряда всего лишь отражает последствия данных событий.

Как было показано в 2.2.1, ряд М1 является (в рамках рассмотренных процедур) DS-рядом. В связи с этим будем далее интерпретировать ряд как интегрированный. Рассмотрим график ряда разностей У1 = Х1 - Х1-1

На этом графике отчетливо выражен сезонный характер изменений темпов увеличения денежного предложения, резкое увеличение денежной массы М1 в декабре, сменяющееся затем значительным изъятием денег из экономики в январе. Кроме того, можно наблюдать смену режима ряда, поведение которого явно различается на периоде до 1997:08 и на периоде с 1998:09.

5 Под влиянием оттока капитала из страны денежно-кредитной политики в первой половине 1998 года характеризовалась, скорее, избыточной жесткостью.

60000

20000

40000

20000

40000

I ■ I ■ I ■ 111111 ■ I ■ I ■ 111111 ■ I

I ■ 111111111 ■ I ■ I ■ 111111 ■ I ■ 111 ■ ■ 11

1996 1997 1998 1999 2000

|-М1_Р!Р

Последнее наблюдение совместно в выводом о стационарности ряда относительно стохастического тренда представляется особенно важной для экономической интерпретации полученных результатов. Во-первых, стационарность темпов прироста денежного предложения относительно стохастического тренда свидетельствует о невозможности использования их Центральным банком РФ в качестве одной из промежуточных (но не обязательно заявленных) целей денежно-кредитной политики, т.е. осуществлять таргетирование денежного предложения. В нашем случае отклонения от тренда, вызванные реальными и курсовыми шоками, являются перманентными и их влияние на темпы роста денежной массы сохраняются в долгосрочном периоде (если такой термин применим для анализа временного интервала протяженностью около 5 лет).

Во-вторых, время смены трендов (зима 1997-1998 годов) отражает момент относительной потери Банком России независимости в денежно -кредитной политике. В частности, период с начала 1995 года до осени 1997 года, когда впервые мировой финансовый кризис затронул Россию, Центральный банк в значительной степени контролировал ситуацию в денежной сфере: курс рубля находился вдали от краев валютного коридора, приток капитала в виде портфельных инвестиций стерилизовался операциями на высоколиквидном и относительно (по отношению к объему денежной массы) большом рынке внутреннего долга.

138

Однако с началом кризисных явлений на российском фондовом рынке (конец осени 1997 года) денежно-кредитная политика ЦБ РФ стала менее независимой от внешних факторов. Так, снижение ликвидности и глубины рынка ГКО-ОФЗ в первой половине 1998 года ограничило возможности стерилизации снижения денежного предложения из-за оттока капитала, и денежно-кредитная политика стала чрезмерно жесткой. После кризиса августа 1998 года в условиях фактического отсутствия финансовых рынков возможности стерилизации и управления денежным предложением за исключением операций на валютном рынке денежно-кредитная политика стала, фактически, эндогенной по отношению динамике платежного баланса, определяемого, в свою очередь, стохастическим процессом движения цен на нефть на мировых рынках.

3.1.2. Денежный агрегат МО

Представленные выше для ряда М1 рассуждения относительно экономической интерпретации полученных результатов, в основе своей едины для всех денежных агрегатов. Для возможности сравнения результатов, получаемых для различных денежных рядов, ограничиваем период рассмотрения данного ряда периодом с 1995:06 по 2000:07.

На этом периоде график ряда имеет вид 350000 -

300000 -

250000 -

200000 -

150000 -

100000 -

50000 -

Как видно из сравнения графиков, выраженность возможного излома тренда у ряда М0 не столь велика, как у ряда М1. На наш взгляд это объясняется различием в скорости реструктуризации портфелей населения и

-М0

139

предприятий. Динамика агрегата М1, включающего средства на расчетных счетах юридических лиц, быстрее отреагировала на изменение масштаба цен после августа 1998 года, в том числе, из-за увеличения объема прибыли и уровня денежных расчетов в реальном секторе экономики.

Перестройка портфелей активов населения происходила медленнее, и траектория роста агрегата наличных денег (М0) более плавная. Основными причинами негибкости портфелей населения, по нашему мнению, являлись падение реальных доходов населения (т.е. более медленный по отношению к темпам роста цен темп роста располагаемого дохода) и кризис банковской системы, приведший к «замораживанию» значительной части вкладов населения, что препятствовало превращению их в наличную форму.

Как и ряд М1 ряд М0 является интегрированным рядом первого порядка. При этом на периоде до 1997:07 проявляется сезонная компонента, а на периоде после августовского кризиса 1998 г. и излома тренда сезонность не проявляется, но возникает необходимость компенсации пика, приходящегося на декабрь 1999 г.

3.1.3. Денежный агрегат М2

Ограничимся опять рассмотрением общего для всех денежных показателей периода с 1995:06 по 2000:07. График ряда М2 на этом периоде имеет вид

-М2

140

И в этом случае получаем интегрированный ряд с изломом тренда. Как и в случае ряда МО на периоде до 1997:07 проявляется сезонная компонента, но здесь сезонность проявляется и на периоде после августовского кризиса 1998 г. и излома тренда.

Особенное внимание при анализе ряда М2 следует уделить предкризисному периоду. На интервале 1997:08-1998:07 ряд М2 "топчется на месте" и формально может быть описан как последовательность некоррелированных одинаково распределенных случайных величин. Такое поведение широкого денежного агрегата в рассматриваемый подпериод непосредственно отражает вынужденную «непоследовательность» Банка России, пытавшегося не допустить слишком сильного сокращения денежной массы в условиях оттока капитала из страны и уменьшающейся возможности стерилизации на рынке ГКО-ОФЗ.

- M2

3.2. Анализ временных рядов для экспорта и импорта

3.2.1. Экспорт

Анализа ряда EXPORT, проведенный в 2.2.1 позволяет сделать вывод о его стационарности.

Сезонный характер графика ряда Xt = Export предполагает проверку наличия единичного корня у ряда, очищенного от детерминированной сезонности. Очищенный ряд X_deseas не обнаруживает тренда:

141

-X DESEAS

Значимые компоненты сезонности приходятся на январь, март, октябрь, ноябрь и декабрь, что приводит к модели авторегрессии первого порядка с 5 сезонными переменными.

Вместе с тем необходимо отметить, что динамика объемов экспорта из России в значительной степени определяется движением цен на сырье на мировых рынках, поведение которых, скорее, может рассматриваться как нестационарный случайный процесс. Стационарность ряда экспорта, на наш взгляд, является результатом статистического сглаживания фактических колебаний экспортных доходов. Такое сглаживание возникает в связи с наличием различных по продолжительности для разных товарных групп и разных экспортеров временного лага между, во-первых, моментом заключения контракта и достижения договоренности о цене и времени поставки товара, а, во-вторых, - между моментом поставки товара и временем возвращения экспортной выручки в страну. Статистический учет экспорта же делается по последнему моменту.

3.2.2. Импорт

График ряда Xt = Import (см. рис. 2-3 части 2.1) указывает на значительное падение объемов импорта в период после 1998:09, которое никак не согласуется с поведением ряда вне этого периода, и объясняется внеш-

142

ним по отношению к динамике импорта шоком (девальвацией рубля). Поэтому необходимо проводить раздельный анализ ряда Х1 для периода 1994:01-1998:01 (п=49) и для периода 1998:10-2000:04 (п=19). Таким образом, ряд в целом имеет выраженный излом со сдвигом уровня и одновременным изменением наклона тренда (интервенционный выброс). Как показано в 2.2.2, для данного ряда согласия между выводами, полученными при применении различных статистических процедур, нет: две из четырех процедур склоняются к гипотезе TS, а две другие - к гипотезе DS.

Сначала возьмем для исследования период 1994:01 - 1998:01. График ряда на этом промежутке времени имеет вид

1МРОК7

Обращаясь к графику ряда на рассматриваемом интервале, можно заметить весьма выраженный сезонный характер этого ряда с пиками в декабрях и провалами в январях. График "очищенного" ряда имеет вид

143

X DESEASONED

Обращаясь к графику ряда, очищенного от сезонности, можно выделить три участка с линейным трендом значений ряда: линейное возрастание в течение 1995 г., линейное убывание в течение 1996 г. и линейное возрастание в течение 1997 г. Кроме того, значимыми являются сезонные компоненты, относящиеся к январю и декабрю. Таким образом, за исключением короткого периода в 1996 году (возможно, связанного с ростом политической нестабильности в стране), в целом наблюдается тренд с положительным наклоном, угол которого увеличивался от периода к периоду. Такое поведение ряда соответствует характерной траектории ускоряющегося роста импорта в условиях растущего реального курса национальной валюты в период, предшествующий валютному кризису первого поколения (кризис платежного баланса).

Что касается периода с 1998:10 по 2000:04, то на этом периоде график ряда имеет вид

144

4.4 -4.0 -3.6 -3.2 -2.8 -2.4 -

98:10 99:01 99:04 99:07 99:10 00:01 00:04

|-^

Здесь приемлема модель для X, включающая константу и сезонные переменные января и декабря, а также дополнительной переменной, отличной от нуля и равной единице для наблюдений, начиная с ноября 1999 г.

3.3. Анализ рядов доходов федерального бюджета

3.3.1. Доходы федерального бюджета

График ряда Х( = Dokhfedbud (см рис. 2-5 раздела 2.1) указывает на наличие детерминированных сезонных составляющих, амплитуда которых резко возрастает с конца 1995 г., когда влияние инфляционного эффекта масштаба цен стало доминирующим по отношению к предшествующей динамике ряда. В связи с этим мы выделим для анализа период 1996:012000:05, на котором график ряда имеет вид, приведенный ниже, и рассмотрим на этом интервале ряд Х_ае8еа8, очищенный от детерминированных сезонных составляющих.

Статистические выводы, полученные в 2.4.1, согласуются между собой: ряд является интегрированным первого порядка. Если считать, что изменение структуры ряда опять связано с августовским кризисом 1998 г., то точка излома тренда Тв = 28. Опять получаем значимые сезонные компоненты, относящиеся к январю и декабрю.

145

-x

Наличие стохастического тренда отражает наличие перманентного влияния на уровень доходов бюджета со стороны экзогенных реальных и институциональных шоков, связанных как с изменением макроэкономических условий, так и налогового законодательства. В этих условиях эффекты от принимаемых мер экономической политики (как фискальной, так и денежно-кредитной) практически неразличимы в краткосрочной перспективе, поскольку накладываются на эффекты от предыдущих шоков. Более того, в краткосрочном периоде результирующий эффект может иметь противоположный по отношению к целям принятых мер знак, если влияние от предыдущих негативных шоков накладывается друг на друга.

Рассмотрим теперь оставшийся отрезок ряда 1992:01 - 1995:12. Здесь ряд опять ведет себя неоднородным образом, изменяя свое поведение в октябре 1993 г. В связи с этим мы выделим для рассмотрения два подпери-ода: 1993:10 - 1995:05 и 1992:01 - 1993:09. На участке 1993:10 - 1995:05 ряд имеет вид:

146

и описывается моделью линейного тренда

Наконец, на начальном периоде наблюдений 1992:01 - 1993:09 ряд

— X

Его можно описать в первом приближении квадратичным трендом; однако, получаемый при этом ряд остатков делает уточнение модели на этом интервале бессмысленным ввиду слишком малого количества наблюдений.

147

Наличие детерминированных трендов на обоих участках отражает доминирующее влияние инфляции в этот период (среднемесячный темп прироста цен в рассматриваемый период превышал 20% в месяц), влияние остальных факторов практически свелось к нулю.

3.3.2. Налоговые доходы федерального бюджета

График ряда Xt=Nalogdokh (см рис. 2-5 раздела 2.1) имеет вид и весьма похож на график ряда Dokhfedbud. Для анализа опять выделим интервал 1996:01:2000:05 (53 наблюдения), на котором ряд имеет вид

-NALOGDO

В отличие от ряда доходов федерального бюджета, учет сезонности в ряде налоговых доходов достигается при помощи одной сезонной компоненты отвечающей декабрю. Интерпретация результатов для ряда налоговых доходов полностью аналогично нашим выводам при анализе ряда полных доходов федерального бюджета. Единственной отличительной чертой в данном случае является более выраженный перелом в случайном тренде в период после августа 1998 года. Данный факт может быть объяснен тем, что в 1996-первой половине 1998 года доля неналоговых доходов (в первую очередь, доходов от приватизации) была значительно выше, чем в послекризисный период. Таким образом, снижение неналоговых доли до-

148

ходов частично компенсировало бурный рост налоговых доходов после августа 1998 года, и динамика совокупных доходов федерального бюджета более плавная.

3.4. Темпы инфляции

В этом разделе рассматривается ряд X\ = ЮТЪ значений темпов прироста индекса потребительских цен за период с декабря 1990 г. по июль 2000 г. График ряда (см. рис. 2-1 части 2.1) на рассматриваемом периоде имеет три резких всплеска, соответствующих апрелю 1991 г., январю-февралю 1992 г. и сентябрю 1998 г., связанных, соответственно, с моментами повышения цен правительством В. Павлова, либерализации цен и инфляционного всплеска после августовского кризиса. Выделим для исследования промежуток времени между двумя последними всплесками, точнее, период 1992:05-1998:07. Для этого периода график ряда имеет вид:

-INFL

Проведенный в 2.5. анализ данного ряда не отвергает DS-гипотезу Между тем, график ряда остатков, получаемого при оценивании этой АЯ(1)-модели,

149

|-Residuals|

практически повторяет форму ряда X,; и имеет тренд. Поэтому сделанный в [Экономика переходного периода. Очерки экономической политики посткоммунистической России 1991 - 1997 (1998, Приложение 1У)] и [Экономика переходного периода. Очерки экономической политики посткоммунистической России 1991 - 1997 (1998, Приложение ГС)] вывод о предпочтительности рассмотренной авторегрессионной модели перед моделями линейного и логарифмического тренда нельзя считать полностью аргументированным.

Полученные нами результаты находятся в согласии с основными представлениями о характере инфляционных процессов. Динамические ряды инфляции в разных странах мира, преимущественно, представляют собой «случайное блуждание». Высокая инерционность темпов роста цен, основанная инерционности ценовых ожиданий экономических агентов, делает влияние шоков перманентным, сохраняющимся на протяжении продолжительного периода. В то же время, это затрудняет проведение успешной антиинфляционной политики без наличия высокой степени доверия к намерениям денежных властей.

Для переходных и развивающихся экономик, переживающих частые всплески инфляции и периоды стабилизационной политики, «случайное блуждание» накладывается понижательный линейный или нелинейный

150

тренд, что затрудняет идентификацию порядка интегрированности ряда. Фактически ряд представляет собой нестационарный стохастический процесс с понижательным дрейфом.

Другим важным аспектом анализа свойств ряда темпов роста цен в условиях нестабильной инфляции является нарушение предпосылки о постоянстве дисперсии отклонений от детерминированного или стохастического тренда. Такой ряд в большинстве случаев хорошо описывается моделью с условной авторегрессионной гетероскедастичностью остатков, и проблема устойчивости динамики ряда в значительной степени решается на основе анализа коэффициентов уравнения дисперсии (т.е. в зависимости от временных или перманентных отклонений дисперсии остатков от некоторой постоянной величины). Однако технически осуществление теста на единичные корни с допущением об ARCH (GARCH) остатков крайне затруднительно.

3.5. Индекс интенсивности промышленного производства

Если попытаться решить вопрос об использовании для описания ряда модели интегрированного процесса или модели стационарного относительно тренда процесса, то здесь не вполне ясной представляется подходящая модель тренда. С одной стороны, в целом кажется подходящей модель квадратичного тренда. С другой стороны, выделяются более короткие периоды, на которых более предпочтительным представляется линейный тренд. Один из таких периодов - это интервал 1994:01-1998:08. На этом интервале гипотеза единичного корня не отвергается. Однако на более широком интервале 1990:12-1998:08 гипотеза единичного корня отвергается.

Если все же перейти к рассмотрению ряда разностей Yt = Xt - Xt-1, то последний выглядит следующим образом:

151

-Y

и имеет различные средние уровни на интервалах 1990:12-1994:04, 1994:05-1998:08 и 1998:09-2000:07. Однако при оценивании модели, учитывающей такое изменение уровней, ряд остатков имеет автокоррелиро-ванность, которую не удается компенсировать в рамках достаточно простых моделей. Вопрос о построении модели ряда требует дальнейшей проработки.

На наш взгляд, различие в характере процесса на подпериодах объясняется, в первую очередь, относительно коротким периодом наблюдений (10 лет), тогда как эффекты от изменения фундаментальных факторов, влияющих на динамику промышленного производства, отражаются показателями с низкой частностью (квартальные или годовые данные) и на сравнимых с длиной ряда периодах. Использование месячных наблюдений в данном случае, хотя формально увеличивает число степеней свободы, не меняет длину ряду с экономической точки зрения.

Как известно из экономической теории, колебания промышленного производства (а также реальный ВВП) в долгосрочном периоде определяются действием накладывающихся деловых циклов различной продолжительности, а также сильными реальными макроэкономическими шоками (например, Великая Депрессия в США). Краткосрочные отклонения объема выпуска от тренда вызываются шоками экономической политики (денежно-кредитная или курсовая политика, увеличение государственных

152

расходов и т.д.) Как было показано во введении, основная дискуссия в литературе разворачивается вокруг вопроса о том, является ли тренд стохастическим или детерминированным. Или, другими словами, имеют последствия экономической политики временные или перманентные эффекты.

Очевидно, что имеющийся в нашем распоряжении десятилетний период наблюдений слишком мал для подобных заключений. В то же время, попытаемся наметить некоторые гипотезы, вытекающие из полученных результатов, но аккуратное тестирование которых еще предстоит.

Во-первых, ключевым фактором, определяющим динамику промышленного производства в России в 1990-2000 годах, является так называемый трансформационный спад, связанный с переходом от административно-командной к рыночной экономике. Существование такого спада отмечено во всех переходных экономиках и порождает и-образную траекторию движения промышленного производства (и реального ВВП). С математической точки зрения такая траектория может быть описана квадратичным трендом, что и было показано на имеющихся данных.

Во-вторых, история развития экономики России на нисходящем участке траектории соответствует, скорее, случаю детерминированного тренда. Отклонения от отрицательного тренда, например, вследствие попыток «поддержать» производство с помощью денежной эмиссии, имели краткосрочный характер, после чего падение продолжалось. В рамках интерпретации шоков это соответствует случаю транзитивности, и ряд имеет детерминированный тренд. Именно такой результат получен нами при оценке всего периода с конца 1990 по август 1998 года.

В-третьих, с середины 1994 года можно говорить о замедлении темпов трансформационного спада, когда рыночные механизмы уже стали оказывать влияние на состояние экономики. Однако в отличие от других стран Восточной Европы стабилизация на «нижней точке» в России была отложена из-за сохраняющихся высоких темпов инфляции и отсутствия структурных реформ, более масштабного по сравнению с другими странами распространения неплатежей, высокой политической неопределенностью и т.д. Таким образом, отрицательный тренд в динамике производства сохранился, но характер процесса поменялся. Колебания траектории усилились.

В-четвертых, фактически точка минимума трансформационного спада была пройдена в 1996 году, и рост производства начался уже в 1997 году. Однако из-за резкого ухудшения внешнеэкономической конъюнктуры и мирового финансового кризиса во второй половине 1997 - первой половине 1998 года на восходящий тренд наложился сильный отрицательный конъ-

153

юнктурный шок, и темпы прироста промышленного производства стали вновь отрицательными.

Таким образом, динамика промышленного производства с 1994-1995 годов до августа 1998 года является результатом одновременного действия нескольких разнонаправленных процессов, результатом действия которых стала нестационарность ряда на данном участке.

В-пятых, в период после кризиса траектория промышленного производства также является результатом наложения трех различных по своей природе реальных шоков: фундаментальный рост экономики после трансформационного спада на основе развития нового рыночного сектора, по-следевальвационный импортозамещающий рост и крайне благоприятная конъюнктура мировых рынков. К настоящему моменту количество даже месячных наблюдений еще недостаточно для проведения тестов на стационарность ряда, и вопрос о транзитивности или перманентности как названных, так прочих (со стороны экономической политики) шоков остается открытым.

3.6. Валовый внутренний продукт

Получение сколько-нибудь надежных статистических выводов оказывается невозможным ввиду слишком малого количества наблюдений.

График ряда Xt = GDP (см. рис 2-4 , раздел 2.1) похож по характеру поведения на графики денежных рядов, но только здесь мы имеем существенно меньшее количество наблюдений (n=26), что может затруднить проверку на наличие единичного корня. Действуя, как и в случае ряда М1, и замечая, что на сей раз TB=18 (что соответствует третьему кварталу 1998 г.) можно построить модель, в которой существенными переменными будут тренд, сезонная компонента (1-й квартал) и AR(1). При этом ряд остатков проходит все тесты на независимость, одинаковую распределенность и нормальность, хотя, конечно, следует иметь в виду, что все тесты асимптотические.

К данному ряду в равной степени относятся все идеи, высказанные нами при интерпретации результатов анализа ряда динамики промышленного производства.

154

3.7. Безработица

|-UNJOB|

Для анализа выбираем период 1994:01- 1998:04 (52 месяца), на котором ряд ведет себя более или менее однородным образом:

-УМчЮБ

155

Статистические выводы, полученные в 2.8, не отвергают TS-гипотезу на этом промежутке времени.

Экономическая интерпретация полученных результатов очевидна. В условиях трансформационного спада динамика безработицы, в целом повторяет динамику спада производства, так как на участке спада высвобождение рабочих на закрывающихся предприятиях идет быстрее, чем рост занятости на новых производствах. Однако в России значительное влияние на данные о количестве безработных оказали скрытая безработица (когда неработающие предприятия формально не увольняли рабочих), а также низкое качество статистики безработицы. Таким образом, ряд безработицы получается более гладким, чем ряды промышленного производства или ВВП, и его стационарность относительно линейного тренда не отвергается.

3.8. Фондовый индекс РТС-1

В отличие от всех ранее рассмотренных рядов здесь мы имеем дело с рядом дневных значений. График ряда Хг = RTS1 (см. рис 2-7 в 2.1 - всего 1294 наблюдения) имеет достаточно сложный вид, затрудняющий описание этого ряда единой моделью.

Имея в виду обычную практику построения моделей подобных рядов, рассмотрим ряд = ЬлХь график которого имеет вид

I X loG

Проведем такой анализ этого ряда на интервалах с 01/09/95 по 03/09/971 (1 - 500 наблюдения), с 05/11/97 по 08/04/98 (545 - 649 наблюде-

156

ния), с 09/04/98 по 08/10/98 (650 - 776 наблюдения) и с 09/10/98 по 31/10/00 (777 - 1294 наблюдения).

Подведем итоги анализа ряда РТС1 на интервале с 01/09/95 по 31/10/00 и на отдельных подинтервалах.

Полный интервал наблюдений 01/09/95-31/10/00: интегрированный ряд первого порядка

Интервал с 1 по 500 наблюдение (с 01/09/95 по 03/09/97): интегрированный ряд первого порядка.

Интервал с 545 по 649 наблюдение (05/11/97-08/04/98): скорее стационарный ряд.

Интервал с 650 по 776 наблюдение (09/04/98-08/10/98): интегрированный ряд первого порядка.

Наконец, для интервала с 777 по 1294 наблюдение (09/10/98-31/10/00): интегрированный ряд первого порядка.

Таким образом, построены модели ряда для пяти интервалов, покрывающих в совокупности практически весь период наблюдений за исключением отрезка с 538 по 544 наблюдения - с 27 октября по 4 ноября 1997 г., когда произошло первое наиболее серьезное падение индекса РТС-1, связанное с развитием финансового кризиса. График поведения ряда Х4 в окрестности указанного отрезка имеет вид: 600550500450400350300520 525 530 535 540 545 550 555 560

|- RTS1 |

Оценки для ряда российского фондового индекса соответствуют общим экономическим представлениям о характере поведения подобных финансовых рядов. Нестационарность фондовых индексов и курсов отдель-

157

ных акций является достаточно общим свойством как развитых, так и для развивающихся рынков. Наши результаты свидетельствуют, что как на всем периоде, так и практически на всех подпериодах ряд фондового индекса РТС соответствовал процессу «случайного» блуждания. Единственный участок, на котором гипотеза о стационарности ряда не может быть отвергнута, относится к крайне непродолжительному периоду начального этапа финансового кризиса в России 1998 года, и правомочность выделения его в самостоятельный подпериод может быть поставлена под сомнение.

Следование процессу «случайного блуждания» обычно интерпретируется в теории финансов и финансовых рынков как свидетельство в пользу гипотезы эффективных рынков (в слабой форме). На наш взгляд, такой результат был бы крайне важен для анализа российских финансовых рынков. Однако знание характеристик рынка (капитализация компаний, стратегия основных участников, количество торгуемых акций, ликвидность и т.д.), не позволяют нам утверждать, что на основании полученных результатов гипотеза об эффективности рынка не отвергается.

3.9. Обменный курс рубля

Здесь мы опять имеем дело с дневными данными. График ряда Хг = Rubkurs (см. рис. 2-8 , раздел 2-1) имеет весьма сложную форму

Мы также будем проводить анализ ряда логарифмов У=ЪХЬ график которого имеет вид

— х_1_оо|

158

В данном исследовании мы рассмотрели динамику ряда только за пределами валютного коридора, существовавшего с июня 1995 года по август 1998 года, когда режим валютного курса был плавающим (с 1992 года по май 1995 года, с сентября 1998 года по июль 2000 года).

Полученные результаты, также как и для большинства других рассматриваемых рядов, согласуются с общими представлениями макроэкономических и финансовых переменных в заданных условиях. Так, практически на всем рассматриваем участке, за исключением 1999 года, - о чем будет сказано особо - динамика курса рубля к доллару соответствовала нестационарному процессу, имеющему единичный корень. Курс рубля находился в свободном плавании, и в целом на периоде Центральный банк РФ мало влиял на темпы его изменения.

