Читать «Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews» онлайн - страница 38

Фактически в буквенной форме формула (4.1) приобретет следующий вид:

USDOLLAR = а × USDOLLAR(-l) + b × USDOLLAR(-2). (4.2)

Причем, введя спецификацию (4.1) в EViews, мы тем самым даем программе задание оценить коэффициенты а и b из формулы (4.2). В результате EViews выдает итоги, которые заносятся в табл. 4.1. На основе данных этой таблицы мы получаем уравнение авторегрессии 2-го порядка AR(2) без константы со следующими параметрами:

USDOLLAR = 1,321092 × USDOLLAR(-l) — 0,319415 × USDOLLAR(-2), (4.3)

где USDollar — зависимая переменная, курс доллара США;

USDollar(-l) — независимая переменная, курс доллара США с лагом в один месяц;

USDollar(-2) — независимая переменная, курс доллара США с лагом в два месяца.

Экономическая интерпретация этого уравнения авторегрессии 2-го порядка следующая: во-первых, в период с июня 1992 г. по апрель 2010 г. рост на 1 руб. курса доллара в текущем месяце приводил к повышению прогнозируемого курса доллара в будущем месяце в среднем на 1,3210 руб.; во-вторых, одновременно с этим рост курса доллара в прошлом месяце приводил к снижению прогнозируемого курса доллара в будущем месяце в среднем на 0,3194 руб.

Судя по табл. 4.1, все коэффициенты в этом уравнении имеют Р-значения (Prob.) = 0, а следовательно, можно сделать вывод, что они значимы с 99 %-ным уровнем надежности. Вполне очевидно, этого нам удалось добиться благодаря тому, что мы убрали из уравнения авторегрессии свободный член. Но как этот факт повлиял в целом на прогностические качества этой статистической модели?

Если посмотреть на коэффициент детерминации R² (R-squared), то видно, что после удаления константы он уменьшился весьма незначительно: с 99,53 % (0,9953) до 99,52 % (0,9952), или на 0,01 процентного пункта. Еще меньше снизился скорректированный коэффициент детерминации R² (Adjusted R-squared). Вместе с тем в уравнении авторегрессии без свободного члена незначительно снизился логарифм максимального правдоподобия (его более высокое значение, как правило, свидетельствует о более высоком качестве прогноза) и одновременно с этим незначительно повысилась величина информационного критерия Акаика (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза). Однако плюсом для уравнения без константы стал тот факт, что информационный критерий Шварца, который сильнее «штрафует» включение в уравнение регрессии дополнительных факторов, у него оказался ниже (его более низкое значение, как правило, свидетельствует о более высоком качестве прогноза).

4.2. Оценка точности прогностической модели, проверка остатков на автокорреляцию и стационарность

Далее проверим уравнение AR(2) без константы на наличие автокорреляции в остатках с помощью LM-теста Бройша — Годфри, используя при этом алгоритм действий № 7. При этом в мини-окне LAG SPECIFICATION зададим величину лага, равную 2, поскольку мы тестируем уравнение авторегрессии 2-го порядка. Полученные результаты занесем в табл. 4.2. Поскольку значимость (Probability) главного критерия этого теста «Наблюдения × R²»(Obs × R-squared) равна 0,1069, то, следовательно, нулевая гипотеза об отсутствии автокорреляции в остатках не может быть отклонена с 95 %-ным уровнем надежности (а точнее сказать, с 89,31 %-ным уровнем надежности). Если сравнить последнюю цифру с аналогичными данными табл. 3.4, то об отсутствии автокорреляции в остатках в последнем случае можно говорить с большей уверенностью.