ПОСТРОЕНИЕ ОДНОРОДНОЙ ВЛОЖЕННОЙ КУСОЧНО-ЛИНЕЙНОЙ РЕГРЕССИИ С ЗАПАЗДЫВАЮЩИМИ ПЕРЕМЕННЫМИ

DOI: 10.47026/1810-1909-2024-4-75-83

УДК 519.852

ББК 22.18

С.И. НОСКОВ, А.Р. ЧЕКАЛОВА

Ключевые слова: однородная вложенная кусочно-линейная регрессия с запаздывающими переменными, идентификация параметров, метод наименьших модулей, задача линейно-булева программирования, объем добычи нефти, капитальные вложения, ввод новых скважин.

При построении регрессионных моделей объектов любой природы часто возникает необходимость задействовать нелинейные аппроксимирующие конструкции, в том числе кусочно-линейные, при этом исследуемый процесс может иметь выраженный динамический характер, поэтому в качестве регрессоров могут быть использованы запаздывающие (лаговые) переменные.

Цель исследования – разработка алгоритмического способа идентификации параметров однородной вложенной кусочно-линейной регрессии с запаздывающими переменными.

Материалы и методы. Для достижения цели использовались предложенные ранее одним из авторов приемы сведения задач оценивания параметров вложенных кусочно-линейных моделей к задачам линейно-булева программирования. Был применен также известный в регрессионном анализе метод наименьших модулей. В качестве объекта моделирования был принят объем добычи нефти в Российской Федерации с использованием статистических исходных данных за 2013–2022 гг.

Результаты исследования. Разработан алгоритмический способ построения однородной вложенной кусочно-линейной регрессии с запаздывающими переменными, сводящийся к решению задачи линейно-булева программирования. Он применен для построения модели для определения возможного объема добычи нефти в Российской Федерации. При этом в качестве независимых переменных использовались данные об объемах капитальных вложений российских вертикально-интегрированных нефтяных компаний и о вводе в действие новых скважин.

Выводы. Разработанный способ построения однородной вложенной кусочно-линейной регрессии с запаздывающими переменными при использовании метода наименьших модулей сводится к задаче линейно-булева программирования. Подобные модели позволяют выявлять лимитирующие значения зависимых переменных факторов с учетом возможных задержек во влиянии на внешнем и внутреннем уровнях.

