- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
9.Что такое временной лаг?
10.Как ведет себя автокорреляционная функция стационарного
ряда?
11.Как называют график коэффициентов автокорреляции временного ряда?
12.Как ведут себя автокорреляционная и частная автокорреляционная функции модели AR(p)?
13.Как ведут себя автокорреляционная и частная автокорреляционная функции модели MA(q)?
14.Как ведут себя автокорреляционная и частная автокорреляционная функции модели ARMA(p, q)?
15.При каких значениях параметра процесс )=φ y(t −1)+εty(t
будет стационарным рядом? |
y(t)=φ y(t −1)+εt |
||
16. При |
каких |
значениях параметра процесс |
|
будет случайным блужданием? |
y(t)=φ y(t −1)+εt |
||
17. При |
каких |
значениях параметра процесс |
будет носить взрывной характер?
18.При каком преобразовании процесс ARIMA(p, k, q) преобразуется в стационарный ряд?
19.Каким образом процесс y(t)=φ y(t −1)+εt преобразуют в ста-
ционарный ряд?
20.Как ведут себя коэффициенты при лаговых переменных с ростом номера лага в модели Койка?
21.Как зависят параметры уравнения от номера лага в модели Алмон?
22.Каков порядок действий при оценке моделей, содержащих авторегрессию, в методе, предложенном Уоллисом?
ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
Цель: изучение видов систем одновременных уравнений и методов оценки их параметров.
Методические указания
204
Следует понять, чем различаются экзогенные и эндогенные переменные, структурная и приведенная формы модели. Необходимо научиться определять условия идентификации отдельного уравнения системы. Затем необходимо запомнить порядок действий и научиться применять косвенный и двухшаговый методы наименьших квадратов.
§ 1. Общие понятия
Системой одновременных уравнений называется набор взаимосвязанных регрессионных моделей, в которых одни и те же переменные могут одновременно (в различных уравнениях) играть роль зависимых и объясняющих переменных.
При рассмотрении систем одновременных уравнений переменные делятся на два больших класса — эндогенные и экзогенные. Эндогенные переменные — это переменные, значения которых определяются внутри модели. Экзогенные переменные — это внешние по отношению к модели переменные. Их значения определяются вне модели и поэтому они считаются фиксированными. С математической точки зрения, главное отличие между экзогенными и эндогенными переменными заключается в том, что экзогенные переменные не коррелируют со случайными отклонениями, а эндогенные могут коррелировать (и, как правило, коррелируют). Модель содержит также различного рода параметры (коэффициенты), которые определяются в ходе статистического оценивания путем обработки имеющейся информации.
Для экономистов интерес представляет количественный анализ модели, т. е. нахождение оценок параметров на основании имеющейся в распоряжении исследователя информации о значениях переменных. Здесь возникает следующая проблема идентифицируемости: можно ли в предложенной модели однозначно восстановить значение некоторого параметра или его определение принципиально невозможно на основе рассматриваемой модели? Прежде чем переходить к процедурам оценивания, необходимо быть уверенным, что их применение имеет смысл.
205
Уравнения, составляющие исходную модель, называют структурными уравнениями модели. Структурная форма модели — это система уравнений, отражающая связь между переменными в соответствии с положениями экономической теории и характеризующая структуру экономики или ее сектора. Параметры структурной формы модели называют структурными. Если модель содержит тождества, то без потери общности их можно назвать уравнениями, в которых структурные параметры при переменных равны 1.
Уравнения, в которых отражена схема определения эндогенных переменных, называются уравнениями в приведенной форме (приведенными уравнениями). Это уравнения, в которых эндогенные переменные выражены только через экзогенные и лаговые значения эндогенных переменных, а также случайные составляющие. Экзогенные и лаговые эндогенные переменные называются предопределенными. Таким образом, в приведенной форме модели в общем случае эндогенные переменные выражены через предопределенные переменные.
