Ekonometria
wiczenia 4 Prognozowanie Andrzej Torój
Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Plan ¢wicze«
1 Prognoza punktowa i przedziaªowa
2 Ocena prognozy ex post
3 Stabilno±¢ i sezonowo±¢
Sezonowo±¢ zadanie Test Chowa
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Plan prezentacji
1 Prognoza punktowa i przedziaªowa
2 Ocena prognozy ex post
3 Stabilno±¢ i sezonowo±¢
Prognoza punktowa, bª¡d prognozy ex ante, przedziaª ufno±ci
Zadanie
Dodatkowo, dla wszystkich okresów prognozy wyznaczymy 90-, 95- i 99-procentowy przedziaª ufno±ci tej prognozy.
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Prognoza punktowa, bª¡d prognozy ex ante, przedziaª ufno±ci
Prognoza punktowa
y t = β 0 + β 1 x 1,t + β 2 x 2,t +ε t ˆ
y t+ 1 = β 0 + β 1 x 1,t+1 + β 2 x 2,t+1
Prognoza punktowa, bª¡d prognozy ex ante, przedziaª ufno±ci
redni bª¡d prognozy ex ante
Prognoza na okres / dla jednostki τ, x τ wektor warto±ci zmiennych obja±niaj¡cych w tym okresie.
S τ P = ˆ σ
q 1 + x T τ ( X T X) − 1 x τ
redni wzgl¦dy bª¡d prognozy ex ante:
v τ = S y
τPτ
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Prognoza punktowa, bª¡d prognozy ex ante, przedziaª ufno±ci
Prognoza przedziaªowa
P
y τ P −t N−(k+ 1);α · S τ P
| {z }
dolna granica prz.ufnosci
< y τ < y τ P +t N−(k+ 1);α · S τ P
| {z }
gorna granica prz.ufnosci
= 1 − α
| {z }
poziom ufnosci
N liczba obserwacji w modelu prognostycznym k + 1 liczba oszacowanych parametrów τ okres prognozy, y
τPprognoza punktowa
1 − α poziom ufno±ci (prawdopodobie«stwo obj¦cia przedziaªem zmiennej y
τ) S
τP±redni bª¡d prognozy ex ante
t
N−(k+1);αkwantyl rz¦du 1 −
α2z rozkªadu t z N − (k + 1) stopniami swobody
Plan prezentacji
1 Prognoza punktowa i przedziaªowa
2 Ocena prognozy ex post
3 Stabilno±¢ i sezonowo±¢
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Bª¦dy prognozy ex post
Zadanie
Bª¦dy prognozy ex post
Ocena prognozy ex post kryteria (1)
Dla okresów τ ∈ {1, ..., T }, które ju» min¦ªy, dysponujemy zarówno prognoz¡ punktow¡ y
τP, jak i realizacj¡ y
τ.
Mean Error (ME) ME =
T1T
P
τ =1
y
τ− y
τPMean Absolute Error (MAE) MAE =
T1T
P
τ =1
y
τ− y
τPRoot Mean Squared Error (RMSE) RMSE = s
1 T
T
P
τ =1
(y
τ− y
τP)
2Mean Absolute Percentage Error (MAPE) MAPE =
T1P
Tτ =1
yτ−yτP yτ
· 100 Root Mean Squared Percentage Error (RMSPE)
RMSPE = s
1 T
T
P
τ =1
yτ−yτP yτ
· 100
2Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Bª¦dy prognozy ex post
Ocena prognozy ex post kryteria (1)
Dla okresów τ ∈ {1, ..., T }, które ju» min¦ªy, dysponujemy zarówno prognoz¡ punktow¡ y
τP, jak i realizacj¡ y
τ.