На периоде 1999 года курс рубля является стационарным относительно линейного тренда. В частности, это связано с тем, что на данном временном интервале, несмотря на формальное действие режима плавающего обменного курса, существовали сильные ограничения на операции на валютном рынке. В частности, официальный курс российской валюты устанавливался на основе результатов торгов на утренней сессии, доступ к которой имели только участники внешнеторговых операций, и ситуация на которой полностью контролировалась Банком России. Как уже было показано в рамках предыдущего проекта ИЭПП «Анализ макроэкономических и институциональных проблем финансового кризиса в России, разработка программы преодоления его последствий и достижение финансовой стабилизации. Взаимодействие между финансовыми индикаторами и характеристиками реального сектора», динамика курса на утренней сессии была стационарной относительно детерминированного линейного тренда, тогда как движение курса на дневной сессии соответствовали процессу «случайного блуждания».

159

Заключение

В последние годы большое внимание в эконометрической литературе уделяется анализу структурных свойств экономических временных рядов. Это вызвано тем, что далеко не всегда значения временного ряда формируются под воздействием некоторых факторов. Нередко бывает, что развитие того или иного процесса обусловлено его внутренними закономерностями, а отклонения от детерминированного процесса вызваны ошибками измерений или случайными флуктуациями. В последнее время появилось достаточно большое количество работ, в которых рассматриваются различные эконометрические аспекты развития Российской экономики. Однако в этих работах практически не уделяется внимания статистическим характеристикам самих динамических рядов, определяющих исходные данные моделей.

Для временных рядов главный интерес представляет описание или моделирование их структуры. Цель таких исследований, как правило, шире моделирования, хотя некоторую информацию можно получить и непосредственно из модели, делая выводы о выполнении тех или иных экономических законов (скажем, закона паритета покупательной способности) и проверяя различные гипотезы (например, гипотезу эффективности финансовых рынков). Построенная модель может использоваться для экстраполяции или прогнозирования временного ряда, и тогда качество прогноза может служить полезным критерием при выборе среди нескольких моделей. Построение хороших моделей ряда необходимо и для других приложений, таких, как корректировка сезонных эффектов и сглаживание. Наконец, построенные модели могут использоваться для статистического моделирования длинных рядов наблюдений при исследовании больших систем, для которых временной ряд рассматривается как входная информация.

Для правильного решения различных содержательных задач экономического анализа необходимо рассматривать различные аспекты каждого исследуемого временного ряда, а для этого, прежде всего, нужно определить его глобальную структуру, т.е. решить вопрос об отнесении каждого из рассматриваемых рядов к классу рядов, стационарных относительно тренда - TS (trend stationary), или к классу рядов, остационариваемых только путем дифференцирования ряда - DS (difference stationary) рядов.

160

Проблема отнесения макроэкономических рядов динамики, имеющих выраженный тренд, к одному из двух указанных классов активно обсуждалась в последние два десятилетия в мировой эконометрической и экономической литературе, поскольку траектории TS и DS ряды отличаются друг от друга кардинальным образом. TS ряды имеют линию тренда в качестве некоторой "центральной линии", которой следует траектория ряда, находясь, то выше, то ниже этой линии, с достаточно частой сменой положений выше-ниже. DS ряды помимо детерминированного тренда (если таковой имеется) имеют еще и стохастический тренд, из-за присутствия которого траектория DS ряда весьма долго пребывает по одну сторону от линии детерминированного тренда (выше или ниже соответствующей прямой), удаляясь от нее на значительные расстояния, так что по-существу в этом случае линия детерминированного тренда перестает играть роль "центральной" линии, вокруг которой колеблется траектория процесса. В Т8-рядах влияние предыдущих шоковых воздействий затухает с течением времени, а в DS-рядах такое затухание отсутствует и каждый отдельный шок влияет с одинаковой силой на все последующие значения ряда. Поэтому наличие стохастического тренда требует определенных политических усилий для возвращения макроэкономической переменной к ее долговременной перспективе, тогда как при отсутствии стохастического тренда серьезных усилий для достижения такой цели не требуется - в этом случае макроэкономическая переменная "скользит" вдоль линии тренда как направляющей, пересекая ее достаточно часто и не уклоняясь от этой линии сколько-нибудь далеко.

Построение адекватной модели макроэкономического ряда, которую можно использовать для описания динамики ряда и прогнозирования его будущих значений, и адекватных моделей связей этого ряда с другими макроэкономическими рядами невозможно без выяснения природы этого ряда и природы рядов, с ним связываемых, т.е. без выяснения принадлежности ряда к одному из двух указанных классов (TS или DS).

161

Основной результат, полученный в проведенном исследовании, суммирован в табл. 1

Таблица 1. Классификация рядов по стационарности_

Ряд Периодичность наблюдений Интервал наблюдений Анализируемый интервал Предпочтительная модель (08 или Т8)

М1 месяц 1995:06 - - 2000:07 1995:06 - 2000:07 БЗ

МО месяц 1990:12 - 2000:07 1995:06 - 2000:07 БЗ

М2 месяц 1990:12 - 2000:07 1995:06 - 2000:07 БЗ

EXPORT месяц 1994:01 - 2000:04 1994:01 - 2000:04 ТЗ

IMPORT месяц 1994:01 - 2000:04 1994:01 - 1998:01 Ясности нет

IMPORT месяц 1994:01 - 2000:04 1998:10 - 2000:04 Ясности нет

DOKHFEDBUD месяц 1992:01 - 2000:05 1992:01 - 1993:09 (мало данных) Ясности нет

DOKHFEDBUD месяц 1992:01 - 2000:05 1993:10 - 1995:05 (мало данных) Ясности нет

DOKHFEDBUD месяц 1992:01 - 2000:05 1996:01 - 2000:05 (мало данных) БЗ

NALOGDOKH месяц 1992:01 - 2000:05 1996:01 - 2000:05 БЗ

INFL месяц 1991:01 - - 2000:08 1992:05 - 1998:07 БЗ

INTPROM месяц 1990:12 - 2000:07 1990:12 - 1998:08 ТЗ

INTPROM месяц 1990:12 - 2000:07 1994:01 - 1998:08 БЗ

UNJOB месяц 1994:01 - 2000:08 1994:01 - 1998:04 ТЗ

GDP квартал 1994:2 - 2000:2 1994:2 - 2000:2 Результат не ясен

RTS1 день 01/09/95 - 31/10/00 01/09/95 - 03/09/97 БЗ

RTS1 день 01/09/95 - 31/10/00 05/11/97 - 08/04/98 ТЗ

RTS1 день 01/09/95 - 31/10/00 09/04/98 - 08/10/98 БЗ

RTS1 день 01/09/95 - 31/10/00 09/10/98 - 31/10/00 БЗ

RTS1 день 01/09/95 - 31/10/00 01/09/95 - 31/10/00 БЗ

RUBKURS день 01/07/92 - 01/11/00 01/07/92 - 26/08/94 БЗ

RUBKURS день 01/07/92 - 01/11/00 11/01/99-22/12/99 Ясности нет

RUBKURS день 01/07/92 - 01/11/00 11/01/99-01/11/00 ТЗ

RUBKURS день 01/07/92 - 01/11/00 25/01/00-28/07/00 БЗ

Как видно из приведенной таблицы, большинство исследованных рядов имеет тип DS, т.е. эти ряды являются нестационарными в уровнях и стационарными в разностях и не относятся к классу рядов, стационарных относительно детерминированного тренда. Только лишь ряды, характеризующие экспорт и безработицу, могут рассматриваться на исследованных периодах времени как стационарные относительно детерминированного тренда. Ряд РТС-1 можно рассматривать как стационарный (относительно

162

тренда) в предкризисный период (05/11/97 - 08/04/98), но уже в кризисный период (09/04/98 - 08/10/98) он переходит в класс Б8 рядов.

Практически все ряды имеют излом тренда, приходящийся на вторую половину 1998 г., что, по-видимому, связано с изменением условий экономического развития после августовского кризиса 1998 года.

В работе отработана методика исследования экономических временных рядов, позволяющая проводить различение между Т8 и Б8 рядами. Рассмотрена простейшая продукционная база знаний, которая может стать основой для последующей разработки экспертной системы анализа временных рядов. Такая экспертная система позволит упростить и унифицировать анализ временных рядов и может служить основой эконометриче-ского анализа различных показателей экономической динамики.

Развитие проведенного исследования по нашему мнению целесообразно проводить в следующих направлениях.

1. Отбор временных рядов для последующего эконометрического анализа на основе содержательных задач, решаемых в институте.

2. Разработка на основе базы знаний, построенной в работе, информационно-советующей экспертной системы эконометрического анализа временных рядов.

3. Разработка методики анализа взаимосвязей временных рядов для целей построения прогностических моделей.

163

Приложения

П1. Обзор процедур, используемых для различения TS и DS рядов

П1.1. Критерий Дики-Фуллера и его обобщение

П1.1.1. Критерий Дики - Фуллера

Под критерием Дики-Фуллера в действительности понимается группа критериев, объединенных одной идеей, предложенных и изученных в работах [Dickey (1976)], [Fuller (1976)], [Dickey, Fuller (1979)], [Dickey, Fuller (1981)]. В критериях Дики-Фуллера проверяемой (нулевой) является гипотеза о том, что исследуемый ряд xt принадлежит классу DS (DS-гипотеза); альтернативная гипотеза - исследуемый ряд принадлежит классу TS (TS-гипотеза). Критерий Дики-Фуллера фактически предполагает, что наблюдаемый ряд описывается моделью авторегрессии первого порядка (возможно, с поправкой на линейный тренд). Критические значения зависят от того, какая статистическая модель оценивается и какая вероятностная модель в действительности порождает наблюдаемые значения. При этом рассматриваются следующие три пары моделей (SM - статистическая модель, statistical model; DGP - модель порождения данных, data generating process).

1) Если ряд xt имеет детерминированный линейный тренд (наряду с

которым может иметь место и стохастический тренд), то в такой ситуации берется пара

SM: Дх( = рхм + a + рt + st, t = 2,...,T,

DGP: Дх( =a + st, t = 2,...,T.

В обоих случаях st - независимые случайные величины, имеющие одинаковое нормальное распределение с нулевым математическим ожиданием..

Методом наименьших квадратов оцениваются параметры данной SM и вычисляется значение t-статистики tp для проверки гипотезы H0 : р = 0. Полученное значение сравнивается с критическим уровнем tcrit, рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP (случайное блуждание со сносом). DS-гипотеза

отвергается, если tp < tcrit. Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгах [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда можно вычислить приближенные критические значения статистики tcrit, используя формулы, приведенные в работе [MacKinnon (1991)].

2) Если ряд xt не имеет детерминированного тренда (но может иметь стохастический тренд) и имеет ненулевое математическое ожидание, то берется пара

SM: Дг( =pxt_l +а + е t , t = 2,...,T,

DGP: Дг, =s t , t = 2,..,T.

Методом наименьших квадратов оцениваются параметры данной SM и вычисляется значение t-статистики tp для проверки гипотезы H0 : р = 0. Полученное значение сравнивается с критическим уровнем tcrit, рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP (случайное блуждание без сноса). DS-гипотеза отвергается, если tp < tcrit. Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгах [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда можно вычислить приближенные критические значения статистики tcrit, используя формулы, приведенные в работе [MacKinnon (1991)].

3) Наконец, если ряд xt не имеет детерминированного тренда (но может иметь стохастический тренд) и имеет нулевое математическое ожидание, то берется пара

SM: Дг( =рх(-1 +е , , t = 2,...,T,

DGP: Дт, =s t , t = 2,..,T.

Методом наименьших квадратов оцениваются параметры данной SM и в^гчисляется значение t-статистики tp для проверки гипотезы H0 : р = 0. Полученное значение сравнивается с критическим уровнем tcrit, рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP (случайное блуждание без сноса). DS-гипотеза отвергается, если tp < tcrit. Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгах [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда

165

можно вычислить приближенные критические значения статистики tcrit, используя формулы, приведенные в работе [MacKinnon (1991)].

Неправильный выбор оцениваемой статистической модели может существенно отразиться на мощности критерия Дики-Фуллера. Например, если наблюдаемый ряд порождается моделью случайного блуждания со сносом, а статистические выводы делаются по результатам оценивания статистической модели без включения в ее правую часть трендовой составляющей, то тогда мощность критерия, основанная на статистике tp, стремится к нулю с возрастанием количества наблюдений (см. [Perron (1988)]). С другой стороны, оцениваемая статистическая модель не должна быть и избыточной, поскольку это также ведет к уменьшению мощности критерия.

Формализованная процедура использования критериев Дики-Фуллера с последовательной проверкой возможности редукции статистической модели приведена в работе [Dolado, Jenkinson, Sosvilla-Rivero (1990)]; см. также [Enders (1995)].

П1.1.2. Расширенный критерий Дики - Фуллера. Выбор количества запаздывающих разностей

Описанный выше критерий Дики-Фуллера фактически предполагает, что наблюдаемый ряд описывается моделью авторегрессии первого порядка (возможно, с поправкой на линейный тренд). Если же наблюдаемый ряд описывается моделью более высокого (но конечного) порядка p и характеристический многочлен имеет не более одного единичного корня, то тогда можно воспользоваться расширенным (augmented) критерием Дики-Фуллера. В каждой из трех рассмотренных выше ситуаций достаточно дополнить правые части оцениваемых статистических моделей запаздывающими разностями Лх—, t = 2,..., p - 1, так что, например, в первой ситуации теперь оценивается расширенная статистическая модель

p-i

SM: Лх( = pxt_¡ + а + ¡1 + +s t , t = p + 1,...,T.

j=i

Полученные при оценивании расширенных статистических моделей значения t-статистик tp для проверки гипотезы H0 : p = 0 сравниваются с теми же критическими значениями tcrit, что и для рассмотренных выше (нерасширенных) моделей. DS-гипотеза отвергается, если tp < tcrit.

Заметим, что расширенный критерий Дики-Фуллера может применяться и тогда, когда ряд xt описывается смешанной моделью авторегрессии-

166

скользящего среднего. Как было указано в работе [Said, Dickey (1984)], если ряд наблюдений xb..., xT порождается моделью ARIMA(p, 1, q) c q > 0, то его можно аппроксимировать моделью ARI(p , 1) = ARIMA(p , 1, 0) с p < T 13 и применять процедуру Дики-Фуллера к этой модели.

Однако даже если ряд наблюдений x1,..., xT действительно порождается моделью авторегрессии AR(p) конечного порядка p, то значение p обычно не известно и его приходится оценивать на основании имеющихся наблюдений, а такое предварительное оценивание влияет на характеристики критерия. Поэтому при анализе данных приходится сначала выбирать значение

p=pmax достаточно большим, так, чтобы оно было не меньше истинного

*

порядка p0 авторегрессионной модели, описывающей ряд, или порядка р аппроксимирующей авторегрессионной модели, а затем пытаться понизить используемое значение р, апеллируя к наблюдениям.

Такое понижение может осуществляться, например, путем последовательной редукции расширенной модели за счет исключения из нее незначимых (на 10% уровне) запаздывающих разностей (GS-стратегия перехода от общего к частному) или путем сравнения (оцененных) полной и редуцированных моделей с различными р > pmax по информационному критерию Шварца (SIC). В работах [Hall (1994)] и [Ng, Perron (1995)] показано, что если pmax > p0, то тогда в пределе (при Т ^ x>) SIC выбирает правильный порядок модели, а стратегия GS выбирает модель с р > р0; при этом факт определения порядка модели на основании имеющихся данных не влияет на асимптотическое распределение статистики Дики-Фуллера.

При практической реализации указанных двух подходов, когда мы имеем лишь ограниченное количество наблюдений, эти две процедуры могут приводить к совершенно различным выводам относительно необходимого количества запаздываний в правой части статистической модели, оцениваемой в рамках расширенного критерия Дики-Фуллера. Так, при анализе динамики валового внутреннего продукта (GDP) США по годовым данным на периоде с 1870 по 1994 гг. [Murray, Nelson (2000)], выбрав pmax = 8, получили при использовании GS-стратегии значение р = 6, тогда как по SIC было выбрано значение р = 1. В подобных конфликтных ситуациях можно для контроля ориентироваться также на достижение некоррелированности по LM-критерию остатков от оцененной модели (см. [Holden, Perman (1994)]). Заметим, однако, что в недавней статье [Taylor (2000)] автор приходит в выводам, отличающимся от выводов Ng и Perron: при конечных выборках расширенные критерии Дики-Фуллера очень чувствительны и к форме детерминистских переменных и к принятой структуре

167

запаздываний. Последняя, однако, недооценивается и GS-стратегией и SC-критерием. Это, в свою очередь, ведет к отклонениям от номинальных уровней значимости критериев Дики-Фуллера.

П1.2. Критерий Филлипса-Перрона

Этот критерий, предложенный в работе [Phillips, Perron (1988)], сводит проверку гипотезы о принадлежности ряда xt классу DS к проверке гипотезы H0 : р = 0 в рамках статистической модели

SM: Дх( = pxtl + а + р t + ut , t = 2,...,T ,

где, как и в критерии Дики-Фуллера, параметры а и р могут быть взяты равными нулю. Однако, в отличие от критерия Дики-Фуллера, случайные составляющие ut с нулевыми математическими ожиданиями могут быть автокоррелированными (с достаточно быстрым убыванием автокорреляционной функции), иметь различные дисперсии (гетероскедастичность) и не

обязательно нормальные распределения (но такие, что E|u( < C <™ для

некоторого д> 2). Тем самым, в отличие от критерия Дики-Фуллера, к рассмотрению допускается более широкий класс временных рядов.

Критерий Филлипса-Перрона основывается на t-статистике для проверки гипотезы H0 : р = 0 в рамках указанной статистической модели, но использует вариант этой статистики Zt, скорректированный на возможную автокоррелированность и гетероскедастичность ряда ut. При вычислении статистики Zt приходится оценивать так называемую "долговременную" ("long-run") дисперсию ряда ut, которая определяется как Л,2 = limT- E(u, +...+ur )2.

Если ut - остатки от оцененной (методом наименьших квадратов) статистической модели Дх, = р х(1 + а + р t + ut , t = 2,.. ,,T , то в качестве оценки (. 2) для Л2 можно взять оценку [Newey, West (1987)]

i '

(Л 2 )'=Г 0 + 2]Г

j=i .

где

i

j /ГГ-1 ^ 1 j j

у j = T Xu'u'-

1 --J-i+1

у

t=J+1

168

j-я выборочная автоковариация ряда ut. Если и l и T стремятся к бесконечности, но так, что (l / г)14 ^ 0, то тогда (. 2) - состоятельная оценка для

Я2 (см. [Phillips (1987)]) и асимптотические распределения статистики Zt совпадают с соответствующими асимптотическими распределениями статистики t9 в критерии Дики-Фуллера. Поскольку реально мы имеем лишь конечное количество наблюдений, встает вопрос о выборе количества используемых лагов l в оценке Newey-West (параметр l называют "шириной окна" - window size). Этот вопрос достаточно важен, т.к. недостаточная ширина окна ведет к отклонениям от номинального размера критерия (уровня значимости). В то же время увеличение ширины окна для избежания отклонений от номинального размера критерия ведет к падению мощности критерия. Таким образом, выбор какой-то конкретной ширины окна является компромиссом между двумя этими противоположными тенденциями.

Целый ряд исследований в этом направлении (сюда относятся, например, работы [Phillips, Perron (1988)], [Schwert (1989)]) не привел к какому-либо простому правилу выбора значения l. В этом отношении особняком

стоит работа [Andrews (1991)], в которой при построении оценки Я2 ис-

*

пользуются все T - 1 оцененные автоковариации, но умножается у . не

l /Л

1 - z для z I j )

I +1 а на к\ ,

п U +1J

0 в противном случае ,

на к\, где к(z) =

3

где к(z) =-, Ч2 .

(бя z /5)

Однако и в этом случае остается задача подходящего выбора параметра l.

Часто при выборе этого параметра пользуются все же рекомендациями [Schwert (1989)], полагая l = [Кх(7У100)1/4], где [а] - целая часть числа а, а значение K полагается равным 4 для квартальных и равным 12 для месячных данных. Другое правило выбора значения l реализованное, в частности, в пакете программ статистического анализа EVIEWS (Econometric Views), состоит в выборе значения l = [4х(7У100)2/9] ([Newey, West (1994)]). Некоторые авторы рекомендуют не опираться только лишь на длину ряда, а учитывать при выборе l количество значимых автокорреляций ряда.

169

Критические значения для статистики Zt берутся из тех же таблиц [Fuller (1976)] или вычисляются по формулам [MacKinnon (1991)].

Заметим также, что если ряд xt представляется моделью IMA(1, q), то тогда это значение q и следует использовать в качестве параметра l в оценке Newey-West. Если при этом q = 1, так что Дх( = s t+bls t l, то при bj > 0 критерий Филлипса-Перрона имеет более высокую мощность, чем критерий Дики-Фуллера, при одновременном уменьшении вероятности ошибки первого рода. В то же время, при bj < 0 высокая мощность критерия Фил-липса-Перрона достигается за счет значительного возрастания ошибки первого рода, так что этот критерий не рекомендуется применять при bj < 0 (он будет слишком часто ошибочно отвергать гипотезу о принадлежности ряда классу DS).

П1.3. Критерий Лейбурна

В работе [Leybourne (1995)] предлагается вычислять значения статистики критерия Дики-Фуллера DF для исходного ряда xt и для ряда, получаемого из исходного обращением времени, и затем взять максимум DFmax из двух полученных значений. Лейбурн изучил асимптотическое распределение статистики DFmax и построил таблицы критических значений при T = 25, 50, 100, 200, 400 для моделей с (линейным) трендом и без тренда. Таблицы получены моделированием в предположении независимости и одинаковой распределенности ошибок (инноваций). Однако автор утверждает, что ими можно пользоваться и в рамках расширенного варианта критерия Дики-Фуллера. Критерий Лейбурна обладает несколько большей мощностью по сравнению с критерием Дики-Фуллера.

П1.4. Критерий Шмидта-Филлипса.

В работе [Schmidt, Phillips (1992)] авторы строят критерий для проверки гипотезы DS (в форме гипотезы единичного корня) в рамках модели

xt = Y + £ t + wt,

где

W = P wt-i +s t , t = 2,...T.

Это удобно тем, что здесь в любом случае (P = 1 или Рф 1) параметр y представляет уровень, а параметр £ представляет тренд. При этом распределения статистик критерия и при нулевой (DS) и при альтернативной (TS) гипотезах не зависят от мешающих параметров y £ и as. Асимптотические распределения выводятся при тех же условиях, что в критерии Фил-

170

липса-Перрона и при ширине окна l порядка T12. Вместо линейного тренда в модели можно использовать и полиномиальный тренд.

П1.5. Критерий DF-GLS.

Этот критерий, асимптотически более мощный, чем критерий Дики-Фуллера, был предложен в работе [Elliott, Rothenberg, Stock (1996)]. Критерий DF-GLS проверяет (см. [Maddala, Kim (1998)]) нулевую гипотезу a0=0 в модели

Ayd= ao /i_1+a1A/i_1+-+ apAydt.p+error, где ydt - "локально детрендированный" ряд (подробности см. в цитированной работе).

П1.6. Критерий Квятковского-Филлипса-Шмидта-Шина (KPSS)

Этот критерий, предложенный в работе [Kwiatkowski, Phillips, Schmidt, Shin (1992)], в качестве нулевой берет гипотезу TS. Рассмотрение ведется в рамках модели

Ряд = Детерминированный тренд + Стохастический тренд + Стационарная ошибка.

Стохастический тренд представляется случайным блужданием, и нулевая гипотеза предполагает, что дисперсия инноваций, порождающих это случайное блуждание, равна нулю. Альтернативная гипотеза соответствует предположению о том, что эта дисперсия отлична от нуля, так что анализируемый ряд принадлежит классу DS рядов. В такой формулировке предложенный критерий является LM критерием для проверки указанной нулевой гипотезы.

Как и в критерии Филлипса-Перрона, требования на ошибки здесь менее строгие, чем в критерии Дики-Фуллера. Однако при применении данного критерия возникает проблема выбора ширины окна l в оценке Newey-West, поскольку значения статистики критерия довольно чувствительны к значению l. Сами авторы в цитируемой статье рассматривают варианты выбора ширины окна, следующие рекомендациям Шверта (см. [Schwert (1989)]).

171

П1.7. Критерий Перрона и его обобщение

П1.7.1. Критерий Перрона

Предложенная в работе [Perron (1989a)] процедура проверки нулевой гипотезы о принадлежности ряда классу DS обобщает процедуру Дики-Фуллера на ситуации, когда на периоде наблюдений имеются структурные изменения модели в некоторый момент времени TB либо в форме сдвига уровня, либо в форме изменения наклона тренда, либо в форме сочетания этих двух изменений. Важность такого обобщения связана с тем обстоятельством, что если DS-критерий не допускает возможности изменения структуры модели, тогда как такое изменение в действительности имеет место, то он имеет очень низкую мощность, т.е. практически всегда не отвергает DS-гипотезу (см., например, [Engle, Granger (1991)]).

В критерии Перрона момент изменения структуры предполагается экзогенным, в том смысле, что он выбирается не на основании визуального исследования графика ряда, а связывается с моментом известного масштабного изменения экономической обстановки, существенного отражающегося на поведении рассматриваемого ряда.

Трем указанным выше формам изменения структуры модели соответствуют три варианта регрессионных моделей, которые строятся путем вбирания в себя моделей, соответствующих нулевой и альтернативной гипотезам (в правые части могут входить запаздывающие разности).

A. Модель "краха"

X = c + SDMUt + /1 + d DTBt + a xM + s ,

B. Модель "изменения роста"

X = c + SDMUt + / t + r DTSt +a xM +e (

C. Модель, допускающая наличие обоих эффектов

X = c + 3DMUt + /1 + 8DTt + dDTB +a xM +s (

Здесь

c - постоянная,

ii для t = T +1

dtb =i B ;

[0 в противном случае

в модели A

\i для t > TB

DMU, =•

10 для t < Tb

172

в модели B

ft — T_ для t > T DTS = f s s ;

' [ О для t < TB

в модели C

DMUt = DTt = О для t < TB , DMUt = 1 , DTt = t для t > Ts .

Критические значения для t-статистики критерия и остальных параметров зависят от значения отношения TB IT.

Нулевые гипотезы единичного корня накладывают следующие ограничения на истинные параметры моделей: Модель A.

а = 1, р = 3 = О , d ф О Модель B.

а = 1,р = у = О , Зф О Модель C.

а = 1, в = 8 = О , d ф О , Зф О

Альтернативные гипотезы накладывают следующие ограничения на истинные параметры моделей Модель A.

