Министерство образования и науки Российской Федерации

Государственное образовательное учреждение высшего профессионального образования

Российский государственный торгово-экономический университет

(РГТЭУ)

Кафедра «Финансы и статистка»

Одобрено УМС факультета

Протокол № ___от «____» 20__г.

Председатель

Рабочая программа

Наименование дисциплины Анализ временных рядов и прогнозирование

Рекомендуется для направления подготовки 080100 - Экономика

Квалификация (степень) выпускника Бакалавр

Согласовано: Рекомендовано кафедрой:

Учебно-методическое управление Протокол №____

РГТЭУ От «___»_______________20__г.

«___»__________________20__г. Зав. кафедрой________________

____________________________

Москва 2011 г.

Содержание

1. Цели и задачи дисциплины…………………………………………………………………...3

2. Место дисциплины в структуре ООП………………………………………………………..4

3. Требования к результатам освоения дисциплины…………………………………………..4

4. Объем дисциплины и виды учебной работы………………………………………………...5

5. Содержание дисциплины……………………………………………………………………..6

5.1. Содержание разделов и тем дисциплин…………………………………………………...6

5.2. Разделы дисциплины и междисциплинарные связи с обеспечиваемыми (последующими) дисциплинами………………………………………………………………10

5.3. Разделы (модули) и темы дисциплин и виды занятий…………………………………..10

6. Темы практических занятий…………………………………………….…………………..11

7. Учебно-методическое и информационное обеспечение дисциплины:…………………..12

а) основная литература …………………………………………………………….......12

НЕ нашли? Не то? Что вы ищете?

б) дополнительная литература…………………………………………………………12

в) интернет-ресурсы…………………………………………………………………….13

8. Материально-техническое обеспечение дисциплины……………………………………..13

9. Методические рекомендации по организации изучения дисциплины: образовательные технологии……………………………………………………………………………………....13

10. Оценочные средства для текущего контроля успеваемости…………………………….13

1.1. Тесты текущего контроля (разрабатываются преподавателям по каждой теме)……………………………………………………………………………………………..13

1.2. Тесты программированного контроля для промежуточной аттестации……….15

Рабочая программа учебной дисциплины «Анализ временных рядов и прогнозирование» составлена на основе утвержденного Федерального государственного образовательного стандарта высшего профессионального образования (ФГОС ВПО) по направлению подготовки 080100 – «Экономика», в соответствии с требованиями Министерства образования и науки Российской Федерации к структуре и содержанию данных программ. Дисциплина «Анализ временных рядов и прогнозирование» включена в вариативную часть профиля «Статистика».

Трудоемкость дисциплины в соответствии с базовым учебным планом составляет 3 зачетные единицы; общее количество часов – 108 часа, из них аудиторных – 54 часов, в том числе лекции – 22 часов.

1. Цели и задачи дисциплины:

    Цели дисциплины: Целью изучения дисциплины «Анализ временных рядов и прогнозирование» является овладение студентами статистической методологией и ее применением при всестороннем исследовании процессов, протекающих в экономике и социальной сфере, приобретение навыков сбора первичный данных о динамических процессах как внутри страны, так и для международных сопоставлений, построения динамических рядов, использование методов статистического анализа информации о динамике социально-экономических процессов и умение провести содержательную интерпретацию результатов статистического анализа. Задачи дисциплины: усвоение основных понятий в области изучения временных рядов; изучение и применение методов получения и обработки статистической информации; освоение наиболее универсальных и распространенных в мировой практике методов статистического анализа, методологии построения и анализа системы статистических показателей, отражающих состояние и развитие явлений и процессов в области туризма; умение ориентироваться в структуре и организации статистики на всех уровнях управления, в ее роли на государственном уровне, а также умение пользоваться статистическими данными, публикации Росстата в периодических изданиях, сборниках, на сайтах; приобретение умений и навыков использования теоретических знаний в практических ситуациях, а также формирования необходимых компетенций для профессиональной деятельности.

