Здесь можно найти учебные материалы, которые помогут вам в написании курсовых работ, дипломов, контрольных работ и рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение оригинальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение оригинальности любого файла в формате MS Word. После такого повышения оригинальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, РУКОНТЕКСТ, etxt.ru. Программа «StudentHelp» работает по уникальной технологии так, что на внешний вид, файл с повышенной оригинальностью не отличается от исходного.

Результат поиска


Наименование:


курсовая работа Эконометрическое исследование мирового рынка нефти

Информация:

Тип работы: курсовая работа. Добавлен: 18.05.13. Год: 2012. Страниц: 14. Уникальность по antiplagiat.ru: < 30%

Описание (план):


 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

КУРСОВАЯ  РАБОТА

  по  дисциплине: «Методы социально-экономического прогнозирования»

  на  тему: «Эконометрическое исследование мирового рынка нефти». 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

КАЗАНЬ 2010

   Содержание

   Введение……………………………………………………………3

   Глава 1. Полное изучение заданного временного ряда……………………………………………………………………..4

      1. Автокорреляционная функция и коррелограмма……………………………………..4-6
      2. Моделирование тенденции временного ряда…………………………………………………6-7
      3. Анализ на наличие циклических колебаний и их моделирование.............................................................7-8
      4. Применение фиктивных переменных для моделирования сезонных колебаний…………………………………………8-10

   Глава 2. Изучение взаимосвязи  временных рядов…………………………………………………………………..11

            2.1. Метод отклонения  от тренда………………………………………………………………11-12

            2.2.  Метод последовательных  разностей…………….…………………………………………….12-13

    1. Включение в модель регрессии фактора времени

            ………….………………………………………………….13

   Глава 3. Изучение взаимосвязи 3-х  заданных временных  рядов с эндогенной переменной…………………………………………………………...14

    Глава 4. Прогноз по всем 3-м  исследованиям на 2008-2010 годы………………………………………………………………...15

    Глава 5. Выводы и экономическая  интерпретация полученных результатов ………………………………………………………………………16 
     
     
     
     
     
     
     
     

Введение

     Использование современных статистических пакетов прикладных программ превратило статистическую обработку данных в увлекательное исследование, что позволило сделать доступными и наглядными современные методы и подходы статистического прогнозирования. Статистические методы прогнозирования опираются на анализ временных рядов.

     Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов (периодов) времени. Каждый уровень временного ряда формируется под воздействием большого числа факторов, которые условно можно подразделить на три группы:

     – факторы, формирующие тенденцию  ряда;

     – факторы, формирующие циклические  колебания ряда;

     – случайные факторы.

     Некоторые временные ряды не содержат тенденции  и циклическую компоненту, а каждый следующий их уровень образуется как сумма среднего уровня ряда и некоторой (положительной или отрицательной) случайной компоненты.

      Под прогнозом понимается научно обоснованное описание возможных состояний объектов в будущем, а также альтернативных путей и сроков достижения этого состояния. Процесс разработки прогнозов называется прогнозированием.

      Выделяют  несколько видов прогнозов, а  значит, и присущих им методов, в  зависимости от периода упреждения:

    • оперативные,
    • текущие,
    • краткосрочные,
    • среднесрочные,
    • долгосрочные.

     Целью данной курсовой работы является исследование состояния мирового рынка нефти.

Глава 1. Полное изучение заданного  временного ряда

     Имеются данные по четырем показателям, характеризующим  состояние мирового рынка нефти  и мировой экономики. Все данные представляют собой временные ряды за 23 года по кварталам. Всего взято 92 наблюдения по каждому временному ряду с 1 квартала 1978 года по 4 квартал 2000 года включительно.

     Имеющиеся переменные можно разбить на следующие  группы:

     Экзогенные  переменные:

х6 – поставки нефти на переработку в страны ЕЭС (млн. т.),

х9 – коммерческие запасы нефти в странах Западной Европы (млн. т.),

х15 – общий индекс экспортных цен ООН на минеральное сырье (1985 г = 100)

     Эндогенная  переменная:

у2 – добыча нефти в странах ОПЕК (млн. т.) 

     1.1. Автокорреляционная функция и коррелограмма.

     При наличии тенденции и циклических  колебаний значения каждого последующего уровня ряда зависят от предыдущих значений. Корреляционную зависимость  между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.

     Количественно ее можно измерить с помощью линейного  коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько  шагов по времени.

     Необходимо  получить автокорреляционную функцию  по переменной   х6   и построить коррелограмму с лагом 20 (в целях обеспечения статистической достоверности целесообразно для коэффициентов автокорреляции использовать правило «максимальный лаг должен быть не больше n/4»).