а < 1, Рф О , Зф О , d = О Модель B.

а < 1, Рф О , уф О , З = О Модель C.

а < 1, Рф О , 8 ф О , d = О,3 = О.

В такой формулировке нулевая и альтернативная гипотезы являются гнездовыми гипотезами.

Асимптотические критические значения t-статистики критерия Перрона зависят от типа структурных изменений, параметра Л=TB/T и от того, какая из моделей постулируется - модель с аддитивным выбросом (AO), в которой структурное изменение происходит внезапно, или модель с инновационным выбросом (IO), в которой структурное изменение происходит постепенно. Приведенные в работе [Perron (1989a)] таблицы критических значений соответствуют моделям с инновационным выбросом. Как поступать в случае моделей с аддитивными выбросами, сообщается в работе [Perron, Vogelsang (1993)].

173

П1.7.2. Обобщенная процедура Перрона с эндогенным

выбором момента излома тренда.

Здесь мы используем процедуру, описанную в работе [Perron (1997)], в которой выбор момента излома TB эндогенным образом, т.е. только на основе анализа имеющейся реализации ряда, безотносительно к какой-либо внешней информации о возможном моменте излома. При этом рассматриваются модели IO1 - с инновационным выбросом с изменением постоянной, IO2 - с инновационным выбросом, изменяющим и постоянную и наклон тренда, AO - с аддитивным выбросом, изменяющим только наклон тренда.

Предусмотрены три метода оптимального выбора даты излома:

UR - по минимуму /-статистики критерия для проверки гипотезы a = 1;

STUDABS - по максимуму абсолютной величины /-статистики критерия для проверки гипотезы о равенстве нулю коэффициента при переменной, отвечающей за изменение константы (в модели IO1) или за изменение наклона тренда (в модели IO2);

STUD - по минимуму /-статистики критерия для проверки гипотезы о равенстве нулю коэффициента при переменной, отвечающей за изменение константы (в модели IO1) или за изменение наклона тренда (в модели IO2);

При практической реализации критерия обычно несколько ограничивают интервал возможных дат излома, чтобы исключить слишком ранние или слишком поздние даты излома.

П1.8. Процедура Кохрейна (отношение дисперсий)

Эта процедура, предложенная в работе [Cochraine (1998)], основывается на изучении характера поведения отношений

(VR)к =■

a

(VR - variance ratio), где

ст 2 = Уаг(х( - х(_к) / к .

Если хг - случайное блуждание, то тогда = 1, а если хг - процесс, стационарный относительно линейного тренда (или просто стационарный), то тогда (УК)к ^ 0 при к ^ да.

При работе с реальными данными дисперсии заменяются их состоятельными оценками, и полученное отношение умножается еще на Т / (Т - к

a 2

174

+ 1) для достижения несмещенности полученной оценки для (УЯ. Затем строится график значений полученных оценок для (УЯпри различных k = 1,..., K и по поведению этого графика делаются выводы о принадлежности ряда классу TS или DS, имея в виду различия в поведении этого графика для этих двух классов временных рядов.

Другой вариант работы с реальными данными состоит в использовании равносильного представления статистики отношения дисперсий (УК\ :

(УК) к = 1 + 2]Г г

м \ к +1

где rj - значение автокорреляционной функции ряда разностей

ДХ = Х - Х -1 •

П1.9. Коррекция сезонности

В рассмотренных выше процедурах никак не затрагивался вопрос о коррекции сезонного поведения ряда, не снимаемого ни введением в модель линейного тренда ни путем дифференцирования ряда. Разумеется, данные, поступающие в распоряжение исследователя, уже могли быть подвергнуты сезонной коррекции соответствующими статистическими агентствами. Более того, во многих странах сырые (не скорректированные на сезонность) данные просто недоступны. В то же время, при анализе данных, подвергшихся сезонному сглаживанию с использованием фильтров или с использованием специфических методик правительственных агентств, существенно больше шансов классифицировать исследуемый ряд как DS (см., например, [Ghysels, Perron (1993)]), чем при анализе сырых данных. Поэтому некоторые авторы рекомендуют по возможности вообще избегать использования сезонно-сглаженных данных ([Davidson, MacKinnon (1993)]). Более предпочтительным является использование сырых данных и устранение из них сезонности путем оценивания регрессии сырого ряда на сезонные фиктивные (dummy) переменные D1,..., D12 (если данные месячные) или D1,..., D4 (если данные квартальные). Остатки от оцененной регрессии образуют очищенный ряд, к которому можно применять изложенные выше методы. Теоретическое оправдание такого подхода при применении критерия Дики-Фуллера дано в работе [Dickey, Bell, Miller (1986)], где показано, что асимптотическое распределение статистики t9 не изменяется при исключении из ряда детерминированных сезонных компонент.

175

П1.10. Процедура Дики-Пантулы

Для ситуаций, когда предполагаемая модель авторегрессии для анализируемого ряда может иметь порядок р выше первого, в работе [Dickey, Pantula (1987)] предложена процедура последовательной проверки гипотез о количестве единичных корней характеристического уравнения, построенная по принципу "от общего к частному". Сначала проверяется гипотеза о том, что все р корней характеристического многочлена единичные; при ее отвержении проверяется гипотеза о наличии р - 1 единичных корней и т.д.

П1.11. Протяженность ряда и мощность критерия.

Следует иметь в виду, что мощность критериев единичного корня зависит, в первую очередь, от фактической протяженности ряда во времени, а не от частоты, с которой производятся наблюдения. Соответственно, имея значения ряда за десятилетний период, мы не получаем выигрыша в мощности, анализируя месячные данные, а не квартальные или годовые. Результаты исследований в этом направлении можно найти, например, в статьях [Shiller, Perron (1985)] и [Perron (1989b)].

П2. Проблема анализа временных рядов

П2.1. Стационарные временные ряды и их основные характеристики

Поиск модели, адекватно описывающей поведение случайных остатков et анализируемого временного ряда x/, производят, как правило, в рамках класса стационарных временных рядов.

Определение П2.1. Ряд xt называется строго стационарным (или стационарным в узком смысле), если совместное распределение вероятностей m наблюдений {x( такое же, как и для m наблюдений jx( +г, при любых

Т, и /1,..., tm.

Другими словами, свойства строго стационарного временного ряда не меняются при изменении начала отсчета времени. В частности, при m = 1 из предположения о строгой стационарности временного ряда x/ следует, что закон распределения вероятностей случайной величины x/ не зависит от /, а значит, не зависят от / и все его основные числовые характеристики, в том числе: среднее значение Ext = /л и дисперсия Dx/ = о2.

176

Очевидно, значение / определяет постоянный уровень, относительно которого колеблется анализируемый временной ряд х, а постоянная величина а характеризует размах этих колебаний. Поскольку закон распределения вероятностей случайной величины х1 одинаков при всех t, то он сам и его основные числовые характеристики могут быть оценены по наблюдениям XI,..., хт. В частности:

1 Т

й = — X х - оценка среднего значения,

ТЬ

1 Т

а2 = — X (х( - ~)2 - оценка дисперсии. (П2.1)

Т (=1

Автоковариационная функция у(т). Значения автоковариационной функции статистически оцениваются по имеющимся наблюдениям временного ряда по формуле

1 т-'

А*)=-— X (х<- /й Хх«- й)'

где *= 1,. Т- 1, а й вычислено по формуле (П2.1).

Очевидно, значение автоковариационной функции при ' = 0 есть не что иное, как дисперсия временного ряда, и, соответственно, 1 т

А(о) = а2 = -Т(х< -й)2. (П2.2)

т (=1

Автокорреляционная функция г(т). Одно из главных отличий последовательности наблюдений, образующих временной ряд, от случайной выборки заключается в том, что члены временного ряда являются, вообще говоря, статистически взаимозависимыми. Степень тесноты статистической связи между двумя случайными величинами может быть измерена парным коэффициентом корреляции. Поскольку в нашем случае коэффициент измеряет корреляцию, существующую между членами одного и того же временного ряда, его принято называть коэффициентом автокорреляции. При анализе изменения величины г(*) в зависимости от значения ' принято говорить об автокорреляционной функции г('). График автокорреляционной функции иногда называют коррелограммой. Автокорреляционная функция (в отличие от автоковариационной) безразмерна, т.е. не зависит от масштаба измерения анализируемого временного ряда. Ее значения, по определению, могут колебаться от -1 до +1. Кроме того, из стационарности следует, что г(') = г(-*), так что при анализе поведения автокорреля-

177

ционных функций ограничиваются рассмотрением только положительных значений г.

Выборочный аналог автокорреляционной функции определяется формулой

1

TZ-;!, x _f(r)

rW" £ tx,-tf -да"-1""-1' <П2'3)

т t -1

Существуют общие характерные особенности, отличающие поведение автокорреляционной функции стационарного временного ряда. Другими словами, можно описать в общих чертах схематичный вид коррелограммы стационарного временного ряда. Это обусловлено следующим общим соображением: очевидно, чем больше разнесены во времени члены временного ряда xt и xt+z, тем слабее взаимосвязь этих членов и, соответственно, тем меньше должно быть по абсолютной величине значение r(r). При этом в ряде случаев существует такое пороговое значение r0, начиная с которого все значения будут тождественно равны нулю.

Частная автокорреляционная функция гчаст(т). С помощью этой функции реализуется идея измерения автокорреляции, существующей между разделенными г тактами времени членами временного ряда xt и xt+I:, при устраненном опосредованном влиянии на эту взаимозависимость всех промежуточных членов этого временного ряда. Частная автокорреляция 1 -го порядка может быть подсчитана с использованием соотношения:

Гчаст (2)-r(xt, x.+2|xt+1 -и)-rt2)-^ t1), (П2.4)

где и - среднее значение анализируемого стационарного процесса.

Частные автокорреляции более высоких порядков могут быть подсчитаны аналогичным образом по элементам общей корреляционной матрицы R = ||r,||, в которой Гц = = r(x„ xj) = r(|i -j|), где i, j = 1,..., T и r(0) = 1. Так, например, частная автокорреляция 2-го порядка определяется по формуле:

r (3)-r(xt , x(3|x(1 - x(2 -и)- „ Г(1)- Г(2)Г(1) ,. (П2.5)

,асг () Vt 't+3|t+1 .+2 И V(1 - r2 (2))1 - r2 (1)) < )

Эмпирические (выборочные) версии автокорреляционных функций получаются с помощью тех же соотношений (П2.4), (П2.5) при замене участвующих в них теоретических значений автокорреляций r(r) их статистическими оценками r (г).

178

Полученные таким образом частные автокорреляции гчаст(1),гчаст (2),. можно нанести на график, в котором роль абсциссы выполняет величина сдвига *.

Знание автокорреляционных функций г(*) и гчаст(*) оказывает существенную помощь в решении задачи подбора и идентификации модели анализируемого временного ряда.

Спектральная плотность р(а). Спектральную плотность стационарного временного ряда определяется через его автокорреляционную функцию соотношением

р(а)=Х ,

где I = •>/-1 . Так как г(*) = г(-*), спектральная плотность может быть записана в виде

р(а) = 1 + 2^ г(г)со8(га).

'=1

Следовательно, функция р(а) является гармонической с периодом 2л. График спектральной плотности, называемый спектром, симметричен относительно а = л Поэтому при анализе поведения р(а) ограничиваются значениями 0 < а < л Спектральная плотность принимает только неотрицательные значения.

Использование свойств этой функции в прикладном анализе временных рядов определяется как «спектральный анализ временных рядов». Достаточно полное описание этого подхода приведено, например, в [Джен-кинс, Ватс (1971, 1972)] и [Ллойд, Ледерман (1990)]. Применительно к статистическому анализу экономических рядов динамики этот подход не получил широкого распространения, т.к. эмпирический анализ спектральной плотности требует в качестве своей информационной базы либо достаточно длинных стационарных временных рядов, либо нескольких траекторий анализируемого временного ряда (и та и другая ситуация весьма редки в практике статистического анализа экономических рядов динамики).

Для содержательного анализа важно, что величина спектральной плотности характеризует силу взаимосвязи, существующей между временным рядом хt и гармоникой с периодом 2 л/а. Это позволяет использовать спектр как средство улавливания периодичностей в анализируемом временном ряду: совокупность пиков спектра определяет набор гармонических компонентов в разложении (1.1.1). Если в ряде содержится скрытая

179

гармоника частоты а, то в нем присутствуют также периодические члены с частотами а/2, а/3 и т.д. Это так называемое «эхо», повторяемое спектром на низких частотах. Эффект «эха» анализировался в статье [Granger (1963)] на примере ряда ежемесячных безналичных расчетов между банками США за 1875-1958 гг.

Можно несколько расширить класс моделей стационарных временных рядов, используемых при анализе конкретных рядов экономической динамики.

Определение 2.2. Ряд называется слабо стационарным (или стационарным в широком смысле), если его среднее значение, дисперсия и кова-риации не зависят от t.

П2.2. Неслучайная составляющая временного ряда и методы его сглаживания

Существенную роль в решении задач выявления и оценивания трендо-вой, сезонной и циклической составляющих в разложении (1.1.1) играет начальный этап анализа, на котором:

• выявляется сам факт наличия/отсутствия неслучайной (и зависящей от времени t) составляющей в разложении (1.1.1); по существу, речь идет о статистической проверке гипотезы

H0: Ext = /и = const (П2.6)

(включая утверждение о взаимной статистической независимости членов исследуемого временного ряда) при различных вариантах конкретизации альтернативных гипотез типа HA: Ext ф const;

• строится оценка (аппроксимация) для неизвестной интегральной неслучайной составляющей f(t) = ^fp(t) + х2ф(!) т.е. решается задача сглаживания (элиминирования случайных остатков st) анализируемого временного ряда xt.

П2.2.1. Проверка гипотезы о неизменности среднего значения временного ряда

Критерий серий, основанный на медиане. Расположим члены анализируемого временного ряда в порядке возрастания, т.е. образуем по наблюдениям вариационный ряд:

x(l> x(2),•••, x(T). Определим выборочную медиану по формуле

180

х,т+л, если Т нечетно,

теа

1 (х^) + Х(т+1)) если Т четно.

После этого мы образуем «серии» из плюсов и минусов, на статистическом анализе которых основана процедура проверки гипотезы (П2.6). По исходному временному ряду, построим последовательность из плюсов и минусов следующим образом: вместо xt ставится «+», если х( > х, и «-», если х < х(члены временного ряда, равные х^, в полученной таким образом последовательности плюсов и минусов не учитываются).

Образованная последовательность плюсов и минусов характеризуется общим числом серий \(Т) и протяженностью самой длинной серии т(Т). При этом под «серией» понимается последовательность подряд идущих плюсов и подряд идущих минусов. Если исследуемый ряд состоит из статистически независимых наблюдений, случайно варьирующих около некоторого постоянного уровня (т.е. справедлива гипотеза (П2.6)), то чередование «+» и «-» в построенной последовательности должно быть случайным, т.е. эта последовательность не должна содержать слишком длинных серий подряд идущих «+» или «-», и, соответственно, общее число серий не должно быть слишком малым. Так что в данном критерии целесообразно рассматривать одновременно пару критических статистик

(КТ>; <Т>).

Справедлив следующий приближенный статистический критерия проверки гипотезы Н0, выраженной соотношением (П2.6): если хотя бы одно

из неравенств )> 1 { + 2 - 1,96л/Т -1) т^Т)< 1,431п(т +1) окажется

нарушенным, то гипотеза (П2.6) отвергается с вероятностью ошибки а, такой, что 0,05 < а < 0,0975 и, тем самым, подтверждается наличие зависящей от времени неслучайной составляющей в разложении (1.1.1).

Критерий «восходящих» и «нисходящих» серий. Этот критерий «улавливает» постепенное смещение среднего значения в исследуемом распределении не только монотонного, но и более общего, например, периодического характера.

Так же, как и в предыдущем критерии, исследуется последовательность знаков - плюсов и минусов, однако правило образования этой последовательности в данном критерии иное. Здесь на /-ом месте вспомогательной последовательности ставится «+», если х,+1 - х/ > 0, и «-»с, если х/+1 - х/

181

< 0 (если два или несколько следующих друг за другом наблюдений равны между собой, то принимается во внимание только одно из них). Последовательность подряд идущих «+» (восходящая серия) будет соответствовать возрастанию результатов наблюдения, а последовательность «-» (нисходящая серия) - их убыванию. Критерий основан на том же соображении, что и предыдущий: если выборка случайна, то в образованной последовательности знаков общее число серий не может быть слишком малым, а их протяженность - слишком большой.

При уровне значимости 0,05 < а < 0,0975 критерий вид:

-Т )> ^ - - 29

3 ' \ 90 ' (П2.7)

т(Т )<Го (Т ),

где величина т0(Т) определяется следующим образом:

т т < 26 26 < т < 153 153 < т < 1170

То(Т) то = 5 то = 6 то = 7

Если хотя бы одно из неравенств (П2.7) окажется нарушенным, то гипотезу (П2.6) следует отвергнуть.

Критерий квадратов последовательных разностей (критерий Аб-бе). Если есть основания полагать, что случайный разброс наблюдений X(t)) относительно своих средних значений подчиняется нормальному закону распределения вероятностей, то для выяснения вопроса о возможном систематическом смещении среднего в ходе выборочного обследования целесообразно воспользоваться критерием Аббе, являющимся в этом случае более мощным.

Для проверки гипотезы (П2.6) с помощью данного критерия подсчитает величину у{т)=^^, где ч2(тИ(х+1-х)2;

1 т 1 т

= ^ 7Е(х, -X)2, X = х(т) = -^х. Если У(Г)<УТ(Т), то

т -1 I=1 т I=1

гипотеза (П2.6) отвергается. При этом величина у™" (т) для T > 60 под-считывается как уа (Т )= 1 +—, , , , где uа - а-квантиль

Л/Т + 0,5(1 + и2а )

182

нормированного нормального распределения. Величины у™п T) при Т <

< 60 для трех наиболее употребительных значений уровня значимости приведены в табл. 4.9 книги [Большев, Смирнов (1965)].

П2.2.2. Методы сглаживания временного ряда (выделение неслучайной составляющей)

Методы выделения неслучайной составляющей в траектории, отражающей поведение временного ряда, подразделяются на два типа.

Методы первого типа (аналитические) основаны на допущении, что известен общий вид неслучайной составляющей в разложении (1.1.1) АО = Мр(0 + Х2<М +Хз (П2.8)

Например, если известно, что неслучайная составляющая временного ряда описывается линейной функцией времени А(0 = в0 + в/, где в0 и в -некоторые неизвестные параметры модели, то задача ее выделения (задача элиминирования случайных остатков или задача сглаживания временного

ряда) сводится к задаче построения хороших оценок в0 и в1 для параметров модели.

Методы второго типа (алгоритмические) не связаны ограничительным допущением о том, что общий аналитический вид искомой функции (П2.8) известен исследователю. В этом смысле они являются более гибкими, более привлекательными. Однако «на выходе» задачи они предлагают

исследователю лишь алгоритм расчета оценки f (/) для искомой функции

Ад в любой наперед заданной точке / и не претендуют на аналитическое представление функции (П2.8).

Аналитические методы выделения (оценки) неслучайной составляющей временного ряда. Эти методы реализуются в рамках моделей регрессии, в которых в роли зависимой переменной выступает переменная х, а в роли единственной объясняющей переменной - время /. Таким образом, рассматривается модель регрессии вида

X = А/, в) + е, / = 1,..., Т, в которой общий вид функции А/, в) известен, но неизвестны значения параметров в = (в0, в,., вт). Оценки параметров в строятся по наблюдениям х( Yt_1. Выбор метода оценивания зависит от гипотетического вида

183

функции А}, вв) и стохастической природы случайных регрессионных остатков е}.

Алгоритмические методы выделения неслучайной составляющей временного ряда (методы скользящего среднего). В основе этих методов элиминирования случайных флуктуаций в поведении анализируемого временного ряда лежит простая идея: если «индивидуальный» разброс значений члена временного ряда х} около своего среднего (сглаженного) значения а характеризуется дисперсией о2, то разброс среднего из N членов временного ряда (х1 + х2 +... + хт) / N около того же значения а будет характеризоваться гораздо меньшей величиной дисперсии, а именно дисперсией, равной О / N. А уменьшение меры случайного разброса (дисперсии) и означает как раз сглаживание соответствующей траектории. Поэтому выбирают некоторую нечетную «длину усреднения» N = 2т + 1, измеренную в числе подряд идущих членов анализируемого временного ряда. А затем

сглаженное значение /(:) временного ряда х} вычисляют по значениям

х-т+1,., X}, Х}+1,., Х}+т по формуле

т

/(/)= ^ , : = т +1, т + 2,...Т - т, (П2.9)

к=-т

где wk (к = -т, -т + 1,., т) - некоторые положительные «весовые» коэф-

т

фициенты, в сумме равные единице, т.е. wk > 0 и ^^ = 1. Поскольку,

к=-т

изменяя } от т + 1 до Т - т, мы как бы «скользим» по оси времени, то и методы, основанные на формуле (П2.9), принято называть методами скользящей средней (МСС).

Очевидно, один МСС отличается от другого выбором параметров т и

Wk.

Определение параметров wk основано на следующей процедуре. В соответствии с теоремой Вейерштрасса любая гладкая функция Ах) при самых общих допущениях может быть локально представлена алгебраическим полиномом подходящей степени р. Поэтому берем первые 2т + 1 членов временного ряда хь..., х2т+1, строим с помощью МНК полином X () степени р, аппроксимирующий поведение этой начальной части траектории временного ряда, и используем этот полином для определения оценки / (:) сглаженного значения _Д}) временного ряда в средней (т.е. (т + 1)-й) точке этого отрезка ряда, т.е. полагаем /(т +1)= = X (т +1). Затем

184

«скользим» по оси времени на один такт и таким же способом подбираем полином х2(t) той же степени p к отрезку временного ряда x2,..., x^2 и определяем оценку сглаженного значения временного ряда в средней точке сдвинутого на единицу отрезка временного ряда, т.е. f (m + 2) = x2(m + 2), и т.д.

В результате мы найдем оценки для сглаженных значений f (t) анализируемого временного ряда при всех t, кроме t = 1,., m и t = T,... T — m + 1.

Подбор наилучшего (в смысле критерия МНК) аппроксимирующего полинома к траектории анализируемого временного ряда приводит к формуле вида (П2.9), причем результат не зависит от того, для какого именно из «скользящих» временных интервалов был осуществлен этот подбор.

Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)]). В соответствии с этим методом оценка сглаженного значения f (t) в точке t определяется как решение оптимизационной задачи вида t—i

Q(f) = £ Я (x—k — f)2 ^ min, (П2.10)

k=0

где 0 < Я < 1. Следовательно, веса Я в критерии Qf обобщенного («взвешенного») МНК уменьшаются экспоненциально по мере удаления наблюдений xt—k в прошлое.

Решение оптимизационной задачи (П2.10) дает:

1 — Я t—i

f (t ) = Г—ГГ ЕЯЧ—k. (П2.11)

1 — Я k=0

В отличие от обычного МСС здесь скользит только правый конец интервала усреднения и, кроме того, веса экспоненциально уменьшаются по мере удаления в прошлое. Формула (П2.11) дает оценку сглаженного значения временного ряда не в средней, а в правой конечной точке интервала усреднения.

П2.2.3. Подбор порядка аппроксимирующего полинома

с помощью метода последовательных разностей

Реализация алгоритмических методов выделения неслучайной составляющей временного ряда связана с необходимостью подбора порядка p локально-аппроксимирующего полинома. Эта же задача возникает и при

185

реализации аналитических методов выделения неслучайной составляющей. При решении этой задачи широко используется так называемый метод последовательных разностей членов анализируемого временного ряда, который основан на следующем математическом факте: если анализируемый временной ряд х} содержит в качестве своей неслучайной составляющей алгебраический полином _Д}) = в0 + в} + в} порядка р, то переход к последовательным разностям порядка р + 1, исключает неслучайную составляющую, оставляя элементы, выражающиеся только через остаточную случайную компоненту е}.

Обсудим способ подбора порядка р полинома, представляющего собой неслучайную составляющую А}) в разложении анализируемого временного ряда х. Заметим, прежде всего, что если мы знаем, что среднее значение наблюдаемой случайной величины £ равно нулю (Е£ = 0), то выборочным

Т £1

аналогом ее дисперсии является величина ¡л(Т) = —, где £, I = 1, 2,.,

I=1 Т

Т - наблюденные значения этой случайной величины. Если же Е£ Ф 0, то

т £2 ( т £,\2

выборочным аналогом дисперсии будет статистика Е ——I - I , так

I=1 т V '=1 т )

что величина ¡л(т) будет давать в этом случае существенно завышенные

оценки для Б£. Возвращаясь к последовательному переходу к разностям Дкх}, к = 1, 2,., р + 1, отметим, что при всех к < р + 1 средние значения этих разностей будут отличны от нуля, так как будут выражаться не только через остатки е}, но и через коэффициенты в0, в1,., вр и степени }. И только для к > р + 1 можно утверждать, что:

Е(ДХ) = 0 и о2 = Б(дкх1)/С2Р++1).

С учетом этих замечаний можно сформулировать следующее правило подбора порядка сглаживающего полинома р, называемое методом последовательных разностей.

Последовательно для к = 1, 2,. вычисляем разности Дкх1 (} = 1,., Т -к), а также величины

Т-к

1

Т-к

Т-к

Е(ДкХ: )2

(к )=-^-к-• (П212)

186

Анализируем поведение величины а2 (к) в зависимости от к. Величина сС2 (с) как функция к будет демонстрировать явную тенденцию к убыванию до тех пор, пока к не достигнет величины р + 1. Начиная с этого момента величина (П2.12) стабилизируется, оставаясь (при дальнейшем увеличении р) приблизительно на одном уровне. Поэтому значение к = к0, начиная с которого величина а2 (с) стабилизируется, и будет давать завышенный на единицу искомый порядок сглаживающего полинома, т.е. р = к0 - 1.

Этот метод привлекателен своей простотой, но его практическое применение требует определенной осторожности. Последовательные значения сС2 (с) не являются независимыми, и часто обнаруживается тенденция их медленного убывания (а иногда возрастания) без видимой сходимости к постоянному значению. Кроме того, процесс перехода к разностям имеет тенденцию уменьшать относительное значение любого систематического движения, кроме сезонных эффектов с периодом, близким к временному интервалу, так что сходимость отношения а2^) не доказывает, что ряд

первоначально состоял из полинома плюс случайный остаток, а только то, что он может быть приближенно представлен таким образом. Однако для нас этот метод ценен лишь тем, что он дает верхний предел порядка полинома р, который целесообразно использовать для элиминирования неслучайной составляющей.

