- •25. Автокорреляция в остатках. Критерий Дарбина-Уотсона (д-у).
- •26. Оценивание параметров уравнения регрессии при наличии автокорреляции в остатках
- •27. Системы одновременных эконометрических уравнений. Структурная и приведенная форма модели. Идентифицируемые, неидентифицируемые и сверхидентифицируемые системы.
- •28. Необходимые и достаточные признаки идентифицируемости системы
26. Оценивание параметров уравнения регрессии при наличии автокорреляции в остатках
Рассмотрим уравнение регрессии
• Пусть оценки а и b параметров уравнения регрессии найдены обычным МНК;
• Пусть критерий Д–У показал наличие автокорреляции в остатках первого порядка.
Чтобы понять, каковы последствия автокорреляции в остатках для оценок параметров модели регрессии, найденных обычным МНК, построим формальную модель, описывающую автокорреляцию в остатках. Автокорреляция в остатках первого порядка предполагает, что каждый следующий уровень остатков et зависит от предыдущего уровня et –1. Следовательно, существует модель регрессии вида где с и d — параметры уравнения регрессии.
В соответствии с рабочими формулами МНК имеем:
После преобразований имеем: (коэффициент автокорреляции остатков первого порядка). Т. обр.: ( -случайная ошибка без автокорреляции). Уравнение регрессии (1) можно переписать в виде: .
Текущий уровень ряда уt зависит не только от факторной переменной хt, но и от остатков предшествующего периода. Допустим, мы не принимаем во внимание эту информацию и определяем оценки параметров а и b уравнения регрессии обычным МНК. Тогда полученные оценки неэффективны, т.е. они не имеют минимальную дисперсию. Это приводит к увеличению стандартных ошибок, снижению фактических значений t-критерия и широким доверительным интервалам для коэффициента регрессии. На основе таких результатов можно сделать ошибочный вывод о незначимом влиянии исследуемого фактора на результат, в то время как на самом деле его влияние статистически значимо.
Основной подход к оценке параметров модели регрессии в случае, когда имеет место автокорреляция остатков. Обратимся к исходной модели (1). Для момента времени t–1 модель примет вид: .
Умножим обе части уравнения на : .
Вычтем из уравнения (1) последнее и проведем тождественные преобразования:
или .
Поскольку ut - случайная ошибка без автокорреляции, то для оценки параметров последнего уравнения можно применять обычный МНК. Если остатки по исходному уравнению регрессии содержат автокорреляцию, то для оценки параметров уравнения используют обобщенный МНК:
Преобразовать исходные переменные yt и хt к виду
2. Применив обычный МНК к уравнению (2), определить оценки параметров а и b.
3. Рассчитать параметр а исходного уравнения из соотношения как .
4. Выписать исходное уравнение (1).
Если значение критерия Дарбина–Уотсона близко к 0, применение метода первых разностей вполне обоснованно. Если , т.е. в остатках наблюдается полная отрицательная автокорреляция, то изложенный выше метод модифицируется следующим образом: Аналогично
Поскольку , имеем: .
Следовательно, (3).
В модели (3) мы определяем средние за два периода уровни каждого ряда, а затем по полученным усредненным уровням обычным МНК рассчитываем параметры а и b. Данная модель называется моделью регрессии по скользящим средним.
рассчитывается из соотношения: .
27. Системы одновременных эконометрических уравнений. Структурная и приведенная форма модели. Идентифицируемые, неидентифицируемые и сверхидентифицируемые системы.
Отдельно взятое уравнение множественной регрессии не может характеризовать истинные влияния отдельных факторов на вариацию результирующей переменной. Поэтому в последние 10-летия в эконометрике важное место заняла проблема описания структуры связей переменными – системой одновременных уравнений (структурными уравнениями).
Структурная и приведенная формы модели (СФ и ПФ)
Система совместных, одновременных уравнений (или структурная форма модели) обычно содержит эндогенные и экзогенные переменные.
Эндогенные переменные - это зависимые переменные (у). Число эндогенных переменных равно числу уравнений в системе.
Экзогенные переменные - это предопределенные переменные, влияющие на эндогенные переменные, но не зависящие от них (х).
Простейшая структурная форма модели имеет вид:
Коэффициенты bi и ai, которые называются структурными коэффициентами(CK). Все переменные в модели выражены в отклонениях от среднего уровня. Поэтому свободный член в каждом уравнении системы отсутствует.
Использование МНК для оценивания структурных коэффициентов дает смещенные и несостоятельные оценки. Поэтому обычно для определения структурных коэффициентов CФ преобразуется в приведенную форму модели.
ПФ представляет собой систему линейных функций эндогенных переменных от экзогенных:
где коэффициенты приведенной формы модели (ПК).
Применяя МНК, можно оценить , а затем оценить значения эндогенных переменных через экзогенные.
ПК представляют собой нелинейные функции СК: , , ,
При переходе от ПФ к СФ исследователь сталкивается с проблемой идентификации. Идентификация - это единственность соответствия между ПФ и СФ модели.
Пусть структурная модель имеет вид:
Из второго уравнения можно выразить у1 следующей формулой:
Тогда в системе имеем два уравнения для эндогенной переменной у1 с одним и тем же набором экзогенных переменных, но c разными коэффициентами при них:
Наличие двух вариантов для расчета структурных коэффициентов одной и той же модели связано с неполной ее идентификацией. Структурная модель в полном виде, состоящая в каждом уравнении системы из п эндогенных и т экзогенных переменных, содержит п(п-1+т) параметров.
Приведенная форма модели в полном виде содержит пт параметров.
В полном виде структурная модель содержит большее число параметров, чем приведенная форма модели. Соответственно п(п-1+ т) параметров структурной модели не могут быть однозначно определены из пт параметров приведенной формы модели.
Чтобы получить единственно возможное решение для структурной модели, необходимо предположить, что некоторые из структурных коэффициентов равны нулю. Тем самым уменьшится число структурных коэффициентов модели. Уменьшение числа структурных коэффициентов модели возможно и другим путем: приравнивания некоторых коэффициентов друг к другу.
Структурные модели можно подразделить на три вида:
1) Модель идентифицируема, если все структурные ее коэффициенты определяются однозначно, единственным образом по коэффициентам приведенной формы модели, т.е. если число параметров структурной модели равно числу параметров приведенной формы модели.
2) Модель неидентифицируема, если число приведенных коэффициентов меньше числа структурных коэффициентов, и в результате структурные коэффициенты не могут быть оценены через коэффициенты приведенной формы модели.
3) Модель сверхидентифицируема, если число приведенных коэффициентов больше числа структурных коэффициентов.