2. Место дисциплины в структуре ООП:

Дисциплина «Анализ временных рядов и прогнозирование» включена в вариативную часть профиля «Статистика» (квалификация «бакалавр»). Изучение дисциплины «Анализ временных рядов и прогнозирование» базируется на сумме знаний и навыков, полученных студентами в ходе изучения таких дисциплин, как «Теория статистики», «Методы выборочных обследований», «Микроэкономическая и макроэкономическая статистика», «Многомерные статистические методы». Обязательным является умение пользоваться пакетами прикладных программ - STATISTICA, SPSS и др.

Требования к входным знаниям, умениям и компетенциям студентов:

Студент должен:

    Знать: экономические понятия, законы и теории, структуру и построение микро - и макроэкономических показателей, основные экономические категории и системы показателей, методологию анализа на их основе исходной экономической информации. Уметь: применять знания основных положений математики, информатики и экономико-статистических законов в профессиональной деятельности. Владеть: основными понятиями, определенными в предшествующих дисциплинах, в том числе современными информационными технологиями и методами экономического анализа.

3. Требования к результатам освоения дисциплины:

Процесс изучения дисциплины направлен на формирование следующих компетенций:

Общекультурные компетенции:

ОК – 4 – способность анализировать социально-значимые проблемы и процессы, происходящие в обществе и прогнозировать возможное их развитие в будущем;

ОК - 12 –способность понимать сущность и значение информации в развитии современного информационного общества, сознавать опасности и угрозы, возникающие в этом процессе, соблюдать основные требования информационной безопасности, в том числе защита государственной тайны;

ОК – 13 – владение основными методами, способами и средствами получения, хранения, переработки информации, имение навыков работы с компьютером как средством управления информации, способность работать с информацией в глобальных компьютерных сетях.

Профессиональные компетенции:

ПК - 1 - способен собрать и проанализировать исходные данные, необходимые для расчета экономических и социально-экономических показателей, характеризующих деятельность хозяйствующих субъектов;

ПК – 7 – способен анализировать и интерпретировать финансовую, бухгалтерскую и иную информацию, содержащуюся в отчетности предприятий различных форм собственности, организаций, ведомств и использовать полученные сведения для принятия управленческих решений;

В результате изучения дисциплины студент должен:

Знать: роль и значение анализа динамики социально-экономических процессов в управлении; системы показателей, характеризующих основные аспекты развития процессов как на макро-, так и на микроуровне.

Уметь: формировать системы показателей, характеризующих основные аспекты развития процессов как на макро-, так и на микроуровне, уметь их грамотно интерпретировать; корректно использовать статистические методы анализа временных рядов, обобщать и интерпретировать результаты статистического анализа; принимать грамотные решения на основе результатов проведенного статистического анализа.

Владеть: навыками сбора первичной информации и анализа существующих источников информации о процессах в экономической и социальной сферах.

4. Объем дисциплины и виды учебной работы

Вид учебной работы

Всего часов/ зачетных единиц

Семестры

4

5

6

7

Аудиторные занятия (всего), в том числе

54

-

+

-

-

Лекции

22

-

+

-

-

Практические занятия (ПЗ)

32

-

+

-

-

Самостоятельная работа (всего), в том числе

54

-

+

-

-

Вид промежуточной аттестации – зачет

-

-

+

-

-

Общая трудоемкость

часы

108

-

-

-

-

зачетные единицы

3

-

-

-

-

5. Содержание дисциплины.

Материал учебного курса строится в следующей последовательности:

Задачи изучения динамики социально-экономических явлений. Классификация рядов динамики и их предварительный анализ. Важнейшие показатели изменения уровней рядов динамики. Простые и взвешенные скользящие средние и их применение. Методы выбора аналитических моделей и их использование. Статистические методы выявления сезонной составляющей в рядах динамики и оценки ее уровня. Моделирование сезонных колебаний. Сущность адаптивных методов. Адаптивные полиномиальные модели. Адаптивные модели сезонных временных рядов. Модели стационарных временных рядов. Модели авторегрессии-проинтегрированного скользящего среднего. Регрессионный анализ временных рядов.

