На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, 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 уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


курсовая работа Тестирование адекватности модели линейной регрессии согласно общей схеме (включая тестирование случайных отклонений на наличие нормаль

Информация:

Тип работы: курсовая работа. Добавлен: 04.12.2012. Сдан: 2012. Страниц: 16. Уникальность по antiplagiat.ru: < 30%

Описание (план):


?БЕЛОРУСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
 
 
ЭКОНОМИЧЕСКИЙ ФАКУЛЬТЕТ
 
КАФЕДРА ЭКОНОМИЧЕСКОЙ ИНФОРМАТИКИ И МАТЕМАТИЧЕСКОЙ ЭКОНОМИКИ
 
 
Курсовая работа на тему:
Тестирование адекватности модели линейной регрессии согласно общей схеме (включая тестирование случайных отклонений на наличие нормального распределения, отсутствие автокорреляции, гомоскедастичность с помощью хотя бы одного теста или статистики для каждой из предпосылок МНК)
 
 
 
 
 
Выполнил: студент 3 курса
группы Э-1 Акопян Арутюн
                                                                                               Научный руководитель:
                                                                                     Петлицкий А.И
 
                                                           Минск 2011
                                                         Содержание
 
                                                                                       стр.
Введение и теоретическое обоснование модели…………………………              3
Теоретический раздел……………………………………………………..              5
Критерий Дарбина- Уотсона………………………………………………              6
Метод наименьших квадратов (МНК)…………………………………….7
Нормальное паспределение……………………………………………….              8
Построение эконометрической модели…………………………………10
Заключение………………………………………………………………..17
Список использованных источников……………………………………18
 
 
 
 
 
 
 
 
 
 
 
 
 

Введение и теоретическое обоснование модели

 
В данном курсовом проекте будет построена и проанализирована модель зависимости внутреннего валового продукта (GDP) Российской Федерации за 2004-2010 годы в зависимости от обменного курса (Exchange_rate), чистого экспорта (NX) и уровня безработицы (Unemp)  (Приложение 1).
Целью данной работы является построение эконометрической модели и ее дальнейший анализ. Так же в работе были поставлены такие задачи как:
?      тестирование случайных отклонений модели на наличие нормального распределения
?      проверка модели на отсутствие автокорелляции с помощью критерия Дарбина - Уотсона;
?      проверка эконометрической модели на наличие в ней гомоскедастичности с помощью теста Вайта
Все расчеты и построения моделей будут проводиться в программе Eviews и с помощью программного обеспечения MS Office Excel 2007.
В работе в качестве зависимой переменной рассматривается валовой внутренний продукт. Валовой внутренний продукт (ВВП, англ. GDP) — общая рыночная стоимость всех конечных товаров и услуг, произведённых за год во всех отраслях экономики на территории государства для потребления, экспорта и накопления, вне зависимости от национальной принадлежности использованных факторов производства.
Независимыми переменными являются обменный курс, чистый экспорт и количество безработных.
Обменный курс – цена  денежной единицы одной страны, выраженная в денежной единице другой страны, драгоценных металлах, ценных бумагах.
Чистый экспорт – разность стоимости экспорта и импорта.
Уровень безработицы – незанятость экономически активного населения в хозяйственной деятельности; процент безработных от общего количества гражданской рабочей силы.
Исходя из экономической теории валовой внутренний продукт прямо пропорционально зависит от объема чистого экспорта, ( чем больше чистый экспорт, тем выше будет в стране внутренний валовой продукт и наоборот), который, в свою очередь, обратно зависит от обменного курса. Если курс национальной валюты дорожает, следствием из этого является удешевление импорта, экспорт дорожает, следовательно, чистый экспорт уменьшается и валовой внутренний продукт уменьшается.
На данный момент можно предположить, что зависимость ВВП от обменного курса будет не очень сильной. Насколько сильное влияние напрямую обменный курс оказывает на валовой внутренний продукт, мы сможем узнать только после проведенного нами исследования.
Зависимость между уровнем безработицы и ВВП описывает закон Оукена. Данный закон предполагает, что если фактический уровень безработицы выше естественного на 1%, то фактический объем производства будет ниже потенциального на 3%. Это обусловлен приростом населения, накоплением капитала и научно-техническим прогрессом.
Высокий уровень безработицы оказывает очень сильное влияние на экономику и в том числе на ВВП, основной ущерб от чрезмерно высокой безработицы – это невыпущенная продукция, или недопроизводство. Когда экономика страны не в состоянии создать достаточное количество рабочих мест для всех, кто способен и готов работать, потенциальное производство товаров и услуг теряется безвозвратно.
В модели, которая будет представлена ниже, мы можем предположить что, показатель уровня безработицы будет оказывать наибольшее влияние на величину ВВП, причём это влияние будет обратно пропорциональным.
Построение и анализ предполагаемой модели покажет, насколько верны все вышеизложенные              утверждения.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

