Autoregressionsmodelle, auch AR-Modelle genannt, werden verwendet, um Ex-post-Variablen (Beobachtungen, deren Wert wir vollständig kennen) zu bestimmten Zeitpunkten vorherzusagen, die normalerweise chronologisch geordnet sind.
Autoregressive Modelle sind, wie der Name schon sagt, Modelle, die sich selbst zurückdrehen. Das heißt, die abhängige Variable und die erklärende Variable sind gleich mit dem Unterschied, dass die abhängige Variable zu einem späteren Zeitpunkt (t) liegt als die unabhängige Variable (t-1). Wir sagen chronologisch geordnet, weil wir uns gerade im Moment (t) der Zeit befinden. Wenn wir eine Periode vorrücken, gehen wir zu (t + 1) und wenn wir eine Periode zurückgehen, gehen wir zu (t-1).
Da wir eine Projektion machen wollen, muss die abhängige Variable immer mindestens in einem weiter fortgeschrittenen Zeitraum liegen als die unabhängige Variable. Wenn wir Projektionen mit Autoregression machen wollen, müssen wir uns auf die Art der Variablen, die Häufigkeit ihrer Beobachtungen und den Zeithorizont der Projektion konzentrieren.
Sie sind im Volksmund als AR (p) bekannt, wobei p das Label 'Order' erhält und der Anzahl der Perioden entspricht, die wir zurückgehen werden, um die Vorhersage unserer Variablen durchzuführen. Wir müssen berücksichtigen, dass unsere Prognose umso mehr potenzielle Informationen enthält, je mehr Zeiträume wir zurückgehen oder je mehr Aufträge wir dem Modell zuweisen.
Im wirklichen Leben finden wir Prognosen durch Autoregression in der Umsatzprognose eines Unternehmens, Prognosen zum Wachstum des Bruttoinlandsprodukts (BIP) eines Landes, Prognosen zu Haushalt und Staatskasse usw.
RegressionsmodellSchätzung und Prognose: Ergebnis und Fehler einer RA
Die Mehrheit der Bevölkerung ordnet die Vorhersagen der Methode der gewöhnlichen kleinsten Quadrate (OLS) und den Vorhersagefehler den OLS-Residuen zu. Diese Verwirrung kann ernsthafte Probleme verursachen, wenn wir die von den Regressionslinien gelieferten Informationen synthetisieren.
Unterschied im Ergebnis:
- Schätzen: Die mit der OLS-Methode erhaltenen Ergebnisse werden aus den in der Stichprobe vorhandenen Beobachtungen berechnet und in der Regressionsgerade verwendet.
- Prognose: Prognosen basieren auf einem Zeitraum (t + 1) vor dem Zeitraum der Regressionsbeobachtungen (t). Die tatsächlichen Prognosedaten für die abhängige Variable sind nicht in der Stichprobe enthalten.
Unterschied im Fehler:
- Schätzen: die mit der OLS-Methode erhaltenen Residuen (u) sind die Differenz zwischen dem reellen Wert der abhängigen Variablen (Y), YArtikel, und der geschätzte Wert von (Y), der durch die Stichprobenbeobachtungen gegeben ist, ÝArtikel.
oderArtikel = YArtikel - JaArtikel
Der Index it repräsentiert die i-te Beobachtung im Zeitraum t.
- Prognose: Der Prognosefehler ist die Differenz zwischen dem zukünftigen Wert (t + 1) von (Y), Yes + 1, und die Prognose für (Y) in der Zukunft (t + 1), Ýes + 1. Der reelle Wert von (Y) für (t + 1) gehört nicht zur Stichprobe.
Prognosefehler = Yes + 1 - Jaes + 1
Zusammenfassend sind zwei Details zu beachten:
- Die Schätzungen und Residuen gehören zu Beobachtungen, die sich in der Stichprobe befinden.
- Die Vorhersagen und ihre Fehler gehören zu Beobachtungen, die außerhalb der Stichprobe liegen.
Theoretisches Beispiel für ein AR-Modell
Wenn wir eine Prognose über den Preis von Skipässe für das Ende dieser Saison (t) basierend auf den Preisen der letzten Saison (t-1) können wir das autoregressive Modell verwenden.
Unsere autoregressive Regression wäre:
Dieses autoregressive Modell gehört zu den Autoregressionsmodellen erster Ordnung oder häufiger als AR bezeichnet (1). Die Bedeutung der Autoregression ist, dass die Regression für die gleichen variablen Forfaits durchgeführt wird, jedoch in einem anderen Zeitraum (t-1 und t). Ebenso Skipässet nicht im Musterskipasst-1.
Zusammenfassend wäre die Interpretation so, dass so. Wenn der Preis für Pässe in der vorherigen Periode um 1% gestiegen ist, wird erwartet, dass er in der folgenden Periode um B1% erhöht wird.