-16-
të paanshme, ndërkohë që në rastin e modeleve jolineare,
një simulim deterministik jep një zgjidhje të mbivlerësuar ose
nënvlerësuar të modelit në terma të mesatares së parashikimit
(brown dhe Mariano, (1989 a, 1989, b)).
_
qëndrueshmëria (ndjeshmëria) e modelit kundrejt mbetjeve
ose goditjeve rastësore. Analiza e devijimit standard të
parashikimit stokastik mund të na ndihmojë të analizojmë
gabimin e pritur dhe na jep informacione lidhur me
shpërndarjen e parashikimit stokastik. Kështu, nëse analiza
zbulon se devijimet e parashikimit stokastik janë relativisht të
ndryshme nga mesatarja deterministike, atëherë kjo tregon se
modeli është i paqëndrueshëm dhe i ndjeshëm ndaj goditjeve
të jashtme.
_
Në përfundim, çështja e fundit që dëshirojmë të adresojmë
është forma e shpërndarjes së parashikimit stokastik, e cila
na jep informacione të rëndësishme lidhur me karakteristikat
e gabimit të parashikimit. Kështu, në një model jolinear,
bianche, Calzolari dhe Corsi, (1979, 1981) nënvizojnë
se shpërndarja normale e gabimeve mund të prodhojë një
shpërndarje të anuar të parashikimit, e cila lidhet me një
mesatare dhe mesore të ndryshme. Kjo mesatare e investigimit
të shpërndarjes jep një ide se ku mund të ndodhet gabimi i
parashikimit stokastik dhe deterministik në terma të formës
së parashikimit, duke shfaqur mundësinë e mbivlerësimit ose
nënvlerësimit në parashikimet deterministike.
-17-
4. TEKNIKA E SIMULIMIT MONTE CARLO
Literatura ekonometrike propozon mjaft metoda analitike,
numerike dhe empirike për vlerësimin e kontributit të gabimeve në
parashikim, për disa ose për të gjitha burimet e pasigurisë (Bianchi
dhe Calzolari, (2010)). Një ndër mënyrat që po aplikohen gjithnjë
e më tepër janë “Metodat Monte Carlo të simulimit të variablave
rastësorë”. Më poshtë jepet një përshkrim i përgjithshëm i këtyre
metodave, duke u përqendruar në një shembull konkret, i cili do të
përdoret në seksionin tjetër.
Nisur nga informacionet dhe njohuritë tona, kjo nuk është hera e
parë që teknika e simulimit Monte Carlo përdoret për të gjeneruar
pasigurinë në punimet e bankës së Shqipërisë. Shijaku dhe Ceca
(2009) e përdorin simulimin Monte Carlo për të matur pasigurinë,
megjithatë, ata nuk bëjnë një diskutim të detajuar të kësaj teknike.
Për shkak të kësaj dhe nisur nga fakti se kjo është hera e parë
që teknikat Monte Carlo përdoren për vlerësimin e eficiencës
së parashikimit të modelit makroekonomik MEAM të bankës së
Shqipërisë, ne do të paraqesim një përshkrim të përgjithshëm të
teknikës Monte Carlo.
Përdorimi i metodave Monte Carlo bazohet në simulimin e variablit
të rastit me shpërndarje të njëtrajtshme në intervalin ]0; 1[. Algoritmet
bazë të gjenerimit të numrave nga kjo shpërndarje përmenden
në literaturë (Lemieux, Ch, 2009.) dhe disa prej tyre, përfshihen
edhe në programe (software) të ndryshme statistikore. Procedura
dhe teste statistikore krijohen gjithashtu për të treguar rëndësinë
statistikore të tërësisë së numrave të krijuar duke përdorur këto
algoritme (Lemieux, Ch, 2009).
Më pas, përdorimi i këtyre metodave konsiston në modelimin e
një variabli rastësor përmes shpërndarjes së njëtrajtshme. Në këtë
mënyrë, krijohen “algoritmet e kalimit”. Teorikisht, është provuar
se çdo shpërndarje probabilitare mund të shprehet si funksion i
shpërndarjes së njëtrajtshme. Nga ana tjetër, zgjidhja praktike e
kësaj shprehjeje konsiston në krijimin e “algoritmeve të kalimit” të
përmendura më lart.
-18-
Duke qenë se ajo çfarë kemi përmendur deri tani zbatohet për
shpërndarjet parametrike, për ato joparametrike ekzistojnë metoda
të tjera (në disa raste të njohura dhe si “metoda speciale të modelimit
të variablave të rastit”). E fundit që vlen për t’u përmendur në këtë
kuadër është se modelimi i vektorëve të rastit është një përgjithësim
normal i rastit skalar. Në vijim, paraqitet një shembull konkret i
modelimit të një variabli të rastit dhe të një vektori të rastit me
shpërndarje normale, të cilët përdoren në rastin tonë.
Në shumë raste, shpërndarja probabilitare e pasigurisë pranohet
të jetë shpërndarje normale (bazuar në Teoremën qendrore
Limite). Le të supozojmë se na jepet një vektor i rastit
Z, me
shpërndarje normale shumë përmasore
Z
n
~ N(µ,Ω),
me vektor
mesatar
µ dhe matricë kovariancionale
Ω, simetrike, pozitivisht
të përcaktuar dhe josingulare. Përmes aplikimit të matricës së
zbërthimit (dekompozimit) Cholesky,
Ω mund të jepet nga matrica
katrore trekëndore më e ulët
H, n-përmasore, në formën:
Ω=HH
T
.
Për më shumë hollësi mbi llogaritjet e matricës
H = {
h
i,j
}, kur jepet
Ω = {
ω
i,j
}, mund të përdoren barazimet e mëposhtme:
(8)
Matrica
H mund të përdoret për të shprehur vektorin e rastit
Z në
formën e mëposhtme:
Z= H
•
U + µ,
(9)
ku
U=(
U
1
...U
n
)
T
është një vektor i rastit
n– përmasor, me
shpërndarje normale
U ~ N
n
(
0, I)
, me densitet probabilitetesh:
(10)
bazuar në faktin se matrica kovariancionale vektorit të rastit
U është një matricë identike n- përmasore
I, rezulton se të gjithë
përbërësit e vektorit
U janë të pavarur dhe me shpërndarje
të njëjtë, të dhënë nga densiteti i shpërndarjes probabilitare:
.