                                               Теоретический раздел

 
 
                                             Автокорреляция
 
 
 
              Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные данные). Автокорреляция остатков(отклонения) обычно встречается в регрессионном анализе при использовании данных временных рядов.                                               
        Среди основных причин, вызывающих появление автокорреляции, можно выделить:
?      ошибки спецификации
?      инерцию в изменении экономических показателей
?      эффект паутины
?      сглаживание данных
 
           Последствия автокорреляции в определенной степени сходны с последствиями гетероскедастичности. Среди них при примени МНК обычно выделяются следующие:
?      Оценки параметров, оставаясь линейными и несмещенными, перестают быть эффективными. Следовательно они перестают обладать свойствами наилучших линейных несмещенных оценок (blue-оценок)
?      Дисперсии оценок являются смещенными. Часто дисперсии, вычисляемые по стандартным формулам , являются заниженными, что влечет за собой увеличение t-статистик. Это может привести к признанию статистически значимыми объясняющие переменные, которые в действительности таковыми могут и не являться.
?      Выводы по t- и F-статистикам, определяющим значимость коэффициентов регрессии и коэффициента детерминации, возможно будут неверными. Вследствие этого ухудшаются прогнозные качества модели.
 
Критерий Дарбина- Уотсона
 
              Критерий Дарбина-Уотсона (или DW-критерий) — статистический критерий, используемый для нахождения автокорреляции первого порядка элементов исследуемой последовательности. Наиболее часто применяется при анализе временных рядов и остатков регрессионных моделей. Критерий назван в честь Джеймса Дарбина и Джеффри Уотсона. Критерий Дарбина-Уотсона рассчитывается по следующей формуле:
 

 
где ?1 — коэффициент автокорреляции первого порядка.
              В случае отсутствия автокорреляции d = 2, при положительной автокорреляции d стремится к нулю, а при отрицательной - к 4:

              На практике применение критерия Дарбина—Уотсона основано на сравнении величины d с теоретическими значениями dL и dU для заданных числа наблюдений n, числа независимых переменных модели k и уровня значимости ?.

 
1.      Если 0 <DW < dL, то гипотеза о независимости случайных отклонений отвергается (следовательно, присутствует положительная автокорреляция);
2.      Если dL<DW> dU, то гипотеза не отвергается;
3.      Если dL < DW < dU, то нет достаточных оснований для принятия решений.
 
Когда расчетное значение DW превышает 2, то с dL и dU сравнивается не сам коэффициент DW, а выражение (4 ? d).
              Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина—Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают.

