prednaska11 em

Information about prednaska11 em

Published on December 9, 2007

Author: dexterka

Source: authorstream.com

Content

Slide1:  Ekonometrické prognózovanie Slide2:  Jedným z hlavných cieľov ekonometrického modelovania je prognózovanie, popr. predikcia, hodnôt vysvetľovaných endogénnych premenných mimo interval kvantifikácie, tj. ak sme model kvantifikovali na základe n pozorovaní (1, 2, ..., n), prognóza sa týka nasledujúcich období tj. n + 1, n + 2, ..., n + p. Ekonometrická prognóza alebo predpoveď je kvantitatívnym odhadom pravdepodobnosti budúcej hodnoty konkrétnej ekonomickej veličiny pomocou minulej aj súčasnej informácie, reprezentovanej odhadnutým modelom. KLASIFIKÁCIA PREDPOVEDÍ Kritérií pre klasifikáciu prognóz existuje celý rad, preto sa zmienime len o tých, ktoré majú v ekonometrii svoje opodstatnenie. Termín predpoveď alebo prognóza sa spravidla používa pre extrapoláciu modelu do budúcnosti, ale predpoveď je možné chápať aj ako extrapoláciu do minulosti (vtedy hovoríme o retrospektivite). Rozlišujeme bodovú predpoveď, spočívajúcu v odhade jednej budúcej hodnoty predikovanej veličiny pre dané obdobie a intervalovú predpoveď, predstavujúcu obdobu intervalu spoľahlivosti, ktorý obsahuje skutočnú hodnotu predikovanej premennej v období predpovede s vopred požadovanou pravdepodobnosťou. Slide3:  Z praktických aj metodologických dôvodov rozlišujeme predpovede: – ex post, – ex ante. Predpoveď ex post vysvetľovanej endogénnej premennej získame vtedy, ak môžeme stanoviť tak hodnoty endogénnych ako aj vysvetľujúcich predeterminovaných premenných v období predpovede s istotou. Porovnaním predpovedí ex post so skutočnou hodnotou predikovanej endogénnej premennej je možné stanoviť vhodnosť ekonometrického modelu k prognózovaniu. Prognóza ex ante vysvetľovanej endogénnej premennej znamená, že v období predpovede nepoznáme ani hodnotu predikovanej veličiny ani niektoré (často všetky) hodnoty vysvetľujúcich predeterminovaných premenných s istotou. Preto sme nútení ich odhadovať alebo stanoviť na základe apriórnych informácií. Predpoveď ex ante je možné označiť za predpoveď v pravom slova zmysle na rozdiel od predpovede ex post, ktorá má charakter pseudopredpovede. V ekonometrickom prognózovaní rozlišujeme predpovede na : – nepodmienené predpovede, – podmienené predpovede. Ak v období predpovede poznáme všetky hodnoty predeterminovaných premenných s istotou, je možné stanoviť nepodmienenú predpoveď. Teda každá prognóza ex post má charakter nepodmienenej predpovede, pričom prognóza ex ante je podmienenou predpoveďou. Slide4:  Rovnako ako pri odhade ekonometrického modelu je možné usudzovať o neznámych skutočných hodnotách parametrov len s určitou pravdepodobnosťou. Podobne to platí aj pre ekonometrické prognózovanie, že na základe odhadnutého modelu nezískame podmienené predpovede vysvetľovaných endogénnych premenných celkom presne, ale s určitou chybou. Odchýlka predpovede od skutočnej hodnoty predikovanej endogénnej premennej v období predpovede predstavuje chybu predpovede. Jej veľkosť a a variabilita sú ovplyvnené predovšetkým týmito faktormi: Stochastickým charakterom modelu, Náhodnou chybou, ktorou sú zaťažené odhadnuté parametre modelu, takže ich hodnoty získané z ktoréhokoľvek výberu pozorovaní sa viac či menej odchyľujú od skutočných hodnôt parametrov, Pri podmienenej predpovedi hodnoty vysvetľujúcich predeterminovaných premenných, získané odhadom alebo extrapoláciou pre obdobie predpovede, tiež obsahujú náhodnú chybu. Chybnou špecifikáciou odhadnutého ekonometrického modelu v období predpovede z dôvodu jeho nestability v čase. V dôsledku pôsobenia vyššie popísaných vplyvov na proces predikcie majú ekonometrické predpovede stochastický charakter. Cieľom je teda získať také prognózy, ktoré zaručujú, že ich chyba má napr. minimálny rozptyl, sú nestranné nevychýlené a pod. Slide5:  Model simultánnych rovníc (MSR) a predpovede Východiskom pri ekonometrickom prognózovaní na základe MSR je redukovaný tvar modelu, lebo v dôsledku existencie spätných väzieb medzi simultánne závislými endogénnymi premennými nie je štrukturálny tvar MSR k predpovediam vhodný. Z metodologického hľadiska je vhodné rozlišovať pre účely predikcie v množine všetkých vysvetľujúcich premenných endogénne premenné časovo oneskorené čím redukovaný tvar modelu je možné zapísať: 1. G x 1 vektor endogénnych premenných G x 1 vektor endogénnych premenných časovo oneskorených o jedno obdobie K x 1 vektor exogénnych premenných G x 1 vektor náhodných zložiek redukovaného modelu G x 1 vektor náhodných zložiek štruktúrneho modelu G x G matica dynamických