5.1. Содержание разделов и тем дисциплин.

Тема 1. Задачи изучения динамики социально-экономических явлений.

Понятие динамики развития социально-экономических явлений. Фактор неопределенности в принятии управленческих решений и необходимость получения достоверной информации о динамике социально-экономических процессов. Необходимость прогнозирования в условиях неопределенности. История развития методов моделирования и прогнозирования динамики явлений.

Тема 2. Классификация рядов динамики и их предварительный анализ.

Понятие рядов динамики. Формы представления рядов динамики: таблицы и графики. Виды графических изображений временных рядов. Моментные и интервальные динамические ряды. Ряды динамики с нарастающими итогами. Динамические ряда абсолютных, относительных и средних величин и их особенности. Проблемы сопоставимости уровней динамического ряда: временная, методологическая сопоставимость.

Компоненты временных рядов: тренд, сезонная компонента, циклическая компонента, случайная компонента. Причины их присутствия в динамических рядах и формирующие их факторы. Понятие мультипликативных и аддитивных моделей.

Стационарные временные ряды и их характеристики. Автоковариационные и автокорреляционные функции; графические изображения автокорреляционных функций. Понятие частной автокорреляционной функции.

Тема 3. Важнейшие показатели изменения уровней рядов динамики.

Средний уровень ряда динамики и особенности его расчета для различных рядов. Цепные и базисные показатели динамики и значение их использования. Особенности применения показателей динамики во временных рядах относительных величин. Средние показатели динамики и возможности их применения для характеристики закономерности развития социально-экономических процессов.

Тема 4. Простые и взвешенные скользящие средние и их применение.

Необходимость сглаживания временных рядов. Укрупнение интервалов и возможности его применения. Скользящие средние: выбор периода сглаживания. Достоинства и недостатки скользящих средних. Сглаживание скользящей медианой. Использование взвешенных скользящих средних и определение весовых коэффициентов.

Восстановление краевых значений и необходимость его использования. Эффект Слуцкого-Юла.

Проверка гипотезы о существовании тренда. Критерии серий: основанный на медиане выборки, критерий «восходящих и нисходящих» серий.

Выбор аналитических моделей, форма которых соответствует характеру динамики. Методы оценки параметров моделей.

Тема 5. Методы выбора аналитических моделей и их использование.

Проверка гипотезы о существовании тренда. Критерии серий: основанный на медиане выборки, критерий «восходящих и нисходящих» серий.

Выбор аналитических моделей, форма которых соответствует характеру динамики. Методы оценки параметров моделей.

Проверка адекватности модели и их параметров. Различные виды критериев проверки адекватности модели и область их применения.

Виды прогнозов. Построение точечных и интервальных прогнозов. Возможности повышения точности прогноза динамики явления.

Тема 6. Статистические методы выявления сезонной составляющей в рядах динамики и оценки ее уровня

Аддитивная и мультипликативная сезонная компонента. Методы ее идентификации. Выявление сезонной составляющей с помощью скользящих средних: выбор периода сглаживания.

Индексы сезонности. Их разновидности и использование при оценке сезонной компоненты. Графическое изображение сезонности – сезонная волна.

Сезонная декомпозиция и корректировка временных рядов: основные понятия.

Тема 7. Моделирование сезонных колебаний.

Анализ сезонной составляющей с использование периодических функций: ряды Фурье и их использование в моделировании сезонности.

Использование индексов сезонности в построении объединенной модели тренда и сезонной составляющей.

Анализ структуры временных рядов с помощью спектрального анализа. Методы вычисления спектральных характеристик: косвенный, прямой и смешанный.

Тема 8.Сущность адаптивных методов.

Понятие процесса адаптации моделей и их отличие от моделей, моделирующих долгосрочные тенденции. Алгоритм построения адаптивных моделей прогнозирования.

