Эконометрические модели: Тренинг

День 1. Азы эконометрического анализа. Подготовка данных. Анализ пространственных выборок

Этапы эконометрического исследования

Виды эконометрических моделей, классификация методов их построения

Типы данных, используемых для моделирования, временные ряды и пространственные выборки

Основные статистические показатели и графики:

• среднее значение, медиана, квартили, стандартное отклонение, стандартная ошибка, размах
• гистограмма (histogram), вероятностный график (Q-Q plot), ящичная диаграмма (boxplot), диаграмма последовательности (sequence chart), диаграмма рассеяния (scatterplot)

Методы проверки гипотез при сравнении:

• средних (t-test, Anova F-test)
• медиан (Wilcoxon/Mann-Whitney, Kruskal-Wallis)
• дисперсий (F-test, Siegel-Tukey, Bartlett, Brown-Forsethe)

Многофакторный регрессионный анализ для пространственных выборок:

• требования к виду и количеству исходных данных
• необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
• требования к факторам, которые планируется учитывать в анализе
• особенности моделирования при недостатке информации о факторах, техника dummy-переменных
• пошаговый алгоритм регрессионного анализа
• способ проверки адекватности модели
• интерпретация результатов: как влияют факторы на отклик, ранжирование по силе влияния

Кейсы:

1. Пример в SPSS. Изучаем изменчивость цен по регионам. Рассчитываем и интерпретируем основные статистические показатели. Строим графики.
2. Пример в SPSS. Изучаем динамику продаж. Учимся анализировать колебания продаж и формировать правильные ожидания
3. Пример в SPSS. Проводим графический анализ динамики числа клиентов. Самостоятельно учимся определять наличие тренда, сезонности, структурных сдвигов и выбросов.
4. Пример в SPSS. Проводим сезонную декомпозицию на основе истории продаж. Учимся интерпретировать результаты.
5. Пример в SPSS. Проводим сезонную декомпозицию и строим прогноз на несколько месяцев. Оцениваем качество построенной модели.

День 2. Моделирование временных рядов на основе метода наименьших квадратов (LS): многофакторная регрессия и ARIMA

Компоненты временного ряда: тренд, сезонность и ее типы, структурные сдвиги, выбросы и т.п. Способы идентификации (графический анализ, сезонная декомпозиция)

Особенности регрессионного анализа для временных рядов:

• способы учета компонент временного ряда в модели
• учет в модели сезонности различного типа
• интерпретация результатов
• оценки точности модели: MAPE, MAE, RMSE
• процедуры анализа остатков: тесты на нормальность (Jarque-Bera), автокорреляцию (Correlogram, Serial Correlation LM Test) и гетеросекдастичность (Breush-Pagan-Godfrey, Harvey, Glejser)

Моделирование методом ARIMA (AutoRegressive Integrated Moving Average, модель Бокса – Дженкинса):

• требования к виду и количеству исходных данных
• понятие стационарного временного ряда, тесты на стационарность (тесты единичного корня, Unit Root Test)
• необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
• алгоритм выбора параметров модели ARIMA
• динамический и статический методы прогнозирования

Графический анализ исходных данных с целью выявления тренда, сезонности и других компонент

Доверительный интервал прогноза

Точность модели и точность прогнозов. Показатели: MAPE, MAD и другие

Подходы к выбору адекватного показателя оценки точности модели и прогноза

Прогнозирование на основе метода сезонной декомпозиции:

• пошаговый алгоритм прогнозирования в SPSS
• правила выбора вида тренда и типа сезонности
• сезонные факторы и их практическое использование
• плюсы и минусы подхода

Оценка качества прогнозной модели. Правила графического анализа остатков: histogram, scatterplot, график автокорреляции (ACF plot)

Прогнозирование на основе метода экспоненциального сглаживания:

• идея метода: четыре параметра сглаживания
• пошаговый алгоритм в SPSS
• оценка адекватности моделей: критерий Льюинга-Бокса, значимость параметров
• влияние горизонта прогноза на точность прогнозов
• плюсы и минусы подхода

Критерии выбора между экспоненциальным сглаживанием и сезонной декомпозицией

Многофакторный регрессионный анализ: идея и требования к исходным данным

Пошаговый алгоритм прогнозирования на основе регрессионного анализа в SPSS

Диагностика и решение проблемы взаимозависимых факторов (мультиколлинеарность)