multiplikátorov G x G matica bežných multiplikátorov 2. Slide6:  Oneskorené endogénne premenné len o jedno obdobie predpokladáme kvôli jednoduchosti. Všeobecne môže byť jeho dĺžka rôzna . Prvý model je neobmedzený redukovaný tvar (1.) a obmedzený redukovaný tvar (2.) sú riešením štrukturálneho tvaru MSR: 3. Po úprave je možné tiež prepísať sústavu do tvaru: 4. Odhady parametrov neobmedzeného redukovaného tvaru (1.) je možné priamo získať použitím MNŠ, kým odhady matíc parametrov obmedzeného redukovaného tvaru modelu (2.) určíme nepriamo z odhadnutých parametrov štruktúrnych rovníc sústavy (3.) napr. DMNŠ a pod. Ak obsahuje štruktúrny tvar MSR lineárne vzťahy, ktoré sú presne identifikované, neexistujú rozdiely v priamych a nepriamych odhadoch parametrov redukovaného tvaru modelu. Ak je MSR preidentifikovaný, dospejeme pri priamom odhade parametrov neobmedzeného redukovaného tvaru k odlišným výsledkom v porovnaní s nepriamymi odhadmi parametrov obmedzeného redukovaného tvaru MSR. Slide7:  Funkcia simultánnych predpovedí a jej chyby Ak chceme stanoviť pomocou odhadnutého redukovaného tvaru MSR krátkodobú predpoveď ex ante hodnôt všetkých simultánne závislých endogénnych premenných modelu v období predpovede T + 1, vyjdeme z funkcie simultánnych predpovedí: je G x 1 vektor podmienených simultánnych predpovedí endogénnych premenných v období T +1 je K x 1 vektor predpokladaných hodnôt exogénnych premenných v období T + 1 priame resp. nepriame odhady matíc parametrov redukovaného tvaru modelu. 5. Slide8:  Prvý výraz na pravej strave rovnice (5.) vyjadruje závislosť vektora simultánnych predpovedí endogénnych premenných na známych hodnotách týchto premenných v predchádzajúcom, tj. bežnom období T. Táto zložka predstavuje systematický vplyv o jedno obdobie oneskorených hodnôt endogénnych premenných na jej hodnoty v období predpovede v dôsledku autoregresných vzťahov. Ako váhy vystupujú odhadnuté dynamické multiplikátory obsiahnuté v matici . Druhý člen vo funkcii (5.) charakterizuje závislosť vektora predpovedí na predpokladaných hodnotách vysvetľujúcich exogénnych premenných modelu v období T + 1. Zložky vektora môžu byť získané rôznymi metódami (extrapoláciou, expertné odhady, metódy exponenciálneho vyhladzovania, Box Jenkinsove modely, alebo pomocou iného ekonometrického modelu a pod.) Váhami v tejto zložke sú odhadnuté bežné multiplikátory predstavované maticou . Slide9:  Kritéria hodnotenia ekonometrických predpovedí K hodnoteniu predpovedí je možné využiť tak parametrické, ako aj neparametrické kritériá. Parametrické kritériá: Overovanie hypotézy o nestrannosti či konzistencii predpovedí Testovanie štruktúrnej stability modelu Testy štatistickej významnosti bodových predpovedí Stanovenie spoľahlivosti intervalových predpovedí Najčastejšie sa využívajú testovacie štatistiky založené na normálnom rozdelení, Studentovom rozdelení alebo F rozdelení. Výhodou parametrických kritérií je, že pre daný koeficient spoľahlivosti umožňujú jednoznačné prijatie či odmietnutie vopred formulovanej hypotézy. Menej vhodné sú však pre porovnávanie dvoch alebo viacerých prognóz, získaných z rôznych ekonometrických modelov. V takých prípadoch je účelné aplikovať neparametrické kritériá. Slide10:  K neparametrickým kritériám kvality predpovedí patria predovšetkým kvantitatívne ukazovatele štatistického a ekonometrického charakteru. Ide najmä o rôzne miery presnosti predpovedí, ukazovatele presnosti generovania bodov zvratu pri predikcii, charakteristiky štruktúry chýb predpovedí, grafické metódy porovnania skutočných a predikovaných hodnôt a pod. Stredná kvadratická chyba ekonometrických predpovedí ex post 6. je predpoveď ex post vysvetľovanej endogénnej premennej skutočná hodnota vysvetľovanej endogénnej premennej h dĺžka horizontu predpovedi Ukazovateľ (6.) je mierou odchýlky postupnosti predikovaných hodnôt endogénnej premennej od skutočnej trajektórie jej hodnôt v priebehu celého horizontu v dĺžke h období. Jeho veľkosť pre rôzne premenné posudzujeme v percentách. Slide11:  Theilov koeficient nesúladu Podobnou charakteristikou presnosti resp. kvality ekonometrickej predpovede ex post, nezávislou na merných jednotkách a použiteľnou i ako kritérium vhodnosti modelu k predikcii a ku generovaniu bodov zvratu je Theilov koeficient nesúladu postupnosti relatívnych zmien predpovedí a skutočných hodnôt vysvetľovanej premennej: 7. h dĺžka horizontu predpovedi je predpoveď ex post vysvetľovanej endogénnej premennej skutočná hodnota endogénnej premennej Hodnota koeficientu 0 znamená, že všetky predpovede ex post sú perfektné, takže čím menší je koeficient