- •Эконометрическая модель.
- •Измерения в экономике. Шкалы измерений.
- •Случайные события и случайные переменные. Распределение случайных величин.
- •Статистические характеристики случайных величин и их свойства.
- •Основные функции распределения.
- •Оценки статистических характеристик и их желательные свойства.
- •Проверка статистических гипотез.
- •Критерий и критическая область.
- •Мощность статистического критерия. Уровень значимости.
- •Модель линейной регрессии.
- •Оценивание параметров регрессии. Метод наименьших квадратов.
- •Система нормальных уравнений мнк и ее решение.
- •Свойства оценок параметров, полученных методом наименьших квадратов. Условия Гаусса – Маркова.
- •Коэффициент детерминации и его свойства.
- •Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия.
- •Доверительные интервалы оценок параметров и проверка гипотез об их значимости.
- •Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза.
- •Ковариационная матрица оценок коэффициентов регрессии.
- •Проверка значимости коэффициентов и адекватности регрессии для множественной линейной регрессионной модели.
- •Коэффициент множественной детерминации. Скорректированный коэффициент детерминации.
- •Проблемы спецификации регрессионной модели. Пошаговая регрессия.
- •Проблема смещения Предположим, что переменная у зависит от двух переменных х1, и х2 в соответствии с соотношением:
- •Неприменимость статистических тестов
- •Замещающие переменные. Фиктивные переменные.
- •Мультиколлинеарность. Влияние мультиколлинеарности на оценки параметров уравнения регрессии.
- •Методы борьбы с мультиколлинеарностью.
- •Линеаризация регрессионных моделей путем логарифмических преобразований.
- •Модели с постоянной эластичностью. Производственная функция Кобба - Дугласа.
- •Модель с постоянными темпами роста (полулогарифмическая модель).
- •Полиномиальная регрессия.
- •Кривая Филипса
- •Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
- •Признаки гетероскедастичности и ее диагностирование. Обнаружение гетероскедастичности
- •1. Графический анализ остатков
- •2. Тест ранговой корреляции Спирмена
- •3. Тест Голдфелда-Квандта
- •Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
- •Автокорреляция. Причины автокорреляции.
- •Влияние автокорреляции на свойства оценок мнк.
- •Тест серий. Статистика Дарбина – Уотсона.
- •Способы противодействия автокорреляции.
- •Стохастические объясняющие переменные. Последствия ошибок измерения.
- •Инструментальные переменные.
- •Лаговые переменные и экономические зависимости между разновременными значениями переменных.
- •Модели с распределенными лагами.
- •Модели авторегрессии как эквивалентное представление моделей с распределенными лагами.
- •Ожидания экономических агентов и лаговые переменные в моделях
- •Модели наивных и адаптивных ожиданий.
- •Модель гиперинфляции Кейгана.
- •44. Модель гиперинфляции Кейгана
- •Понятие об одновременных уравнениях. Структурная и приведенная форма модели.
- •Структурная и приведённая форма. Идентифицируемость
- •Примеры
- •Проблема идентификации. Неидентифицируемость и сверхидентифицированность.
- •Оценивание системы одновременных уравнений. Косвенный и двухшаговый мнк.
- •Системы эконометрических уравнений с лаговыми переменными.
- •Модель Кейнса.
- •Модель Клейна.
- •Матричная форма записи модели Клейна
Модели с распределенными лагами.
Во многих экономических задачах встречаются лагированные (взятые в предыдущий момент времени) переменные. Например, yt — выпуск предприятия за год t — может зависеть не только от инвестиций It в этот год, но и от инвестиций в предыдущие годы.
Эконометрическая модель, содержащая в качестве факторов не только текущие переменные, но и лаговые их значения, называется динамической.
Выделим два основных типа динамических эконометрических моделей:
модели с распределенным лагом;
модели авторегрессии.
Моделями с распределенным лагом называются модели, содержащие в качестве факторов лаговые значения факторных переменных, например модель вида
Моделями авторегрессии называются модели, содержащие в качестве факторов лаговые значения зависимой переменной, например модель вида
Обе модели включают в себя лаговые значения переменных, но существенно различаются с точки зрения статистического оценивания параметров.
Модели с распределенным лагом
Модель с распределенным лагом в предположении, что максимальная величина лага конечна, имеет вид
В этой модели влияние х на у сохраняется в течение времени р.
В краткосрочном (текущем) периоде влияние х на у отражается величиной β0, называемой краткосрочным мультипликатором.
В долгосрочном периоде (через р моментов времени) суммарное влияние х на у отражается величиной β = βо + βi + ••• + βp, называемой долгосрочным мультипликатором.
В моделях с распределенным лагом объясняющие переменные не коррелированы со случайным членом, поэтому модель можно оценивать с помощью обычного МНК. Однако на практике оценка параметров модели затруднительна из-за высокой мультиколлинеарности факторов.
Для уменьшения числа объясняющих переменных и уменьшения эффекта мультиколлинеарности разработан ряд подходов, например модель геометрических лагов и модель полиномиальных лагов.
Модель геометрических лагов (Модель Койка)
Предположим, что в модели с бесконечным лагом коэффициенты при лаговых значениях объясняющих переменных убывают в геометрической прогрессии. Модель имеет вид
где (0;1).
В этой модели влияние х на у продолжается бесконечно.
В краткосрочном (текущем) периоде влияние х на у отражается коэффициентом βо.
В долгосрочном периоде суммарное влияние х на у равно
Модель содержит только три параметра (α, β, δ) и является нелинейной.
Процедура оценивания нелинейной модели.
Преобразование Койка. Определяется выражение для периода t–1:
Умножив обе части уравнения на δ и вычтя их из исходного уравнения, получим:
где уже отсутствуют лаговые значения x. Отсюда
Альтернативный и более эффективный способ заключается в применении нелинейного метода наименьших квадратов.
Модель полиномиальных лагов (Метод Алмон)
В модели полиномиальных лагов предполагается, что зависимость коэффициентов при лаговых значениях объясняющей переменной от величины лага описывается полиномом m-й степени. Модель имеет вид
где
m≤p.
Предположим, что величина лага р известна. Кроме того, необходимо установить степень полинома т. Обычно на практике ограничиваются рассмотрением полиномов второй и третьей степени.