Читать «Как предсказать курс доллара. Эффективные методы прогнозирования с использованием Excel и EViews» онлайн - страница 83

Тем не менее все-таки эту интерпретацию нужно представить, чтобы смысл уравнения (6.9) был для читателя более понятен. Во-первых, рост на одну единицу логарифмического значения курса доллара в текущем месяце в среднем способствовал повышению логарифмического значения курса доллара в прогнозируемом месяце на 0,968 ед. (при исходном уровне логарифмического значения курса доллара, равном 0,105 ед.). Во-вторых, рост на одну единицу отклонения логарифмического значения фактического курса доллара от его прогноза способствовал повышению логарифмического значения курса доллара в прогнозируемом месяце в среднем на 0,254 ед.

6.3. Тестирование модели авторегрессии со скользящей средней на автокорреляцию в остатках и проверка стационарности ее ARMA-структуры

Теперь посмотрим, есть ли автокорреляция в остатках у полученной статистической модели, а потому вновь проведем тестирование с помощью LM-теста Бройша — Годфри. Причем при выполнении теста в диалоговом мини-окне LAG SPECIFICATION (лаговая спецификация) нужно, как и в предыдущем случае, установить 1, поскольку в нашем уравнении авторегрессии со скользящим средним ARMA(1,1) как факторная переменная, так и скользящая средняя имеют один лаг (см. формулу (6.8)).

По результатам проведения этого теста у нас получилась табл. 6.7, данные которой уверенно свидетельствуют об отсутствии автокорреляции в остатках. Такой вывод можно сделать исходя из того, что уровень значимости как основного критерия теста Obs × R-squared (Наблюдения × R²), так и дополнительного — F-statistic (F-критерия) существенно выше 0,05.

Теперь протестируем ARMA-структуру этого уравнения на стационарность, воспользовавшись при этом алгоритмом действий № 13. В результате у нас получится табл. 6.8, свидетельствующая, что ARMA-структура этой статистической модели получилась стационарной, поскольку все обратные корни в этом уравнении лежат внутри единичного круга. Этот вывод можно найти в нижней части этой таблицы.

Далее посмотрим, как стационарная ARM А-структура уравнения log(USDollar) = с + а × log(USDollar(-l)) +nА(1) влияет на надежность полученных с ее помощью прогнозов, поэтому, воспользовавшись алгоритмом действий № 14, протестируем эту статистическую модель на импульсный ответ.

При этом в опции IMPULSE (импульс) мы выбрали вариант по умолчанию — ONE STANDARD DEVIATION (одно стандартное отклонение), т. е. поступили также, как и в главе 4 при анализе импульсного ответа для уравнения USDOLLAR = а × USDOLLAR(-l) + b × USDOLLAR(-2).

В результате получим табл. 6.9, в которой содержится информация, характеризующая специфику импульсного и накопленного импульсного ответа этой ARMA-модели. Поскольку мы выбрали величину импульса в размере одного стандартного отклонения, то EViews в этом случае выдает нам информацию об уровне инновационной неопределенности, полученной после оценки размера стандартной ошибки импульсного ответа. Важным свойством стационарных моделей является то обстоятельство, что у них как уровень инновационной неопределенности, так и величина стандартного отклонения импульсного ответа — по мере увеличения количества тестируемых периодов — стремятся к нулю. Судя по табл. 6.9, уровень инновационной неопределенности и величина ответа на импульс асимптотически у стационарной модели log(USDollar) = с + а × log(USDollar(-l)) + МА(1) действительно стремятся к нулю. При этом в нижней части раздела Response и крайнего правого раздела Std. Err. дается асимптотическая оценка того, что эти параметры равны нулю.