nesúladu, tým lepšia je predikčná schopnosť resp. presnosť modelu. Slide12:  Theilovu štatistiku je možné využiť k rozkladu celkového nesúladu na tri zložky, umožňujúce charakterizovať rôzne zdroje či príčiny nepresnosti predpovedi ex post. Čitateľ zlomku pod odmocninou výrazu (7.)tj. stredná kvadratická chyba predpovedi ex post v relatívnom vyjadrení, môžeme za týmto účelom prepísať: 8. pričom Slide13:  Prvá zložka ukazuje, do akej miery je nesúlad medzi predikovanými hodnotami a aktuálnymi hodnotami endogénnych premenných spôsobený systematickou chybou, tj. rozdielom v ich priemeroch. Druhá zložka vyjadruje, aký podiel má na strednej kvadratickej chybe systematický rozdiel medzi štandardnými odchýlkami predikovanej a skutočnej hodnoty vysvetľovanej endogénnej premennej. Tretia zložka reprezentuje nesystematickú náhodnú chybu, spôsobenú nedostatočnou koreláciou predikovanej a skutočnej vysvetľovanej endogénnej premennej. Ak je r = 1, zložka kovariancie chyby predpovede ex post nie je nulová. Túto zložku nie je možné, na rozdiel od prvých dvoch systematických zložiek redukovať, napríklad využitím dodatočnej informácie pri predikcii. Ak vyjadríme všetky tri zložky vo vzťahu k celkovej strednej kvadratickej chybe predpovede, dospejeme tak k relatívnemu (percentuálnemu) nesúladu v tvare: Slide14:  9. Slide15:  Podiel skreslenia U1 by mal byť pre ľubovoľnú hodnotu koeficientu U blízky nule. Relatívne veľký podiel 0,1 až 0,2 znamená, že je nutné model modifikovať s cieľom znížiť systematické skreslenie. Podobne vysoký podiel U2 svedčí o tom, že postupnosť predikovaných zmien sa viac mení ako aktuálne zmeny alebo naopak. Preto je potreba vykonať úpravu modelu, aby bol vhodnejší k predpovedi. Pretože nie je možné sa vyhnúť tretej zložke U3 , je z hľadiska dobrej predikčnej schopnosti a presnosti modelu optimálne, ak: Slide16:  Voľba a optimalizácia hospodárskej politiky Využitie EM pri výbere a optimalizácii vhodných kombinácií a úrovní nástrojov riadenia je základom ekonometrických metód optimalizácie hospodárskej politiky. Voľba a optimalizácia nástrojov hospodárskej politiky je úzko spojená s ekonometrickým prognózovaním a to formou spätnej väzby. Podmienená predpoveď vychádza okrem iného z predpokladaných či navrhovaných rozhodnutí riadiaceho a rozhodujúceho subjektu (vlády, manažmentu firmy, centrálnej banky) a naopak pri stanovení konkrétnej hospodárskej politiky je nutné prihliadať i k anticipácii dopadov očakávaných rozhodnutí alebo ekonomických opatrení. Pri výbere a hodnotení rôznych variantov hospodárskej politiky vychádzame spravidla z dynamického MSR v štrukturálnej forme: 10. Slide17:  G x 1 vektor cieľových endogénnych premenných G x 1 vektor cieľových endogénnych časovo oneskorených premenných K x 1 vektor exogénnych premenných G x 1 vektor náhodných zložiek štruktúrneho modelu m x 1 vektor oneskorených riadiacich exogénnych premenných , matice štruktúrnych parametrov Model je možné zapísať podľa známych pravidiel upraviť na redukovaný tvar 11. Slide18:  Cieľové premenné sú predstavované riadenými endogénnymi premennými ktoré kvantifikujú stanovené ciele, sú priamo spojené s hlavnými sledovanými cieľmi modelovaného ekonomického systému a predstavujú najčastejšie makroekonomické veličiny, ako sú hrubý domáci produkt, národný dôchodok, agregátna spotreba, objem investícií, miera nezamestnanosti, inflácia, saldo obchodnej, resp. platobnej bilancie, atď. Ostatné endogénne premenné vysvetľované modelom, ktoré nie sú pri voľbe stratégie riadenia predmetom záujmu riadiaceho subjektu, lebo i keď ich hodnoty môžu ovplyvňovať niektoré cieľové premenné, sú z hľadiska určenia hospodárskej politiky nepodstatné. Riadiace premenné sú reprezentované exogénnymi premennými, ktorých hodnoty riadiaci subjekt ovplyvňuje, takže hrajú úlohu nástrojov hospodárskej politiky. Slúžia k realizácii zámerov makroekonomickej regulácie, predstavujú nástroje fiškálnej politiky (vládne výdavky, daň z príjmov FO a PO, nepriame dane, atď.) monetárnej politiky (výška povinných minimálnych rezerv, diskontné sadzby, repo sadzba, atď.) a ostatné ekonomické nástroje (min. výška mzdy, exportné a impotné kvóty a pod.). Autonómne premenné sú zostávajúce exogénne a rôzne endogénne časovo oneskorené premenné, ktoré nie sú pod kontrolou riadiaceho subjektu a majú charakter vstupných dát. Slide19:  Na využití štruktúrneho (10.) a redukovaného (11.) tvaru MSR sú založené najčastejšie používané postupy, vhodné pre výber a optimalizáciu nástrojov hospodárskej politiky. Patrí k nim : Metóda cieľových premenných, Princíp optimálneho riadenia a simulačné postupy.

