Автор работы: Пользователь скрыл имя, 17 Июля 2013 в 20:07, курсовая работа
Целью данной работы является анализ динамики и прогнозирование средней цены на первичном и вторичном рынке жилья в России.
Можно выделить следующие задачи:
1. Изучить понятие, структуру, виды и функции рынка недвижимости.
2. Изучить методы прогнозирования.
Тнабл=-4.719551
-4.719551<-4.107833
-4.719551<-3.515047
Ряд Y стационарен на уровне значимости 5% и 10%, значит данный ряд типа DS, порядок интеграции 1, с учетом константы и тренда.
|
Null Hypothesis: D(X) has a unit root |
|||||
Exogenous: Constant, Linear Trend |
|||||
Lag Length: 2 (Automatic - based on SIC, maxlag=2) |
|||||
t-Statistic |
Prob.* |
||||
Augmented Dickey-Fuller test statistic |
-4.856000 |
0.0210 |
|||
Test critical values: |
1% level |
-5.521860 |
|||
5% level |
-4.107833 |
||||
10% level |
-3.515047 |
||||
Tнабл=-4.856000
-4.856000<-4.107833
-4.107833<-3.515047
Ряд X стационарен на уровне
значимости 5% и 10%, значит данный ряд типа
DS, порядок интеграции 1, с учетом константы
и тренда.
Теперь необходимо улучшить модели. Для этого, используя ACF и PACF найти параметры p и q модели ARMA. Здесь же оценим параметры разных моделей .
Проделаем для Y.
В командной строке пишем: ls y1 c ar(1)
(Рис.1)
В открывшемся окне: View-Residual Diagnostik-Correlogram Q-statistics (Рис.2)
Смотрим на коррелограмму, на 3 лаге значение PAC по модулю > 0.3, удалим его, для этого в окне Estimate пропишем ma(3)
(Рис.3)
Обратим внимание на значение информационных критериев ( Акаике и Шварца). Чем меньше их значения, тем лучше модель, добьемся улучшения модели. Параллельно обращаем внимание на значимость коэффициентов.
Повторим процесс до тех пор пока критерии не улучшаться. Добьемся лучшей модели. После удаления 3его лага тест Акаике и Щварца стал меньше.
А так же на 3 лаге значение AC по модулю > 0.3, удалим его, для этого в окне Estimate пропишем ar(3)
(Рис.4)
Критерии Акайке и Шварца уменьшились, а коэффициенты стали более значимыми.
Но лучшая модель получается, если добавить ar(1), ar(2), ar(7), ma(3), потому что у такой модели маленькие критерии Акайке и Шварца:
(Рис.5)
Но для такой модели становится невозможным проверка LM статистики, поэтому за лучшую модель возьмем ту, в которую добавили ar(3) и ma(3).
(Рис.6)
В данной модели все коэффициенты значимы.
Теперь улучшим и модель для Х: (Рис.7)
(Рис.8)
Смотрим на коррелограмму, на 3 лаге значение PAC по модулю > 0.3, удалим его, для этого в окне Estimate пропишем ma(3)
(Рис.9)
Критерии Акайке и Шварца уменьшились. Продолжим процедуру.
(Рис.10)
На 5 лаге значение PAC по модулю > 0.3, удалим его, для этого в окне Estimate пропишем ma(5)
(Рис.11)
Критерии Акайке и Шварца незначительно, но увеличились. Удалим ar(6).
(Рис.12)
Критерии опять увеличились.
Удалим ar(2) и ar(7).
(Рис.13)
Заметим, что критерии Акайке и Шварца заметно уменьшились, итак, лучшая модель получается, если добавить ar(1) ar(2) ar(7) ma(3), потому что у такой модели маленькие критерии Акайке и Шварца, но для неё невозможно провести LM-тест.Поэтому за лучшую модель возмем ту, в которую добавили ar(3) и ma(5):
(Рис.14)
Так же можно сказать, что и у этой модели коэффициенты значимы.