Сущность экспоненциального сглаживания. Простое экспоненциальное сглаживание, определение параметров модели.

Тема 9. Адаптивные полиномиальные модели.

Сущность адаптивных полиномиальных моделей и сфера их применения. Виды моделей: модель Ч. Хольта, модель Р. Брауна, модель Дж. Бокса и Г. Дженкинса. определение параметров моделей. Выбор начальных условий.

Построение прогнозов на основе полиномиальных моделей.

Адаптация процедуры экспоненциального сглаживания с помощью следящего контрольного сигнала.

Тема 10. Адаптивные модели сезонных временных рядов.

Модели с аддитивным и мультипликативных характером сезонности.

Модель Хольта-Уинтерса. Начальные условия и определение параметров модели. Выбор параметров сглаживания.

Модель Тейла-Вейджа и ее практическая значимость. Возможности повышения адаптивных свойств моделей.

Тема 11. Модели стационарных временных рядов.

Понятие авторегрессионых моделей. Процессы авторегрессии различных порядков. Процессы скользящего среднего различных порядков. Идентификация порядка моделей с использованием автокорреляционных и частных автокорреляционных функций.

Совмещение процессов авторегрессии и скользящего среднего – ARMA-процессы и их использование в моделировании стационарных динамических рядов.

Тема 12. Модели авторегрессии-проинтегрированного скользящего среднего.

Сущность процесса интегрирования при моделировании нестационарных динамических рядов. Общи алгоритм построения моделей авторегрессии – проинтегрированного скользящего среднего (ARIMA).

Идентификация моделей с помощью автокорреляционных и частных автокорреляционных функций. Анализ графических изображений автокорреляционной и частной автокорреляционной функций.

Критерии оценки значимости коэффициентов автокорреляционной функции: коэффициенты автокорреляции, Q-статистика Бокса-Пирса, Q-статистика Бокса-Льюинга.

Использование моделей ARIMA при моделировании сезонных временных рядов.

Тема 13. Регрессионный анализ временных рядов.

Использование регрессионных моделей при моделировании динамики. Особенности использования методов регрессионного анализа в динамических рядах. Автокорреляция и ее использование в моделировании взаимосвязанных динамических рядов. Гетероскедастичность во временных рядах и методы ее устранения. Использование регрессионных моделей при моделировании динамических рядов, имеющих сезонную компоненту.

5.2. Разделы дисциплины и междисциплинарные связи с обеспечиваемыми (последующими) дисциплинами

№ п/п

Наименование обеспечиваемых (последующих) дисциплин

№ разделов данной дисциплины, необходимых для изучения обеспечиваемых (последующих) дисциплин

1

2

3

4

5

6

7

8

9

10

1.

Теория статистики

+

+

+

+

+

+

+

+

2.

Методы выборочных исследований

+

+

+

+

+

+

+

+

3.

Многомерные статистические методы

+

+

+

+

+

+

+

+

+

+

4.

Микро и макроэкономическая статистика

+

+

+

+

+

+

+

+

+

+

5.3. Разделы и темы дисциплин и виды занятий

№ п/п

Название разделов и тем

Всего (часов)

Аудиторные занятия (часов)

Самосто-ятельная работа

В том числе

Лекции

Практические занятия

Тема 1

Задачи изучения динамики социально-экономических явлений.

3

1

2

3

Тема 2

Классификация рядов динамики и их предварительный анализ.

3

1

2

3

Тема 3

Важнейшие показатели изменения уровней рядов динамики.

3

1

2

3

Тема 4

Простые и взвешенные скользящие средние и их применение.

3

1

2

3

Тема 5

Методы выбора аналитических моделей и их использование.

3

1

2

3

Тема 6

Статистические методы выявления сезонной составляющей в рядах динамики и оценки ее уровня.

4

2

2

4

Тема 7

Моделирование сезонных колебаний.

5

2

3

5

Тема 8

Сущность адаптивных методов.