 

                                  Метод наименьших квадратов (МНК)

 
В основе метода наименьших квадратов лежит стремление исследователя подобрать такие оценки К0,К1….Кр   для неизвестных значений параметров функции регрессии соответственно Х0 , Х1….Хр   при которых сглаженные      (регрессионные) значения  К0 + К1Хi(1) +…+ КpXi(p) результирующего показателя как можно меньше отличались бы от соответствующих наблюдений значений  yi.. Другими словами суть данного метода состоит в минимизации суммы квадратов отклонений  наблюдаемых значений зависимой переменной У от ее значений У, получаемых по уравнению регрессии.
  Предпосылки МНК ( условия Гаусса-Маркова):
?      Математическое ожидание случайного отклонения равно нулю:                   М (еi)=0 для всех наблюдений.
          Данное условие означает, что случайное отклонение в среднем не оказывает влияния на зависимую переменную. В каждом конкретном наблюдении случайный член может быть либо положительным, либо отрицательным, но он не должен иметь систематического смещения.
?      Дисперсия случайных отклонений еi постоянна (гомоскедастичность).
М (еi2)=?2
Данное условие подразумевает, что несмотря на то что при каждом конкретном наблюдении случайное отклонение может быть либо большим, либо меньшим, не должно быть некой априорной причины, вызывающей большую ошибку (отклонение). Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений).Невыполнимость данной предпосылки называется гетероскедастичностью (непостоянством дисперсий отклонений).
?      Случайные отклонения еi и ej являются независимыми друг от друга. (Отсутствие автокорреляции)

   Выполнимость данной предпосылки предполагает, что отсутствует систематическая связь между любыми случайными отклонениями. Другими словами, величина и определенный знак любого случайного отклонения не должны быть причинами величины и знака любого другого отклонения.                    

       Выполнимость данной предпосылки влечет следующее соотношение:

? еi ej = cov (еi ej) =               0,     если  i?j

              ?2 ,   если  i=j
 

?      Случайное  отклонение должно быть независимо от объясняющих переменных.

       Обычно это условие выполняется автоматически, если объясняющие переменные не являются случайными в данной модели. Следует отметить, что выполнимость данной предпосылки не столь критична для экономических моделей.
?      Модель является линейной относительно параметров

             

                                 Нормальное распределение

 
     Нормальное распределение (распределение Гаусса) является предельным случаем почти всех реальных распределений вероятности. Поэтому оно используется в очень большом числе реальных приложений теории вероятностей. Говорят, что СВ Х имеет нормальное распределение, если ее плотность вероятности имеет вид:       
                             

СВ, имеющая нормальное распределение, называется нормально распределенной или нормальной.             

              Нормальное распределение зависит от 4-х параметров – среднего значения (математического ожидания), которое определяет расположения «пика» (моды) распределения, т.е. наиболее вероятного значения величины, дисперсии, которая характерезует степень разброса значений величины относительно среднего, а также коэффициентов асимметрии и эксцесса, задающих форму распределения (симметричность относительно среднего и остроту его пика, соответственно). Типичные формы нормального распределения для различных средних и дисперсии представлены на рисунке.

    

                   
 
Смысл нормального распределения становится понятен из его формы. Наиболее вероятные значения случайной величины расположены вблизи его пика (среднего). По мере удаления от него, вероятность значений уменьшается и если значение расположено в «хвосте» распределения, то оно очень маловероятно.
 
 
 
                             
 
                        Построение эконометрической модели
 
В этом разделе курсовой работы построю и проанализирую эконометрическую модель.
В качестве зависимой переменной рассматривается валовой внутренний продукт. Это наше У.
Х1 - NX(Чистый экспорт)
Х2 - Exchange rate (Обменный курс)
Х3  - Unempl (Уровень безработицы)
 
      Все расчеты и построения моделей будут проводиться в программе Eviews 3.1  Начальным этапом является ввод данных. Затем нужно проверить переменные на стационарность. 
ADF Test Statistic
-3.130529
    1%   Critical Value*
-3.7667
 
 
    5%   Critical Value
-3.0038
 
 
    10% Critical Value
-2.6417
*MacKinnon critical values for rejection of hypothesis of a unit root.
Х1:
 