Проверим модели на адекватность (остатки -- белый шум), т.е. добъемся отсутствия автокорреляции в остатках и нормальность распределения.
Проверим для лучшей модели по Y1:
(Рис.14)
Fнабл=2,8502
Найдем Fкрит, для этого в панеле выбираем Quick->Show
(Рис.15)
Fнабл<Fкрит, значит автокорреляции нет.
Проведем LM тест:
View->Residual Diagnostics->Serial Correlation LM test
(Рис.16)
(Рис.17)
Fнабл=1,388908<Fкрит, значит автокорреляции нет.
Проверим модель на нормальность.
View->Residual Diagnostics->Histogram Normality Test
(Рис.18)
Fнабл=4.509819
Fкрит:
(Рис.19)
Fнабл<Fкрит, значит остатки образуют нормальное распределение (белый шум).
Теперь проверим для лучшей модели по Х1:
(Рис.20)
(рис.21)
Fнабл=1,8518<Fкрит, значит автокорреляции нет.
Проведем LMтест:
(Рис.22)
(Рис.23)
Fнабл=0,082429<Fкрит=6,944272, значит автокорреляции нет.
Проверим модель на нормальность.
View->Residual Diagnostics->Histogram Normality Test
(Рис.24)
(Рис.25)
Fнабл=2,360860<Fкрит=5,991465, остатки образуют нормальное распределение (белый шум).
Построим прогнозные значения для ряда Y:
В окне лучшей модели открываем Forecast
(Рис. 26)
(Рис.27)
Quick-> Show-> @qtdist(0.95, 11), <(так как фактическое значение наблюдений минус 2)>
(Рис.28)
Genr rg= yf-1.795885*se <левая граница>
Genr rgg= yf+1.795885*se <правая граница>
Видим, что прогнозные значения попадают в доверительный интервал.
Посчитаем абсолютные и
относительные ошибки погрешности:
∆2011= (y-yf)/y*100%= 28 %
∆2012= (y-yf)/y*100%= 32 %
Можно сказать, что прогноз отличается от реальных значений, но несильно.
Сделаем прогнозные значения для Х:
Повторим все процедуры, что и дляY и получим:
(Рис.29)
Прогнозные значения входят в доверительный интервал.
Обратим внимание на графики этих рядов: (Рис.30)
(Рис.31)
По двум этим графикам видно, что идет тенденция роста цен на жилье после небольшого спада в 2009 году как на первичном, так и на вторичном рынке.
Итак, под прогнозом понимается конкретное предсказание, суждение о состоянии какого-либо явления в будущем. В основе прогнозирования лежат три взаимодополняющих источника информации о будущем: оценка перспектив развития, будущего состояния прогнозируемого явления на основе опыта, чаще всего при помощи аналогии с достаточно хорошо известными сходными явлениями и процессами, условное продолжение в будущее (экстраполяция) тенденций, закономерности, развития которых в прошлом и настоящем обладают высокой степенью инертности, модель будущего состояния того или иного явления, процесса, построенная сообразно ожидаемым или желательным изменениям ряда условий, перспективы развития которых достаточно хорошо известны.
Прогнозирование любого социально-экономического явления или процесса является сложным процессом, требующим больших затрат времени и усилий.
В данной работе было проведено прогнозирование динамики и прогнозирование средней цены на первичном и вторичном рынке жилья в России. Можно сделать вывод о том, что цены на рынке жилья больше возрастают, нежели падают. Кроме того, была построена модель, по которой были построены прогнозные значения, которые вошли в доверительные интервалы. Кроме того, прогнозные значения показывают, что цены на жилье будут расти в ближайшее время.
Подводя итог, можно сделать вывод, что при прогнозировании средней цены на рынке жилья необходимо учитывать достаточно большое количество специфических факторов, которые в свою очередь требуют более глубокого изучения.
Список используемой литературы: