- •43. Нестационарные временные ряды. Метод разностей и интегрируемость.
- •44. Оценка порядка интегрируемости. Тесты на единичный корень. Интеграционная статистика Дарбина-Уотсона
- •45. Оценка порядка интегрируемости. Тесты Дики-Фуллера
- •46. Модификации теста Дики-Фуллера для случая автокорреляции
- •47. Модели arima. Идентификация модели и оценивание пар-ров.
- •48.Общая хар-ка моделей с распределенным лагом и моделей авторегрессии. Интерпретация пар-ов моделей с распределенным лагом и моделей авторегрессии.
- •49.Изучение структуры лага и выбор вида модели с распределенным лагом. Модели Алмон.
- •50. Изучение структуры лага и выбор вида модели с распределенным лагом. Метод Койка
- •51. Панельные данные. Анализ двухпериодной модели.
- •52.Панельные данные. Обобщение на более чем два периода наблюдений
49.Изучение структуры лага и выбор вида модели с распределенным лагом. Модели Алмон.
Текущие и лаговые знач-ия факторной переменной оказывают различное по силе воздействие на результативную переменную модели. Количественно сила связи между рез-том и знач-ями факторной переменной, относящимися к различным моментам времени, измеряется с помощью коэф-тов регрессии при факторных переменных. Можно построить график зависимости коэф-тов от величины лага.
Е сли с ростом вел-ны лага коэф-ты при лаговых знач-ях переменной убывают во времени, то имеет место линейная (рис.а) или геометрическая стр-ра лага (рис.б). На (рис.в-е) показано, когда лаговые воздействия фактора на рез-т не имеют тенденцию к убыванию во времени; (рис.в)– «перевернутая» V-образная стр-ра., (рис.г)– V-образная, (рис.д, е)–парабола 2-ой и 3-ей степени соотв-но. Лаги Алмон. Рассмотрим общую модель с распределенным лагом, кот опис-ется соотношением .(1) Предположим, было установлено, что в исследуемой модели имеет место полиномиальная структура лага, т.е. зависимость коэффициентов регрессии bj от величины лага описывается полиномом k-й степени. Лаги, структуру которых можно описать с помощью полиномов, называют лагами Алмон. Формально модель зависимости коэффициентов bj от величины лага j в форме полинома можно записать так:
– для полинома первой степени bj=c0+c1*j; – второй степени bj=с0+с1*j+c2*j2; – третьей степени bj=с0+c1*j+c2*j2+с3*j3 и т. д. В наиболее общем виде для полинома к-й степени имеем: bj=с0+c1*j+c2*j2+...+ck*jk (2). В (1) подставив (2) и перегруппировав получим: yt=а+с0хt+с0(хt+хt-1+...+хt-l)+с1(хt-1+2хt-2+3хt-3+...+lхt-l)+...+сk(хt-1+2kхt-2+3kхt-3+...+lkхt-l) (3). Обозначим слагаемые в скобках при ci как новые переменные: z0=хt+хt–1+...+хt–l; z1=хt–1+2хt–2+3хt–3+...+lхt–l … zk=хt–1+2kхt–2+3kхt–3+...+lkхt–l (4). Перепишем модель (3) с учетом (4): yt=а+с0z0+с1z1+с2z2+…+сkzk+εt. (5). Процедура применения метода Алмон для расчета пар-ров модели с распределенным лагом выглядит след образом. 1)Определяется макс-ая вел-на лага l. 2)Определяется степень полинома k, описывающего структуру лага. 3)Рассчитываются значения переменных z0,..., zk. 4)Определяются пар-ры ур-ния линейной регрессии (5). 5)При помощи (2) рассчитываются пар-ры исходной модели с распр лагом. Недостатки метода Алмон: 1)Величина лага l должна быть известна заранее. 2)Необх-мо установить степень полинома k. 3)Переменные z, которые рассчитываются как линейные комбинации исходных переменных х, будут коррелировать между собой в случаях, когда наблюдается высокая связь между самими исходными переменными. Дост: 1)он достаточно универсален и м.б. применен для моделирования процессов, которые хар-ются разнообразными структурами лагов; 2)при относительно небольшом кол-ве переменных в (5) с пом метода Алмон м. построить модели с распред-ым лагом любой длины.
50. Изучение структуры лага и выбор вида модели с распределенным лагом. Метод Койка
Используется модель с бесконечным лагом вида: yt=а+boxt+b1xt-1+b2xt-2+...+t (1).Очевидно, что пар-ры такой модели обычным МНК или с пом др стандартных статистических методов определить нельзя, поскольку модель включает бесконечное число факторных переменных. Однако, приняв определенные допущения относительно стр-ры лага, оценки ее пар-ов все же можно получить. Эти допущения состоят в наличии геометрической стр-ры лага, т.е. такой стр-ры, когда воздействия лаговых значений фактора на рез-тат уменьшаются с увеличением вел-ны лага в геом прогрессии. На рис. геометрической структуре лага соответствует вариант б. Подход к оценке пар-ров моделей с распределенным лагом типа (1) впервые был предложен Л.М. Койком. Он предположил, что существует некоторый постоянный темп (0<<1) уменьшения во времени лаговых воздействий фактора на рез-т. Если, например, в период t рез-т изменялся под воздействием изменения фактора в этот же период времени на b0 ед., то под воздействием изменения фактора, имевшего место в период (t-1), рез-тат изменится на b0*, ед.; в период (t-2) — на b0*λ*λ=b0*λ2 ед. и т.д. Для некоторого периода (t–l) это изменение резу-та составит: b0*λl ед. В более общем виде можно записать: bj=b0*λj; j=0,l,2,..., 0<λ<1. (2). Ограничение на значения λ>0 обеспечивает одинаковые знаки для всех коэф-тов bj>0, а λ<1 означает, что с увеличением лага значения пар-ов (1) убывают в геом прогрессии. Чем ближе λ к 0, тем выше темп снижения воздействия фактора на рез-тат во времени и тем большая доля воздействия на рез-т приходится на текущие значения фактора xt. Выразим с пом (2) все коэф-ты bj в (1) через b0 и λ: уt=а + b0xt + b0λxt–1 + b0λ2xt–2 +…+ε t. Тогда для периода (t–1) эта модель примет вид: уt–1= а + b0xt–1 + b0λxt–2 + b0λ2xt–3 +…+ ε t–1. Умножим обе части этого уравнения на λ, получим: λуt–1 = λа + b0λxt–1 + b0λ2xt–2 + b0λ3xt–3 +…+ λε t–1. Вычтем найденное соотношение из соотношения для yt: yt–λyt–1 = a–λa + b0xt + εt – λε t–1. В рез-те этих преобразований получаем модель Койка: yt = a(1–λ) + b0xt + (1–λ)yt–1ut, где ut=ε t–λε t–1— это модель двухфакторной линейной авторегрессии. Определив ее пар-ры, найдем λ и оценки пар-ров а и b0 исходной модели. Далее с пом (2) несложно определить пар-ры b1,b2,... модели (1). Описанный выше алгоритм получил название «преобразования Койка». Оно позволяет перейти от модели с бесконечными распр-ыми лагами к модели авторегрессии, содержащей две независимые переменные хt и yt – 1.