5

2

3

5

Тема 9

Адаптивные полиномиальные модели.

5

2

3

5

Тема 10

Адаптивные модели сезонных временных рядов.

5

2

3

5

Тема 11

Модели стационарных временных рядов.

5

2

3

5

Тема 12

Модели авторегрессии-проинтегрированного скользящего среднего.

5

2

3

5

Тема 13

Регрессионный анализ временных рядов.

5

2

3

5

Итого по разделу:

54

21

33

54

6. Темы практических занятий

№ п/п

№ темы дисциплины

Темы практических занятий

Трудоемкость (часы/зачетные единицы)

1

Тема 1.

Решение задач

2

2

Тема 2.

Решение задач

2

3

Тема 3.

Решение задач

2

4

Тема 4.

Решение задач

2

5

Тема 5.

Решение задач

2

6

Тема 6.

Решение задач

2

7

Тема 7.

Решение задач

3

8

Тема 8.

Решение задач

3

9

Тема 9.

Решение задач

3

10

Тема 10.

Решение задач

3

11

Тема 11.

Решение задач

3

12

Тема 12.

Решение задач

3

13

Тема 13.

Решение задач

3

7. Учебно-методическое и информационное обеспечение дисциплины:

а) основная литература:

1.  , , и др. Общая теория статистики: Учебник. - М.: Инфра-М, 2000

2.  Статистика: Учеб. пособие /под ред. проф. . – М.: ИНФРА-М, 2000

3.  Российский статистический ежегодник – М.: Госкомстат РФ.

4.  Дуброва методы прогнозирования: Учеб. пособие для вузов. – М.: ЮНИТИ-ДАНА, 2003

б) дополнительная литература:

1.  Теория статистики: Учебник/ под ред. проф. . – М.: ИНФРА – М., 2000

2.  , Юзбашев временных рядов и прогнозирование: Учебник. – М.: Финансы и статистика, 2001.

3.  Лукашин методы краткосрочного прогнозирования временных рядов: Учеб. пособие. – М.: Финансы и статистика, 2003.

4.  , Ивченко в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. – М.: Финансы и статистика, 1999.

5.  Сигел Эндрю. Практическая бизнес-статистика.: Пер. с англ. – М.: Издательский дом «Вильямс», 2002.

6.  Дж., Количественные методы в финансах: Учеб пособие для вузов/Пер. с англ. Под ред. . – М.: Финансы, ЮНИТИ, 1999.

7.  , , Дж. Бизнес-прогнозирование, 7-е издание.: Пер. с англ. – М.: Издательский дом «Вильямс», 2003.

8.  , Добашина статистика: Учеб. пособие. – М.: Финансы и статистика, 2003.

9.  , , Беренсон для менеджеров с использованием Microsoft Excel, 4-е изд.: Пер. с англ. – М.: Издательский дом «Вильямс», 2004.

в) Интернет-ресурсы:

1.  http://www. *****;

2.  http://www. ***** – Мониторинг экономических показателей;

3.  http://www. *****. – Деловая пресса;

4.  http://www. ***** – Гарант;

8. Материально-техническое обеспечение дисциплины:

1.1. Аудиторная база для лекций

1.2. Компьютеры

1.3. Проекторы

1.4. Методическое обеспечение дисциплины

1.5. Информационное обеспечение дисциплины

1.6. Схемы, таблицы, диаграммы и формулы, приспособленные для проектора «Киндерман».

1.7. Прикладные программы «Олимп», «Мезозавр», «Statistica».

9. Методические рекомендации по организации изучения дисциплины: Образовательные технологии

При чтении лекций используется объяснительно-иллюстрированный метод с элементами проблемного изложения учебной информации (монологической, диалогической или эвристической). При проведении практических занятий применяются активные и интерактивные методы: разбор конкретных ситуаций (кейсы), решение ситуационных задач, дискуссии.

10. Оценочные средства для текущего контроля успеваемости

1.1.  Тесты текущего контроля (разрабатываются преподавателям по каждой теме).