Related presentations


Other presentations created by dexterka

prednaska7 stat
30. 11. 2007
0 views

prednaska7 stat

prednaska8 stat
30. 11. 2007
0 views

prednaska8 stat

PhD entrance exam
16. 08. 2007
0 views

PhD entrance exam

prednaska10 em
16. 12. 2007
0 views

prednaska10 em

prednaska7 em
16. 12. 2007
0 views

prednaska7 em

prednaska9 stat
17. 12. 2007
0 views

prednaska9 stat

em prednaska1 LS
20. 02. 2008
0 views

em prednaska1 LS

em prednaska2 LS
20. 02. 2008
0 views

em prednaska2 LS

em prednaska3 LS
21. 02. 2008
0 views

em prednaska3 LS

em prednaska1 LS2
21. 02. 2008
0 views

em prednaska1 LS2

prednaska3 stat
30. 09. 2007
0 views

prednaska3 stat

prednaska2 em
25. 09. 2007
0 views

prednaska2 em

prednaska1 em
25. 09. 2007
0 views

prednaska1 em

prednaska2 stat
25. 09. 2007
0 views

prednaska2 stat

Prednaska1 stat
25. 09. 2007
0 views

Prednaska1 stat

prednaska3 em
30. 09. 2007
0 views

prednaska3 em