     Результаты  расчетов можно привести в виде таблиц: 
 
 
 

     Таблица 1

     
Лаг Автокорреляционная  функция
  1 0,948536044
2 0,904877238
3 0,912785886
4 0,910561426
5 0,859133031
6 0,820855414
7 0,823784568
8 0,827716132
9 0,782603245
10 0,731846195
11 0,725133956
12 0,719999073
13 0,66966717
14 0,624064864
15 0,626822101
16 0,62584243
17 0,55680701
18 0,514537601
19 0,52038957
20 0,503163008

 
 
 
 
 
 
 
 
 
 
 
 
     
лаг по уровням  ряда по логарифмам уровней ряда
1 0,94854 0,94291
2 0,90488 0,89788
3 0,91279 0,90568

     Таблица 2  

     Высокие значения коэффициентов автокорреляции первого, второго и третьего порядков свидетельствуют о том, что ряд содержит тенденцию, а также о высокой зависимости фактора от значений в предыдущие моменты времени. Приблизительно равные значения коэффициентов автокорреляции по уровням ряда и по логарифмам уровней позволяют сделать следующий вывод: если ряд содержит нелинейную тенденцию, то она выражена в неявной форме. Качественный анализ позволяет полагать, что моделирование тенденции данного ряда целесообразно осуществлять с помощью линейной модели. На рисунке приведена полученная по данным примера коррелограмма: 
 
 
 
 

       
 
 
 
 
 
 
 
 
 
 
 

Рисунок 1

1. 2. Моделирование тенденции временного ряда

     Одним из наиболее распространенных способов моделирования тенденции временного ряда является построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренд. Этот способ называют аналитическим выравниванием временного ряда.

     Поскольку зависимость от времени может  принимать разные формы, для ее формализации можно использовать различные виды функций. Чаще всего применяются следующие функции:

     – линейный тренд;

     – гипербола;

     – экспоненциальный тренд;

     – тренд в форме степенной функции;

     – парабола второго и более высоких  порядков.

     Тип тенденции можно определить путем  сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов.

     По  результатам, приведенным в таблице 1, мы видим, что коэффициенты автокорреляции, рассчитанные по исходному ряду и  по логарифмам, различаются не столь  значительно. Но следует отметить, что коэффициенты по исходному ряду все  же выше, следовательно, ряд имеет линейную тенденцию.

          Моделирование тенденции временного ряда целесообразно осуществлять с использованием линейной модели, поскольку зависимость переменной от времени не может быть описана монотонными функциями в связи с наличием ярко выраженного минимума на графике; парабола также неприменима, поскольку она исказит последующее изменение фактора (прогнозируемые далее значения будут иметь тенденцию к убыванию, хотя, если проанализировать сложившуюся ситуацию в экономике, поставка нефти на переработку в страны ЕЭС вероятнее всего будут расти в краткосрочной перспективе). Данное моделирование будет осуществлено с помощью кусочно-линейной модели.

Рисунок 2

1.3 Анализ на наличие циклических колебаний и их моделирование

      Временной ряд поставки нефти на переработку  в страны ЕЭС  содержит только тенденцию  и случайную компоненту, так как  коэффициенты автокорреляции 1,2,3 и 4-ого  уровней высокие и наивысшее значение автокорреляции характерно для 1 лага (r=0,94854). А это свидетельствует об отсутствии сезонных (циклических) колебаний.

1.4 Анализ на наличие структурных изменений и их моделирование.

 

           Момент (период) времени  t* сопровождается значительными изменениями ряда факторов, оказывающих сильное воздействие на изучаемый показатель yt. Если это влияние значимо, то для моделирования тенденции данного временного ряда следует использовать кусочно-линейные модели регрессии, т. е. разделить исходную совокупность на две подсовокупности (до момента времени t* и после момента t*) и построить отдельно по каждой подсовокупности уравнения линейной регрессии. Если структурные изменения незначительно повлияли на характер тенденции ряда yt, то ее можно описать с помощью единого для всей совокупности данных уравнения тренда.

  После графического анализа временного ряда напрашивается вывод, что для данного ряда характерны структурные изменения (в момент времени t=24 происходит, на мой взгляд, резкая смена тенденции к возрастанию), проверим данную гипотезу с помощью метода Чоу. 

Полученные  прямые изображены на рисунке 3:

Рисунок 3  
 
 
 
 

      Статистические  параметры полученных уравнений  регрессии представлены в таблице:                                                                                           

Таблица 3.