Таким образом, приведенная форма модели — это система уравнений, в которой каждая эндогенная переменная есть линейная функция от всех предопределенных переменных модели. Для экономической интерпретации применяются структурные уравнения, для прогнозирования — приведенная форма.
Взаимозависимые эндогенные переменные без временного запаздывания будем обозначать Y1t, Y2t, …, Ymt. Эндогенные переменные с временным запаздыванием и экзогенные переменные (как с запаздыванием, так и без него) будем обозначать Y1t, Y2t, …, Ykt.
Не будем рассматривать модели, содержащие уравнениятождества, тогда общая форма модели имеет вид:
206
m |
k |
Y1t = ∑β1iYit + ∑γ1 j X jt +ε1t |
|
i=2 |
j=0 |
m |
k |
Y 2t = ∑β2iYit + ∑γ2 j X jt +ε2t |
|
i=1 |
j=0 |
i≠2 |
(10.1) |
|
|
... ... ... ... ... ... ... |
|
m−1 |
k |
Y mt = ∑ |
βmiYit + ∑γmj X jt +εmt . |
i=1 |
j=0 |
Здесь j = 0 соответствует свободному коэффициенту, полага-
ем, что Х0 = (1, 1, …, 1)..
В общем случае в силу теоретических соображений некоторые из коэффициентов β и γ должны быть равны нулю. Если это не
так, то статистическое оценивание окажется невозможным. Перенесем все выражения, кроме случайных отклонений, на ле-
вую сторону и запишем модель в матричной форме:
где
Y1t Yt = Y 2tY...
mt
BYt +ΓXt =εt , |
(10.2) |
— вектор-столбец m×1 эндогенных переменных без временного запаздывания;
1 B = −β21
...
−βm1
−β12 ... −β1m
1 ... −β2m
... ... ...
−β12 ... 1
— матрица порядка m×m параметровпри текущих значениях эндогенных
переменных Y ;
207
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X1t |
|
— вектор-столбец (k +1)×1 предопределенных перемен- |
||||||||||
Xt = X 2t |
|
ных (экзогенные переменные с временным запаздыванием |
||||||||||||
|
... |
|
|
и без него и эндогенные переменные с запаздыванием); |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
X kt |
|
|
|
|
|
|
|
|
|
|||
|
−γ |
10 |
|
−γ |
11 |
−γ |
12 |
... |
−γ |
1k |
|
— матрица порядка m×(k +1), |
||
|
−γ |
|
−γ |
−γ |
... |
−γ |
|
|||||||
|
|
|
|
|
|
2k |
|
состоящая из коэффициентов при |
||||||
Γ = |
|
|
20 |
|
|
21 |
|
22 |
|
|
|
|||
|
|
... |
|
|
... |
... ... ... |
|
предопределенных переменных X ; |
||||||
−γ m0 |
|
−γ m1 |
−γ m2 |
|
|
|
||||||||
|
|
... |
−γmk |
|||||||||||
|
ε1t |
|
|
|
|
|
|
|
|
|
|
|
||
|
ε |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2t |
|
|
— вектор-столбец m×1 случайных отклонений. |
||||||||||
εt = |
... |
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
εmt |
|
|
|
|
|
|
|
|
|
|
Если мы предположим, что матрица B невырожденная, то переменные Y можно выразить через переменные X.
BYt +ΓXt =εt , B−1B Yt + B−1ΓXt = B−1εt , Yt = −B−1ΓXt + B−1εt .
Тогда получим приведенную форму модели:
k
Y1t = ∑π1 j X jt +η1t j=0
k
Y 2t = ∑π2 j X jt +η2t j=0
... ... ... ... ... ...
k
Y mt = ∑πmj X jt +ηmt . j=0
208
В матричной записи приведенная форма имеет вид:
Yt = Π Xt + ηt ,
Π
ηt
π10
=π20
...
