Aegrida on andmete või vaatluste kogum, mis viitab ühele või mitmele muutujale ja on järjestatud kronoloogiliselt.
Aegridad on majanduses väga olulised. Kuna majanduses kogutakse aja jooksul peaaegu kõik muutujad. Teisisõnu on huvitav näha muutuja arengut ajas, mitte konkreetset väärtust antud hetkel. Seega, kui analüüsitakse majanduslikke muutujaid, räägitakse majandustsüklitest või suundumustest.
Kuna andmete järjekord on ülitähtis, tuleb arvestada, et see muudab andmete analüüsi ja tõlgendamist. Seega peab ökonomeetria, mis vastutab majanduslike muutujate vaheliste seoste otsimise ja hindamise eest, seda asjaolu arvesse võtma.
Aegridade analüüs
Võttes arvesse, et andmete järjekord loeb, võime öelda, et tähelepanekud ei ole sõltumatud. See tähendab, et minevik võib tulevikku mõjutada. Ökonomeetria peab olema sellest tunnusest teadlik ja kasutama matemaatilisi tööriistu, mis võimaldavad usaldusväärselt hinnanguid teha. Kindlasti:
- Tähtis on andmete järjekord.
- Vaatlused ei ole sõltumatud.
- Seoste hindamisel tuleks arvestada, et need pole sõltumatud.
- Seetõttu peate kasutama erinevaid matemaatilisi ja statistilisi tehnikaid.
Seda teades tasub küsida:
- Mida see täpselt tähendab, et vaatlused pole sõltumatud?
- Milliste võtetega aegridade andmeid analüüsitakse?
Ajutine sõltuvus
Vastus esimesele küsimusele viitab sõltuvusele ajast. Muutuja sõltub ajast, kui mineviku andmed mõjutavad muutuja väärtust tulevikus. Näiteks pikaajalisel maailma sisemajanduse koguproduktil (SKP) on pikaajaline tõusutrend. Mis tähendab, et majanduskasv püsib aja jooksul. Seetõttu mõjutab minevikus toimunu ka tulevikus.
Vastupidi, kui me valame vormi ja kirjutame üles selle veeremise kuupäeva, näeme, et varasemate ja praeguste andmete vahel pole mingit seost. Viimasel juhul ei mõjuta minevik tulevikku.
Aegridade andmete analüüsimise tehnikad
Aegridade andmete analüüsimiseks on palju tehnikaid. Tavaliselt on aga lihtsam kasutada regressioonimudelit. Muidugi regressioonimudel, mis võtab arvesse aegridade tüüpi, millega see töötab.
Üks enim kasutatud ja lihtsamaid võtteid võiks olla seeria modifitseerimine või selle arvestamine mudelis. Näiteks ärge suunake SKP seeriat või lisage mudelisse trendimuutuja. Kuigi see pole selle määratluse objekt, toome selle mõistmiseks väga lihtsa näite.
Vaatame järgmisi graafikuid:
Kui arvutame kahe eelmise seeria regressioonimudeli, siis kindlasti näitavad arvutused statistilise seose olemasolu. Messi löödud eesmärkidel pole aga mingit pistmist Ladina riigi kasvuga. Trendikomponendi välistades tuleks aga välja, et need pole suguluses.
Eelmises lõigus kirjeldatu on midagi, mis juhtub mitu korda seeriatega, mis on ilmselt seotud, kuid kui uuringud on hästi tehtud, siis mitte.