Метод Чоу
Параметр 1 2 3
Свободный член (а) 144,5920362 89,03519647 109,5849183
Коэффициент регрессии (b) -1,799669565 0,926020351 0,605782262
Число наблюдений (n) 24 69 92
Остаточная  сумма (Сост) 60,77177026 37,11813539 153,5864519
Число степеней свободы 22 67 90
Коэффициент детерминации (R2) 0,735859013 0,904191206 0,632695561
k 2    
Fфакт 25,03473693    
Fтабл(2 и 16) 3,100068639    

 

      Фактическое значение F-критерия по следующим дисперсиям на одну степень свободы вариации равно: 

     Fтабл.= 3.1

      Так как Fфакт > Fтабл, то гипотеза о структурной  стабильности тенденции отклоняется, а влияние структурных изменений  на динамику изучаемого показателя признаем значимым. В этом случае моделирование тенденции временного ряда следует осуществлять с помощью кусочно-линейной модели.  Проанализировав адекватность регрессионных уравнений по двум временным интервалам, можно сделать следующий вывод: коэффициент детерминации в первом случае не настолько высок, чтобы полагать уравнение, точно описывающим данные на первом интервале времени,  на втором интервале времени - на 90,4% адекватно уравнение описывает динамику ряда, коэффициент значительнее, но можно достичь лучших результатов, если включить в блок независимых переменных лаговую переменную (до 4 уровня включительно, т.е. где коэффициент автокорреляции больше 0,90).

     Продолжим анализ с учетом последних выводов  и включим дополнительно фиктивную  переменную Z. Один из статистических методов тестирования для характеристики тенденции изучаемого временного ряда был предложен американским экономистом Д.Гуйарати. Этот метод основан на включении в модель регрессии фиктивной переменной Zt, которая принимает значение 1 для всех t < t*, принадлежащие промежутку времени до изменения характера тенденции, далее – промежутку (1), и значения 0 для всех t > t*, принадлежащие промежутку времени после изменения характера тенденции, далее – промежутку (2). Д.Гуйарати предлагает определять параметры следующего уравнения регрессии:

     

      Для начала определимся со значимыми  лаговыми переменными, для этого  построим регрессию вида y=a0+a1*x_1+a2*x_2+a3*x_3+a4*x_4+a4*t. Проанализируем значимость коэффициентов. Tтабл= 2,44. t для переменной х_4 (то есть с лагом 4) практически равна 0, следовательно ее можно не включать в общее уравнение регрессии. Таким образом имеем след. уравнение регрессии: y=a0+a1*x_1+a2*x_3+a4*t+а5*z+a6*zt. Все коэффициенты значимы. Коэффициент детерминации достаточно высок (0,9436). Поэтому данное уравнение наиболее адекватно описывает временной ряд, нежели предыдущие, его также можно использовать для прогнозирования в краткосрочном преиоде.

     Для выяснения, значимо ли повлияли общие  структурные изменения на характер этой тенденции, использованы тест Чоу и метод Гуйарати. 
 
 
 
 
 
 
 
 
 
 
 
 

Глава 2. Изучение взаимосвязи временных рядов.

      Известно, что каждый уровень временного ряда содержит три основные компоненты: тенденцию, циклические (или сезонные) колебания и случайную компоненту. На предварительном этапе анализа необходимо выявить структуры изучаемых временных рядов. Если временные ряды содержат сезонные (циклические) колебания, то перед проведением дальнейшего исследования взаимосвязи необходимо устранить сезонную, (циклическую) компоненту из уровней каждого ряда, поскольку ее наличие приведет к завышению истинных показателей силы и тесноты связи изучаемых временных рядов в случае, если оба ряда содержат циклические колебания одинаковой периодичности, либо к занижению этих показателей в случае, если сезонные  (циклические) колебания содержат только один из рядов или если периодичность колебаний в рассматриваемых временных рядах различна.

     В нашем случае необходимо изучить  зависимость временных рядов  х6 и у2.

      В нашем случае необходимо изучить  зависимость временных рядов  х23 и у3. Как нам показывают коррелограммы по обоим временным рядам, они не содержат циклических колебаний, следовательно,мы переходим на следующий этап анализа.

      Для количественной характеристики зависимости этих двух показателей  используется линейный коэффициент корреляции:

      

      По  этому показателю можно сказать, что ряды не имеют ярко выраженной тенденции или зависимости от времени.

2.1. Метод отклонения  от тренда.

      При изучении взаимосвязей между временными рядами требуется определить коэффициенты корреляции, характеризующие причинно-следственную связь между изучаемыми рядами. А для того чтобы получить данные коэффициенты, следует избавиться от так называемой ложной корреляции, вызванной наличием тенденции в каждом ряде. Обычно это осуществляют с помощью одного из методов исключения тенденции.