Mean Error (ME) ME =
T1T
P
τ =1
y
τ− y
τPMean Absolute Error (MAE) MAE =
T1T
P
τ =1
y
τ− y
τPRoot Mean Squared Error (RMSE) RMSE = s
1 T
T
P
τ =1
(y
τ− y
τP)
2Mean Absolute Percentage Error (MAPE) MAPE =
T1P
Tτ =1
yτ−yτP yτ
· 100 Root Mean Squared Percentage Error (RMSPE)
RMSPE = s
1 T
T
P
τ =1
yτ−yτP yτ
· 100
2Bª¦dy prognozy ex post
Ocena prognozy ex post kryteria (1)
Dla okresów τ ∈ {1, ..., T }, które ju» min¦ªy, dysponujemy zarówno prognoz¡ punktow¡ y
τP, jak i realizacj¡ y
τ.
Mean Error (ME) ME =
T1T
P
τ =1
y
τ− y
τPMean Absolute Error (MAE) MAE =
T1T
P
τ =1
y
τ− y
τPRoot Mean Squared Error (RMSE) RMSE = s
1 T
T
P
τ =1
(y
τ− y
τP)
2Mean Absolute Percentage Error (MAPE) MAPE =
T1P
Tτ =1
yτ−yτP yτ
· 100 Root Mean Squared Percentage Error (RMSPE)
RMSPE = s
1 T
T
P
τ =1
yτ−yτP yτ
· 100
2Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Bª¦dy prognozy ex post
Ocena prognozy ex post kryteria (2)
ME: najlepiej blisko zera (wtedy predykcja nieobci¡»ona bez systematycznych bª¦dów w gór¦ / w dóª).
Co to znaczy blisko? Mo»na porówna¢ ME i MAE lub wyznaczy¢ MPE (Mean Percentage Error wzór?).
MAE, RMSE, MAPE, RMSPE: zawsze dodatnie; im ni»ej, tym lepiej.
Interpretacja:
MAE, RMSE: o ile przeci¦tnie mylimy si¦, prognozuj¡c z modelu (w jednostkach pomiaru zmiennej)
MAPE, RMSPE: o ile procent przeci¦tnie mylimy si¦,
prognozuj¡c z modelu (nie zawsze sensowna miara kiedy
nie?)
Bª¦dy prognozy ex post
Bª¦dy prognozy (ex ante i ex post) w Gretlu
Tylko ex ante:
W gªównym oknie: Dane Dodaj obserwacje... (dodajemy w horyzoncie prognozy).
Powy»szy krok pomijamy, je»eli w naszym zbiorze danych mamy ju» te obserwacje, ale nie zostaªy one u»yte do oszacowania modelu (bo byªy puste lub oszacowali±my model na podpróbie, wybieraj¡c j¡ wcze±niej).
Nast¦pnie w oknie modelu: Analiza Prognoza...
Ex ante i ex post:
W zbiorze danych musz¡ by¢ informacje nt. zmiennej obja±niaj¡cej i zmiennych obja±nianych poza zakresem próby.
W praktyce oznacza to, »e przed estymacj¡ modelu zaw¦»amy prób¦ poprzez polecenie w gªównym oknie: Próba Zakres próby, a pó¹niej jak wy»ej (w oknie modelu Analiza Prognoza)
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Plan prezentacji
1 Prognoza punktowa i przedziaªowa
2 Ocena prognozy ex post
3 Stabilno±¢ i sezonowo±¢
Sezonowo±¢ zadanie
Zadanie
Dodatkowo: przeprowad¹ test Chowa w dwóch przypadkach: przeprowadzenia periodyzacji (i pracy na podpróbie) oraz jej braku.