ADF Test Statistic
-3.517001
    1%   Critical Value*
-2.6819
 
 
    5%   Critical Value
-1.9583
 
 
    10% Critical Value
-1.6242
*MacKinnon critical values for rejection of hypothesis of a unit root.
Х2:             
 
 
ADF Test Statistic
-3.025917
    1%   Critical Value*
-2.6819
 
 
    5%   Critical Value
-1.9583
 
 
    10% Critical Value
-1.6242
*MacKinnon critical values for rejection of hypothesis of a unit root.
Х3:     
 
 
 
Получили следующие данные:
Х1 стационарен по константе в 1ой разности;
Х2 стационарен по константе во второй разности;
Х3 стационарен по none во второй разности;
У  стационарен по константе в первой разности;
 
 
 
 
 
Следующим этапом работы является тестирование случайных отклонений модели на наличие нормального распределения.
 
Нормальное распределение Х1

 
 
                                   Нормальное распределение Х2
 

 
 
 
Нормальное распределение Х3

 
 
Данное окно содержит:
?                       Mean - среднее значение.
?                       Median - медиана. В случае симметричного модального распределения медиана совпадает со средним значением.
?                       Maximum, Minimum - минимальное и максимальное значения ряда.
?                       Std. Dev. - стандартное среднеквадратическое отклонение. Используется для характеристики степени рассеивания случайной величины.
?                       Skewness - асимметрия. Для симметричного распределения, в частности для нормального распределения, асимметрия равна нулю.
?                       Kurtosis – эксцесс
?                       Статистика Jarque-Bera - используется для проверки гипотезы о нормальности распределения исследуемого ряда. Статистика основана на проверке того, насколько отличается эксцесс и асимметрия ряда от соответствующих характеристик нормального распределения.
Нулевая гипотеза:              распределение не отличается от нормального.   Альтернативная гипотеза: распределение существенно отличается от нормального.
?      Probability - это вероятность того, что статистика Jarque-Bera превышает (по абсолютному значению) наблюдаемое значение для нулевой гипотезы.
?      Observations – количество проведенных наблюдений
 
Чтобы определить нормальность распределения остатков воспользуемся статистикой Jarque-Bera, которая используется для проверки гипотезы о нормальности распределения исследуемого ряда.
Н0: распределение не отличается от нормального.
Н1: распределение существенно отличается от нормального.
Вероятность Probability - это вероятность того, что статистика Jarque-Bera превышает (по абсолютному значению) наблюдаемое значение для нулевой гипотезы.
В данной модели статистика Jarque-Bera больше 0,05.Следовательно можно говорить о нормальном распределении
 
Далее нужно проверить данную регрессионную модель на отсутствие автокорреляции. Все вычисления по-прежнему делаем в программе Eviews.
Программа выдает таблицу:
 
Dependent Variable: Y
Method: Least Squares
Date: 12/08/11   Time: 16:08
Sample: 2004:1 2010:4
Included observations: 28
Variable
Coefficient
Std. Error
t-Statistic
Prob. 
X1
0.116366
0.047904
2.429165
0.0230
X2
-43091.84
12962.20
-3.324423
0.0028
X3
11889.59
4403.561
2.699994
0.0125
C
63653.21
152861.6
0.416411
0.0808
R-squared
0.561023
    Mean dependent var
183669.7
Adjusted R-squared
0.506151
    S.D. dependent var
65251.18
S.E. of regression
45854.88
    Akaike info criterion
24.43591
Sum squared resid
5.05E+10
    Schwarz criterion
24.62623
Log likelihood
-338.1028
    F-statistic
10.22419
Durbin-Watson stat
1.030176
    Prob(F-statistic)
0.000159
 
 
 
 
 
 
Смотрим на статистику Durbin-Watson. Данный показатель меньше 1,5 следовательно автокорреляция случайных отклонений модели отсутствует. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.
 