     По  исходным данным не наблюдается абсолютное наличие тесной и прямой связи  между факторами, однако коэффициент  не столь мал (0,74), чтобы полностью отвергать теорию о взаимосвязи. Для того чтобы удостовериться в том или ином, применим метод отклонений от тренда, исключим тенеденцию из обоих рядов данных. Автокорреляция первого порядка по остаткам совсем незначительны, это говорит о том, что мы можем использовать остатки для анализа взаимосвязи исходных рядов. Коэффициент корреляции остатков = 0,33. Что подтверждает предпосылку отсутствия тесной и прямой связи между факторами y2 и x6.  А также очень низкий коэффициент Дарбина Уотсона = 0,198 подтверждает наличие автокорреляции в остатках и невключение в модель других наиболее значимых переменных (вполне вероятно что это и есть исключенный фактор времени). 

2.2.  Метод последовательных  разностей

      В случае если ряд имеет ярко выраженную линейную тенденцию, ее можно устранить путем замены исходных уровней ряда цепными абсолютными приростами (первыми разностями).

      Проанализируем  зависимость между рядами x и y, используя сначала первые разности:

      r1(?x)=-0,07        

      r1(?y)=0,012

        Поскольку полученные ряды не содержат автокорреляции, мы можем использовать их вместо исходных данных для измерения зависимости между ними. Коэффициент корреляции рядов первых разностей составляет r(?х,?y)=0,35.

      Аналогичный вывод: подтверждается отсутствие тесной и прямой связи между исходными факторами. Коэффициент корелляции по первым разностям = 0,35. 

    1. Включение в модель регрессии  фактора времени

     Модель  вида   y(t) = b0 + b1 x(t) + b2 t + e(t) относится к группе моделей, включающих фактор времени.

     Для  нахождения коэффициентов уравнения воспользуемся процедурой Регрессия из Анализа данных:

    "y(t)"=-183,051919411-1,55651606231*t+1,527431730987*   *"x_7"+2,452933375207*"x"

     R?=0,803;

     Fрасч=182,14

       Полученные  результаты говорят о том, что  данное уравнение более адекватно описывает зависимость х и у, следовательно, его можно использовать для прогнозирования. Исходные и расчетные значения приводятся в виде графика: 
 
 
 
 
 
 
 
 

     Рисунок 4 
 
 
 
 
 
 
 
 

      Глава 3. Изучение взаимосвязи 3-х  заданных временных  рядов с эндогенной переменной.

    Для выявления зависимости эндогенной переменной у2 от трех заданных рядов x6, x9 и x15, воспользуемся множественной линейной и множественной нелинейной регрессией.

    Для того чтобы включить в уравнение  множественной регрессии те или  иные факторы, они не должны быть коррелированны между собой и тем более находиться в точной функциональной связи. Можем говорить о коллениарности факторов, если коэффициент корреляции больше 0,7.

      Включение дополнительных факторов (х9 и х15) не сыграло большой  роли в построении уравнения. Причина в том что х9 вообще слабо коррелирует с эндогенной переменной, т.к. коэффициент кросс корреляции на 8 лаге составляет всего 0,35 примерно. Соответственно нет необходимости его включать в модель, так как это повлечет только к уменьшению наблюдений, а следовательно и к менее точным результатам, и только снизит эффективность регрессионного анализа, а Х15 с лагом 6 имеет смысл включить так как коэффициент кросс-коррелляции более 0,6. Наилучшая модель регрессии - y (y_1,x6_7,x6,x15_6,t,z,zt), так как R^2= 0,953 и D=2. Множественная модель регрессии y(x6,x9,x15,x6^2,x9^2,x15^2,x6*x9,x6*x15,x9*x15) характеризуется достаточно высоким R^2 (=0,92), но присутствует автокорреляция в остатках (D=1,11), поэтому данная модель менее эффективна. В подтверждение этому представлен график: 
 
 
 
 
 
 

Рисунок 5.

    Глава 4. Прогноз по всем 3-м  исследованиям на 2008-2010 годы.

    x9 x15 х6 y(t,z,zt,y_1) y(t,x6) y(t,x6,x6_7) y(t,z,zt,x6,x6 y(x6,x15_6,t,x6_7,
85   57,86 40         _7,y_1) y_1,t,z,zt)
86   61,33 51 160          
87   59,44 64 162,3          
88   57,71 74 162,7          
89   56,81 83 162,1          
90   57,96 84 158,7 343,719 343,719 343,719 343,719 343,719
91   57,55 91 168 355,416 355,416 355,416 355,416 355,416
92   56,56 90 174,3 362,61 362,61 362,61 362,61 362,61
93 2008     172,4 365,77826 341,867362 339,5147104 356,7628884 354,5666217
94 2009     171,9 368,66217 338,476402 340,3268011 353,5639059 358,6767946
95 2010     175,1 371,36133 348,566554 347,0557147 354,780372 363,9724265

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Глава 5. Выводы и экономическая  интерпретация полученных результатов
и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.