Чтобы нашему читателю было легче понять содержащиеся в табл. 3.3 англоязычные термины, они даются вместе с параллельным переводом в скобках. Если сравнить табл. 3.3 с выводом итогов, полученным после решения этого же уравнения авторегрессии в Excel (см. табл. 3.2), то можно прийти к выводу о тождественности большей части информации, имеющейся в обеих таблицах. Следует также заметить, что как в программе Excel, так и в EViews мы смогли получить коэффициенты уравнения регрессии с одинаковым уровнем точности.
3.6. Интерпретация параметров уравнения авторегрессии в EViews
Какой статистический смысл имеют те или иные параметры уравнения регрессии при выводе итогов в Excel, уже говорилось в главе 1 книги. Однако при выводе итогов в EViews мы получаем новую информацию о других важных параметрах уравнения регрессии, которых нет при выводе итогов в Excel. Чтобы обратить внимание читателя на эти дополнительные параметры, мы выделили их жирным шрифтом в табл. 3.3. Познакомимся со статистическим смыслом этих еще не изученных нами дополнительных параметров уравнения регрессии.
1. В таблице 3.3 среди пока неизвестных нам параметров уравнения регрессии можно назвать такой важный показатель, как LOG LIKELIHOOD (ЛОГАРИФМ МАКСИМАЛЬНОГО ПРАВДОПОДОБИЯ), который используется в качестве критерия для отбора наиболее адекватных уравнений регрессии. Чем выше логарифм максимального правдоподобия, тем более адекватным считается уравнение регрессии. При этом логарифм максимального правдоподобия находится по следующей формуле:
где Т — количество наблюдений;
е — отклонение (остатки) прогноза от фактического курса доллара;
π — число пи, равное 3,141593…
В нашем случае логарифм максимального правдоподобия имеет следующее значение:
2. Следующим еще не изученным нами параметром уравнения регрессии является DURBIN-WATSON STAT (КРИТЕРИЙ ДАРЬИНА — УОТСОНА), который является тестом на наличие автокорреляции в остатках. Как мы уже говорили, при наличии автокорреляции в остатках оценки коэффициентов уравнения регрессии нельзя назвать состоятельными и эффективными. При этом критерий Дарбина — Уотсона находится следующим образом:
где п — количество наблюдений;
еt — отклонение (остатки) прогноза от фактического курса доллара;
еt−1 — отклонение (остатки) прогноза от фактического курса доллара с лагом в один месяц.
В нашем случае критерий Дарбина — Уотсона имеет следующее значение:
Правда, критерий Дарбина — Уотсона нельзя использовать для тестирования уравнений авторегресии на наличие автокорреляции в остатках, поскольку в этом случае он теряет свою мощность. Это объясняется тем, что применение критерия Дарбина — Уотсона предполагает строгое соблюдение предпосылки о разделении переменных на зависимую (результативную) и независимую (факторную) переменную. В уравнениях авторегрессии, как известно, в правой части уравнения имеются лаговые значения результативной переменной, а следовательно, указанная предпосылка не соблюдается. В этом случае фактическое значение критерия Дарбина — Уотсона приблизительно равно 2 как при наличии, так и при отсутствии автокорреляции в остатках. Тем не менее в обычных уравнениях регрессии этот критерий весьма полезен для тестирования остатков на наличие автокорреляции.
3. Следующий параметр уравнения регрессии, на наш взгляд, не представляет каких-либо трудностей для его понимания — MEAN DEPENDENT VAR (СРЕДНЕЕ ЗНАЧЕНИЕ ЗАВИСИМОЙ ПЕРЕМЕННОЙ). При этом среднее значение зависимой переменной рассчитывается по довольно простой формуле
где п — количество наблюдений;
Yt — зависимая переменная, ежемесячный курс доллара.
В нашем случае среднее значение (вернее сказать, среднее хронологическое, поскольку мы берем период за 213 месяцев) зависимой переменной будет равно
4. Еще один показатель, характеризующий зависимую переменную данного уравнения регрессии — S.D. DEPENDENT VAR (СТАНДАРТНОЕ ОТКЛОНЕНИЕ ЗАВИСИМОЙ ПЕРЕМЕННОЙ). При этом стандартное отклонение зависимой переменной находится следующим образом:
В нашем случае стандартное отклонение зависимой переменной вычисляется достаточно легко:
5. Важными параметрами уравнения регрессии являются два информационных критерия — AKAIKE INFO CRITERION (ИНФОРМАЦИОННЫЙ КРИТЕРИЙ АКАИКА) и SCHWARZ CRITERION (КРИТЕРИЙ ШВАРЦА). Оба этих информационных критерия можно использовать в качестве критериев для определения в уравнении регрессии оптимальной длины лага. При этом они основаны на принципе снижения остаточной суммы квадратов при добавлении значимого фактора. Так, информационный критерий Акаика находится по следующей формуле:
AIC = -2LL: T + 2k: T, (3/20)
где LL — логарифм максимального правдоподобия;
T — количество наблюдений;
k — общее количество лагов в уравнении авторегрессии.
В нашем случае информационный критерий Акаика равен
AIC = -2×256,1815: 213 × 2 × 3: 213 =2,4336.
В свою очередь информационный критерий Шварца рассчитывается по формуле
SC = -2LL: T + (klnT):T. (3.21)
Относительно нашего уравнения регрессии информационный критерий Шварца имеет следующее значение:
SC = -2 × 256,1815: 213 + (3ln213):213 =2,4809.
Обычно оцениваемая статистическая модель лучше соответствует фактическим данным при более высоком порядке р и q в модели ARMA(/? q). Платой за это кажущееся повышение точности является вполне очевидная потеря в простоте статистической модели и в экономии включенных в него параметров, поэтому для достижения компромисса между точностью уравнения регрессии и экономией его параметров пользуются информационными критериями Акаика и Шварца.
При выборе из двух уравнений регрессии обычно предпочтение отдается той статистической модели, у которой меньше значения этих информационных критериев. Следует также заметить, что информационный критерий Шварца по сравнению с критерием Акаика позволяет отбирать уравнения регрессии с более экономичными параметрами.
Как мы уже говорили, в уравнениях авторегрессии при тестировании остатков на наличие автокорреляции критерий Дарбина — Уотсона теряет свою мощность, и в этих случаях приходится пользоваться иными критериями. Например, тем, кто работает в Excel, с этой целью проще воспользоваться критерием h Дарбина, или, как его еще называют, h-статистикой Дарбина. Его расчет выполняется по следующей формуле:
