Моделът AR (1) е авторегресивен модел, който е изграден единствено на забавяне.
С други думи, авторегресията от първи ред, AR (1), регресира авторегресията за определен период от време.
Препоръчителни статии: Авторегресивен модел и естествени логаритми.
Формула на AR (1)
Въпреки че обозначенията могат да се различават при различните автори, общият начин за представяне на AR (1) би бил следният:
Тоест, според модела AR (1), променливата y в момент t е равна на константа (c), плюс променливата при (t-1), умножена по коефициента, плюс грешката. Трябва да се отбележи, че константата "c" може да бъде положително, отрицателно или нулево число.
По отношение на стойността на тета, т.е. коефициентът, умножен по y (t-1), може да приеме различни стойности. Въпреки това можем грубо да го обобщим на две:
Тита по-голямо или равно на 1
| Тета | по-малко или равно на 1:
Изчисляване на очакването и дисперсията на процеса
Практически пример
Предполагаме, че искаме да проучим цената на пропуските за този сезон 2019 (t) чрез авторегресивен модел от ред 1 (AR (1)). Тоест ще се върнем с един период назад (t-1) в зависимата променлива forfaits, за да можем да извършим авторегресията. С други думи, нека направим регресия на ски картаT за ски картиt-1.
Моделът ще бъде:
Смисълът на авторегресията е, че регресията се извършва върху една и съща променлива, но в различен период от време (t-1 и t).
Използваме логаритми, защото променливите са изразени в парични единици. По-специално, ние използваме естествени логаритми, защото тяхната основа е числото e, използвано за капитализиране на бъдещи доходи.
Имаме цените на пропуските от 1995 до 2018:
Година | Ски карти (€) | Година | Ски карти (€) |
1995 | 32 | 2007 | 88 |
1996 | 44 | 2008 | 40 |
1997 | 50 | 2009 | 68 |
1998 | 55 | 2010 | 63 |
1999 | 40 | 2011 | 69 |
2000 | 32 | 2012 | 72 |
2001 | 34 | 2013 | 75 |
2002 | 60 | 2014 | 71 |
2003 | 63 | 2015 | 73 |
2004 | 64 | 2016 | 63 |
2005 | 78 | 2017 | 67 |
2006 | 80 | 2018 | 68 |
2019 | ? |
Процес
Въз основа на данните от 1995 до 2018 г. изчисляваме естествените логаритми на ски картиза всяка година:
Година | Ски карти (€) | ln_t | ln_t-1 | Година | Ски карти (€) | ln_t | ln_t-1 |
1995 | 32 | 3,4657 | 2007 | 88 | 4,4773 | 4,3820 | |
1996 | 44 | 3,7842 | 3,4657 | 2008 | 40 | 3,6889 | 4,4773 |
1997 | 50 | 3,9120 | 3,7842 | 2009 | 68 | 4,2195 | 3,6889 |
1998 | 55 | 4,0073 | 3,9120 | 2010 | 63 | 4,1431 | 4,2195 |
1999 | 40 | 3,6889 | 4,0073 | 2011 | 69 | 4,2341 | 4,1431 |
2000 | 32 | 3,4657 | 3,6889 | 2012 | 72 | 4,2767 | 4,2341 |
2001 | 34 | 3,5264 | 3,4657 | 2013 | 75 | 4,3175 | 4,2767 |
2002 | 60 | 4,0943 | 3,5264 | 2014 | 71 | 4,2627 | 4,3175 |
2003 | 63 | 4,1431 | 4,0943 | 2015 | 73 | 4,2905 | 4,2627 |
2004 | 64 | 4,1589 | 4,1431 | 2016 | 63 | 4,1431 | 4,2905 |
2005 | 78 | 4,3567 | 4,1589 | 2017 | 67 | 4,2047 | 4,1431 |
2006 | 80 | 4,3820 | 4,3567 | 2018 | 68 | 4,2195 | 4,2047 |
2019 | ? | ? | 4,2195 |
За да направим регресията, използваме стойностите на ln_t като зависима променлива и стойностите ln_t-1 като независима променлива. Излюпените стойности са извън регресията.
В Excel: = LINEST (ln_t; ln_t-1; true; true)
Изберете толкова колони, колкото регресорите и 5 реда, поставете формулата в първата клетка и CTRL + ENTER.
Получаваме коефициентите на регресията:
В този случай знакът на регресора е положителен. И така, 1% увеличение на цената ски карти през предходния сезон (t-1), това се превърна в 0,53% увеличение на цената на ски карти за този сезон (t). Стойностите в скоби под коефициентите са стандартните грешки на оценките.
Ние заместваме:
ски картиT= ски карти2019
ски картиt-1= ски карти2018= 4.2195 (цифрата е получер в таблицата по-горе).
Тогава,
Година | Ски карти (€) | Година | Ски карти (€) |
1995 | 32 | 2007 | 88 |
1996 | 44 | 2008 | 40 |
1997 | 50 | 2009 | 68 |
1998 | 55 | 2010 | 63 |
1999 | 40 | 2011 | 69 |
2000 | 32 | 2012 | 72 |
2001 | 34 | 2013 | 75 |
2002 | 60 | 2014 | 71 |
2003 | 63 | 2015 | 73 |
2004 | 64 | 2016 | 63 |
2005 | 78 | 2017 | 67 |
2006 | 80 | 2018 | 68 |
2019 | 65 |