"Латентные" Корреляции потоков в экономике: сплайн-анализ

Бесплатный доступ

В статье предлагается новый подход к анализу взаимосвязей, позволяющий обнаруживать «латентные» корреляции потоков. В методах классической эконометрики показаны некоторые ограничения, затрудняющие поиск корреляций между замедлениями или ускорениями роста. К недостаткам существующих методов отнесены процедуры сглаживания эмпирической динамики, искажающие информацию о реальных ускорениях или замедлениях роста в «узловых» точках. Также в работе указано на отсутствие в моделях связи временной последовательности, что затрудняет поиск возможных переключений регрессии. В качестве эффективной альтернативы предлагается моделировать динамику сравниваемых процессов кубическими сплайнами. Сплайн-аппроксимация сохраняет в строящихся моделях эмпирическую динамику с нулевой погрешностью. Дифференцированием сплайн-моделей выполняется переход к непрерывным траекториям скорости потоков. Сравнением траекторий скорости потоков выявляются «латентные» для инструментов классической эконометрики корреляции, определяются точки переключения регрессии. Анализ выполнен на примере динамики потоков экспорта нефти.

Еще

Потоки, скорость, латентные корреляции, моделирование, сплайны, анализ

Короткий адрес: https://sciup.org/148320237

IDR: 148320237

Список литературы "Латентные" Корреляции потоков в экономике: сплайн-анализ

  • Мамедов О.Ю. Нам нужна не реиндустриализация, нам нужна - реэкономизация! // Terra Economicus. 2016. Т. 14. № 4. С. 6-13.
  • Куклин А.А., Охотников С.А. Оценка экономической безопасности региона: реальное состояние или присутствие феномена псевдобезопасности // Журнал экономической теории. 2020. Т. 17. № 3. С. 600-613.
  • Боташева Ф.Б., Винтизенко И.Г. «Новая эконометрика» с её «тонкими» методами исследования экономических конъюнктур // European Social Science Journal. 2014. № 10-1 (49). С. 31-39.
  • Ильясов Р.Х. Сплайн-моделирование и анализ взаимосвязей в экономике при возможном наличии точек переключения регрессии // Научно-технические ведомости СПбГПУ. Экономические науки. 2018. Т. 11, № 4. С. 165-175. DOI: 10.18721/JE.11412
  • Копров Б.М., Копров В.М., Соколов Д.Ю., Азизян Г.В. О турбулентном потоке электрического заряда вблизи земной поверхности // Известия Российской академии наук. Физика атмосферы и океана. 2009. Т. 45. № 5. С. 597-606.
  • Потапов А.С., Цэгмэд Б., Рыжакова Л.В. Связь потоков релятивистских электронов на геостационарной орбите с уровнем УНЧ активности на поверхности Земли и в солнечном ветре в 23-м цикле солнечной активности // Космические исследования. 2012. Т. 50. № 2. С. 130.
  • Безверхний В.А. Проявление арктического и Эль-Ниньо-южного колебаний в тропической стратосфере // Известия Российской академии наук. Физика атмосферы и океана. 2007. Т. 43. № 3. С. 351-357.
  • Воробьев В.П., Минаков В.Ф., Минакова Т.Е. Эффект инновационных процессов - генерирование денежного потока // Известия Санкт-Петербургского университета экономики и финансов. 2012. № 3 (75). С. 27-32.
  • Выгодчикова И.Ю., Гусятников В.Н. Сплайн-аппроксимация экономических данных с использованием минимаксного подхода // Прикладная информатика. 2017. Т. 12. № 5 (71). С. 131-143.
  • Экспорт Российской Федерации сырой нефти. [Электронный ресурс]. Режим доступа: https://cbr.ru/statistics/macro_itm/svs (дата обращения 04.01.2021).
  • Hung L.D. Savings wedge, productivity growth, and international capital flows // Journal of Economic Integration. 2020. № 35 (3). P. 503-518
  • Uz Akdogan I. The effects of macroprudential policies on managing capital flows // Empir Econ. 2020. № 58. P. 583-603.
  • Hakeem M.M. Equity markets and investment patterns: The network perspective // International Journal of Monetary Economics and Finance. 2020. № 13 (3). P. 189-197.
  • Odoardi I., Muratore F. Understanding the support of savings to income: A multivariate adaptive regression splines analysis // Advances in Intelligent Systems and Computing. 2015. № 373. P. 385-392.
  • Ratto M., Pagano A. Using recursive algorithms for the efficient identification of smoothing spline ANOVA models // AStA Advances in Statistical Analysis. 2010. № 94 (4). P. 367-388.
  • Giordani P., Jacobson T., Schedvin E., Villani M. Taking the Twists into Account: Predicting Firm Bankruptcy Risk with Splines of Financial Ratios // Journal of Financial and Quantitative Analysis. 2014. № 49 (4). P. 1071-1099. DOI: 10.1017/S0022109014000623
  • Duarte A.A., Da Silva A.F., Oliveira L.V., Weffort E.F.J., Chan B.L. The term structure of interest rates and its impact on the liability adequacy test for insurance companies in Brazil // Revista Contabilidade e Financas. 2015. № 26 (68). P. 223-236.
  • Lipton A., Rennie A.A. Guide to Modelling credit term Structures (Book Chapter) // The Oxford Handbook of Credit Derivatives. 2012.
  • Idrisov F.F., Erlikh A.V. Spline Approximations of the Correlation Function and Probability Density of the Doubly Stochastic Poisson Flow Intensity // Russian Physics Journal. 2002. № 45. P. 173-179.
Еще
Статья научная