 Литература

1. Глава Минэнерго отметил рост капитальных вложений в добычу нефти [Электронный ресурс] // Прайм. 2023. 16 марта. URL: https://1prime.ru/20230316/840089260.html (дата обращения: 30.06.2024).
2. Нефть и капитал [Электронный ресурс]. URL: https://oilcapital.ru/news/2015-02-20/vink-uvelichili-investitsii-v-neftedobychu-v-rf-v-2014-g-na-3-8-do-930-mlrd-rub-minenergo-878817 (дата обращения: 30.06.2024).
3. Новак А. Инвестиции ВИНК в нефтедобычу в РФ 2016 году выросли на 10% – до 1,19 трлн рублей [21.12.2016] // Рамблер/Финансы: [сайт]. URL: https://finance.rambler.ru/economics/35647334/?utm_content=finance_media&utm_medium=read_more&utm_source=copylink (дата обращения: 30.06.2024).
4. Новиков Е.И. Оценивание параметров линейных регрессионных моделей с учетом запаздывания влияния факторов на зависимую переменную // Интернет-журнал «Науковедение». 2016. Т. 8, № 4(35). С. 74.
5. Носков С.И., Белинская С.И. Вычисление оценок параметров однородной вложенной кусочно-линейной регрессии // Вестник Дагестанского государственного технического университета. Технические науки. 2023. Т. 50, № 4. С. 115–120.
6. Носков С.И. Некоторые формы вложенной кусочно-линейной регрессии // Известия Тульского государственного университета. Технические науки. 2023. № 3. С. 467–469.
7. Факторы развития нефтесервисного рынка России / И.В. Филимонова, В.Ю. Немов, А.В. Комарова, С.В. Кожевина // Нефтегазовая вертикаль. 2020. № 21-22. С. 6–14.
8. Camilleri S.J., Scicluna N., Ye Bai. Do stock markets lead or lag macroeconomic variables? Evidence from select European countries. The North American Journal of Eco nomics and Finance, 2019, vol. 48, pp. 170–186.
9. Dong Li, Canh Le. Nonlinearity and Spatial Lag Dependence: Tests Based on Double-Length Regressions. Journal of Time Series Econometrics, 2010, vol. 2, no. 1.
10. Heagerty P.J., Comstock B.A. Exploration of Lagged Associations Using Longitudinal Data. Biometrics, 2013, vol. 69(1), pp. 197–205.
11. Honoré B.E., Kyriazidou E. Panel Data Discrete Choice Models with Lagged Dependent Variables. Econometrica, 2003, vol. 68, no. 4, pp. 839–874.
12. iFinance. Available at: http://global-finances.ru/dobyicha-nefti-v-rossii-po-godam/ (Access Date: 2024, June 30).
13. INFOline. Available at: https://infoline.spb.ru/news/?news=160790 (Access Date: 2024, June 30).
14. Mork D., Wilson A. Treed distributed lag nonlinear models. Biostatistics, 2022, vol. 23(3), pp. 754–771.
15. Raifu I.A., Aminu A., Folawewo A.O. Investigating the relationship between changes in oil prices and unemployment rate in Nigeria: linear and nonlinear autoregressive distributed lag approaches. Future Business Journal, 2020, vol. 6, 28. DOI: 10.1186/s43093-020-00033-w.
16. Available at: http://rcc.ru/article/obem-kapvlozheniy-rossiyskih-vink-v-neftedobychu-v-2019-godu-snizilsya-na-27-75072 (Access Date: 2024, June 30).
17. Sakata S., White H. S-estimation of nonlinear regression models with dependent and heterogeneous observations. Journal of Econometrics, 2001, vol. 103(1-2), pp. 5–72.
18. Shaolong Sun, Hongxu Lu, Kwok-Leung Tsui, Shouyang Wang. Nonlinear vector auto-regression neural network for forecasting air passenger flow. Journal of Air Transport Management, 2019, vol.78, pp. 54–
19. Statista. Available at: https://www.statista.com/statistics/1318266/new-oil-wells-russia/ (Access Date: 2024, June 30).
20. Vaheddoost B., Aksoy H., Abghari H. Prediction of Water Level using Monthly Lagged Data in Lake Urmia. Iran Water Resources Management, 2016, vol. 30(13), pp. 4951–4967.
21. WenWu Wang, Lu Lin, Li Yu. Optimal variance estimation based on lagged second-order difference in nonparametric regression. Computational Statistics, 2017, vol. 32, pp. 1047–1063.
22. Zongwu Cai, Jianqing Fan, Qiwei Yao. Functional-Coefficient Regression Models for Nonlinear Time Series. Journal of the American Statistical Association, 2000, vol. 95, 451, pp. 941–956.

Сведения об авторах

Носков Сергей Иванович – доктор технических наук, профессор, кафедра информационных систем и защиты информации, Иркутский государственный университет путей сообщения, Россия, Иркутск (sergey.noskov.57@mail.ru; ORCID: https://orcid.org/0000-0003-4097-2720).

Чекалова Александра Романовна – магистрант кафедры информационных систем и защиты информации, Иркутский государственный университет путей сообщения, Россия, Иркутск (chekalova49@gmail.com; ORCID: https://orcid.org/0009-0009-3811-9051).

Формат цитирования

Носков С.И., Чекалова А.Р. Построение однородной вложенной кусочно-линейной регрессии с запаздывающими переменными // Вестник Чувашского университета. 2024. № 4. С. 75–83. DOI: 10.47026/1810-1909-2024-4-75-83.

Загрузить полный текст статьи