Еще одной задачей, которая ставилась перед нами, была проверка модели на наличие гомоскедастичности. Для этого можно воспользоваться тестом Вайта. Итак, проведем данный тест для нашей модели: View/Residual Tests/White Heteroskedasticity. Здесь имеются две версии теста: Cross Terms и No Cross Terms. Cross Terms представляет собой описанную выше оригинальную версию теста Уайта. No Cross Terms отличается тем, что из квадратичной модели регрессии для дисперсии остатков исключаются слагаемые – произведения факторов (a7x1x2i, a8x1x3i, a9x2x3i). Это полезно, если в модель входит большое число факторов.
 
White Heteroskedasticity Test(сross):
F-statistic
0.786872
    Probability
0.631795
Obs*R-squared
7.905784
    Probability
0.543668
 
 
 
 
 
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/08/11   Time: 16:17
Sample: 2004:1 2010:4
Included observations: 28
Variable
Coefficient
Std. Error
t-Statistic
Prob. 
C
-2.84E+11
1.81E+11
-1.571585
0.1335
X1
94010.16
87947.57
1.068934
0.2992
X1^2
-0.012646
0.017772
-0.711548
0.4859
X1*X2
-139.8198
7728.348
-0.018092
0.9858
X1*X3
-2556.237
2481.779
-1.030002
0.3167
X2
8.83E+09
2.25E+10
0.392826
0.6991
X2^2
1.06E+09
1.68E+09
0.629231
0.5371
X2*X3
-9.27E+08
7.55E+08
-1.227737
0.2354
X3
1.51E+10
1.16E+10
1.297494
0.2108
X3^2
-98803910
1.39E+08
-0.709549
0.4871
R-squared
0.282349
    Mean dependent var
1.80E+09
Adjusted R-squared
-0.076476
    S.D. dependent var
3.22E+09
S.E. of regression
3.34E+09
    Akaike info criterion
46.97030
Sum squared resid
2.01E+20
    Schwarz criterion
47.44608
Log likelihood
-647.5842
    F-statistic
0.786872
Durbin-Watson stat
2.430354
    Prob(F-statistic)
0.631795
 
 
 
White Heteroskedasticity Test(no cross):
F-statistic
0.859819
    Probability
0.539772
Obs*R-squared
5.522005
    Probability
0.478801
 
 
 
 
 
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/08/11   Time: 16:18
Sample: 2004:1 2010:4
Included observations: 28
Variable
Coefficient
Std. Error
t-Statistic
Prob. 
C
-5.17E+10
6.77E+10
-0.762517
0.4542
X1
7667.240
18904.30
0.405582
0.6892
X1^2
-0.004552
0.010530
-0.432296
0.6699
X2
3.00E+09
9.49E+09
0.315964
0.7551
X2^2
-2.72E+08
6.49E+08
-0.418344
0.6799
X3
2.53E+09
5.15E+09
0.491810
0.6280
X3^2
-35189960
88807397
-0.396250
0.6959
R-squared
0.197214
    Mean dependent var
1.80E+09
Adjusted R-squared
-0.032153
    S.D. dependent var
3.22E+09
S.E. of regression
3.27E+09
    Akaike info criterion
46.86812
Sum squared resid
2.25E+20
    Schwarz criterion
47.20117
Log likelihood
-649.1536
    F-statistic
0.859819
Durbin-Watson stat
2.021253
    Prob(F-statistic)
0.539772
 
Полученное значение F-статистики: Prob(F-statistic)=0.631795 первом случае (cross) и Prob(F-statistic)=0,539772 во втором случае (no cross), в обеих случаях данный показатель больше уровня ?=0,05, это значит, гипотеза о наличии гомоскедастичности принимается.
Также есть значение Obs*R-squared, по которому тоже проверяется наличие гетероскедастичности. Prob(Obs*R-squared)=7,905784 первом случае (cross) и  Prob(Obs*R-squared)= 5,522005 во втором случае (no cross)  больше уровня 0,05, значит, гипотеза о наличии гомоскедастичности принимается.
 
