АНАЛИЗ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ, ИСПОЛЬЗУЕМЫХ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭКОНОМЕТРИЧЕСКИХ ВРЕМЕННЫХ РЯДОВ
https://doi.org/10.32362/2500-316X-2019-7-2-61-73
Аннотация
Об авторе
Д. А. Петрусевич
МИРЭА - Российский технологический университет
Россия
Россия
Петрусевич Денис Андреевич - кандидат физико-математических наук, доцент кафедры высшей математики Института кибернетики.
19454, Москва, пр-т Вернадского, д. 78
Список литературы
1. «Российский мониторинг экономического положения и здоровья населения НИУ-ВШЭ (RLMS-HSE)», проводимый Национальным исследовательским университетом «Высшая школа экономики» и ООО «Демоскоп» при участии Центра народонаселения Университета Северной Каролины в Чапел Хилле и Института социологии Федерального научно-исследовательского социологического центра РАН. http://www.cpc.unc.edu/projects/rlms , http://www.hse.ru/rlms.
2. Единый архив экономических и социологических данных. Динамические ряды макроэкономической статистики РФ. Заработная плата. http://sophist.hse.ru/hse/nindex.shtml
3. Соболев Э.Н. Оплата труда в системе социально-трудовых отношений: стереотипы и российские реалии. Научный доклад. М.: Институт экономики РАН, 2017. 50 с.
4. Алексахин А.В., Ломоносова Н.В. Современные особенности развития региональных рынков труда // Актуальные проблемы естественных и гуманитарных наук. Сб. науч. трудов Второй заочн. Междунар. конф. проф.-преп. состава. Казань: Печать-Сервис XXI век, 2018. С. 76-77.
5. Айвазян С.А., Березняцкий А.Н., Бродский Б.Е. Модели социально-экономических показателей России // Прикладная эконометрика. 2018. Т. 51. С. 5-32.
6. Goldschmidt D., Schmieder J.F. The Rise of domestic outsourcing and the evolution of the german wage structure // The Quarterly Journal of Economics. 2017. V 132. Is. 3. P. 1165-1217. doi:10.1093/qje/qjx008.
7. Cepni O., Ethem Guney I., Swanson N.R. Nowcasting and forecasting GDP in emerging markets using global financial and macroeconomic diffusion indexes // Int. J. Forecast. 2018. V. 35. Is. 2. P. 555-572. doi: 10.1016/j.ijforecast.2018.10.008.
8. Hyndman R.J., Khandakar Y Automatic time series forecasting: The forecast package for R // J. Statistical Software. 2008. V. 27. Is. 1. P. 1-22. doi:10.18637/jss.v027.i03.
9. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and practice: 2nd ed. OTexts, 2018. 382 p.
10. Бокс Дж., Дженкинс Г.М. Анализ временных рядов. Прогноз и управление: пер. с англ. / Под ред. В.Ф. Писаренко. М.: Мир, 1974. Кн. 1. 406 с. Кн. 2. 197 с.
11. Айвазян С.А. Прикладная статистика. Основы эконометрики: в 2-х т. Т. 2. М.: Юнити-Дана, 2001. 432 с.
12. Said S.E., Dickey D.A. Testing for unit roots in autoregressive-moving average models of unknown order // Biometrika. 1984. V. 71. Is. 3. P. 599-607. doi:10.1093/biomet/71.3.599.
13. Wold H. A study in the analysis of stationary time series: Second revised edition. Uppsala: Almqvist and Wiksell Book Co., 1954. 236 р.
14. Tarassow A. Forecasting U.S. money growth using economic uncertainty measures and regularisation techniques // Int. J. Forecast. 2018. V 35. Is. 2. P. 443-457. doi: 10.1016/j.ijforecast.2018.09.012.
15. Cubadda G., Guardabascio B. Representation, estimation and forecasting of the multivariate index-augmented autoregressive model // Int. J. Forecast. 2018. V 35. Is. 1. P. 67-79. doi: 10.1016/j.ijforecast.2018.08.002.
16. Chan K.S., Goracci G. On the ergodicity of first-order threshold autoregressive moving-average processes // J. Time Series Analysis. 2018. V 40. Is. 2. P. 256-264. doi:10.1111/jtsa.12440.
17. Askanazi R., Diebold F.X., Shin M. On comparison of interval forecasts // J. Time Series Analysis. 2018. V. 39. Is. 6. P. 953-965. doi: 10.1m/jtsa.12426.
18. Strijbis O., Arnesen S. Explaining variance in the accuracy of prediction markets // Int. J. Forecast. 2018. V. 35. Is. 1. P. 408-419. doi: 10.1016/j.ijforecast.2018.04.009.
19. Dress K., Lessmann S., von Mettenheim H.-J. Residual value forecasting using asymmetric cost functions // Int. J. Forecast. 2018. V. 35. Is. 1. P. 408-419. doi: 10.1016/j.ijforecast.2018.04.009.
20. Dantas T.M., Oliveira F.L.C. Improving time series forecasting: An approach combining bootstrap aggregation, clusters and exponential smoothing // Int. J. Forecast. 2018. V. 34. Is. 4. P. 748-761. doi: 10.1016/j.ijforecast.2018.05.006.
Дополнительные файлы
|
|
1. Рис. 6. Прогнозы моделей Arima(6, 1, 3), Arima(2, 1, 6) и auto.arima = Arima(0, 1, 1) на 2018 год и данные индекса зарплаты, зафиксированные в реальности. | |
| Тема | ||
| Тип | Research Instrument | |
Посмотреть
(58KB)
|
Метаданные | |
Рецензия
Для цитирования:
Петрусевич Д.А. АНАЛИЗ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ, ИСПОЛЬЗУЕМЫХ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭКОНОМЕТРИЧЕСКИХ ВРЕМЕННЫХ РЯДОВ. Russian Technological Journal. 2019;7(2):61-73. https://doi.org/10.32362/2500-316X-2019-7-2-61-73
For citation:
Petrusevich D.A. ANALYSIS OF MATHEMATICAL MODELS USED FOR ECONOMETRICAL TIME SERIES FORECASTING. Russian Technological Journal. 2019;7(2):61-73. (In Russ.) https://doi.org/10.32362/2500-316X-2019-7-2-61-73
Просмотров: 812
Послать статью по эл. почте 