П2.3. Модели стационарных временных рядов и их идентификация

В П2.2 рассматривался класс стационарных временных рядов, в рамках которого подбирается модель, пригодная для описания поведения случайных остатков исследуемого временного ряда (1.1.1). Здесь рассматривается набор линейных параметрических моделей из этого класса и методы их идентификации. Таким образом, речь здесь идет не о моделировании временных рядов, а о моделировании их случайных остатков £/, получающихся после элиминирования из исходного временного ряда х/ его неслучайной составляющей (П2.8). Следовательно, в отличие от прогноза, основанного на регрессионной модели, игнорирующего значения случайных остатков, в прогнозе временных рядов существенно используется взаимозависимость и прогноз самих случайных остатков.

Введем обозначения. Так как здесь описывается поведение случайных остатков, то моделируемый временной ряд обозначим £/, и будем полагать,

187

что при всех t его математическое ожидание равно нулю, т.е. Ееь = 0. Временные последовательности, образующие «белый шум», обозначим 4-

Описание и анализ, рассматриваемых ниже моделей, формулируется в терминах общего линейного процесса, представимого в виде взвешенной суммы настоящего и прошлых значений белого шума, а именно:

^ , (П2.13)

к=0

где Д = 1 и ^ Д2 < да .

к=0

Таким образом, белый шум представляет собой серию импульсов, в широком классе реальных ситуаций генерирующих случайные остатки исследуемого временного ряда.

Временной ряд ^ можно представить в эквивалентном (П2.13) виде, при котором он получается в виде классической линейной модели множественной регрессии, в которой в качестве объясняющих переменных выступают его собственные значения во все прошлые моменты времени:

^ +4,. (П2.14)

к=1

При этом весовые коэффициенты щ, п2,... связаны определенными условиями, обеспечивающими стационарность ряда е. Переход от (П2.14) к (П2.13) осуществляется с помощью последовательной подстановки в правую часть (П2.14) вместо е—1, е-2,... их выражений, вычисленных в соответствии с (П2.14) для моментов времени t - 1, t - 2 и т.д.

Рассмотрим также процесс смешанного типа, в котором присутствуют как авторегрессионные члены самого процесса, так и скользящее суммирование элементов белого шума:

р д

е = ^щке,-к +4, +^ДA-j.

к=1 j=1

Будем подразумевать, что р и q могут принимать и бесконечные значения, а также то, что в частных случаях некоторые (или даже все) коэффициенты щ или Д равны нулю.

П2.3.1. Модели авторегрессии порядка р

(АЯ( р)-модели)

Рассмотрим сначала простейшие частные случаи.

188

Модель авторегрессии 1-го порядка - AR(1) (марковский процесс).

Эта модель представляет собой простейший вариант авторегрессионного процесса типа (П2.14), когда все коэффициенты кроме первого равны нулю. Соответственно, она может быть определена выражением

е/ = ае- + 4 (П2.15)

где а - некоторый числовой коэффициент, не превосходящий по абсолютной величине единицу (|а| < 1), а 8г - последовательность случайных величин, образующая белый шум. При этом зависит от 81 и всех предшествующих 8, но не зависит от будущих значений 8. Соответственно, в уравнении (П2.15) 81 не зависит от е/-т и более ранних значений е. В связи с этим, 8г называют инновацией (обновлением).

Последовательности е, удовлетворяющие соотношению (П2.15), часто называют также марковскими процессами. Это означает, что

Ее = 0, (П2.16)

г(е/, е/±к) = а, (П2.17)

2

Бе/ = —, (П2.18)

1 -а

еоу(е, е/±к) = (¿Бе. (П2.19)

Одно важное следствие (П2.19) состоит в том, что если величина |а| близка к единице, то дисперсия будет намного больше дисперсии 8. А это значит, что если соседние значения ряда сильно коррелированы, то ряд довольно слабых возмущений 81 будет порождать размашистые колебания остатков е^

Основные характеристики процесса авторегрессии 1-го порядка следующие.

Условие стационарности ряда (П2.15) определяется требованием к коэффициенту а:

|а| < 1,

или, что то же, корень х0 уравнения 1 - ах = 0 должен быть по абсолютной величине больше единицы.

Автокорреляционная функция марковского процесса определяется соотношением (П2.17):

г(т) = г(е/, е±±> = а\ (П2.20)

Отсюда же, в частности, следует простая вероятностная интерпретация параметра а:

а = г(е/, е/±х),

189

т.е. значение а определяет величину корреляции между двумя соседними членами ряда еt.

Из (П2.20) видно, что степень тесноты корреляционной связи между членами последовательности (П2.15) экспоненциально убывает по мере их взаимного удаления друг от друга во времени.

Частная автокорреляционная функция гчаст(г) = г(е, е;+г | ем = е;+2 = ...= е+—1 = 0) может быть подсчитана с помощью формул (П2.4)-(П2.5). Непосредственное вычисление по этим формулам дает следующий простой результат: значения частной корреляционной функции гчаст(г) равны нулю для всех г = 2, 3,.. Это свойство может быть использовано при подборе модели: если вычисленные выборочные частные корреляции Гчаст статистически незначимо отличаются от нуля при г = 2, 3,., то использование модели авторегрессии 1 -го порядка для описания поведения случайных остатков временного ряда не противоречит исходным статистическим данным.

Спектральная плотность р(<~) марковского процесса (П2.15) может быть подсчитана с учетом известного вида автокорреляционной функции (П2.20):

рИ~)=-

2 + а - 2аео8(2щ®)

Л ~ 1 (~ ю 0<~<— \~=— 2 ^ 2щ

В случае значения параметра а близкого к 1, соседние значения ряда ег близки друг к другу по величине, автокорреляционная функция экспоненциально убывает оставаясь положительной, а в спектре преобладают низкие частоты, что означает достаточно большое среднее расстояние между пиками ряда еt. При значении параметра а близком к -1, ряд быстро осциллирует (в спектре преобладают высокие частоты), а график автокорреляционной функции экспоненциально спадает до нуля с попеременным изменением знака.

Идентификация модели, т.е. статистическое оценивание ее параметров а и а1 по имеющейся реализации временного ряда X/; (а не его остатков, которые являются ненаблюдаемыми), основана на соотношениях (П2.16)-(П2.19) и может быть осуществлена с помощью метода моментов.

190

Для этого следует предварительно решить задачу выделения неслучайной составляющей / (,), что позволит оперировать в дальнейшем остатками

е,= X - /(,) (П2.21)

Затем подсчитывается выборочная дисперсия /(о) остатков по формуле

1 к

г(о) = 1 I (е-е)2,

Т

I е

где е = —— , а «невязки» (остатки) вычислены по формуле (П2.21).

N

Оценку а параметра а получаем с помощью формулы (П2.18), подставляя в нее вместо коэффициента корреляции его выборочное значение,

N-1

1(е -е)(е+1 -е) т.е. а =-—--.

г(о)

2

Наконец, оценка <г0 параметра <Г0 основана на соотношении (П2.19), в котором величины Бе/ и а заменяются оценками, соответственно, /(о) и

а: <2 =(1 -а2 /(о)

Модели авторегрессии 2-го порядка - ЛЩ2) (процессы Юла). Эта

модель, как и ЛЯ(1), представляет собой частный случай авторегрессионного процесса, когда все коэффициенты я■ в правой части (П2.14) кроме первых двух, равны нулю. Соответственно, она может быть определена выражением

е/ = а1 е/-1 + а2е/-2 + 8/, (П2.22)

где последовательность 8, ¿2,— образует белый шум.

Условия стационарности ряда (П2.22) (необходимые и достаточные) определяются как:

\а\ < 2, аг < 1 -а |.

В рамках общей теории моделей те же самые условия стационарности получаются из требования, чтобы все корни соответствующего характеристического уравнения лежали бы вне единичного круга. Характеристиче-

191

ское уравнение для модели авторегрессии 2-го порядка имеет вид:

1 - а^ -а272 = 0.

Автокорреляционная функция процесса Юла подсчитывается следующим образом. Два первых значения г(1) и г(2) определены соотношениями

г(1) = - ~

1 -а

г(2) = а +

1 -а,

2

а значения для г(г), г = 3, 4,. вычисляются с помощью рекуррентного соотношения

г(г) = а1г(г- 1) + а2г(г- 2).

Частная автокорреляционная функция временного ряда, сгенерированного моделью авторегрессии 2-го порядка, обладает следующим отличительным свойством:

Гчаст(г) = 0 при всех г= 3, 4,.

Спектральная плотность р(~ ) процесса Юла может быть вычислена с помощью формулы:

2о"2 1 р(~) =-;-;-т-ч 0 /—~-т—~,0 < ~ < —.

1 + а1 +а2 -2а (1 -а2)со$(2щ~)-2а ео8(4що) 2

Идентификация модели авторегрессии 2-го порядка основана на соотношениях, связывающих между собой неизвестные параметры модели а1, а2 и сг02 со значениями различных моментов «наблюдаемого» временного ряда е.

По значениям е( вычисляются оценки 9(0), г(0) и г(0), соответственно, дисперсии Не/; и автокорреляций г(1) и г(2). Это делается с помощью соотношений (П2.2) и (П2.3):

1 Т

т=1 I (е-ее)2, т ,=1

Т-к

Т-к -е')е'+к -е) г =1_

9(0) ,

После этого можно получить оценки аг и а2 из соотношений

9(к -•к=12

а2

192

а = я(1)(1 - Я(2)) = я(2)-г2 (1)

а 1 - г2 (1) ,а2 1 - г2 (1) . Наконец, оценку параметра < получаем с помощью

<о2 = г(о)±+\ [(1 -а2 )2-а2 ]

1 -а2

Модели авторегрессии р-го порядка - ЛЩр) (р > 3). Эти модели, образуя подмножество в классе общих линейных моделей, сами составляют достаточно широкий класс моделей. Если в общей линейной модели (П2.14) полагать все параметры я, кроме первых р коэффициентов, равными нулю, то мы приходим к определению ЛЯ(р)-модели:

е=1 а е-, + 8, (П2.23)

>1

где последовательность случайных величин 8, 8,- • • образует белый шум.

Условия стационарности процесса, генерируемого моделью (П2.23), также формулируются в терминах корней его характеристического уравнения

1 - а\2 - а222 - — - = 0.

Для стационарности процесса необходимо и достаточно, чтобы все корни характеристического уравнения лежали бы вне единичного круга, т.е. превосходили бы по модулю единицу.

Автокорреляционная функция процесса (П2.23) может быть вычислена с помощью рекуррентного соотношения по первымр ее значениям г(1),-.., г(р). Это соотношение имеет вид:

г (г) = а1г(г- 1) + а2т(х- 2) +-..+ арт(т-р), т = р + 1,р + 2, (П2.24)

Частная автокорреляционная функция процесса (П2.23) будет иметь ненулевые значения лишь при г < р; все значения гчаст(р) при г > р будут нулевыми (см., например, [Бокс, Дженкинс (1974)]). Это свойство частной автокорреляционной функции AR(p)-процесса используется, в частности, при подборе порядка в модели авторегрессии для конкретных анализируемых временных рядов. Если, например, все частные коэффициенты автокорреляции, начиная с порядка к, статистически незначимо отличаются от нуля, то порядок модели авторегрессии естественно определить равным р = к - 1.

Спектральная плотность процесса авторегрессии р-го порядка определяется с помощью формулы:

193

Р(~Н-:-—-<~ < -

I „ -г2лсо „ ~14л(о „ -г2 О

II -а е -а2 е -...-а е р 2

Идентификация модели авторегрессии р-го порядка основана на соотношениях, связывающих между собой неизвестные параметры модели и автокорреляции исследуемого временного ряда. Для вывода этих соотношений последовательно подставляются в (П2.24) значения г = 1, 2,..., р. Получается система линейных уравнений относительно а\, а2,..., ар: г(1) = а1 + а2г(1) + ...+ аг(р -1),

г(2) = аг(1) + а + ...+ а г(р - 2),

1 У 7 2 р У ' (П2.25)

r(p) = ar(p - l) + a2r(p - 2) + ...+ а . называемая уравнениями Юла-Уокера [Yule (1927)], [Walker (1931)]. Оценки а для параметров ak получим, заменив теоретические значения автокорреляций r(k) их оценками r(k) и решив полученную таким образом систему уравнений.

Оценка параметра a2 получается из соотношения

О2 = H0)(l -а1г(1)-а2 r(2)-...-apr(p))

заменой всех участвующих в правой части величин их оценками.

П2.3.2. Модели скользящего среднего порядка q (МА(д)-модели)

Рассмотрим частный случай общего линейного процесса (П2.13), когда только первые д из весовых коэффициентов р ненулевые. В это случае процесс имеет вид

е = 8 - ад-1 - в28,-2 -...- вд8-д, (П2.26)

где символы -$,..., вд используются для обозначения конечного набора параметров р, участвующих в (П2.13). Процесс (П2.26) называется моделью скользящего среднего порядка д (МА(д)).

Двойственность в представлении АЯ- и МА-моделей и понятие обратимости МА-модели. Из (П2.13) и (П2.14) видно, что один и тот же общий линейный процесс может быть представлен либо в виде АЯ-модели бесконечного порядка, либо в виде МА-модели бесконечного порядка. Соотношение (П2.26) может быть переписано в виде

194

8 =е + + £28-2 +...+ дч8ы.

Откуда

88 = г, - Л е-1 - Л2Вг-2 -..., (П2.27)

где коэффициенты л (/' = 1, 2,.) определенным образом выражаются через параметры вь..., вд. Соотношение (П2.27) может быть записано в виде модели авторегрессии бесконечного порядка (т.е. в виде обращенного разложения)

е, = > л Я, . + 8 .

7=1

Известно (см., например, [Бокс, Дженкинс, (1974)]), что условие обратимости МА(д)-модели (т.е. условие сходимости ряда ^ л ) формулиру-

7=1

ется в терминах характеристического уравнения модели (П2.26) следующим образом:

Все корни характеристического уравнения 1 2-6222 -...-69= 0

должны лежать вне единичного круга, т.е. > 1 для всех' = 1, 2,., д.

Основные характеристики процесса МА(^). Справедливо следующее выражение для ковариаций:

у(т) =

0

_ 2

а„2 (1+ 6 +02 + ...+ в1), т = 0;

(-в,+6,6+, +626г+2 + ...+6"_6"), 1 <т< "; (П2.28)

0 т>".

Автокорреляционная функция процесса МА(д) получается непосредственно из (П2.28):

г(т) =

-в +вв , +в£ , + ...+в в

т 1 т+1 2 т+2 а-т а 1

т = 1,...,";

1 + вгх +в\ + ...+в2 ' (П2.29)

0, т > ".

Таким образом, автокорреляционная функция г(т) процесса МА(д) равна нулю для всех значений т, больших порядка процесса д. Это важное свойство используется при подборе порядка МА(д)-модели по экспериментальным данным.

Спектральная плотность процесса МА(д) может быть вычислена с помощью соотношения:

р(о) = 2а% -ве-2лВ>-в2е~'4™ -...-в9е-2"ла|2,0 <3 < 12.

195

Идентификация модели МЛ(ф производится на базе соотношений (П2.29), а именно: 1) по значениям е = X - /(.) с помощью формулы

1 Т-Т Т,(е' -еУе<+'-е)

г (г) = Т г Г1 Т-,г = 1,2,...,?,

1 I(е. -ее)2

Т I=1

подсчитываются значения г(1),...Г (?); 2) в соотношения (П2.29) последовательно подставляются значения г = 1,., д с заменой в левой их части величин г(г) полученными ранее оценками Г (г); 3) полученная таким образом система из д уравнений разрешается относительно неизвестных значений 01,., 0д; решения этой системы в1 ,...0 и дадут оценки неизвестных параметров модели; 4) оценка параметра а] может быть получена с помощью первого из соотношений (П2.28) подстановкой в него вместо ^(0), 01,., 0д их оценок.

Заметим, что в отличие от системы уравнений Юла-Уокера (П2.25), уравнения для определения оценок параметров МА(д)-модели нелинейны. Поэтому эти уравнения приходится решать с помощью итерационных процедур (см., например, [Бокс, Дженкинс (1974)]).

Взаимосвязь процессов AR(^) и МА(^). Сделаем ряд замечаний о взаимосвязях между процессами авторегрессии и скользящего среднего.

1. Для конечного процесса авторегрессии порядка р 88 может быть представлено как конечная взвешенная сумма предшествующих е, или е\ может быть представлено как бесконечная сумма предшествующих 8. В то же время, в конечном процессе скользящего среднего порядка д е, может быть представлено как конечная взвешенная сумма предшествующих 8 или 81 - как бесконечная взвешенная сумма предшествующих е.

2. Конечный процесс МА имеет автокорреляционную функцию, обращаю-

щуюся в нуль после некоторой точки, но так как он эквивалентен бесконечному процессу АЯ, его частная автокорреляционная функция бесконечно протяженная. Главную роль в ней играют затухающие экспоненты и (или) затухающие синусоиды. И наоборот, процесс АЯ имеет частную автокорреляционную функцию, обращающуюся в нуль после некоторой точки, но его автокорреляционная функция имеет бесконечную протяженность и состоит из совокупности затухающих экспонент и или затухающих синусоид.

196

3. Параметры процесса авторегрессии конечного порядка не должны удо-

влетворять каким-нибудь условиям для того, чтобы процесс был стационарным. Однако для того чтобы процесс МА был обратимым, корни его характеристического уравнения должны лежать вне единичного круга.

4. Спектр процесса скользящего среднего является обратным к спектру соответствующего процесса авторегрессии.

П2.3.3. Авторегрессионные модели со скользящими средними в остатках (ARMA(p, q)-модели)

Представление процесса типа МА в виде процесса авторегрессии неэкономично с точки зрения его параметризации. Аналогично процесс AR не может быть экономично представлен с помощью модели скользящего среднего. Поэтому для получения экономичной параметризации иногда бывает целесообразно включить в модель как члены, описывающие авторегрессию, так и члены, моделирующие остаток в виде скользящего среднего. Такие линейные процессы имеют вид

S = ai£t_i +...+ apet_p + 5t - 915t_i -...- 9q5t-q (П2.30)

и называются процессами авторегрессии - скользящего среднего порядка (p, q)(ARMA(p, q)).

Стационарность и обратимость ARMA(p, qj-процессов. Записывая процесс (П2.30) в виде

S = £ j _j + 8qt, (П2.31)

j=i

где 8 =8t-98,^ -■■■—98 , можно провести анализ стационарности (П2.31) по той же схеме, что и для AR(p)-процессов. При этом различие "остатков" 8 t и 8е никак не повлияет на выводы, определяющие условия

стационарности процесса авторегрессии. Поэтому процесс (П2.30) является стационарным тогда и только тогда, когда все корни характеристического

уравнения AR(p)-процесса лежат вне единичного круга.

p

Аналогично, обозначив ept=et_'^ajet_j и рассматривая процесс

j=i

(П2.30) в виде

S =8-9,8,- ...-9 8 ,

pt t i t-1 q t-q >

197

получаем те же выводы относительно условий обратимости этого процесса, что и для процесса МА(д): для обратимости АЯМА(р, д)-процесса необходимо и достаточно, чтобы все корни характеристического уравнения МА(д)-процесса лежали бы вне единичного круга.

Автокорреляционная функция анализируется аналогично, тому как это делалось для АЯ- и МА-процессов, что позволяет сделать следующие выводы.

1) Из соотношений у(т) = а1у(т- 1) + ...+ ару(т-р) + уе8(т) - ву^т- 1) -...- вдуе8(т- - д), (где уе^к) = Е(е1-к81) - «перекрестная» ковариационная функция последовательностей е,и 8) для т= 0, 1,., д следует, что ковари-ации у(0), у(1),..., у(д) и, соответственно, автокорреляции г(1),..., г(д) связаны определенной системой зависимостей с д параметрами скользящего среднего 6Ь..., вд ир параметрами авторегрессии аь..., ар. При этом перекрестные ковариации е(т), у8т- 1),., у8т- д) при положительных значениях сдвига по времени равны нулю, а при отрицательных - тоже могут быть выражены в терминах параметров аь..., ар,в1,..., вд с помощью следующего приема: пусть к > 0; тогда у8-к) = ЕЯ^Д); в произведении е1_к81 с помощью (к + 1)-кратной последовательной подстановки первого сомножителя по формуле (П2.30) он заменяется линейной комбинацией е,_1, элементов белого шума 8 и параметров модели, что после применения к получившемуся произведению операции усреднения Е дает выражение, зависящее только от параметров модели (поскольку Е(е-8) = 0).

2) Значения автокорреляционной функции г(т) для т> д + 1 вычисляются по рекуррентному соотношению г(т) = а1г(т - 1) + а2г(т - 2) +...+ арг(т - р) при т> д + 1, которое в точности повторяет аналогичное рекуррентное соотношение (П2.24) для автокорреляционной функции процесса АЯ(р). Это значит, что, начиная с т = д + 1, автокорреляционная функция процесса АЯМА(р, д) ведет себя так же, как и автокорреляционная функция процесса АЯ(р), т.е. она будет состоять из совокупности затухающих экспонент и (или) затухающих синусоид, и ее свойства определяются коэффициентами а!,., ар и начальными значениями г(1),..., г(р).

Частная автокорреляционная функция процесса АЯМА(р, д) при больших т ведет себя как частная автокорреляционная функция МА(д)-процесса. Это значит, что в ней преобладают члены типа затухающих экспонент и (или) затухающих синусоид (соотношение между теми и другими зависит от порядка скользящего среднего д и значений параметров процесса).

Спектральная плотность процесса ЛЯМЛ(р, д) может быть вычислена с помощью соотношения:

198

. . 11 -вх е -вг е -14т - ...-в е- 2-Л 1

р(~ ) = 2&1~---Ц- ,0 <~ <-.

|1 -а,е~'2ж* -аге-4ж~ -,..-аре-2рж5| 2

Идентификация процесса ЛЯЫЛф, ф базируется (так же как и ЛЯ-и МА-моделях) на статистическом оценивании параметров модели с помощью метода моментов. Процедура оценивания параметров ак (к = 1, 2,..., р), в_в (у = 1, 2,., ф)и а2 разбивается на два этапа. На 1-м этапе получаются оценки параметров ак, на 2-м - оценки параметров вв и ст02.

1-й этап. Параметры автокорреляционной составляющей модели (П2.30) удовлетворяют системе линейных уравнений: г(- +1)- аг(-)- а2г(- -1) -...- а г(- - Р +1) = 0,

г(- + 2)-а1г(- +1)-а2г(-)- ...-арГ(- - р + 2) = 0,

г(- + р)-аг(- + р -1)- аг(- + р - 2)-...- а г(-) = о.

Подставляя в (П2.32) вместо г(к) их выборочные значения и решая получившуюся систему относительно аУ (У = 1,., р), получаем оценки

а. ,...а .

1' ' р

2-й этап. Подставляя полученные оценки а,...,ар в (П2.30) получаем набор из ф + 1 соотношений:

р -

е, -^аке>-к =5' , к=1 j=1

Р q

_ _ t+i—j >

k=1 j=1

р q

"ZâkSt+q—k =St+q "ZejÔt+q—j •

k=1

Эта система позволяет получить нелинейные зависимости, связывающие искомые параметры а02, в\,..., вч с автоковариациями и построенными на 1-м этапе оценками.

Векторные модели авторегрессии - скользящего среднего. В эко-нометрической литературе и приложениях обсуждаются и используются также многомерные модели ARMA и — как их частные случаи — векторные AR-и МА-модели. В сущности, эти вопросы относятся к проблематике многомерной регрессии и системам одновременных уравнений. Более по-

j=i

199

дробные сведения о векторных моделях авторегрессии можно найти, например, в [Greene (1997)].

П2.3.4. Простая и обобщенная модели авторегрессионных условно гетероскедастичных остатков

В ряде прикладных эконометрических работ (см., например [Engle

(1982)], [Engle (1983)], [Gragg (1983)]) была выявлена некоторая общая закономерность в поведении случайных остатков исследуемых моделей: их малые и большие значения группировались целыми сериями. Причем это не проводило к нарушению их стационарности и гомоскедастичности для относительно больших временных интервалов, т.е. гипотеза Dst = = ^(0) = const не противоречила имеющимся экспериментальным данным. Однако в рамках моделей ARMA удовлетворительно объяснить этот феномен не удавалось.

Р.Энгл [Engle (1982)] рассматривал остатки как условно гетеро-скедастичные, связанные друг с другом простейшей авторегрессионной зависимостью

st = St[0o + Vm], (П2.33)

где последовательность St, t = 1, 2,..., - образует стандартизованный нормальный белый шум, а параметры в0 и в1 должны удовлетворять ограничениям, обеспечивающим безусловную гомоскедастичность st (такими ограничениями являются требования в0 > 0, \в\\ < 1).

Модель вида (П2.33) называется авторегрессионной условно гетеро-скедастичной (ARCH-модель). Использование такой модели (см., например, [Greene (1997)] для описания поведения остатков нередко позволяет строить более эффективные оценки параметров моделей, чем МНК-оценки (в том числе, обобщенные).

Естественное обобщение моделей типа (П2.33) (см. [Engle, Kraft

(1983)]):

et = St[00 + в1(?-1 +.+ dqS-q], (П2.34)

а параметры в0, в1,..., 6q связаны некоторыми ограничениями, обеспечивающими безусловную гомоскедастичность остатков st.

Модели (П2.34) называются моделями ARCH порядка (сокращенно ARCH(q)). Модель (П2.33) является АЯСН(1)-моделью и соответствует частному случаю (П2.34) при q = 1. Содержательный переход к q > 1 в моделях (П2.34) означает, что процесс формирования значений остатков st имеет «более длинную память» о величинах предшествующих остаткове-ь

200

е-2,... . ЛЯСН(ф)-модель (П2.34) может рассматриваться как некая специальная форма МА(ф)-модели, что и используется при ее анализе.

Дальнейшее обобщение моделей этого типа [ВоИеге^ (1986)] заключается в описании поведения остатков ^ с помощью обобщенной авторегрессионной условно гетероскедастичной модели (GARGH-модели).

П2.4. Модели нестационарных временных рядов и их идентификация

П2.4.1. Модель авторегрессии - проинтегрированного скользящего среднего (ЛЯ1МЛ(р, к, ф)-модель)

Эта модель предложена Дж. Боксом и Г. Дженкинсом [Бокс, Дженкинс (1974)]. Она предназначена для описания нестационарных временных рядов х, обладающих следующими свойствами:

1. Анализируемый временной ряд аддитивно включает в себя составляющую А((), имеющую вид алгебраического полинома (от параметра времени /) некоторой степени к > 1; при этом коэффициенты этого полинома могут быть как стохастической, так и нестохастической природы;

2. Ряд хк, t = 1,...Т - к, получившийся из х( после применения к нему к-

кратной процедуры метода последовательных разностей, может быть описан моделью ЛЯМЛ(р, ф).

Это означает, что ЛЯ1МЛ(р, к, р)-модель анализируемого процесса х, может быть записана в виде

Xх: =а х- +а2 хк-2 + ...+ арХк-р +^-вД-1 - ...-вА-, где Xх: = Акхt = х - С[Xt-l + С2Xt-2 -...+ (- l)kXt-k.

Заметим, что классу моделей ЛЯ1МЛ принадлежит и простейшая модель стохастического тренда - процесс случайного блуждания (или просто случайное блуждание). Случайное блуждание определяется аналогично процессу авторегрессии первого порядка (П2.14), но только у случайного блуждания а = 1, так что

е1 = е- + 4

Ряд первых разностей случайного блуждания 4 представляет собой белый шум, т.е. процесс ЛЯМЛ(0, 0). Поэтому само случайное блуждание входит в класс моделей ЛЯ1МЛ как модель ЛЯ1МЛ(0, 1, 0).

201

Идентификация АММА-моделей. В первую очередь, следует подобрать порядок к модели. Первый тип критерия подбора основан на отслеживании поведения величины а2(к) (см. (П2.12)) в зависимости от к: в качестве верхней оценки для порядка к определяется то значение к0, начиная с которого тенденция к убыванию а2 (к) гасится и само значение а2 (к) относительно стабилизируется. Второй тип критерия подбора порядка к АШМА-модели основан на анализе поведения автокорреляционных функций процессов Дх,, Д2х,,.... Последовательные преобразования анализируемого процесса х, с помощью операторов Д, Д2,. нацелены на устранение его нестационарности. Поэтому до тех пор, пока I < к процессы Д х( будут оставаться нестационарными, что будет выражаться в отсутствии быстрого спада в поведении их выборочной автокорреляционной функции. Поэтому предполагается, что необходимая для получения стационарности степень к разности Д достигнута, если автокорреляционная функция ряда

хк = Дкх быстро затухает.

После подбора порядка к анализируется уже не сам ряд х, а его к-е разности. Идентификация этого ряда сводится к идентификации АДМА(р, д)моделей, процедуры идентификации которых описаны в П2.4.3.

Коинтеграция временных рядов в регрессионном анализе. В регрессионном анализе одновременно рассматривается несколько временных рядов. Если х, - интегрированный временной ряд порядка кь приводящийся к стационарному ряду переходом к разностям порядка а у1 -интегрированный временной ряд порядка к2 > к1, остационариваемый переходом к разностям порядка к2, то при любом значении параметра в случайный остаток ег = уг - вхг будет интегрированным временным рядом порядка к2. Если же к\ = к2 = к, то константа в иногда может быть подобрана так, что ег будет стационарным (интегрированным порядка 0) с нулевым средним. При этом говорят, что ряды х, и у, коинтегрированы, а вектор (1, -в) называется коинтегрирующим. При регрессионном анализе интегрированных рядов х1 и у1 отсутствие коинтегрированности этих рядов приводит к фиктивной (паразитной) регрессии.

Проверка на коинтегрированность пары интегрированных рядов первого порядка может производиться, например, по следующей схеме: 1) рассматривается модель у1 = вхг + е1 и строится оценка параметра в, 2) ряд

Я = у - вх1 анализируется на стационарность в рамках одной из моделей

202

ARMA(^, q); например, в рамках AR(1)-модели проверяется гипотеза |a| < 1 в представлении èt = aè(1 + ôt.

Подробнее с проблемой коинтеграции временных рядов можно познакомиться, например, в [Greene (1997)]. Исчерпывающий обзор литературы по этой проблеме приведен в книге [Maddala, Kim (1998)].

П2.4.2. Модели рядов, содержащих сезонную компоненту

Под временными рядами, содержащими сезонную компоненту, понимаются процессы, при формировании значений которых обязательно присутствовали сезонные и/или циклические факторы.

Один из распространенных подходов к прогнозированию состоит в следующем: ряд раскладывается на долговременную, сезонную (в том числе, циклическую) и случайную составляющие; затем долговременную составляющую подгоняют полиномом, сезонную - рядом Фурье, после чего прогноз осуществляется экстраполяцией этих подогнанных значений в будущее. Однако этот подход может приводить к серьезным ошибкам. Во-первых, короткие участки стационарного ряда (а в экономических приложениях редко бывают достаточно длинные временные ряды) могут выглядеть похожими на фрагменты полиномиальных или гармонических функций, что приведет к их неправомерной аппроксимации и представлению в качестве неслучайной составляющей. Во-вторых, даже если ряд действительно включает неслучайные полиномиальные и гармонические компоненты, их формальная аппроксимация может потребовать слишком большого числа параметров, т.е. получающаяся параметризация модели оказывается неэкономичной.

Принципиально другой подход основан на модификации ARIMA-моделей с помощью «упрощающих операторов». Схематично процедура построения сезонных моделей, основанных на ARIMA-конструкциях, модифицированных с помощью упрощающих операторов VT = 1 - L, может быть описана следующим образом (детальное описание соответствующих процедур см., например, в [Бокс, Дженкинс (1974)]:

1. Применяем к наблюдаемому ряду xt операторы Д и VT для достижения

стационарности;

2. По виду автокорреляционной функции преобразованного ряда хfl(t)

подбираем пробную модель в классе ARMA- или модифицированных

(в правой части) ARMA-моделей;

203

3. По значениям соответствующих автоковариаций ряда х(т) (,) получаем

(методом моментов) оценки параметров пробной модели;

4. Диагностическая проверка полученной модели (анализ остатков в описании реального ряда х( с помощью построенной модели) может либо подтвердить правильность модели, либо указать пути ее улучшения, что приводит к новой подгонке и повторению всей процедуры. Более детальное описание этих процедур можно найти в [Бокс, Джен-

кинс (1974)].

П2.4.3. Регрессионные модели с распределенными лагами

Рассмотрим задачу построения линейной регрессионной модели, позволяющей с наименьшими (в определенном смысле) ошибками восстанавливать и прогнозировать значения у1 по значениям х. Иначе говоря, будем рассматривать модели вида

у, = с0 +£ дЛ_к +8,, , = N +1, N + 2,..., (П2.35)

к=0

где 8, / = 1, 2,., N последовательность гомоскедастичных и взаимно не коррелированных (и не коррелированных с х, х^ь..., х^) регрессионных остатков, а с0, в0, вь..., в^ги а2 = - неизвестные параметры модели.

Главная идея, на которой базируется общий подход к анализу и построению моделей вида (П2.35), может быть сформулирован следующим образом:

• Отправляясь от содержательной сущности моделируемых зависимостей и смысла весовых коэффициентов вк (к = 0, 1, 2,.), определить их структурные связи с помощью введения небольшого числа параметров аь..., ат (т << Щ, по значениям которых можно восстановить значения всех неизвестных коэффициентов регрессии вк; после этого задача сводится к оценке параметров ц.

Модели (П2.35) называются регрессионными моделями с распределенными лагами.

Нормированная структура лага как распределение вероятностей.

Можно воспользоваться формальным сходством нормированной структуры лага и закона распределения вероятностей дискретной случайной величины. Для этого введем случайную величину («время задержки») с законом распределения вероятностей

204

Р{г = к} = к = 0, 1,., N (П2.36)

где N может принимать и бесконечные значения.

Подобная интерпретация нормированной структуры лага открывает широкие возможности в построении экономичной параметризации последовательности весов Vк с помощью различных широко известных моделей законов распределения для дискретных случайных величин. Интерпретация весов Vк как вероятностей в ряде случаев оказывается вполне оправданной. При такой интерпретации вполне определенный смысл приобретают и основные характеристики вероятностных распределений. Разные типовые модели распределенных лагов отличаются одна от другой способом параметризации весовых коэффициентов в0, вь..., т.е. способом параметризации своей лаговой структуры. Рассмотрим несколько наиболее распространенных способов параметризации лаговых структур.

Полиномиальная лаговая структура Алмон [Almon (1965)]. Рассмотрим простейший вариант модели. Подход основан на полиномиальной форме параметризации конечной лаговой структуры в0, в,., в^ Опираясь на теорему Вейерштрасса и рассматривая весовые коэффициенты вк как функции к, автор предложила выразить их в виде полиномов невысокой степени т (т < 3) от к, т.е.

вк = а0 + а1к + ак + ...+ аткт, к = 0, 1, 2,., N (П2.37)

где ао, аь..., ат - некоторые неизвестные параметры, которые определяются из условия наиболее точной подгонки модели (П2.35). Представление (П2.37) позволяет свести модель (П2.35) к виду:

уе+н = Со +ао~« +а~<2) + ...+ а„ ~<т) + 8г+„, ^ = 1,2,...Т - N.

В результате задача оценивания N + 2 неизвестных весовых коэффициентов с0, в0, в,., вN сводится к статистическому анализу стандартной линейной модели множественной регрессии всего с т + 1 (т < 3) неизвестными параметрами.

Геометрическая лаговая структура Койка [Koyck (1954)]. В данном подходе рассматривается бесконечная лаговая структура, поэтому он применим лишь к достаточно длинным временным рядам. Общим допущением при анализе бесконечных лаговых структур является требование сходимости ряда р = . Это означает, что влияние х1 на yt+k уменьшается до к=0

нуля по мере неограниченного увеличения временного интервала к, что естественно, т.к. текущее значение у практически не должно зависеть от поведения х в бесконечно далеком прошлом. Койк конкретизировал и уси-

205

лил это допущение. В частности, он постулировал, что все нормированные веса ^ —, являясь положительными, убывают с ростом к по геомет-

ь,

рическои прогрессии.

Это допущение приводит к огромным упрощениям модели (П2.35), т.к. вместо оценивания бесконечного ряда весовых коэффициентов в0, в1, 02,-■■ нужно оценить лишь два параметра: Ли Р :

у = (1 - Л)сс + Д1 - ЛХ + Луг-1 +(8 - Ли). (П2.38)

Процедуры состоятельного оценивания параметров модели (П2.38) при нескольких вариантах специфицирующих условии, касающихся природы случайных остатков 8 и еь описаны, например, в [Джонстон (1980)].

Модель частичного приспособления (или «частичной корректировки) [Nerlove (1956)], [Nerlove (1958)]. Предположим, что желаемое *

значение у некоторого экономического показателя определяется уравнением

у* =0О + вЛ + 8, (П2.39)

где регрессионные остатки 8е являются белым шумом, а - переменная, выполняющая роль объясняющей, не коррелирована с 8е. Желаемое значение исследуемой результирующей переменной не всегда является наблюдаемым. Так что фактическое (наблюдаемое) значение этого показателя будет со временем как бы «подтягиваться» к желаемому в соответствии с правилом, формализуемым соотношением

у = У-1 + г(у* - у,-1) + 8, ,0 < Г < 1, (П2.40)

где 8 - белый шум. Из (П2.40) следует, что на каждом следующем временном такте наблюдаемое значение у( будет «подправляться» в

направлении целевого значения у на величину, пропорциональную разнице между оптимальным и текущим уровнями результирующего показателя. Соотношение (П2.40) может быть переписано в виде

у, =т +(1 -г)у,-1 + 8, (П241)

откуда следует, что наблюдаемое значение исследуемой результирующей переменной есть (с точностью до регрессионного остатка 88) взвешенное среднее желаемого уровня (на данный момент времени) и фактиче-

,=о

206

ского значения в предыдущем такте времени. Подставляя модельное оптимальное значение (П2.39) в (П2.41), имеем

У =в + в X +(1 - Г)Уt -1 + (4 + ) Модель частичного приспособления относится к классу геометрических структур Койка с точностью до условий, специфицирующих случайные остатки. Схема «частичного приспособления» имеет довольно широкий спектр экономических приложений.

«Узкое место» модели частичного приспособления состоит в том, что иногда предположение о зависимости оптимального значения у* только от текущего значения х; оказывается не адекватным действительности. Другими словами, часто решающим мотивом для принятия ответственных решений не может служить единственное значение объясняющей переменной. Один из способов преодоления этой ограниченности отражен в модели адаптивных ожиданий.

Модель адаптивных ожиданий. Моделирование закономерностей с учетом ожидаемых ситуаций - одна из важнейших экономических проблем. Это, в первую очередь, верно для макроуровня, на котором инвестиции, сбережения и спрос на активы оказываются особенно чувствительными к ожиданиям относительно будущего. Если в модели частичного приспособления в роли корректирующей величины выступала зависимая

переменная у;, то в модели адаптивных ожиданий корректируется объяс-

*

няющая переменная X , которая определяет ожидаемое на момент / +1 значение аргумента в исследуемой зависимости вида

у, =в0 +в1 x't+l + 4,

где возмущающее воздействие St - белый шум и не коррелировало с наблюдаемым значением аргумента х;. В соответствии с основным допущением модели механизм формирования ожидаемого значения описывается соотношением

xt*+l = Г +(1 -r)x',0 <Г<1 Это означает, что значение объясняющей переменной, ожидаемое в момент времени / +1, формируется в момент времени / как взвешенное среднее ее реального и ожидаемого значения в текущий момент времени. От значения г зависит скорость адаптации ожидаемых значений к реальности. В отличие от процесса частичного приспособления, базирующегося на инерции и прошлой динамике показателей, процесс адаптивных ожиданий направлен в будущее. Другими словами, мы формируем значение резуль-

207

тирующего показателя на текущий момент времени с учетом будущего значения объясняющей переменной.

Процесс адаптивных ожиданий также укладывается в общую схему моделей с распределенными лагами, имеющих геометрическую структуру Койка.

Модель гиперинфляции Кагана [Cagan (1956)] и модель потребления Фридмана [Friedman (1957)] представляют собой наиболее известные примеры эконометрических приложений модели адаптивных ожиданий.

Лаговые структуры, основанные на вероятностной параметризации. Одним из способов экономной параметризации лаговых структур является, как отмечалось выше, их интерпретация в терминах вероятностных распределений.

Лаговая структура Паскаля [Solow (1960)] основана на отрицательном биномиальном распределении, т.е. элементы wk, k = 0, 1, 2,... нормированной бесконечной лаговой структуры Паскаля определяются в соответствии с (П2.36) с помощью соотношений

^ = (1 - pfCkM+k-У, к = 0,1,2,..., (П2.42)

где p (0 < p < 1) и M (любое целое положительное число) - параметры,

определяющие (вместе с ß = ^ ) конкретную лаговую структуру в дан-

к=0

ном параметрическом семействе. Из свойств отрицательного биномиального распределения следует:

- элементы wk нормированной лаговой структуры при M > 1 сначала

возрастают (при к < pM—1), а затем убывают (при к > pM—1);

1 - p 1 - p

- среднее значение лага (Er) и его дисперсия (D г) определяются как

Er= PM ; Dr= pM

1 - р' (1 - рУ

и являются возрастающими функциями как М, так и р.

Лаговая структура, основанная на биномиальном законе распределения вероятностей, является естественным аналогом структуры Паскаля в классе конечных моделей с распределенными лагами. Ее нормированные элементы задаются соотношениями

Щ = С1 рк (1 - р)н-к, к = 0,1,...Д. (П2.45)

208

Данный класс конечных лаговых структур описывается однопарамет-рическим семейством (параметр р - некоторое число между 0 и 1). Из свойств биномиального распределения следует, что последовательность (П2.45) образует (так же как и (П2.42)) унимодальный ряд, причем Ег = pN и Бг = р(1 - p)N.

Описанные вероятностные лаговые структуры применимы в ситуациях, когда из содержательного смысла анализируемых зависимостей вида (П2.35) следует, что весовые коэффициенты вк (а значит, и ^к) начинают монотонно убывать не сразу, а только после некоторого к0.

П2.5. Прогнозирование экономических показателей на основе моделей временных рядов

Рассмотрим теперь, как методы и модели, описанные в П2.3 и П2.4, используются при прогнозировании экономических показателей. Сконцентрируем внимание на методах автопрогноза, в которых имеющийся в наличии ряд экстраполируется вперед, а другие ряды, которые, возможно, несут определенную информацию о его поведении, остаются без внимания. Поскольку не существует универсально предпочтительных методов прогнозирования на все случаи жизни, то выбор метода прогнозирования и его эффективность зависят от многих условий. В частности от:

(а) требуемого горизонта прогнозирования;

(б) длины анализируемого временного ряда;

(в) наличия или отсутствия в анализируемом ряду сезонной составляющей или каких-либо «нестандартностей».

Поэтому метод прогнозирования следует выбирать с учетом всех специфических особенностей как целей прогноза, так и анализируемого временного ряда.

П2.5.1. Прогнозирование на базе ЛЮМЛ-моделей

ЛШМА-модели охватывают достаточно широкий спектр временных рядов, а небольшие модификации этих моделей позволяют весьма точно описывать и временные ряды с сезонностью. Начнем обсуждение проблемы прогнозирования временных рядов с методов, основанных на использовании АЯГМЛ-моделей. Мы говорим об АШМА-моделях, имея в виду, что сюда входят как частные случаи ЛЯ-, МЛ- и ЛЯМЛ-модели. Кроме того, будем исходить из того, что уже осуществлен подбор подходящей модели для анализируемого временного ряда, включая идентификацию этой моде-

209

ли. Поэтому в дальнейшем предполагается, что все параметры модели уже оценены.

Будем прогнозировать неизвестное значение х+, l > 1 полагая, что xt -последнее по времени наблюдение анализируемого временного ряда, имеющееся в нашем распоряжении. Обозначим такой прогноз X' .

Заметим, что хотя X' и Х'^1 обозначают прогноз одного и того же неизвестного значения xi+l, но вычисляются они по-разному, т.к. являются решениями разных задач.

Ряд хт, анализируемый в рамках ARIMA(p, к, д)-модели, представим (при любом т > к) в виде

(l-«iL -..-apLp(-l)kCixt_j = ST-в101_1 -...-eqSt_q, (П2.46)

j=0

где L - оператор сдвига функции времени на один временной такт назад.

Из соотношения (П2.46) можно выразить хт для любого т = t - q,..., t -1, t, t + 1,., t + + l. Получаем

Хт =(£ jxr +|l -j ajLj Jg(- l)Cikxt_i j + |l -j j^. (П2.46)

Правые части этих соотношений представляют собой линейные комбинации p + к предшествующих (по отношению к левой части) значений анализируемого процесса хт, дополненные линейными комбинациями текущего и q предшествующих значений случайных остатков 5т. Причем коэффициенты, с помощью которых эти линейные комбинации подсчитыва-ются, известны, т.к. выражаются в терминах уже оцененных параметров модели.

Этот факт и дает возможность использовать соотношения (П2.46) для построения прогнозных значений анализируемого временного ряда на l тактов времени вперед. Теоретическую базу такого подхода к прогнозированию обеспечивает известный результат, в соответствии с которым наилучшим (в смысле среднеквадратической ошибки) линейным прогнозом в момент времени t с упреждением l является условное математическое ожидание случайной величины xt+l, вычисленное при условии, что все значения хт до момента времени t известны. Этот результат является частным случаем общей теории прогнозирования (см. [Wold (1932)], [Kolmogoroff (1939)], [Wiener (1949)]).

210

Условное математическое ожидание E(xt+l | хь..., х) получается применением операции усреднения к обеим частям (П2.46) при т = t + I с учетом следующих соотношений:

E(xt-j | хь..., xt) = хн при всех] = 0, 1, 2,., t- 1; (П2.47)

E(xt+j | хь..., х) = х, при всех ] = 1, 2,.; (П2.48)

E(xt+j | хь..., xt) = 0 при всех у = 1, 2,.; (П2.49)

E(xt-j | хь..., xt) = х^ - при всех у = 0, 1, 2,., t - 1. (П2.50)

Таким образом, определяется следующая процедура построения прогноза по известной до момента траектории временного ряда:

1) по формулам (П2.46) вычисляются ретроспективные прогнозы х) ,

х) ,., ^ по предыдущим значениям временного ряда; при этом при

вычислении начальных прогнозных значений х(_9+т1 для х-д+т (т = 0,

1,.) по формулам (П2.46) вместо условных средних E(8-g+m-j | х],..., х^д+т), которые в общем случае следовало бы вычислять по формулам (П2.50), подставляются их безусловные значения, равные нулю;

2) используя формулы (П2.46) для т > t и правила (П2.47)-(П2.50) под-считываются условные математические ожидания для вычисления прогнозных значений.

Описанная процедура выглядит достаточно сложной. Однако при реалистичных значениях параметров р, д и к эта процедура в действительности оказывается весьма простой.

Мы не касались здесь важных вопросов оценки точности получаемых прогнозов. Теоретические аспекты этой проблемы рассмотрены, например, в [Бокс, Дженкинс (1974)].

П2.5.2. Адаптивные методы прогнозирования

Считается, что характерной чертой адаптивных методов прогнозирования является их способность непрерывно учитывать эволюцию динамических характеристик изучаемых процессов, «подстраиваться» под эту эволюцию, придавая, в частности, тем больший вес и тем более высокую информационную ценность имеющимся наблюдениям, чем ближе они к текущему моменту прогнозирования. Однако деление методов и моделей на «адаптивные» и «неадаптивные» достаточно условно. В известном смысле любой метод прогнозирования адаптивный, т.к. все они учитывают вновь поступающую информацию, в том числе наблюдения сделанные с

211

момента последнего прогноза. Общее значение термина заключается, по-видимому, в том, что «адаптивное» прогнозирование позволяет обновлять прогнозы с минимальной задержкой и с помощью относительно несложных математических процедур. Однако это не означает, что в любой ситуации адаптивные методы эффективнее тех, которые традиционно не относятся к таковым.

Методы экспоненциального сглаживания [Brown (1962)]. Простейший вариант метода уже рассматривался в связи с задачей выявления неслучайной составляющей анализируемого временного ряда. Постановка задачи прогнозирования с использованием простейшего варианта метода экспоненциального сглаживания формулируется следующим образом.

Пусть анализируемый временной ряд хт, т= 1, 2,..., tпредставлен в виде

хт = a0 + (П2.51)

где a0 - неизвестный параметр, не зависящий от времени, а ет — случайный остаток со средним значением, равным нулю, и конечной дисперсией. Как известно, экспоненциально взвешенная скользящая средняя ряда хт в точке t xt (X) с параметром сглаживания (параметром адаптации) Я (0 < Я < 1) определяется формулой 1 — X ' -1

(X) = T—T^Xx—j, (П2.52)

1 — X j=o

'—1 i \

которая дает решение задачи: xt (X) = arg min^ X (x(J — a)2.

a j=0

Коэффициент сглаживания T можно интерпретировать также как коэффициент дисконтирования, характеризующий меру обесценения наблюдения за единицу времени.

Для рядов с «бесконечным прошлым» формула (П2.52) сводится к виду

X (X) = (1 — X)^ Xxt_j. (П2.53)

j=0

В соответствии с простейшим вариантом метода экспоненциального сглаживания прогноз x) для неизвестного значения xt+1 по известной до момента времени t траектории ряда xt строится по формуле

x) = X X (П2.54)

где значение xt (X) определено формулой (П2.52) или (П2.53), соответственно для короткого или длинного временного ряда.

212

Формула (П2.54) удобна, в частности, тем, что при появлении следующего (t + 1)-го наблюдения xM пересчет прогнозирующей функции x|+1 = xt+l (X) производится с помощью простого соотношения x,+1 (X) = XX, (X)+(1 -X)xt+1.

Метод экспоненциального сглаживания можно обобщить на случай полиномиальной неслучайной составляющей анализируемого временного ряда, т.е. на ситуации, когда вместо (П2.51) постулируется

xt+7 = a0 + 07+...+ ak7 + s7, (П2.55)

где к > 1. В соотношении (П2.55) начальная точка отсчета времени сдвинута в текущий момент времени t, что облегчает дальнейшие вычисления.

Соответственно, в схеме простейшего варианта метода прогноз X1 значения xt+1 будет определяться соотношениями (П2.55) при 7 = 1 и (П2.54):

X1 = x(+1 = а (k) (t, X) + af) (t,X) +... + а f) (t, X),

где оценки а (t,X),j = 0,1,...k получаются как решение оптимизационной задачи

У X(x -а, - aj -...-aj)2 ^ min . (П2.56)

¿—t j а,.а.....а

j=0

Решение задачи (П2.56) не представляет принципиальных трудностей. Сделаем несколько замечаний по поводу использования описанного подхода.

1) Выбор вида прогнозирующей функции основанный на подборе операторов авторегрессии (1 - Уа^У) и конечных разностей Дк =1 - Lk, представляется более гибким и обоснованным, чем формальная аппроксимация полиномом траектории анализируемого временного ряда.

2) Узким местом всех адаптивных методов, и методов экспоненциального сглаживания в частности, является подбор подходящего к данной конкретной задаче параметра сглаживания (адаптации) X. Даже при оптимальном подборе параметра модель Брауна уступает в точности прогноза ARIMA(0, 1, 1)-модели.

3) В моделях экспоненциального сглаживания вся специфика анализиру-

емого ряда должна быть отражена в единственном параметре X Это, конечно, сильно ограничивает класс допустимых в рамках этого метода моделей.

213

Рассмотрим еще несколько методов, использующих идеологию экспоненциального сглаживания, которые развивают метод Брауна в различных направлениях.