При проверке адекватности модели получили, что значения коэффициента детерминации и критерия Фишера позволяют говорить об адекватности модели, тогда как по критерию Стьюдента коэффициенты b1 и b2 приходится признать незначимыми. Данный факт свидетельствует о том, что в модели присутствует:

а) автокорреляция;

б) мультиколлинеарность;

в) гетероскедастичность;

г) гомоскедастичность.

2.  Проверка гипотезы Н0: bo = b1 = b2 = 0 позволяет:

а) оценить значимость уравнения регрессии в целом;

б) оценить значимость параметров модели: bo, b1, b2;

в) проверить гипотезу об однородности исходных данных.

3.  При исследовании зависимости балансовой прибыли предприятия торговли (Y, тыс. руб.) от фонда оплаты труда (Х1, тыс. руб.) и объема продаж по безналичному расчету (Х2, тыс. руб.) получена следующая модель:

Y = 5933,100 + 0,916X1 + 0,065X2 + ε.

Значение коэффициента детерминации составляет R2 = 0,814. Какая доля вариации (в %) результативного признака Y объясняется вариацией входящих в модель факторных признаков:

а) 81,4;

б) 0,814;

в) 18,6;

г) 0,816.

4.  Для проверки гипотезы об отсутствии гетероскедастичности в модели множественной регрессии, построенной по 36 наблюдениям, с помощью теста Голдфельда-Квандта были построены регрессионные модели по первым m наблюдениям и последним m наблюдениям. Затем получены значения суммы квадратов остатков этих моделей, рассчитано значение F-критерия Фишера, сопоставлено с табличным значением и сделан соответствующий вывод. Чему равно значение m:

а) 18;

б) 12;

в) 9;

г) 6.

5.  При исследовании зависимости объема потребления продукта А (y) от времени года были введены следующие фиктивные переменные: d1 (1 - если месяц зимний, 0 – в остальных случаях), d2 (1 - если месяц весенний, 0 – в остальных случаях), d3 (1 - если месяц летний, 0 – в остальных случаях) и получено следующее уравнение Y = b0 + b1d1 + b2d2 + b3d3+ ε.

Чему равен среднемесячный объем потребления для осенних месяцев:

а) b0;

б) b0 + b1;

в) b0 + b2;

г) b0 + b3.

6.  Зависимость спроса на масло (Y, количество масла на душу населения, кг) от цены (Х1, руб.) и от величины дохода на душу населения (Х2, тыс. руб.) выражается уравнением:

Y = 0,056 X1-0,858X21,126 ε. При увеличении цены масла на 1% количество масла на душу населения в среднем:

а) увеличится на 0,858%;

б) уменьшится на 0,858%;

в) уменьшится на 1,126%;

г) увеличится на 1,126%.

7.  Временной ряд, вероятностные свойства которого не изменяются во времени, называется:

а) стационарным;

б) однородным;

в) нестационарным;

г) интегрируемым.

8.  Изучается зависимость объема ВВП (Y, млрд. долл.) от уровня прибыли в экономике (Хt, млрд. долл.). Получена следующая модель с распределенным лагом:

Yt = 0,55∙Xt + 0,25∙Xt-1 + 0,14∙Xt-2 + 0,09∙Xt-3 + εt.

Чему равен долгосрочный мультипликатор:

а) 0,55;

б) 0,25;

в) 0,80;

г) 1,03.

9.  Модель спроса-предложения с учетом тренда записывается системой:

а) независимых уравнений;

б) одновременных уравнений;

в) рекурсивных уравнений.

10.  Система одновременных регрессионных уравнений содержит 3 эндогенные и 4 экзогенные переменные. Первое уравнение системы включает 2 эндогенные и 3 экзогенные переменные. Тогда можно утверждать, что:

а) первое уравнение идентифицируемо по необходимому условию;

б) первое уравнение идентифицируемо по достаточному условию;

в) первое уравнение сверхидентифицируемо по необходимому условию;

г) первое уравнение неидентифицируемо по необходимому условию.