Правила оценки качества модели:

• анализ остатков
• ANOVA
• R-квадрат и скорректированный R-квадрат

План действий при «плохих» остатках модели

Интерпретация коэффициентов регрессионного уравнения:

• как влияют факторы на отклик
• ранжирование факторов по силе влияния

Учет в регрессии сезонности разного типа

Плюсы и минусы прогнозирования на основе регрессионного анализа

Кейсы:

1. Пример в SPSS. Строим прогноз на несколько месяцев с помощью экспоненциального сглаживания. Оцениваем качество модели и прогноза.
2. Пример в SPSS. На основе истории продаж по товарной группе строим прогноз на 12 месяцев двумя способами (на основе сезонной декомпозиции и методом экспоненциального сглаживания). Оцениваем качество моделей и выбираем наиболее адекватный подход.
3. Пример в SPSS. Анализируем влияние макроэкономических факторов на цену недвижимости.
4. Пример в SPSS. Анализируем влияние кризиса; изменения ассортимента; числа торговых точек и т.п. на динамику прогнозируемого показателя.

День 3. Прогнозирование с использованием авторегрессионного анализа. Метод ARIMA 

Авторегрессионные модели прогнозирования: идея и реализация

Плюсы и минусы прогнозирования на основе авторегрессионного анализа

Правила перехода от регрессии к авторегрессии

Особенности прогнозирования при недостатке информации о факторах. Техника фиктивных (dummy) переменных

Авторегрессионные модели интегрированного скользящего среднего (ARIMA)

• o требования к исходным данным
• o условия применимости метода, понятие стационарного временного ряда
• o шесть параметров модели: алгоритм выбора на основе графиков (ACF plot, partial ACF plot)
• o оценка адекватности моделей: критерий Льюинга-Бокса, Байесовский информационный критерий (BIC), значимость параметров

Улучшение моделей экспоненциального сглаживания и ARIMA по результатам автоматического поиска выбросов и структурных сдвигов.

Кейсы:

1. Пример в SPSS. Прогнозируем продажи с использованием фиктивных переменных методом авторегрессии.
2. Пример в SPSS. Анализируем влияние погодных условий на прогнозируемый показатель.
3. Пример в SPSS. Проводим сравнительный анализ прогнозов, полученных методами регрессии и авторегрессии.
4. Пример в SPSS. Прогнозируем поток клиентов на основе метода ARIMA: выбираем параметры моделей с помощью графиков, выбираем лучшую модель, получаем прогноз на ее основе.
5. Пример в SPSS. Строим прогноз потребления ресурса всеми изученными способами и выбираем наиболее адекватный подход (самостоятельно).

ДЕНЬ 4. Адаптация рассмотренных методов к практическим задачам прогнозирования

Особенности учета факторов в ARIMA

Учет запаздывающего влияния факторов при прогнозировании -Использование регрессионного и авторегрессионного анализа для оценки:

• o нелинейного влияния факторов
• o эффектов акций
• o эффекта «каннибализма»
• o влияния праздничного спроса

Структура ошибки прогноза

Алгоритм выявления источников ошибки прогноза и оценка всех ее компонентов

Кейсы:

1. Пример в SPSS. Оцениваем эффекты акций в зависимости от имеющейся информации.
2. Пример в SPSS. Анализируем продажи по SKU и измеряем эффекта «каннибализма».
3. Пример в SPSS. Учитываем влияние выходных и праздничных дней при прогнозировании потребления продукта.
4. Пример в SPSS. Анализируем временную задержку (лаг) в росте продаж при росте рекламного бюджета.
5. Пример в SPSS. Прогнозируем продажи с учетом нелинейного влияния рекламного бюджета.
6. Примеры в SPSS. Получаем и анализируем прогнозы на основе данных слушателей. Изучаем потенциальные возможности улучшения прогнозов.

После обучения Вы получите:

• Пошаговые инструкции по применению каждого эконометрического метода
• Сертификат на 4-месячную бесплатную консультационную поддержку

Требования к участникам:

• Высшее образование
• Опыт работы в Excel на уровне пользователя