Метод Хольта. Хольт [Holt (1957)] ослабил ограничения метода Брауна, связанные с его однопараметричностью, введением двух параметров сглаживания Д и А2 (0 < Д, А2 < 1). В его модели прогноз x't на l тактов времени в текущий момент t также определяется линейным трендом вида

х' = а0 (,,д,Д) + 'а, (,,д,Д), где обновление прогнозирующих коэффициентов производится по формулам:

а о (t+1, А ,Д) == А х + (i -А )(ао (t, А, Д)+а, (t, А,Д)), а (t +1, Д, л2) = л2(ао (t + 1,д,д)-a (t,A,A))+(i -Afo (?,А,Д)

Таким образом, прогноз по данному методу является функцией прошлых и текущих данных, параметров Д и А2, а также начальных значений

a(О,Д,Д) и a(О,Д,Д).

Метод Хольта-Уинтерса. Уинтерс [Winters (1960)] развил метод Хольта так, чтобы он охватывал еще и сезонные эффекты. Прогноз, сделанный в момент t на l тактов времени вперед, равен

х =k(t)+'а,(t )\»t+,-N,

где ат - коэффициент сезонности, а N - число временных тактов, содержащихся в полном сезонном цикле. Сезонность в этой формуле представлена мультипликативно. Метод использует три параметра сглаживания Д, А, Д3 (0 < Д < 1, j = 1, 2, 3), а его формулы обновления имеют вид:

ао (t+1)=д-х^+(1 -д (t)+а1 (t)]

0t+1-N

+1 = Д - + (i - Д2 К+1-N >

ао (t + 1)

a (t+1) = Д [a (t+1) - a (t)]+(1 - А К (t )

Как и в предыдущем случае, прогноз строится на основании прошлых и текущих значений временного ряда, параметров адаптации Д, Д2 и Д3, а также начальных значений й0 (о), a (о) и о0.

Аддитивная модель сезонности Тейла-Вейджа. В экономической практике чаще встречаются экспоненциальные тенденции с мультипликативно наложенной сезонностью. Поэтому перед использованием аддитивной мо-

214

дели члены анализируемого временного ряда обычно заменяют их логарифмами, преобразуя экспоненциальную тенденцию в линейную, а мультипликативную сезонность - в аддитивную. Преимущество аддитивной модели заключается в относительной простоте ее вычислительной реализации. Рассмотрим модель вида (в предположении, что исходные данные прологарифмированы):

X = О, (Т)+®г + ,

ао (т) = ао (т- !)+ а1 (4

где а0(т) - уровень процесса после элиминирования сезонных колебаний, а1(т) - аддитивный коэффициент роста, а - аддитивный коэффициент сезонности, 4 - белый шум.

Прогноз, сделанный в момент t на I временных тактов вперед, подсчи-тывается по формуле

х\ = а, () + 1ах( )+а, - м+1, где коэффициенты а0, а и а вычисляются рекуррентным образом с помощью следующих формул обновления:

а0 (т) = а0 (т - 1) + а1 (т - 1) + А [Хт - ХТ-1 ][

а (т) = а (т -1)+А А Х - х^! ][

^ =аг-М +(1 -А1 )А3 Iх Г - Х1-1 ]

В этих соотношениях, как и прежде, N - число временных тактов, содержащихся в полном сезонном цикле, а А, А и А - параметры адаптации.

П3. Исходные данные для расчетов

П3.1. Темпы инфляции

Месячные данные с 1991:01 по 2000:08 (%). Рабочее название ряда -Inflation._

1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 6,2 245,0 25,8 17,9 17,8 4,1 2,3 1,4 8,4 2,3

Февраль 4,8 38,3 24,7 10,8 11,0 2,8 1,5 0,9 4,1 1,0

Март 6,3 29,9 20,1 7,4 8,9 2,8 1,4 0,6 2,8 0,6

Апрель 63,5 21,7 18,8 8,5 8,5 2,2 1,0 0,4 3,0 0,9

Май 3,0 12,0 18,1 6,9 7,9 1,6 0,9 0,5 2,2 1,8

Июнь 1,2 18,6 19,9 6,0 6,7 1,2 1,1 0,1 1,9 2,6

Июль 0,6 11,0 22,4 5,3 5,4 0,7 0,9 0,2 2,8 1,8

215

Август 0,5 8,6 25,8 4,6 4,6 -0,2 -0,1 3,7 1,2

Сентябрь 1,1 11,5 23,1 7,7 4,5 0,3 -0,3 38,4 1,5

Октябрь 3,5 22,9 19,5 15,0 4,7 1,2 0,2 4,5 1,4

Ноябрь 8,9 26,1 16,4 15,0 4,5 1,9 0,6 5,7 1,2

Декабрь 12,1 25,4 12,5 16,4 3,2 1,4 1,0 11,6 1,3

П3.2. Денежные агрегаты

П3.2.1. Денежный агрегат МО

Месячные данные с 1990:12 по 2000:07. Рабочее название ряда - МО.

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 73 199 1903 12967 31802 75371 96372 116672 178014 232852

Февраль 76 216 2278 14573 34381 80371 102079 120255 180781 242046

Март 82 255 2559 15939 35240 86735 105213 119147 174132 251531

Апрель 85 321 3309 19411 41639 93112 115227 128606 195246 279064

Май 89 369 4020 20669 45459 93652 120369 129856 205285 289272

Июнь 100 458 5111 23811 52520 104368 136851 129806 216388 321766

Июль 112 645 6259 27048 57970 102850 140397 129326 218163 334037

Август 123 830 7305 27918 61658 101117 141621 133377 216181

Сентябрь 133 998 8408 30016 65495 96218 134873 154212 212804

Октябрь 142 1196 9826 30522 66285 94398 135795 166451 221959

Ноябрь 153 1449 10952 31982 70700 95801 128817 167269 219325

Декабрь 79 191 1716 13278 36482 80815 103824 130540 187843 266544

П3.2.2. Узкая денежная база

Месячные данные с 1992:05 по 2000:08 (млрд. руб.). Рабочее название ряда - БепЬа2а._

1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 2598 17010 44000 100800 123900 151400 202500 297800

Февраль 3078 18741 47600 106700 130200 152800 205200 309200

Март 3554 20432 49900 113700 136300 152900 205900 318900

Апрель 4445 24292 57300 120900 145700 161600 224500 349600

Май 466 5425 26469 64000 118800 148200 163200 241400 365000

Июнь 578 6687 30200 73700 129400 167000 163200 258400 397200

Июль 806 7970 34678 81600 131100 171400 161300 260300 417300

216

Август 1032 9446 36625 86100 129000 174700 161700 264100

Сентябрь 1259 10770 39862 89300 125600 169800 175200 259000

Октябрь 1552 12472 41280 90700 124000 170600 187200 269100

Ноябрь 1878 14080 43354 95400 125000 163800 191300 272000

Декабрь 2235 16691 48000 103800 130900 164500 207300 307500

427600

П3.2.3. Резервные деньги

Месячные данные с 1995:06 по 2000:07 (млрд. руб.). Рабочее название ряда - Shirdenmas._

1995 1996 1997 1998 1999 2000

Январь 127266 157139 187777 261471 430685

Февраль 132277 164709 185321 270831 449397

Март 140603 172516 189340 289178 490950

Апрель 146374 180860 191787 310699 513775

Май 144017 187033 193931 353137 558448

Июнь 99008 158101 206634 193796 362744 602794

Июль 101439 162469 208875 194226 364857 654723

Август 107649 157863 201976 186381 369919

Сентябрь 109326 157084 199332 208782 364133

Октябрь 112460 155153 201894 227932 384562

Ноябрь 118136 157008 199939 238725 393805

Декабрь 129714 165844 210450 263675 439743

П3.2.4. Денежный агрегат М1

Месячные данные с 1995:06 по 2000:07 (млрд. руб.). Рабочее название ряда - М1._

1995 1996 1997 1998 1999 2000

Январь 140347 186311 272669 329986 508059

Февраль 146202 192515 270401 340333 529876

Март 155905 197754 266022 344782 546439

Апрель 163174 208172 269489 371892 576378

Май 166538 217770 271839 403982 611197

Июнь 106311 180106 242496 270256 418070 662680

Июль 112990 181138 249777 261569 429382 692388

Август 119494 181808 251167 252356 432913

Сентябрь 121301 176079 252764 274112 430987

Октябрь 123054 175546 260660 289197 454337

Ноябрь 130920 177482 252213 302828 471573

Декабрь 151267 192402 298289 342817 526772

217

П3.2.5. Денежный агрегат М2

Месячные данные с 1990:12 по 2000:07 (млрд. руб.). Рабочее название ряда - М2._

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 455,5 1054 7187 33980 93800 216700 289900 361200 444200 695000

Февраль 462,4 1204 7782 36439 101900 229200 299500 362900 463900 726600

Март 482,9 1369 8913 39550 107300 241800 305800 360400 473800 751400

Апрель 516,1 1506 11063 46401 123200 251000 317800 368000 509600 787900

Май 550,9 1641 13460 52253 138200 254200 328400 370000 542400 831600

Июнь 589,0 2093 15765 59414 156600 266900 352000 368600 567700 892200

Июль 689,0 2668 18482 64363 165000 271900 363000 360000 583200 931200

Август 728,4 3422 21121 70970 173800 275300 364600 343600 590800

Сентябрь 763,6 4515 21771 77063 179700 276000 363000 365800 597400

Октябрь 818,6 5722 24554 80359 184200 278800 368800 377600 625100

Ноябрь 866,3 6038 26788 84348 195200 282300 357400 396900 646500

Декабрь 424 958,0 6400 32601 97800 220800 288300 374100 448300 704700

П3.2.6. Широкие де ньги

Месячные данные с 1992:01 по 2000:07 (млрд. руб.). Рабочее название ряда - $>Ытйеп%1.

1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 1215 13414 48153 135701 278360 361041 429436 637434 1000609

Февраль 1359 14321 52257 148003 288396 371110 436363 658003 1064973

Март 1568 16584 55429 159957 294793 377963 436169 675333 1090399

Апрель 1870 20416 59856 181461 302201 391919 444138 717649 1123209

Май 2091 24938 66652 197955 309702 398915 448972 755470 1170283

Июнь 2685 27818 75083 214050 329769 423255 447902 786070 1242847

Июль 3799 28961 84924 222762 333404 430137 437810 791983 1301733

Август 4988 32133 92752 232052 338977 432469 434292 812712

Сентябрь 7049 33192 103477 235357 334399 434695 520049 823509

Октябрь 9822 36110 113573 241097 337624 445505 521748 866513

Ноябрь 10787 38751 115391 249198 343497 435863 552918 909816

Декабрь 10943 44687 136839 275781 357324 457244 628641 984875

218

П3.3. Экспорт и импорт П3.3.1. Экспорт

1994 1995 1996 1997 1998 1999 2000

Январь 4,09 5,64 5,80 7,00 6,00 4,60 6,80

Февраль 4,46 6,15 6,80 6,70 5,90 5,00 7,90

Март 4,76 6,76 7,80 7,40 6,80 5,90 8,70

Апрель 4,74 6,75 7,00 6,80 6,20 6,50 8,20

Май 5,83 6,86 7,50 6,70 6,10 5,10

Июнь 6,34 7,02 6,90 6,90 6,60 5,30

Июль 5,77 6,31 7,30 7,50 6,30 6,30

Август 6,11 6,34 7,00 7,00 5,80 6,10

Сентябрь 6,55 6,73 7,10 7,10 6,00 6,30

Октябрь 6,01 7,10 8,60 7,90 6,10 6,80

Ноябрь 6,31 7,73 8,10 8,30 5,90 7,40

Декабрь 6,59 7,80 8,70 8,90 7,30 9,40

П3.3.2. Импорт

Месячные данные с 1994:01 по 2000:04. Рабочее название ряда - 1шрвг,

1994 1995 1996 1997 1998 1999 2000

Январь 3,55 3,70 4,80 4,80 5,90 2,80 2,60

Февраль 3,85 4,41 5,80 5,10 6,10 3,10 3,40

Март 4,14 4,86 6,00 5,70 6,60 3,60 3,70

Апрель 3,64 4,28 6,10 6,20 6,30 3,40 3,50

Май 4,06 4,72 5,70 5,50 5,90 3,00

Июнь 4,35 5,22 5,50 5,80 5,90 3,40

Июль 3,76 5,21 6,10 6,50 5,60 3,40

Август 4,09 5,00 5,80 6,10 5,20 3,20

Сентябрь 4,46 5,07 5,30 6,20 3,10 3,30

Октябрь 4,33 5,46 5,70 6,90 3,10 3,50

Ноябрь 4,77 6,30 5,60 6,50 3,10 3,60

Декабрь 5,48 6,60 6,40 8,40 3,60 4,10

219

П3.4. Валовой внутренний продукт

Квартальные данные с 1994:1 по 2000:2 (млрд. руб.). Рабочее название ряда - GDP._

1994 1995 1996 1997 1998 1999 2000

I квартал 88 000 253 000 456 000 539 000 551 000 837 000 1 389 100

II квартал 130 000 353 000 509 000 594 000 626 000 1 042 000 1 557 300

III квартал 168 000 443 000 570 000 679 000 694 000 1 276 000

IV квартал 225 000 491 000 611 000 667 000 825 000 1 391 000

П3.5. Доходы федерального бюджета

П3.5.1. Доходы федерального бюджета

Месячные данные с 1992:01 по 2000:05 (млрд. руб.). Рабочее название ряда - ВокН/еёЬыё._

1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 40 756 2378 9327 13091 14660 18902 27758 64913

Февраль 74 779 2285 10953 14244 19021 19034 26925 73387

Март 88 1006 5402 13450 22778 22112 22832 34403 83524

Апрель 153 1310 3735 15855 14644 26927 22237 44830 92223

Май 112 1001 10604 15491 22533 26583 23331 39746 101450

Июнь 98 1531 5174 15037 27781 16821 21698 52921

Июль 193 1626 4758 19422 22510 21979 22248 55544

Август 199 1753 5903 25616 19928 34725 21525 52214

Сентябрь 290 2145 7108 23767 20858 22175 20248 53011

Октябрь 612 2066 8944 24424 22265 26005 23690 58280

Ноябрь 444 3020 9253 32810 26409 30472 27591 69257

Декабрь 666 4635 13308 20725 54909 61352 59052 96820

220

П3.5.2. Налоговые доходы федерального бюджета

Месячные данные с 1992:01 по 2000:05 (млрд. руб.). Рабочее название ряда - Боккпа1о^._

1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 32 729 2316 7798 11252 11460 15793 24579 56841

Февраль 69 729 2099 7698 10360 14667 15412 24060 65851

Март 76 914 3421 10062 16172 19487 18745 31444 73470

Апрель 150 1382 3824 13581 14118 24375 18882 39246 80890

Май 101 946 8580 14009 13037 23683 19049 33585 88130

Июнь 100 1135 4017 13254 17473 13522 17423 42333

Июль 176 1438 5192 16216 18214 16505 18379 47658

Август 183 1320 5373 15710 17241 15935 15520 42869

Сентябрь 287 1407 6232 16936 17617 17409 15421 40239

Октябрь 631 1977 8245 21579 18189 20352 19285 49602

Ноябрь 405 2174 8655 18289 22756 20811 23928 57409

Декабрь 648 2599 12376 15333 42294 45341 38147 72001

П3.6. Интенсивность промышленного производства

Сезонно скорректированные месячные данные с 1990:12 по 2000:07. Рабочее название ряда - Шргош._

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Январь 94,42 80,53 69,57 50,42 47,26 42,48 40,34 41,90 40,96 46,26