1.2.Тесты программированного контроля для промежуточной аттестации.

Мультиколлинеарность – это:

а) зависимость последующих уровней ряда динамики от предыдущих;

б) функциональная или тесная корреляционная зависимость между факторами, включенными в модель множественной регрессии;

в) постоянство дисперсий остатков модели множественной регрессии.

При исследовании зависимости оборота розничной торговли (Y, млрд. руб.) от трех факторов: Х1 - денежные доходы населения, млрд. руб.; Х2 – численность безработных, млн. чел.; Х3 – официальный курс рубля по отношению к доллару США получена следующая модель:

Y = 55,74 + 0,33X1 – 4,98X2 + 2,38X3 + ε.

При увеличении только денежных доходов населения на 1 млрд. руб. оборот розничной торговли в среднем:

а) увеличится на 0,33%;

б) увеличится на 0,33 млрд. руб.;

в) увеличится на 33%;

г) останется неизменным.

Для проверки гипотезы об отсутствии гетероскедастичности в модели множественной регрессии были построены регрессионные модели по первым n/3 наблюдениям и последним n/3 наблюдениям. Затем получены значения суммы квадратов остатков этих моделей, рассчитано значение F-критерия Фишера, сопоставлено с табличным значением и сделан соответствующий вывод. Какой тест применялся для проверки модели на гетероскедастичность:

а) тест Глейзера;

б) тест Голдфельда-Квандта;

в) тест Уайта;

г) тест Дарбина-Уотсона.

Фиктивные переменные используются для:

а) для ранжирования факторов по силе воздействия на результат;

б) включения в регрессионную модель качественных факторов;

в) для моделирования ситуации, когда значение результативного признака в текущий момент времени формируется под воздействием ряда факторов, действовавших в прошлые моменты времени.

Известно, что эффективность производства, описываемого функцией Y = AKαLβ ε, не зависит от масштабов. Тогда с ростом параметра α, параметр β:

а) растет;

б) уменьшается;

в) остается неизменным;

г) невозможно определить.

Модель авторегрессии АР(1) описывается уравнением:

а) yt = b0+ b1yt-1 + εt;

б) yt = b0+ b1yt-1 + b2yt-2 + εt;

в) yt = b0+ b1yt-1 + εt – γ1εt-1;

г) yt = εt – γ1εt-1 – γ2εt-2.

Метод Алмон применяется для оценки параметров модели:

а) авторегрессии порядка p;

б) скользящего среднего порядка q;

в) с распределенным лагом с конечной величиной лага;

г) с распределенным лагом с бесконечной величиной лага.

По данным о динамике оборота розничной торговли (Y, млрд. руб.) и дохода населения (X, млрд. руб.) была получена следующая модель с распределенными лагами:

Yt = 0,46∙Xt + 0,24∙Xt-1 + 0,17∙Xt-2 + 0,14∙Xt-3 + εt.

Чему равен долгосрочный мультипликатор:

а) 0,46;

б) 0,24;

в) 0,70;

г) 1,01.

Структурная форма модели имеет вид:

где: Сt – личное потребление в период t,

St – зарплата в период t,

Pt – прибыль в период t,

Rt – общий доход в период t,

Rt-1 – общий доход в период t-1,

Перечислите предопределенные переменные:

а) Сt, St, Rt;

б) Сt, St, Rt, Rt-1;

в) Rt-1, Pt, t;

г) Pt.

Методом наименьших квадратов оценивают коэффициенты:

а) приведенной формы системы одновременных линейных уравнений;

б) структурной формы системы одновременных линейных уравнений;

в) стандартизованной формы системы одновременных линейных уравнений.

Авторы:

Зав. кафедрой финансов и

статистики РГТЭУ, д. э.н., профессор

Профессор кафедры финансов и

статистики РГТЭУ, к. э.н., доцент

Доцент кафедры финансов и

статистики РГТЭУ