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Test Chowa
Test Chowa
podzielmy prób¦ na 2 podpróby A i B
hipoteza zerowa: w podpróbie A i B parametry s¡ równe
hipoteza alternatywna: dla obu podprób parametry modelu ró»ni¡
si¦
Test Chowa
H 0 : β A = β B , tzn. parametry s¡ równe w obu podpróbach (A i B) H 1 : β A 6= β B , tzn. parametry s¡ ró»ne w obu podpróbach
Statystyka testowa: F = (RRSS−URSS)/(k+ 1)
URSS/[N− 2(k+1)] ma rozkªad F [k + 1, N − 2 (k + 1)], gdzie:
k+1 liczba parametrów w modelu
RRSS suma kwadratów reszt w modelu
URSS suma kwadratów (wszystkich) reszt, gdy parametry s¡
oszacowane osobno w podpróbach
Test Chowa
Test Chowa
podzielmy prób¦ na 2 podpróby A i B
hipoteza zerowa: w podpróbie A i B parametry s¡ równe
hipoteza alternatywna: dla obu podprób parametry modelu ró»ni¡
si¦
Test Chowa
H 0 : β A = β B , tzn. parametry s¡ równe w obu podpróbach (A i B) H 1 : β A 6= β B , tzn. parametry s¡ ró»ne w obu podpróbach
Statystyka testowa: F = (RRSS−URSS)/(k+ 1)
URSS/[N− 2(k+1)] ma rozkªad F [k + 1, N − 2 (k + 1)], gdzie:
k+1 liczba parametrów w modelu
RRSS suma kwadratów reszt w modelu
URSS suma kwadratów (wszystkich) reszt, gdy parametry s¡
oszacowane osobno w podpróbach
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Test Chowa
Test Chowa
podzielmy prób¦ na 2 podpróby A i B
hipoteza zerowa: w podpróbie A i B parametry s¡ równe
hipoteza alternatywna: dla obu podprób parametry modelu ró»ni¡
si¦
Test Chowa
H 0 : β A = β B , tzn. parametry s¡ równe w obu podpróbach (A i B) H 1 : β A 6= β B , tzn. parametry s¡ ró»ne w obu podpróbach
Statystyka testowa: F = (RRSS−URSS)/(k+ 1)
URSS/[N− 2(k+1)] ma rozkªad F [k + 1, N − 2 (k + 1)], gdzie:
k+1 liczba parametrów w modelu
RRSS suma kwadratów reszt w modelu
URSS suma kwadratów (wszystkich) reszt, gdy parametry s¡
oszacowane osobno w podpróbach
Test Chowa
Test Chowa
podzielmy prób¦ na 2 podpróby A i B
hipoteza zerowa: w podpróbie A i B parametry s¡ równe
hipoteza alternatywna: dla obu podprób parametry modelu ró»ni¡
si¦
Test Chowa
H
0: β
A= β
B, tzn. parametry s¡ równe w obu podpróbach (A i B) H
1: β
A6= β
B, tzn. parametry s¡ ró»ne w obu podpróbach
Statystyka testowa: F =
(RRSS−URSS)/(k+1)URSS/[N−2(k+1)]
ma rozkªad F [k + 1, N − 2 (k + 1)], gdzie:
k+1 liczba parametrów w modelu
RRSS suma kwadratów reszt w modelu
URSS suma kwadratów (wszystkich) reszt, gdy parametry s¡
oszacowane osobno w podpróbach
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Test Chowa
Gretl
Test Chowa:
W oknie modelu: Testy Test zmian strukturalnych Chowa Wybieramy obserwacj¦, która rozdzieli prób¦ na dwie podpróby: A i B
Generowanie nowych zmiennych: trendu i sezonowych zmiennych zerojedynkowych
W gªównym oknie: Dodawanie zmiennych time: zmienna czasowa t
...lub Dodawanie zmiennych periodyczne zmienne 0-1 Dodawanie zmiennej w postaci zlogarytmowanej
Nale»y zaznaczy¢ zmienn¡, a potem...
Dodawanie zmiennych Logarytmy dla wybranych zmiennych
Test Chowa
Zadanie E3
Andrzej Torój Instytut Ekonometrii Zakªad Ekonometrii Stosowanej
Test Chowa