В общем виде регрессионную модель можно представить следующим образом:
                GDP = ?0 + ?1*Exchange_rate + ?2*Unemp+?3*NX
 
GDP = 6099,89 - 558,69*Exchange_rate - 1396,33*Unemp+ 0,12846*NX
 
Попробуем проанализировать соответствие знаков коэффициентов регрессии теоретическим предположениям. При коэффициенте обменного курса мы можем наблюдать знак “-“, это показывает нам, что ВВП находится в обратной зависимости от обменного курса, так как мы и предполагали в начале нашей работы. Также ВВП в обратной зависимости находиться от уровня безработицы (чем выше уровень безработицы, тем меньше ВВП). Последняя переменная, чистый экспорт стоит в уравнении со знаком “+”, что показывает нам прямо пропорциональную зависимость, т. е. чем выше чистый экспорт, тем больше ВВП. После построения модели подтвердились все вышеизложенные экономические принципы.
       Мерой адекватности модели служит коэффициент детерминации R2. Коэффициент детерминации - одна из наиболее эффективных оценок адекватности регрессионной модели, мера качества уравнения регрессии, характеристика прогностической силы анализируемой регрессионной модели. В общем случае показывает, какая часть зависимой переменной - может быть объяснена с помощью независимых переменных включенных в модель. Если значение R2 равно 1, то между переменными существует точная линейная связь. Если R2 равно нулю, то статистическая линейная связь отсутствует. В нашем случае значение коэффициента детерминации  R2=0,661023 что является неплохим показателем и означает, что качественная характеристика силы связи заметная.
 
 
 
 
             
 
 
 
 
 
 
 
 
 
 
 

Заключение

 
В данной работе рассматривалась зависимость ВВП от обменного курса, чистого экспорта и уровня безработицы. Так как данные являются временными рядами, каждый ряд был проверен на стационарность. В ходе написания работы была получена следующая модель:
GDP = 6099,89 - 558,69*Exchange_rate - 1396,33*Unemp+ 0,12846*NX
После построения модели можно сделать следующие выводы:
?      ВВП находится в обратной зависимости от обменного курса и уровня безработицы и в прямой зависимости от чистого экспорта, т.е. знаки коэффициентов соответствуют экономическому обоснованию модели;
?      R2 является большим , F-статистики > F-критического из этого делаем вывод, что статистически значим, а следовательно модель является адекватной;
?      Все t-статистики является статистически значимы;
?      С помощью теста Жака - Бера было установлено, что остатки модели имеют нормальное распределение;
?      Статистика Дарбина-Уотсона показывает на отсутствие автокорреляции.
Все тесты подтвердили гипотезу о наличии в модели гомоскедастичности.
              На мой взгляд, данная модель пригодна для прогнозирования, вследствие результатов проведенных тестов (отсутствии автокорелляции, наличие в модели гомоскедастичности, нормально распределенным остаткам модели, а также стационарности рядов) и достаточно высокого R2.

Список использованных источников

 
1.      Бородич С.А. Вводный курс эконометрики:  Учебн.пособие. – Мн.: БГУ, 2000. – 354с..
2.      Бородич С.А. Эконометрика: Учебн.пособие. –  2-е изд., –Мн.: Новое издание,   2 004.-416 с.

3.      Макконнелл, Брю Экономикс. Принципы, проблемы и политика, М., Инфра-М, 2003.

4.      Кругман П., Обстфельд М Международная экономика. Теория и политика: Учебник для вузов: Пер. с англ. 5-е изд. - СПб.: Питер, 2004.

5.      Конспект лекций по эконометрике.3 курс.

6.      Сайт Банка России: www.cbr.ru

7.      Сайт Федеральной службы государственной статистики Российской Федерации: www.gks.ru

 

17

 




и т.д.................


Перейти к полному тексту работы


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


Смотреть полный текст работы бесплатно


Смотреть похожие работы


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