Февраль 93,03 79,78 69,78 48,95 46,61 42,27 40,55 41,49 41,41 46,48

Март 91,35 79,10 69,42 48,06 45,89 42,08 40,77 41,17 41,96 46,48

Апрель 89,58 78,02 68,64 47,32 45,46 41,85 40,97 40,80 42,71 46,49

Май 88,24 76,27 67,50 46,60 45,48 41,61 41,24 40,18 43,59 46,66

Июнь 87,59 74,03 65,92 46,13 45,79 41,42 41,67 39,32 44,34 47,06

Июль 87,50 71,92 64,01 45,97 45,97 41,29 42,19 38,48 44,81 47,68

Август 87,40 70,34 62,06 46,05 45,73 41,21 42,62 38,00 44,94

Сентябрь 86,74 69,31 60,20 46,31 45,05 41,08 42,82 38,10 44,87

Октябрь 85,36 68,71 58,12 46,75 44,16 40,83 42,82 38,73 44,85

Ноябрь 83,52 68,61 55,54 47,23 43,35 40,51 42,67 39,60 45,16

Декабрь 95,44 81,77 69,00 52,75 47,48 42,80 40,30 42,35 40,38 45,73

221

П3.7. Индекс РТС-1

данные (значение закрытия) с 01/09/1995 по 31/10/2000. ряда - ЯТБ1._

Ежедневные Рабочее название

Дата 1996 1997 1998 1999 2000 Дата 1995 1996 1997 1998 1999 2000

05.01 213,38 411,61 59,7 179,01 06.07 145,01 146,61 182,66

06.01 219,86 410,04 61,27 185,52 07.07 504,55 138,47 144,27 184,96

08.01 227,73 382,06 08.07 190,15 489,92 134,81 147,37

09.01 87,35 231,48 372,46 09.07 181,57 503,97 136,19 144

10.01 90,78 247,69 62,93 192,25 10.07 168,79 502,48 144,02 185,06

11.01 91,19 61,35 182,33 11.07 156,08 493,34 180,48

12.01 89,99 319,02 60,17 189,2 12.07 159,9 141,92 185,52

13.01 250,55 341,76 55,64 195,86 13.07 157,2 137,26 187,7

14.01 243,03 338,42 56,94 202,71 14.07 475,54 183,65 141,31 188,32

15.01 90,73 243,46 329,89 55,4 15.07 174,59 469,7 190,56 139,13

16.01 87,57 243,31 334,54 16.07 173,92 452,85 181,32 137,83

17.01 81,65 251,07 197,91 17.07 164,04 462,37 193,35 189,28

18.01 83,59 55,71 194,58 18.07 161,38 473,12 187,67

19.01 85,04 339,47 56,1 183,63 19.07 163,15 133,65 187,63

20.01 262,34 338,32 56,99 192,16 20.07 193,02 130,67 189,34

21.01 279,11 325,34 57,59 202,14 21.07 468,66 183,95 127,13 189,52

22.01 85,27 278,62 308,8 55,68 22.07 159,51 472,19 171,73 128,85

23.01 82,83 288,49 294,71 55,6 23.07 155,57 492,6 159,86 127,34

24.01 81,74 291,98 194,51 24.07 146,42 497,82 157,74 189,63

25.01 77,97 183,76 25.07 147,94 509,47 188,26

26.01 80,2 280,59 55,55 182,3 26.07 147,82 126,64 187,47

27.01 277,4 284,39 55,03 188,47 27.07 143,46 125,18 187,63

28.01 268,37 276,88 54,49 181,84 28.07 516,63 147,28 123,66 191,3

29.01 80,36 276,7 265,93 55,12 29.07 153,89 517,54 147,96 114,54

30.01 80,95 275,49 284,35 30.07 152,24 508,12 150,17 116,49

31.01 80,71 274,68 172,31 31.07 152,15 506,45 149,65 194,09

01.02 81,19 55,09 171,29 01.08 158,05 510,2 200,3

02.02 83,56 300,61 55,14 168,92 02.08 164,57 115,77 202,69

03.02 276,79 291,31 55,3 173,23 03.08 145,64 114,47 202,99

04.02 279,55 284,8 55,96 178,39 04.08 518,31 147,21 105,46 210,64

05.02 83,56 280,33 299,58 55,69 05.08 172,02 526,2 141,68 101,34

06.02 83,56 286,47 304,04 06.08 166,11 533,86 135,88 103,15

07.02 80,81 292,67 178,13 07.08 166,11 559,86 132,86 211,89

08.02 80,88 56,6 186,25 08.08 168,51 569,23 212,99

09.02 80,42 307,71 58,94 193,24 09.08 170,68 101,72 217,38

10.02 304,9 302,68 62,98 189,33 10.08 120,91 102,42 216,26

11.02 312,6 311,6 67,53 187,61 11.08 554,2 109,9 102,78 222,89

12.02 78,79 306,79 302,53 65,16 12.08 172,59 557,99 108,19 104,87

13.02 77,69 310,63 302,24 13.08 177,11 552,62 101,17 103,11

14.02 77,84 313,5 187,29 14.08 182,77 555,23 115 228,89

15.02 77,86 64,01 179,18 15.08 189,39 563,14 232,05

16.02 77,34 303,5 65,6 180,26 16.08 187,67 103,96 228,47

17.02 320,34 309,65 65,79 182,26 17.08 109,43 104,59 224,57

18.02 329,83 303,02 66,52 179,82 18.08 544,69 99,58 104,87 223,81

19.02 76,15 347,11 305,24 70,22 19.08 183,34 536,31 90,19 105,83

20.02 74,53 347,2 305,81 20.08 182,02 527,72 86,57 109,09

222

Дата 1996 1997 1998 1999 2000 Дата 1995 1996 1997 1998 1999 2000

21.02 72,23 331,82 176,63 21.08 175,88 538,46 81,76 222,59

22.02 70,84 75,4 178,37 22.08 180,87 525,25 227,69

23.02 74,4 311,93 73,93 181,13 23.08 182,07 116,85 227,97

24.02 329,48 307,13 75,5 182,88 24.08 86,4 115,75 238,06

25.02 327,35 306,74 71,36 174,21 25.08 521,04 88,5 115,44 240,66

26.02 73,7 326,29 309,21 70,03 26.08 181,95 516,23 76,26 111,12

27.02 72,79 337,38 309,56 27.08 183,39 500 63,2 107,73

28.02 72,47 329,97 164,32 28.08 180,38 495,73 66,77 239,33

29.02 71,31 170,93 29.08 180,96 474,8 245,49

01.03 70,23 73,5 180,47 30.08 182,64 103,8 240,01

02.03 323,91 76,07 184,8 31.08 65,61 102,5 239,99

03.03 322,31 321,44 73,33 189,93 01.09 100 453,22 65,66 102,95 237,15

04.03 69,22 320,33 334,18 70,93 02.09 185,52 471,78 65,63 101,6

05.03 70,15 311,1 328,12 72,61 03.09 183,9 501,79 61,43 104,13

06.03 70,1 314,07 339,66 190,87 04.09 99,8 185 487,78 63,13 236,74

07.03 69,94 316,89 197,33 05.09 100,42 182,83 488,46 237,77

09.03 73,71 211,25 06.09 99,74 175,23 104,91 237,85

10.03 354,56 76,52 224,82 07.09 101,3 63,28 104,69 232,97

11.03 69,93 327,37 357,09 82,24 08.09 101,3 497,53 62,61 101,65 227,62

12.03 69,57 331,64 350,31 82,98 09.09 175,97 505,84 61,63 101,17

13.03 67,7 334,48 350,2 209,67 10.09 171,58 504,77 64,6 103,84

14.03 68,46 329,37 223,07 11.09 100,84 166,73 489,44 62,31 220,44

15.03 67,92 83,84 222,4 12.09 100,24 166,06 483,75 220,71

16.03 349,35 86,63 222,48 13.09 99,16 171,72 97,13 213,07

17.03 330,38 332,15 90,02 218,88 14.09 98,8 63,88 95,41 215,59

18.03 66,69 330,01 325,06 84,53 15.09 99,3 486,9 62,03 92,77 210,54

19.03 67,28 320,23 331,61 85,7 16.09 173,53 490,47 58,86 87,53

20.03 68,91 313,35 335,78 215,85 17.09 174,28 494,48 51,7 84,58

21.03 71,95 309,41 212,57 18.09 99,84 174,32 489,69 50,12 198,61

22.03 74,73 81,98 222,4 19.09 99,54 174,26 492,89 200,19

23.03 342,85 80,96 231,65 20.09 99,19 173,08 80,54 193,19

24.03 310,44 344,75 76,82 243,92 21.09 96,27 47,81 76,15 194,37

25.03 76,23 303,33 341,89 80,65 22.09 94,03 496,4 49,65 80,14 179,98

26.03 77,93 303,71 335,03 79,94 23.09 167,48 501,26 47,65 84,94

27.03 75,91 298,68 341,48 239,86 24.09 157,16 496,92 48,31 84,2

28.03 75,16 297,46 229,88 25.09 91,16 159,7 495,15 47,08 194,18

29.03 75,63 79,85 232,45 26.09 87,98 164,24 491,42 192,99

30.03 331,28 81,18 223,92 27.09 88,17 162,52 87,67 199,88

31.03 301,3 325,5 80,36 231,88 28.09 89,07 46,24 86,51 197,40

01.04 77,56 298,52 321,91 78,7 29.09 86,09 492,86 45,86 85,15 199,08

02.04 80,58 297,83 323,13 79,31 30.09 165,93 498,42 43,81 83,12

03.04 84,67 295,24 313,48 226,22 01.10 165,57 503,96 41,18 84,5

04.04 83,95 286,03 228,17 02.10 83 163,9 525,73 38,81 203,83

05.04 81,5 79,24 214,59 03.10 78,39 163,45 552,14 212,91

06.04 316,42 75,51 222,43 04.10 72,06 161,38 86,65 204,50

07.04 282,23 316,33 72,98 221,27 05.10 75,03 38,53 88,42 197,97

08.04 83,02 288,63 312,52 70,9 06.10 74,16 571,66 41,05 88,16 197,20

09.04 84,25 303,34 306,39 66,88 07.10 163,51 559,51 42,94 89,34

10.04 83,9 298,24 308,96 229,14 08.10 169,9 552,88 41,35 93,31

223

Дата 1996 1997 1998 1999 2000 Дата 1995 1996 1997 1998 1999 2000

11.04 85,73 294,94 222,32 09 10 77,27 181,64 533,62 42,55 193,61

12.04 86,57 68,59 224,92 10 10 76,42 184,67 527,78 192,99

13.04 310,07 69,15 222,04 11 10 75,8 181,75 97,19 187,22

14.04 286,07 308,85 73,57 220,67 12 10 76,48 44,75 96,25 187,33

15.04 87,43 291,41 313,12 75,68 13 10 77,48 535,65 47,67 96,03 184,24

16.04 93,19 298,81 319,83 79,59 14 10 186,37 544,89 51,89 100,31

17.04 95,08 295,08 312,69 203,38 15 10 186,14 539,56 58,73 95,1

18.04 92,3 299,06 202,95 16 10 78,1 182,36 537,07 55,32 194,88

19.04 89,65 81,1 204,63 17 10 78,66 177,81 532,9 196,10

20.04 312,84 76,58 208,73 18 10 79 180,41 94,19 183,98

21.04 295,61 314,26 76,91 213,29 19 10 79,26 55,91 96,46 193,33

22.04 91,41 291,32 317,48 80,33 20 10 79,35 526,61 56,68 98,39 198,88

23.04 94,08 290,22 322,1 82,83 21 10 184,02 538,01 61,94 95,85

24.04 98,7 290,66 326,16 206,19 22 10 183,72 550,44 60,96 98,2

25.04 108,63 297,6 309,63 213,05 23 10 79,16 187,56 528,5 60,42 196,85

26.04 105,15 301,53 304,13 83,92 221,17 24 10 79,08 185,28 518,29 196,52

27.04 305,53 306,21 83,72 218 25 10 79,14 179,49 97,11 191,11

28.04 321,19 312,37 81,47 226,87 26 10 78,11 59,54 97,93 188,86

29.04 104,28 87,16 27 10 75,86 485,16 56,89 97,02 190,75

30.04 103,98 91,83 28 10 176,52 392,86 53,54 97,63

03.05 227,46 29 10 175,7 454,34 55,39 97,8

04.05 225,38 30 10 74,88 178,78 427,2 57,54 187,98

05.05 103,52 334,59 315,21 102,69 225,38 31 10 73,56 177,99 422,26 189,00

06.05 105,81 339,04 310,61 104,67 228,97 01 11 72,7 178,64 97,25

07.05 109,42 338,7 304,74 100,97 02 11 68,09 58,38 97,82

08.05 111,03 337,53 302,82 03 11 69,98 440,82 59,36 95,5

10.05 227,15 04 11 70,53 180,54 441,61 61,07 96,48

11.05 97,11 222,93 05 11 183,95 440,97 60,38 99,83

12.05 110,66 360,72 290,72 81,39 219,52 06 11 184,35 438,34 61,13

13.05 116,84 353,99 279,19 83,58 08 11 71,27

14.05 112,82 349,75 263,66 82,58 09 11 71,76 106,01

15.05 109,23 357 258,1 215,27 10 11 71,54 186,07 402,1 60,67 110,98

16.05 109,97 362,52 220,01 11 11 188,74 385,69 60,76 113,03

17.05 109,34 92,13 209,8 12 11 190,2 350,01 60,53 111,56

18.05 227,61 99,15 204,62 13 11 72,18 190,74 344,8 59,32

19.05 366,22 236,58 98,23 190,5 14 11 71,87 187,75 342,07

20.05 110,88 359,37 233,15 98,49 15 11 71,52 188,28 112,87

21.05 113,67 365,96 230,23 98,16 16 11 70,98 59,55 115,32

22.05 116,18 359,04 225,41 184,78 17 11 71,28 339,39 60,02 116,08

23.05 121,18 356,27 171,82 18 11 190,65 360,31 59,76 113,9

24.05 131,67 101,6 167,05 19 11 190,88 352,1 60,04 118,26

25.05 213,44 98,62 177,59 20 11 72,59 192,03 360,73 63,36

26.05 356,52 209,33 99,9 185,53 21 11 72,19 192,82 382,59

27.05 144,76 355,3 187,23 100,32 22 11 73,75 191,23 120,92

28.05 164,49 351,4 198,74 99,1 23 11 73,69 70,13 124,91

29.05 149,55 353,41 191,29 184,11 24 11 72,56 368,47 70,85 119,5

30.05 141,04 355,64 188,58 25 11 191,94 347,04 69,15 120,06

31.05 146,91 97,64 190,21 26 11 190,49 356,81 72 119,75

01.06 171,71 96,76 194,75 27 11 72,35 187,14 340,03 71,57

02.06 355,46 192,75 94,18 202,25 28 11 72,42 188,42 328,49

03.06 149,15 355,35 209,07 99,7 29 11 71,12 187,9 116,64

224

Дата 1996 1997 1998 1999 2000 Дата 1995 1996 1997 1998 1999 2000

04.06 144,69 359,76 208,61 100,27 30. 11 70,47 71,46 112,36

05.06 136,86 360,54 207,65 200,95 01 12 70,95 322,91 67,74 113,41

06.06 138,12 360,94 194,8 02 12 189,73 320,38 68,07 114,75

07.06 140,73 102,72 193,92 03 12 190,51 340,22 65,38 118,17

08.06 205,31 106,4 199,64 04 12 71,9 190,79 361,79 64

09.06 365,64 196,45 107,47 200,21 05 12 73,91 190,16 382,42 63,32

10.06 150,4 365,26 184,26 110,66 06 12 74,86 185,25 118,15

11.06 151,63 363,96 178,13 113,86 07 12 76,14 113,14

13.06 148,56 364,78 195,31 08 12 76,45 388,13 60,44 110,45

14.06 146,86 191,25 09 12 76,37 185,14 387,34 58,71 110,36

15.06 165,11 112,77 193,17 10 12 184,92 369,16 60,95 107,57

16.06 369 169,02 117,72 194,63 11 12 186,02 339,25 58,67

17.06 170,13 369,17 181,99 117,57 13 12 78,04

18.06 179 377,69 177,24 121,13 14 12 82,04 186,56 109,03

19.06 171,28 388,99 174,65 190,58 15 12 82,04 186,03 361,24 58,79 118,03

20.06 171,7 390,82 184,13 16 12 186,24 373,91 60,95 118,46

21.06 180,66 129,28 179,3 17 12 184,99 383,6 60,42 120,21

22.06 172,37 129,83 180,9 18 12 81,04 184,35 379,86 59,24

23.06 400,59 172,61 125,5 182,86 19 12 83,2 185,27 354,41

24.06 195,64 412,32 178,21 126,12 20 12 83,84 185,14 132,17

25.06 205,03 433,12 172,57 123,06 21 12 81,01 60,25 142,67

26.06 213,82 421,68 163,99 180,08 22 12 80,37 355,91 60,16 146,06

27.06 227,7 421,46 172,68 23 12 186,95 371,85 60,44 147,29

28.06 204,13 122,8 170,17 24 12 189,08 370,41 60,11 150,71

29.06 153,97 123,9 163,02 25 12 81,49 189,85 378,92 59,94

30.06 418,63 151,35 125,65 171,4 26 12 81,85 189,41 380,11

01.07 198,63 423,87 145,72 131,48 27 12 82,45 193,64 156,61

02.07 209,36 447,94 144,21 133,67 28 12 82,92 59,95 151,73

03.07 481,13 151,33 176,38 29 12 389,02 59,68 147,28

04.07 227,79 495,57 178,66 30 12 197,94 396,41 59,39 150,01

05.07 216,39 139,03 175,98 31 12 200,5 396,86 58,93 177,71

225

П3.8. Обменный курс рубля

Дневные данные с 01/07/1992 по 01/11/2000 (руб. за долл.). Рабочее название ряда - ЯиЬкыю._

Дата 1993 1994 1995 1996 1997 1998 1999 2000

01.01 5560,00 5,96 20,65 27,00

05.01 4661,00

06.01 417,00 3623,00 5570,00 5,96 20,65 26,90

07.01 5573,00 5,97 21,91 27,23

09.01 5580,00 5,97

10.01 4668,00 5585,00 5,97

11.01 3705,00 5590,00 22,40 27,73

12.01 4670,00 23,06 28,44

13.01 423,00 3757,00 5,98 22,58 28,85

14.01 1356,00 5593,00 5,98 21,80 28,65

15.01 442,00 5596,00 5,99 21,45 28,57

16.01 5599,00 6,00 21,88

17.01 4677,00 5602,00 6,00

18.01 3861,00 5605,00 28,57

19.01 1504,00 4683,00 22,37 28,57

20.01 474,50 3916,00 6,00 22,98 28,52

21.01 1553,00 5607,00 6,00 22,39 28,51

22.01 493,00 5610,00 6,01 22,73 28,44

23.01 5613,00 6,02 22,75

24.01 4700,00 5615,00 6,02

25.01 3988,00 5618,00 28,44

26.01 1544,00 4718,00 22,95 28,49

27.01 568,00 4004,00 6,02 22,82 28,55

28.01 1542,00 5621,00 6,02 22,67 28,55

29.01 572,00 5624,00 6,02 22,77 28,55

30.01 5627,00 6,03 22,60

31.01 4732,00 5629,00 6,03

01.02 4048,00 5632,00 28,55

02.02 1560,00 4736,00 22,77 28,55

03.02 572,00 4079,00 6,03 22,92 28,64

04.02 1560,00 5634,00 6,03 23,12 28,77

05.02 572,00 5637,00 6,03 23,14 28,77

06.02 5640,00 6,04 23,12

07.02 4738,00 5640,00 6,04

08.02 4133,00 5642,00 28,76

226

Дата 1993 1994 1995 199б 1997 1998 1999 2GGG

09.02 15б9.00 4738.00 23.05 28.72

10.02 5б1.00 4170.00 б.04 22.90 28.б9

11.02 15б8.00 5б44.50 б.04 22.7б 28.бб

12.02 5б0.00 5б4б.00 б.05 22.79 28.77

13.02 5б50.00 б.05 22.89

14.02 4751.00 5б52.50 б.05

15.02 4231.00 5б54.50 28.77

1б.02 15б7.00 47б0.00 22.84 28.72

17.02 559.00 4293.00 б.05 23.11 28.71

18.02 15б7.00 5б58.00 б.05 22.87 28.79

19.02 559.00 5бб0.00 б.0б 22.92 28.74

20.02 5бб2.00 б.0б 22.84

21.02 4770.00 5бб5.00 б.0б

22.02 4357.00 5бб7.00 28.74

23.02 1585.00 4783.00 22.84 28.87

24.02 57б.00 4407.00 б.0б 22.80 28.83

25.02 1б57.00 5б70.00 б.07 22.82 28.80

2б.02 593.00 5б72.00 б.07 22.84 28.70

27.02 5б74.00 б.07 22.8б

28.02 4815.00 5б7б.00 б.07

29.02 28.бб

01.03 4473.00 4818.00 5б79.00 28.б5

02.03 1бб8.00 22.89 28.б4

03.03 б49.00 4531.00 б.07 22.89 28.б0

04.03 1б93.00 5б83.00 б.08 22.93 28.59

05.03 б48.00 5б8б.00 б.08 23.01

0б.03 4823.00 5б89.00 б.08 23.09

07.03 5б91.50 б.08 28.58

08.03 4б03.00 4825.00 5б95.00 28.55

10.03 б50.00 4б39.00 23.03 28.53

11.03 170б.00 б.08 22.98 28.51

12.03 б53.00 5б97.00 б.08 23.04

13.03 4828.00 5б99.00 б.09 23.12

14.03 5700.00 б.09 28.50

15.03 4723.00 4834.00 5703.00 28.49

1б.03 171б.00 23.2б 28.4б

17.03 бб2.00 47б7.00 б.09 23.35 28.43

227

Дата 1993 1994 1995 1996 1997 1998 1999 2GGG

18.03 1724,00 5705,50 6,09 23,41 28,41

19.03 667,00 5708,00 6,09 23,65

20.03 4838,00 5710,00 6,09 23,68

21.03 5712,00 6,10 28,39

22.03 4824,00 4844,00 5714,00 28,38

23.03 1736,00 23,92 28,36

24.03 684,00 4856,00 6,10 24,29 28,34

25.03 1742,00 5717,00 6,10 24,22 28,33

26.03 684,00 5719,00 6,10 24,18

27.03 4850,00 5721,00 6,10 24,19

28.03 5723,50 6,10 28,31

29.03 4897,00 4854,00 5726,00 28,29

30.03 1753,00 24,20 28,27

31.03 684,00 4897,00 6,11 24,18 28,46

01.04 1753,00 5729,00 24,16 28,60

02.04 692,00 5731,00 6,11 24,29

03.04 4863,00 5732,00 6,11 24,83

04.04 5735,00 6,11 28,78

05.04 4920,00 4873,00 5737,00 28,76

06.04 1772,00 25,11 28,72

07.04 712,00 4957,00 6,12 25,10 28,68

08.04 1772,00 5739,00 6,12 25,12 28,66

09.04 740,00 5741,00 6,12 25,09

10.04 4894,00 5743,00 6,12 25,03

11.04 5744,00 6,12 28,63

12.04 4991,00 4901,00 5746,00 28,59

13.04 1785,00 24,96 28,56

14.04 766,00 5029,00 6,12 24,90 28,53

15.04 1787,00 5748,00 6,13 24,85 28,50

16.04 779,00 5750,00 6,13 24,80

17.04 4909,00 5752,00 6,13 24,77

18.04 5753,00 6,13 28,60

19.04 5064,00 4915,00 5753,00 28,78

20.04 1792,00 24,78 28,62

21.04 786,00 5051,00 6,13 24,77 28,59

22.04 1810,00 5755,00 6,13 24,72 28,55

23.04 795,00 5756,00 6,13 24,67

228

Дата 1993 1994 1995 199б 1997 1998 1999 2GGG

24.04 4925.00 5757.00 б.13 24.б2

25.04 5758.00 б.13 28.53

2б.04 5081.00 4932.00 5759.00 28.53

27.04 1820.00 24.53 28.4б

28.04 812.00 5100.00 б.13 24.40 28.43

29.04 1820.00 57б0.00 б.13 24.31 28.40

30.04 823.00 57б2.00 б.13 24.23

01.05 4940.00 57б4.00 б.13 24.1б

04.05 28.38

05.05 5130.00 28.3б

0б.05 1854.00 57б4.00 б.14 24.09 28.3б

07.05 829.00 49б0.00 57бб.00 б.14 24.07 28.3б

08.05 57б8.00 б.14 24.04

09.05 57б9.00 б.14

11.05 1859.00 28.34

12.05 859.00 510б.00 24.00 28.32

13.05 18б9.00 5771.00 б.14 23.99 28.30

14.05 5771.00 б.14 24.б9

15.05 88б.00 4971.00 5771.00 б.14 24.92

1б.05 5771.00 б.15 28.28

17.05 502б.00 4970.00 5771.00 28.27

18.05 1877.00 4982.00 24.8б 28.27

19.05 934.00 5043.00 б.15 24.79 28.33

20.05 1881.00 5771.00 б.1б 24.75 28.31

21.05 940.00 4988.00 5771.00 б.1б 24.70

22.05 4991.00 5771.00 б.1б 24.б5

23.05 4994.00 5771.00 б.1б 28.30

24.05 5039.00 4998.00 5772.00 28.29

25.05 1895.00 5001.00 24.б0 28.28

2б.05 9б0.00 5038.00 б.1б 24.55 28.28

27.05 1901.00 5773.50 б.1б 24.50 28.27

28.05 994.00 500б.00 5773.50 б.1б 24.4б

29.05 5008.00 5774.00 б.17 24.44

30.05 5011.00 5773.00 б.1б 28.27

31.05 4995.00 5014.00 5773.00 28.25

01.0б 191 б.00 5018.00 24.44 28.23

02.0б 1050.00 4958.00 б.17 24.43 28.25

229

Дата 1993 1994 1995 199б 1997 1998 1999 2GGG

03.0б 1918.00 5774.00 б.17 24.40 28.34

04.0б 1072.00 5024.00 5775.00 б.17 24.38

05.0б 5027.00 577б.00 б.17 24.3б

0б.0б 5031.00 577б.00 б.17 28.34

07.0б 4900.00 5037.00 5777.00 28.32

08.0б 1940.00 504б.00 24.34 28.30

09.0б 1104.00 4911.00 б.17 24.33 28.27

10.0б 1952.00 5778.00 б.17 24.31 28.25

11.0б 5051.00 5779.50 б.17 24.29

12.0б 5051.00 5781.00 б.17 24.27

14.0б 483б.00 5053.00 5782.00 28.43

15.0б 1952.00 28.33

1б.0б 111б.00 472б.00 5053.00 б.18 24.25 28.29

17.0б 1959.00 5782.00 б.18 24.23 28.2б

18.0б 1090.00 5057.00 5782.00 б.18 24.23

19.0б 5059.00 5782.00 б.19 24.23

20.0б 5058.00 5782.00 б.19 28.24

21.0б 454б.00 50б1.00 5783.00 28.23

22.0б 1971.00 50б3.00 24.23 28.22

23.0б 1079.00 4590.00 б.19 24.23 28.19

24.0б 1977.00 5783.00 б.19 24.23 28.17

25.0б 10бб.00 50б8.00 5782.00 б.19 24.22

2б.0б 5072.00 5782.00 б.19 24.22

27.0б 5083.00 5782.00 б.20 28.13

28.0б 451б.00 5097.00 5782.00 28.11

29.0б 1985.00 5108.00 24.22 28.09

30.0б 10б0.00 4538.00 б.20 24.22 28.07

230

Дата 1992 1993 1994 1995 1996 1997 1998 1999 2GGG

01.07 02.07 03.07 04.07 05.07 06.07 07.07 08.07 09.07 10.07 11.07 12.07 13.07 14.07 15.07 16.07 17.07 18.07 19.07 20.07 21.07 22.07 23.07 24.07 25.07 26.07 27.07 28.07 29.07 30.07

31.07

01.08 02.08 03.08 04.08 05.08 06.08 07.08

134,80

130,50

1036,00

1025,00

1010,00

151,10

155,70

161,10

989,50

987,00

986,00

4553,00

1998,00

2011,00

2020,00

2034,00

994,00 2052,00

2052,00

5125,00

5131,00

4565,00

4546,00

4530,00

5182,00

518

4415,00

161,50

5782,00 6,20 24,21 28,05

5782,00 6,20 24,21

5782,00 6,20 24,29

5782,00 6,21 28,03

5782,00 28,03

24,29 28,03

6,21 24,48 28,01

5783,00 6,21 24,46 27,99

5784,00 6,21 24,44

5784,00 6,21 24,42

5784,00 6,21 27,97

5784,00 27,92

24,40 27,90

6,21 24,38 27,87

5784,00 6,21 24,36 27,85

5784,00 6,21 24,34

5785,00 6,22 24,32

5787,00 6,22 27,83

5788,00 27,81

24,30 27,75

6,22 24,28 27,66

5789,00 6,22 24,26 27,64

5791,00 6,22 24,24

5792,00 6,22 24,23

5794,00 6,23 27,64

5795,00 27,64

24,22 27,64

6,23 24,22 27,70

5796,00 6,23 24,22 27,80

5797,00 6,24 24,21

5798,00 6,24 24,19

5800,00 6,24 27,82

5801,00 27,85

24,19 27,83

6,24 24,22 27,80

5801,00 6,25 24,30 27,77

5802,00 6,25 24,40

5803,00 6,26 24,55

125,26

989,00

059,00

058,00

4576,00

050,00

130,30

4530,00

130,20

2022,00

135,40

2028,00

5156,00

008,00

4415,00

161,20

2060,00

161,40

2081,00

231

Дата 1992 1993 1994 1995 199б 1997 1998 1999 2GGG

08.08 5247.00 5804.50 б.2б 27.73

09.08 4405.00 5254.00 580б.00 27.73

10.08 2087.00 52б1.00 25.29 27.70

11.08 984.50 4405.00 б.2б 25.01 27.70

12.08 1б1.70 2108.00 5808.00 б.27 24.9б 27.б9

13.08 984.50 5271.00 5808.00 б.27 24.90

14.08 1б2.50 527б.00 5809.00 б.27 24.88

15.08 5280.00 5809.00 б.29 27.б9

1б.08 440б.00 5285.00 5811.00 27.74

17.08 2117.00 5290.00 24.8б 27.73

18.08 984.50 4408.00 б.43 24.7б 27.73

19.08 1б2.50 2141.00 5813.00 б.89 24.б2 27.73

20.08 987.00 5302.00 5814.00 б.99 24.б0

21.08 1б2.б0 5305.00 5815.00 7.00 24.82

22.08 5305.00 5817.00 7.01 27.71

23.08 5311.00 5819.00 27.71

24.08 21б1.00 4428.00 5318.00 24.80 27.71

25.08 98б.00 4428.00 7.14 24.7б 27.70

2б.08 1б8.10 215б.00 5820.00 7.8б 24.75 27.70

27.08 985.00 5327.00 5821.00 7.8б 24.75

28.08 205.00 5332.00 5824.00 7.8б 24.75

29.08 5348.00 582б.00 7.91 27.70

30.08 4435.00 5348.00 5830.00 24.75 27.75

31.08 2153.00 5345.00 27.75

01.09 992.50 4447.00 9.33 24.81 27.75

02.09 210.50 2204.00 5832.00 10.88 25.22 27.75

03.09 990.00 5345.00 5833.50 12.82 25.87

04.09 210.50 5348.00 5835.00 13.4б 25.82

05.09 5351.00 5837.00 1б.99 27.75

0б.09 4448.00 5353.00 5838.00 27.84

07.09 2222.00 535б.00 25.82 27.88

08.09 995.00 4479.00 18.90 25.79 27.84

09.09 207.90 2253.00 5839.50 20.83 25.73 27.8б

10.09 998.00 5359.00 5840.50 15.77 25.71

11.09 203.00 53б1.00 5841.50 12.87 25.70

12.09 53б4.00 5843.00 11.43 27.84

13.09 44б9.00 53б7.00 584б.00 27.82

232

Дата 1992 1993 1994 1995 1996 1997 1998 1999 2GGG

14.09 15.09 16.09 17.09 18.09 19.09 20.09 21.09 22.09 23.09 24.09 25.09 26.09 27.09 28.09 29.09

30.09

01.10 02.10 03.10 04.10 05.10 06.10 07.10 08.10 09.10 10.10 11.10 12.10 13.10 14.10 15.10 16.10 17.10 18.10 19.10 20.10

2271,00 1006,00 4467,00

2301,00

1010,00

4468,00

2335,00 1036,00 4467,00

2460,00

1299,00

248,00

4491,00

2476,00 1201,00 4508,00

254,00 2596,00

1169,00

4490,00

2668,00 1173,00 4493,00

2833,00

1189,00

4498,00

3926,00 1194,00 4509,00

334,00 2994,00

338,00

4506,00

2996,00 1193,00 4506,00

5370,00

5847,00 5373,00 5848,00 5376,00 5849,50 5379,00 5851,50 5382,00 5853,50 5384,00

5855,00 5389,00 5856,50 5391,00 5858,50 5392,00 5860,00 5394,00 5861,00 5396,00

5860,00 5402,00 5861,00 5412,00 5862,50 5415,00 5864,50 5417,00 5866,00 5419,00

5868,00 5421,00 5869,00 5424,00 5870,50 5425,00 5872,00 5426,00 5872,00 5429,00

5874,00 5431,00 5876,00 5434,00 5877,00 5434,00 5878,50 5434,00 5878,00 5435,00

8,67 9,61 12,45 14,60 16,38

16,38 16,22 15,84 15,61 15,88

15,99 16,06 15,91 15,99 15,97

15.79

15.80

15.81

15.82 15,84

15,79 15,05 13,00 13,56 15,51

25,54 25,53 25,48

25.40

25.41

25,40 25,34 25,31 25,29 25,28

25,27 25,22 25,08 25,05 25,20

25,49 25,90 25,78 25,72 25,76

25,76 25,74 25,70 25,67 25,80

25,88 25,83

27,82 27,78 27,73

27,73 27,77 27,82 27,82 27,79

27,85 27,82 27,81 27,75 27,75

27,76 27,76 27,81 27,86 27,88

27,88 27,94 27,86 27,91 27,90

27,83 27,80 27,87 27,93

204,00

205,50

241,00

309,00

342,00

334,00

17,09

233

Дата 1992 1993 1994 1995 1996 1997 1998 1999 2GGG

21.10 368,00 3015,00 5878,00 16,93 25,83 27,93

22.10 1193,00 5438,00 5878,00 16,83 25,79

23.10 368,00 5440,00 5879,00 16,76 25,76

24.10 5442,00 5880,00 16,69 27,93

25.10 4504,00 5444,00 5881,00 27,91

26.10 3036,00 5445,00 25,71 27,87

27.10 1189,00 4504,00 16,69 25,68 27,92

28.10 393,00 3055,00 5882,00 16,67 25,80 27,89

29.10 1186,00 5447,00 5883,00 16,33 26,09

30.10 398,00 5453,00 5885,00 16,06 26,05

31.10 5455,00 5887,00 16,01 27,83

01.11 4504,00 5456,00 5887,00 27,82

02.11 3085,00 5458,00 26,07

03.11 1179,00 4514,00 15,82 26,37

04.11 396,00 3099,00 5887,00 15,57 26,26

05.11 1177,00 5460,00 5889,00 15,54 26,24

06.11 399,00 5461,00 5890,00 15,24 26,23

07.11 5470,00 5892,00 15,01

09.11 3102,00

10.11 1175,00 4522,00 26,19

11.11 403,00 3102,00 5474,00 5898,00 15,56 26,11

12.11 1176,00 5475,00 5899,00 15,58 26,11

13.11 419,00 5476,00 5900,50 15,93 26,31

14.11 5478,00 5900,50 16,41

15.11 4532,00 5481,00 5901,50

16.11 3131,00 5484,00 26,24

17.11 1194,00 4537,00 16,80 26,24

18.11 448,00 3157,00 5903,00 16,99 26,32

19.11 1203,00 5486,00 5905,00 16,98 26,41

20.11 448,00 5487,00 5906,50 17,20 26,39

21.11 5491,00 5908,50 16,96

22.11 4559,00 5492,00 5910,50

23.11 3187,00 5494,00 26,49

24.11 1208,00 4566,00 17,17 26,47

25.11 450,00 3201,00 5912,00 17,45 26,43

26.11 1214,00 5497,00 5914,00 17,47 26,43

27.11 447,00 5500,00 5916,00 17,45 26,43

234

Дата 1992 1993 1994 1995 199б 1997 1998 1999 2GGG

28.11 5503.00 5917.00 17.88

29.11 4578.00 5508.00 5919.00

30.11 3232.00 5511.00 2б.42

01.12 1231.00 4580.00 17.88 2б.53

02.12 417.00 3249.00 5921.00 18.25 2б.75

03.12 1230.00 5513.00 5925.00 18.5б 2б.б8

04.12 398.00 5515.00 5927.00 18.83 2б.74

05.12 5517.00 5930.00 19.57

0б.12 4583.00 5519.00 5933.00

07.12 3275.00 5521.00 2б.84

08.12 1229.00 4597.00 20.40 2б.82

09.12 419.00 330б.00 593б.00 20.43 2б.87

10.12 1229.00 5523.00 5935.00 20.08 2б.87

11.12 419.00 5525.00 5935.00 19.7б 2б.83

12.12 5530.00 593б.00 20.10

14.12 3338.00

15.12 1237.00 4б28.00 5532.00 2б.82

1б.12 418.00 3383.00 5535.00 5939.00 20.2б 2б.80

17.12 1247.00 5537.00 5941.00 20.б2 2б.77

18.12 41б.00 5540.00 5943.00 20.70 2б.77

19.12 5543.00 5943.00 20.75

20.12 4б39.00 554б.00 5945.00

21.12 3427.00 5550.00 2б.72

22.12 1250.00 4б43.00 20.90 2б.71

23.12 415.00 3454.00 5947.00 20.б4 2б.74

24.12 1250.00 5550.00 5950.00 20.51 2б.72

25.12 414.50 5553.00 5955.00 19.87 2б.7б

2б.12 5555.00 5955.00 19.48

27.12 4б48.00 5555.00 5958.00

28.12 3512.00 5555.00 2б.95

29.12 1247.00 4б40.00 20.99 27.00

30.12 414.50 3550.00 59б0.00 20.б2 27.00

31.12 55б0.00 20.б5

235

я

40 чо

я

40 40

'Л 'Л

саЯсагьЯ^О?!

