- •Эконометрического моделирования План лекции
- •Введение
- •1.Предмет, цель и задачи эконометрики.
- •2.Этапы становления эконометрики
- •3. Введение в эконометрическое моделирование
- •4. Основные математические предпосылки эконометрического моделирования
- •5. Основные этапы и проблемы эконометрического моделирования
- •Контрольные вопросы:
- •Тема 2. Парная линейная регрессия и корреляция План лекции
- •Введение
- •1. Модель линейной парной регрессии. Метод наименьших квадратов
- •2. Коэффициент корреляции
- •3. Основные положения регрессионного анализа. Теорема Гаусса – Маркова
- •4. Оценка значимости уравнения регрессии. Коэффициент детерминации
- •5. Построение интервальных прогнозов по модели парной регрессии
- •Контрольные вопросы:
- •Тема 3. Множественный регрессионный анализ План лекции
- •Введение
- •1. Классическая нормальная линейная модель множественной регрессии
- •2. Оценка параметров классической регрессионной модели методом наименьших квадратов
- •3. Предпосылки для множественного регрессионного анализа.
- •Теорема Гаусса-Маркова.
- •4. Стандартизированное уравнение линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 4. Множественная корреляция План лекции
- •Введение
- •1. Множественная линейная корреляционная зависимость
- •2. Частные коэффициенты корреляции
- •3. Коэффициент множественной корреляции
- •4. Отбор факторов в случае линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 5. Линейные регрессионные модели
- •1. Суть гетероскедастичности, ее последствия
- •2. Тесты, позволяющие выявить наличие гетероскедастичности остатков
- •3. Устранение гетероскедастичности
- •4. Автокорреляция остатков, ее последствия. Обнаружение автокорреляции остатков
- •Контрольные вопросы:
- •Тема 6. Линейные регрессионные модели
- •1. Фиктивные переменные
- •2. Модели регрессии с фиктивными переменными сдвига
- •3. Модели регрессии с фиктивными переменными наклона
- •4. Критерий г. Чоу
- •Контрольные вопросы:
- •Тема 7. Модели временных рядов План лекции
- •Введение
- •1. Понятие временного ряда. Общий вид модели временного ряда
- •2. Проверка гипотезы существования тенденции
- •3. Стационарные временные ряды и их характеристики. Автокорреляционная функция
- •Авторегрессия первого порядка. Тест Дарбина-Уотсона
- •4. Аналитическое выравнивание (сглаживание) временного ряда
- •6. Процесс построения аддитивной модели временного ряда
- •7. Прогнозирование на основе моделей временного ряда
- •8. Понятие об авторегрессионных моделях и моделях скользящей средней
- •Контрольные вопросы:
- •Тема 8: модели с лаговыми переменными План лекции
- •Введение
- •1. Модели с распределенными лагами
- •2. Модели авторегрессии
- •3. Авторегрессионные модели и их моделирование
- •Контрольные вопросы:
- •Тема 9. Системы линейных одновременных уравнений План лекции
- •Введение
- •1. Структурная и приведенная формы моделей
- •2. Проблема идентификации
- •Матрица коэффициентов (1)
- •Матрица коэффициентов (2)
- •Матрица коэффициентов (3)
- •3. Оценивание параметров структурной модели
- •Условные данные по пяти регионам
- •Контрольные вопросы:
- •Используемая литература
3. Оценивание параметров структурной модели
Коэффициенты структурной модели могут быть оценены разными способами в зависимости от вида системы одновременных уравнений. Наибольшее распространение в литературе получили следующие методы оценивания коэффициентов структурной модели:
косвенный метод наименьших квадратов (КМНК);
двухшаговый метод наименьших квадратов (ДМНК);
трехшаговый метод наименьших квадратов (ТМНК);
• метод максимального правдоподобия с полной информацией (ММПf);
• метод максимального правдоподобия при ограниченной информации (ММП5).
Косвенный и двухшаговый методы наименьших квадратов подробно описаны в литературе и рассматриваются как традиционные методы оценки коэффициентов структурной модели. Эти методы достаточно легкореализуемы. Косвенный метод наименьших квадратов применяется для идентифицируемой системы одновременных уравнений, а двухшаговый метод наименьших квадратов — для оценки коэффициентов сверхидентифицируемой модели. Перечисленные методы оценивания также используются для сверхидентифицируемых систем уравнений.
Приведем здесь косвенный метод наименьших квадратов. Косвенный метод наименьших квадратов используется в случае точно идентифицируемой структурной модели. Процедура применения КМНК предполагает выполнение следующих этапов работы:
структурная модель преобразовывается в приведенную форму модели;
для каждого уравнения приведенной формы модели обычным МНК оцениваются приведенные коэффициенты (ij);
коэффициенты приведенной формы модели трансформируются в параметры структурной модели.
Рассмотрим применение КМНК для простейшей идентифицируемой эконометрической модели с двумя эндогенными и двумя экзогенными переменными:
Пример. Пусть для построения данной модели мы располагаем некоторой информацией по пяти регионам (табл. 9.1).
Таблица 9.1
Условные данные по пяти регионам
Регион |
у1 |
у2 |
х1 |
х2 |
1 2 3 4 5 Средние |
2 3 4 5 6 4 |
5 6 7 8 5 6,2 |
1 2 3 2 4 2,4 |
3 1 2 5 6 3,4 |
При практических расчетах требуется, конечно, значительно больший объем информации, включающий достаточно большое число регионов.
Приведенная форма модели составит:
где и1, и2 – случайные ошибки приведенной формы модели.
Для каждого уравнения приведенной формы модели применяем традиционный МНК и определяем -коэффициенты.
Чтобы упростить процедуру расчетов, можно работать с отклонениями от средних уровней, т. е. у = у – и х = х – . Тогда для первого уравнения приведенной формы модели система нормальных уравнений составит:
Применительно к рассматриваемому примеру, используя отклонения от средних уровней, имеем:
Решив данную систему, получим следующее первое уравнение приведенной формы модели:
у1 = 0,852х1 + 0,373х2 + и1.
Аналогично применяем МНК для второго уравнения приведенной формы модели и получаем:
у2 = 21х1 + 22х2 + и2.
Система нормальных уравнений составит:
В соответствии с нашим примером имеем:
Откуда второе приведенное уравнение составит:
у2 = – 0,0728х1 – 0,00557х2 + и2.
Таким образом, приведенная форма модели имеет вид:
Переходим от приведенной к структурной форме модели, т. е. к системе уравнений
Для этой цели из первого уравнения приведенной формы модели надо исключить х2, выразив его из второго уравнения приведенной формы и подставив в первое:
Тогда:
– первое уравнение структурной модели.
Для того чтобы найти второе уравнение структурной модели, обратимся вновь к приведенной форме модели. С этой целью из второго уравнения приведенной формы модели следует исключить х1, выразив его через первое уравнение и подставив во второе:
Итак, структурная форма модели имеет вид:
Оценка значимости модели дается через F-критерий и R2 для каждого уравнения в отдельности. В рассматриваемом примере хороших результатов достичь не удалось: ввиду малого числа наблюдений значения F-критерия Фишера несущественны (при уровне значимости 0,05 F-табличное значение равно 19, а фактическое F = 7 для первого уравнения).