第8章 单方程回归模型预测.pptVIP

第2部分 单方程回归模型第5章 回归模型的应用第6章 序列相关和异方差性 第7章 工具变量法和模型的确认 第8章 单方程回归模型预测第9章 单方程估计:高级问题 第8章 单方程回归模型预测 建立单方程回归模型的主要目的是预测.预测是关于未来事件可能性的数值估计. 点预测:对每一个预测时段给出一个预测值. 区间预测:给出实际值所在的一个区间. 预测的用途:公共政策和方针的制定;指导建模及对模型的修正. 事后模拟和事前预测:用已知数据进行检验和评价预测模型;在模型估计区间以外对因变量进行估计.见图8-1 有条件预测和无条件预测:预测公式中所有解释变量的值都是完全已知的,事后模拟当然是无条件的.有条件预测解释变量的值是未知的,必须预测解释变量. 适当的统计检验法评价预测误差:最小方差的预测为最优;最小平均误差平方和预测. 预测误差的四个来源:1)随机本性;2)参数为随机变量;3)有条件预测时,预测区间上对解释变量的预测也会造成误差;4)确认的模型没有精确地反映”真实”的模型. 第8章 单方程回归模型预测 8.1 无条件预测 8.2 误差项序列相关情形下的预测 8.3 有条件预测 8.1 无条件预测 无条件预测是解释变量在整个预测区间上必须全部已知. 8.1.1 预测误差 8.1.2 预测的评价 8.1.1 预测误差(1) 预测误差的定义: 预测误差的性质:1)期望值为0;2)预测误差的方差是最小的. 由于预测误差服从 ,我们用标准化: 预测区间为: 如果实际值落在95%的置信区间内,模型是符合要求的;落在置信区间以外,则是模型需要修正的证据. 关于作为评价模型可靠性的方法与古典的统计量不同:有很显著的t统计量和可决系数的单方程回归模型,不能很好的预测(预测区间内发生了结构变化).而回归参数不显著的方程,可能有好的预测. 8.1.1 预测误差(2) 的最佳预测为: 1.用普通最小二乘法估计公式(8-3) 2.预测误差为: 从上式可以看出误差来源为:1)误差项 的存在;2)估计回归参数的随机本质. 我们能够误差项的方差为 从上式可以看出,预测误差受估计的样本容量 以及X的方差和 之间的距离的影响. 8.1.1 预测误差(3) 当 已知时,可以计算 ,然后由: 当 未知时,用 其中有 所以: 进而得到: 置信区间为 以上讨论也适用与多元回归. 8.1.2 预测的评价 可以用预测误差方差以及相关的95%的置信区间作为预测精度的度量. 用解释变量的实际值关于时间对模型求解的方法对模型进行模拟.在数据所在的区域内,将预测序列与实际序列进行比较. 平均预测误差平方和的平方根(rms error) rms error定义为 rms error是模拟变量与它的时间线路离差的度量． 8.1.2 预测的评价 Theil不相等系数，定义： 当Ｕ＝０，为完全拟合；Ｕ＝１模型预测能力最差． 我们可以将平均预测误差平方和分解为三部分，然后计算不相等比例： 偏误比例,方差比例,协方差比例. 其中偏误比例表示系统误差,它度量了模拟序列与实际序列之间的偏离程度.希望偏误比例接近于0,过大意味着存在系统误差,需要对模型进行修正. 方差比例表示模型中的变量重复其实际变化程度的能力.大,意味着实际序列的波动很大,而模拟序列的波动很小;或反之. 协方差比例度量的是非系统误差. 理想的不相等比例分布是偏误比例和方差比例为0,协方差比例等于1. 例8.1 学生平均分数预测 例8.2 利率预测 8.2 误差项序列相关情形下的预测 考虑误差项服从一阶序列相关的一元回归模型: 假设回归参数 都是已知的.预测值为: 因此有: 如果要预测更远的未来,序列相关所提供的信息就变得越来越不那么有用了. 把模型写为广义差分形式: 那么预测值为: 假设回归参数 都是已知的情况下,预测误差服从正态分布. 实际情况下, 都是未知的.但是可以用第6章中的任何估计方法对他们进行估计.为了得到最优预测,只要利用广义差分形式估计即可.预测为: 例8.3 利率预测 例8.4 烟煤需求量预测 8.3 有条件预测 我们前面的讨论全部假设解释变量是已知的.但在事前预测的情况下,有些解释变量可能需要预测其未来值.那么,X值的随机性质,使得当X值本身也需要预测时,预测误差95%的置信区间的宽度会增大. 一般情况下,很难获得一般预测误差的公式. 8.3 有条件预测 预测误差方差的公式为： 作业 * *