р 2 ■©* ^ Я са гь Я "О "р я Я

40 40 40 40 к

04 04 04 04 04 04 04 04 'л 04 'л V Ю н- "о

'л

40 04

'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 'Л 00 40 --4 Ъ4 <-Л 'л 'л "и) О

40 40 40

00 00 00 00 00 00 00 00 40 00 Ъ. V К) О Н-

ю ю ю ю ю ю ю

--4 --4 --4 --4 --4 --4 --4 --4 --4 --4 00 00 04 V V V Н-

40 40 40 00 -а 04 40 00 Ю и> н- и>

и> и> ю ю

40 Ю 04 н-

Н- О 40 00 00 00 00 40 О и> 40

Общая численность безработных (на конец года), млн. человек

Общая численность безработных (на конец года), в % к соответствующему периоду предшествующего года

Общая численность безработных (на конец года), в % к экономически активному населению

Численность официально

зарегистрированных в службе занятости безработных (на конец периода), тыс. человек

|

Си ^ о

3 со

<о

СП

сь со -О оз

8*

с Л ш

о о

ЧО ЧО

я о

о 00 ьЗ о о о

ч

Р5

о» о Л го го

оч ю ю

и) и) ю

40 Сч 40

в том числе назначено пособие по безработице

Я го

Р5

40 40 40 40 00 00 ---4

Я Г> чо 40

2 2 -е-

р я р л

8с ? 13 03

--4 --4

Я

40 40

04 04 04 04

Я Я

04 40 40 04 04

ОС ОС ОС ОС V и> н- н-

40 40 40 40 00 04

--4 --4 --4 --4 --4 --4 --4 --4 --4 и> и> К) Ю н- н- н- О О

Общая численность безработных (на конец года), млн. человек

04 04 04 04 40 --4 00

ю ю ю

Ю и> Ю и> 40 40

'Л 00 '-/I

Ю ОС 04 и>

оо 'л 'л 'л ел 'л 'л О Н- 40 Ы Ю 00

Общая численность безработных (на конец года), в % к соответствующему периоду предшествующего года

40 40 40 40

40 04 Ю

40 40 40 40

40 40 40 40 40 40 40 40 40 40 40

40 ОС ОС

04 04 <-Л Ю и>

сл <-Л ел ел Ю <-Л

СЛ СЛ 04 04 Ю <-Л О " 'Л 00

04 ОС ОС

Общая численность безработных (на конец года), в % к экономически активному населению

Численность официально

зарегистрированных в службе занятости безработных (на конец периода), тыс. человек

ОС ОС 40

к>к>к>к>к>к>к>к>к>к>к>к>к>к>к>к>к>к>

04 --4 04 Ю 40 <-/■ ОО

к>к>к>к>к>к>к>к>и>и>и>и>-^и>к>

ОС 04 04 Ю Ю

в том числе назначено пособие по безработице

Ю <-Л 40 Ю и) и> 40 Ю 40 04 Ю ' - — -

к» и) 00

а е а -е- а

Р я Ы (1 М

Кс чз -о ет я

о о о О о

О ° О О о

Й я

чочочочочо^^^чо^^чооооооооооо^^^оо^

н и

я я 5 5

■Э Я

1 1 00 00 00 00 40 00 00 00 00 00 40 40 V 00 К) ОЧ 1 40 Ь- 40 00 1 '-] 00 ь- Ь

40 40 00 00 00 00 00 00 00 00 '] V 40 ОЧ и) ь- ь- и) 'У' 'У'

о о о о о

(О ^

~<-Л ОС ~<-л \о

^ о о о о о о

О -1 и) Ю 00 К) 00 К) V ОЧ 00

О О Ь- ь- К) Ю Ю Ю Ь- ь- ь- К) Ю и) и) 4- и) и) Ю Ю ь- ь- ь- ь- ь- ь- ь-

К) 00 и) 40 О К) и) ь- 40 00 40 ь- V ь- '] ь- 00 и) 40 и) 40 ОЧ и) и> 'У' <1 <1

00400СЧ<-ЛОЮи>СЧСЧООи>Ю040и>-(^Ю<-ли>Ю^10<-''<-'>СЧ40Счи>СЧ - 04040^ю40'-ли)юи)40и)0'-л0000040040040^^40ю0ч400

000000404000000 СЧ40-(^40и>ООСЧООО

<-л о ю

Общая численность безработных (на конец года), млн. человек

Общая численность безработных (на конец года), в % к соответствующему периоду предшествующего года

Общая численность безработных (на конец года), в % к экономически активному населению

Численность официально

зарегистрированных в службе занятости безработных (на конец периода), тыс. человек

в том числе назначено пособие по безработице

Литература

1. Айвазян С.А., Мхитарян В.С. (1998) Прикладная статистика и основы эконометрии. - М.: ЮНИТИ, 1998.

2. Бокс Дж., Дженкинс Г. (1974) Анализ временных рядов. Прогноз и управление. - М.: Мир, 1974. - Вып. 1, 2.

3. Большев Л.Н., Смирнов Н.В. (1965) Таблицы математической статистики. - М.: Наука, 1965.

4. Дженкинс Г., Ватс Д. (1971, 1972) Спектральный анализ и его применения. - М.: Мир, 1971, 1972. - Вып. 1,2.

5. Джонстон Дж. (1980) Эконометрические методы. - М.: Статистика, 1980.

6. Ллойд Э., Ледерман У. (1990) (ред.) Справочник по прикладной статистике. - М.: Финансы и статистика, 1990. - Том 2.

7. Осуга М. (1989) Обработка знаний. - М.: Мир, 1989.

8. Развитие российского финансового рынка и новые инструменты привлечения инвестиций. - М., 1998.

9. Экономика переходного периода. Очерки экономической политики посткоммунистической России 1991 - 1997. - М., 1998.

10. Almon S. (1960) "The Distributed Lag between Capital Appropriations and Expenditures", Econometrica, 30, 178-196.

11. Andrews D.W.K. (1991) "Heteroskedasticity and Autocorrelation Consistent Covariance Matrix Estimation," Econometrica, 59, 817-858.

12. Ardeni P.G., D. Lubian (1991) "Is There Trend Reversion in Purchais-ing Power Parity", European Economic Review, 35, 1035-1055.

13. Banerjee A., R.L. Lumsdaine, J.H. Stock (1992) "Recursive and Sequential Tests of the Unit Root and Trend Break Hypotheses: Theory and International Evidence", Journal of Business and Economic Statistics, 10, 271-287.

14. Bierens H.J. (1997) "Testing the Unit Root with Drift Hypothesis Against Nonlinear Trend Stationarity, with an Application to the US Price Level and Interest Rate", Journal of Econometrics, 81, 29-64.

15. Bollerslev, Tim (1986) "Generalized Autoregressive Conditional Heteroskedasticity," Journal of Econometrics, 31, 307-327.

16. Brown R.G. (1962) "Smoothing, Forecasting and Prediction of Discrete Time-Series". Prentice-Hall, New Jersey.

17. Brown R.G. (1963) "Smoothing, Forecasting and Prediction". Prentice-Hall, Englewood Cliffs, N.Y.

18. Cagan P. (1956) "The Monetary Dynamics of Hyperinflation", in: "Studies in the Quantity Theory of Maney". Chicago, University of Chicago Press.

19. Chan K.H, J.C.Hayya, J.K.Ord (1977) "A Note on Trend Removal Methods: The Case of polynomial versus vatiate differencing", Econo-metrica, 45, 737-744.

20. Cheung Y.-W., M.D. Chinn (1996) "Deterministic, Stochastic, and Segmented Trends in Aggregate Output: a Cross-country Analysis", Oxford Economic Papers, 48, №1, 134-162.

21. Cheung Y.-W., M.D. Chinn (1997) "Further Investigation of the Uncertain Unit Root in GDP", Journal of Business and Economic Statistics, 15, 68-73.

22. Cheung Y.-W., K.S.Lay (1995) "Lag Order and Critical Values of a Modified Dickey-Fuller Test", Oxford Bulletin of Economics and Statistics, 57, №3, 411-419.

23. Christiano L.J., M. Eichenbaum (1990) "Unit Roots in Real GDP: Do We Know, and Do We Care?", Carnegie-Rochester Conference Series on Public Policy, 32, 7-62.

24. Clark P.K. (1989) "Trend Reversion in Real Output and Unemployment", Journal of Econometrics, 40,15-32.

25. Cochrane J.H. (1998) "How Big is the Random Walk in GNP?", Journal of Political Economy, 96, 893-920.

26. Cogley T. (1990) "International Evidence on the Size of the Random Walk in Output", Journal of Political Economy, 98, 501-518.

27. Copeland L.S. (1991) "Cointegration Tests with Daily Exchange Rate Data", Oxford Bulletin of Economics and Statistics, 53, 185-198.

28. Davidson R., J.G. MacKinnon (1993) Estimation and Inference in Econometrics, Oxford University Press

29. Dickey D.A. (1976) "Estimation and Hypothesis Testing for Nonstation-ary Time Series", Ph.D. dissertation, Iowa State University.

30. Dickey D.A., W.R.Bell, R.B. Miller (1986) "Unit Roots in Time Series Models: Tests and Implications", American Statistican, 40, 12-26.

31. Dickey D.A., W.A. Fuller (1979) "Distribution of the Estimators for Autoregressive Time Series with a Unit Root", Journal of the American Statistical Association, 74, 427-431.

240

32. Dickey, D.A., W.A. Fuller (1981) "Likelihood Ratio Statistics for Autoregressive Time Series With a Unit Root", Econometrica, 49, 1057-1072.

33. Dickey D.A., S. Pantula (1987) "Determining the Order of Differencing in Autoregressive Processes", Journal of Business and Economic Statistics, 15, 455-461.

34. Dolado H., T. Jenkinson, S. Sosvilla-Rivero (1990) "Cointegration and

Unit Roots", Journal of Economic Surveys, 4, 243-273.

35. Dutt S.D. (1998) "Purchasing Power Parity Revisited: Null of Cointegration Approach", Applied Economic Letters, 5, 573-576.

36. Dutt S.D., D. Ghosh (1999) "An Empirical Examination of Exchange Market Efficiency", Applied Economic Letters, 6, №2, 89-91.

37. Dweyer G.P., Wallace M.S. (1992) "Cointegration and Market Efficiency", Journal of International Money and Finance, 11 318-327.

38. Elliott G., T.J. Rothenberg, J.H. Stock (1996) "Efficient Tests for an Autoregressive Unit Root", Econometrica, 64, 813-836.

39. Enders W. (1995) "Applied Econometric Time Series", Wiley, New York

40. Engle, R. F. (1982) "Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation," Econometrica, 50, 987-1008.

41. Engle, R. (1983) "Estimates of the Variance of U.S. Inflation Based on the ARCH Model," Journal of Money, Credit and Banking, 15, 286-301.

42. Engle R.F., C.W.J. Granger (1991) "Cointegrated Economic Time Series: An Overview with New Results", in R.F. Engle and C.W.J. (eds.),

Long-Run Economic Relationships, Readings in Cointegration, Oxford University Press, 237-266.

43. Engle R., Kraft D. (1983) B Applied Time Series Analysis of Economic Data, Washington D.C.: Bureau of the Gensus.

44. Fama E.F., French K.R. (1988) "Permanent and Temporary Components of Stock Prices", Journal of Political Economy, 96, 246-273.

45. Fuller W.A. (1976) Introduction to Statistical Time Series, Wiley, New York.

46. Fuller W.A. (1996) Introduction to Statistical Time Series, 2nd Ed, Wiley, New York

47. Friedman M. (1957) "Theory of the Consumption Function". Princeton, N.J.: Princeton University Press.

48. Funke N., J. Thornton (1999) "The demand for money in Italy, 18611988", Applied Economic Letters, 6, №5, 299-301.

241

49. Ghysels E., H.S. Lee, J. Noh (1994) "Testing for Unit Roots in Seasonal Time Series: Some Theoretical Extensions and a Monte Carlo Investigation", Journal of Econometrics, 62, 415-442.

50. Ghysels E., Perron P. (1992) "The Effect of Seasonal Adjustment Filters on Tests for a Unit Root", Journal of Econometrics, 55, 57-98.

51. Gragg J. (1983) "More Efficient Estimation in the Presence of Hetero-scedasticity of Unknown Form", Econometrica, 51, 751-763.

52. Granger C.W.J. (1963) "The Effect of Varjing Month-Length in the Analisis of Economic Time Series", L'Industria, 1, 3, Milano.

53. Greene W.H. (1997) "Econometric Analysis". 3rd edition, Prentice-Hall.

54. den Haan W.J. (2000) "The Comovement Between Output and Prices", Journal of Monetary Economics, 46, №1, 3-30.

55. Hafer R.W., D.W. Jansen (1991) "The Demand for Money in the United States: Evidence from Cointegration Tests", Journal of Money, Credit, and Banking, 23 (1991), 155-168.

56. Hall A. (1994) "Testing for a Unit Root in Time Series with Pretest Data-Based Model Selection", Journal of Business and Economic Statistics, 12, 451-470.

57. Hamilton, James D. (1994) Time Series Analysis, Princeton University Press, Princeton.

58. Hasan M.S. (1998) "The Choice of Appropriate Monetary Aggregate in the United Kingdom", Applied Economic Letters, 5, №9, 563-568.

59. Hatanaka M. (1996) Time Series-Based Econometrics: Unit Roots and Cointegration, Oxford University Press.

60. Holt C.C. (1957) "Forecasting Seasonals and Trends by Exponentially Weighted Moving Averages", Carnegie Inst. Tech. Res. Mem., 52.

61. Holden D., Perman R. (1994) "Unit Roots and Cointegration for Economist", в сборнике Cointegration for the Applied Economists (редактор Rao B.B.), Macmillan.

62. Johansen S., K. Juselius (1990) "Maximum Likelihood Estimation and Inferences on Cointegration—with applications to the demand for money," Oxford Bulletin of Economics and Statistics, 52, 169-210.

63. Kim B. J.C., Mo Soowon (1995) "Cointegration and the long-run forecast of exchange rates", Economics Letters, 48, №№ 3-4, 353-359.

64. Kolmogoroff A. (1939) "Sur L'interpolation et L'extrapolation des Suites Stationaires", Compt. Rend., 208, 2043.

65. Koyck L.M. (1954) "Distributed Lags and Investment Analysis". North-Holland Publishing Company, Amsterdam.

242

66. Kwiatkowski D., P.C.B. Phillips, P. Schmidt, Y. Shin (1992) "Testing of the Null Hypothesis of Stationary against the Alternative of a Unit Root", Journal of Econometrics, 54, 159-178.

67. Leybourne S.J. (1995) "Testing for Unit Roots Using Forward and Reverse Dickey-Fuller Regressions", Oxford Bulletin of Economics and Statistics, 57, 559-571.

68. Leybourne S., T. Mills, P. Newbold (1998) "Spurious Rejections by Dickey-Fuller Tests in the Presence of a Break Under Null", Journal of Econometrics, 87, 191-203.

69. Lumsdaine R.L., Kim I.M. (1997) "Structural Change and Unit Roots", The Review of Economics and Statistics, 79, 212-218.

70. MacKinnon, J.G. (1991) "Critical Values for Cointegration Tests," Глава 13 в Long-run Economic Relationships: Readings in Cointegration, edited by R.F.Engle and C.W.J. Granger, Oxford University Press.

71. Maddala G.S., In-Moo Kim (1998) Unit Roots, Cointegration, and Structural Change. Cambridge University Press, Cambridge.

72. Metin K. (1995) "An Integrated Analysis of Turkish Inflation", Oxford Bulletin of Economics and Statistics, 57, №4, 513-532.

73. Milas C. (1998) "Demand for Greek Imports Using Multivariate Cointegration Technique", Applied Economics, 30, №11, 1483-1492.

74. Mills T.C. (1993) The Econometric Modeling of Financial Time Series. Cambridge University Press, Cambridge.

75. Molana H. (1994) "Consumption and Fiscal Theory. UK Evidence from a Cointegration Approach", Dundee Discussion Papers, University of Dundey, Dundey, Scotland.

76. Murray C.J., C.R. Nelson (2000) "The Uncertain Trend in U.S. GDP", Journal of Monetary Economics, 46, 79-95.

77. Nadal-De Simone F., W.A. Razzak (1999) "Nominal Exchange Rates and Nominal Interest Rate Differentials", IMF Working Paper WP/99/141.

78. Nelson C.R., H. Kang (1981) "Spurious Periodicity in Inappropriately Detrended Time Series", Journal of Monetary Economics, 10, 139-162.

79. Nelson C.R., C.I. Plosser (1982) "Trends and Random Walks in Mac-roeconomic Time Series", Journal of Monetary Economics, 10, 139-162.

80. Nerlove M. (1956) "Estimates of the Elasticities of Supply of Selected Agricultural Commodities", Jorn. Farm Econ., 38, 496-509.

81. Nerlove M. (1958) "The Dynamics of Supply: Estimation of Farmers Response to Price". The Johns Hopkins Press. Baltimore.

243

82. Newey W., K. West (1987) "A Simple Positive Semi-Definite, Het-eroskedasticity and Autocorrelation Consistent Covariance Matrix," Econometrica, 55, 703-708

83. Newey W., K. West (1994) "Automatic Lag Selection in Covariance Matrix Estimation," Review of Economic Studies, 61, 631-653.

84. Ng S., P. Perron (1995) "Unit Root Tests in ARMA models With Data-Dependent Methods for the Selection of the Truncation Lag", Journal of American Statistical Association, 90, 268-281.

85. Nunes L.S., Newbold P., C.-M. Kuan (1997) "Testing for Unit Roots With Breaks. Evidence on the Great Crash and the Unit Root Hypothesis Reconsidered", Oxford Bulletin of Economics and Statistics, 59, №4, 435-448.

86. Perron P. (1988) " Trends and Random Walks in Macroeconomic Time Series: Furter Evidence from a New Approach", Journal of Economic Dynamic and Control, 12, 297-332.

87. Perron P. (1989a) "The Great Crash, the Oil Price Shock, and the Unit Root Hypothesis, Econometrica, 577, 1361-1401.

88. Perron P. (1989b) "Testing for a Random Walk: A Simulation Experiment When the Sampling Interval Is Varied" - в сборнике Advances in Econometrics and Modeling (редактор B.Ray), Kluwer Academic Publishers, Dordrecht and Boston.

89. Perron P. (1997) "Further evidence on breaking trend functions in macroeconomic variables, Journal of Econometrics, 80, №2, 355-385.

90. Perron P., Vogelsang T.J. (1993) "Erratum", Econometrica, 61, №1, 248-249.

91. Phillips P.C.B. (1987) "Time Series Regression with a Unit Root", Econometrica, 55, 277-301.

92. Phillips P.C.B., P. Perron (1988) "Testing for a Unit Root in Time Series Regression," Biometrika, 75, 335-346.

93. Said E., D.A. Dickey (1984) "Testing for Unit Roots in Autoregressive Moving Average Models of Unknown Order," Biometrika, 71, 599-607.

94. Shiller R.J., Perron P. (1985) "Testing the Random Walk Hypothesis: Power versus Frequency of Observation", Economic Letters, 18, 381-386.

95. Schmidt P., Phillips P.C.B. (1992) "LM Tests for a Unit Root in the Presence of Deterministic Trends", Oxford Bulletin of Economics and Statistics, 54, 257-287.

96. Schwert G.W. (1989) "Tests for Unit Roots: A Monte Carlo Investigation", Journal of Business and Economic Statistics, 7, 147-159.

244

97. Solow R.M. (1960) "On a Family of Lag Distributions", Econometrica, 28, 393-406.

98. Taylor A.M.R. (2000) "The Finite Sample Effects of Deterministic Variables on Conventional Methods of Lag-Selection in Unit-Root Tests", Oxford Bulletin of Economics and Statistics, 62, 293-304.

99. Walker G. (1931) "On Periodicity in Series of Related Terms", Proc. Royal Soc., A131, 518.

100. White H., I. Domovitz (1984) "Nonlinear Regression with Dependent Observations", Econometrica, 52, 143-162.

101. Wiener N. (1949) "Extrapolation, Interpolation and Smoothing of Stationary Time Series". John Wiley, New York.

102. Winters P.R. (1960) "Forecasting Sales by Exponentially Weighted Moving Averages", Mgmt. Sci., 6, 324.

103. Wold H.O. (1932) "A Study in the Analysis of Stationary Time Series". Almquist and Wieksell, Uppsala.

104. Woodward G., R. Pillarisetti (1999) "Empirical Evidence on Alternative Theories of Inflation and Unemployment: a Re-Evaluation for the Scandinavian Countries", Applied Economic Letters, 6, №1, 55-58.

105. Yule G.U. (1927) "On a Method of Investigating Periodicities in Disturbed Series", Phil. Trans., A226, 227.

106. Zivot E., Andrews D.W.K. (1992) "Further Evidence on the Great Crash, the Oil Price Shock and the Unit Root Hypothesis", Journal of Business and Economic Statistics, 10, 251-270.

245

ИНСТИТУТ ЭКОНОМИКИ ПЕРЕХОДНОГО ПЕРИОДА Серия «Научные труды»

№33 С. Цухло «Анализ факторов, определяющих реальное финансово-экономическое состояние российских промышленных предприятий» Москва 2001

№32 С.Жаворонков, В.Мау, Д.Черный, К.Яновский «Дерегулирование российской экономики», Москва 2001

№31 «Проблемы становления новой инстуциональной структуры в переходных странах», Сборник статей, Москва 2001

№30 В.А. Бессонов «Трансформационный спад и структурные изменения в российском промышленном производстве», Москва 2001 №29 Е.Г.Потапчик, С.К.Салахутдинова, С.В.Шишкин «Бюджетное финансирование федеральных учреждений здравоохранения», Москва 2001 №28 Некоторые проблемы денежно-кредитной политики в переходной экономике, Сборник статей, Москва 2001

№ 27 С. Дробышевский, А. Золотарева, П. Кадочников, С. Синельников «Перспективы создания стабилизационного фонда в РФ», Москва 2001 № 26 «Посткоммунистическая Россия в контексте мирового социально-экономического развития. Материалы международной конференции», 2001

№ 25 С. Шишкин "Реформа финансирования российского здравоохранения" Москва, ИЭПП, 2000

№ 24 "Совершенствованиемежбюджетных отношений в России"

Москва 2000

№ 23 М. Матовников "Функционирование банковской системы России в условиях макроэкономической нестабильности" Москва 2000 № 22 Эндрю Добсон "Долг и инвестиции для субъектов российской федерации" Апрель 2000 года

№ 21 Л. Михайлов, Л. Сычева, Е. Тимофеев "Банковский кризис 1998 года в России и его последствия" Москва 2000

№ 20 "Некоторые актуальные вопросы аграрной политики в России."

Москва, 2000)

№ 19 "Проблемы налоговой системы России: теория, опыт, реформа."

(в 2-х томах), 2000

№ 18 Материалы научной конференции на тему "Финансовый кризис: причины и последствия". Москва, 2000

246

№ 17 С. Дробышевский Анализ рынка ГКО на основе изучения временной структуры процентных ставок Москва, 1999 № 16 Государственное регулирование экономики: опыт пяти стран.

Москва, 1999

№ 15 Некоторые политэкономические проблемы современной России.

Москва, 1999

№ 14 С. Дробышевский Обзор современной теории временной структуры процентных ставок. Основные гипотезы и модели.

Москва, 1999

№ 13 Е. Гайдар Наследие социалистической экономики: макро- и микроэкономические последствия мягких бюджетных ограничений. Москва, 1999

№ 12 А. Радыгин, Р. Энтов Институциональные проблемы развития корпоративного сектора: собственность, контроль, рынок ценных бумаг. Москва, 1999

№ 11 Реформирование некоторых отраслей социальной сферы России.

Москва, 1999

№ 10 Коммунистическое правительство в посткоммунистической России: первые итоги и возможные перспективы. Москва, 1999 № 9-1 В. Мау "ЭКОНОМИКА И ПРАВО" Конституционные проблемы экономической реформы посткоммунистической России, Москва, 1998 № 9 «Средний класс в России». Сборник докладов. Москва, 1998 № 8 Политические проблемы экономических реформ: сравнительный анализ. Сборник докладов, Москва, 1998 № 7 С.Г. Синельников-Мурылев, А.Б. Золотарева

Роль Правительства и Парламента в проводимой бюджетной политике в постсоветской России. Москва, 1998

№ 6 Финансово-экономические проблемы военного строительства и пути их решения. (материалы научно-практической конференции). Москва, 1998 № 5 А.П. Вавилов, Г.Ю. Трофимов «Стабилизация и управление государственным долгом России»

№ 4 Либерализация и стабилизация - пять лет спустя. Сборник докладов. Москва, 1997

№ 3 Пять лет реформ. Сборник статей. Москва, 1997 № 2 Посткоммунистическая трансформация: опыт пяти лет.

Сборник докладов. Москва, 1996

247

№ 1 В. Мау, С. Синельников-Мурылев, Г. Трофимов Макроэкономическая стабилизация, тенденции и альтернативы экономический политики России. Москва, 1996

248