πm0
η1t = η2tη...
mt
π11 |
π12 |
... |
π1k |
— матрица размерности m×(k +1) |
||
π21 |
π22 |
... |
|
|
||
π2k |
параметров приведенной формы |
|||||
... ... ... ... |
|
|||||
|
при предопределенных X; |
|||||
|
|
|
|
|||
πm1 |
πm2 |
... |
|
|
||
πmk |
|
— вектор случайных отклонений приведенной формы модели.
Очевидно, что параметры структурной и приведенной формы модели связаны следующими соотношениями:
Π = −B−1Γ, ηt = B−1εt .
Из этих соотношений и из приведенной формы модели следует, что каждая из эндогенных переменных y1t , y2t ,..., ymt может, вообще
говоря, испытывать воздействие любого и каждого из случайных возмущений ε1t ,ε2t ,...,εmt . Поэтому, если в структурной форме мо-
дели какая-либо из эндогенных переменных y1t , y2t ,..., ymt стоит в
качестве объясняющей, то она почти обязательно коррелирует со случайным фактором этого уравнения. Корреляция между эндогенными объясняющими переменными и случайными возмущениями означает, что оценки, полученные обычным методом наименьших квадратов, будут несостоятельными.
Пример 10.1. Рассмотрим модель:
I t = β13V t +γ10 +γ11 I t −1 +ε1t ,
X t = β23V t +γ 20 +γ 22 K t +ε2t ,
V t = β32 X t +γ 30 +γ 31 I t −1 +ε3t ,
209
где I — инвестиционные затраты;
X — количество работающих; V — объем продукции;
K — стоимость основных производственных средств.
В данной модели I t , X t ,V t — эндогенные переменные, Kt — экзогенная переменная, I t −1 — предопределенная переменная (лаговая эндогенная). Перенесем все слагаемые, кроме случайных отклонений, в левую часть уравнений, получим:
I t − β13V t −γ10 −γ11 I t −1 =ε1t ,
X t − β23V t −γ 20 −γ 22 K t =ε2t ,
V t − β32 X t −γ 30 −γ 31 I t −1 =ε3t .
Матричная форма структурной модели имеет вид:
|
1 |
0 |
|
0 |
1 |
|
||
0 |
−β32 |
−β
−β
1
13 |
|
|
|
I t |
|
−γ |
10 |
|
|
× |
|
|
|
−γ |
|
23 |
X t |
+ |
20 |
||||
|
|
|
V t |
−γ |
30 |
−γ |
11 |
0 |
|
|
|
1 |
|
0 |
−γ |
|
× |
|
|
|
|
|
22 |
I t −1 . |
|||||
−γ 31 |
0 |
|
|
|
K t |
|
Приведенная форма модели имеет вид:
|
I t |
|
|
π10 |
|
|
= |
|
|
X t |
π 20 |
|||
V t |
|
|
π 30 |
π11 |
π12 |
|
1 |
+ |
η1t |
|
π 21 |
|
× |
|
η |
2t |
|
π 22 |
I t −1 |
|
|
|||
π 31 |
π 32 |
|
K t |
|
η |
3t |
⎟.
Выразим параметры приведенной формы через параметры структурной формы модели:
|
|
|
|
|
|
|
|
|
1 |
|
− β |
13 |
β |
32 |
|
− |
β |
13 |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
1 |
0 |
− β |
|
|
−1 |
|
1− β |
23 |
β |
32 |
1− β |
|
23 |
β |
32 |
|
|||||||||
|
13 |
|
|
|
|
|
|
|
|
|
|
β |
|
|
||||||||||||
Β−1 |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
23 |
|
|||||||
= |
0 |
1 |
− β23 |
|
= |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
, |
||||||
|
1 |
− β |
23 |
β32 |
1− β23 β |
32 |
||||||||||||||||||||
|
|
0 |
− β32 |
1 |
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
0 |
|
|
β32 |
|
|
|
|
1 |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
− β23 |
β32 |
1− β23 β |
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
32 |
210