- •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 авторегрессии как эквивалентное представление моделей с распределенными лагами.
Особенности моделей с распределенным лагом и авторегрессии
Существует специфика в построении моделей с распределенным лагом и моделей авторегрессии . Таких особенностей три. Первая — это невозможность оценки параметров моделей авторегрессии, а весьма часто и моделей с распределенным лагом с помощью обычного МНК. Это вызвано нарушением условий применимости МНК .Вторая особенность заключается в необходимости решения проблемы выбора оптимальной величины лага и определения структуры лага. Наконец, третья особенностьсостоит в том, что между моделями с распределенным лагом и моделями авторегрессии имеется определенная взаимосвязь. А в некоторых случаях из-за этого необходимо переходить от одного типа моделей к другому.
Ранее уже приводились некоторые начальные основные понятия и соответствующие определения, относящиеся к моделям с распределенным лагом. Но ввиду их важности и полноты изложения имеет смысл здесь их напомнить, прежде чем двигаться дальше. Сначала рассмотрим модель с конечной максимальной величиной лага. Это будет общая модель с распределенным лагом. В такой модели, когда происходит изменение независимой переменной х в некоторый момент времени t, такое изменение будет влиять на значения переменной у в течение k последующих моментов времени. Коэффициент при значении фактора х в момент времени t будет характеризовать среднее абсолютное изменение результативной переменной у в момент времени t при изменении фактора х в момент времени t на единицу своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора х. Он называется краткосрочным мультипликатором .
Частные промежуточные суммы, получаемые в результате сложения коэффициентов при различных значениях фактора х в различные моменты времени и выражающие в момент (t + 1) совокупное воздействие факторной переменной х в момент t на результативную переменную у и т.п., называются промежуточными мультипликаторами. Последняя, самая большая из таких сумм имеет тот же смысл, но выделяется особым названием — долгосрочный мультипликатор .
Частные от деления коэффициентов bj на b называются относительными коэффициентами модели с распределенным лагом . Если все эти коэффициенты имеют одинаковые знаки, то все они расположены в интервале между нулем и единицей. Полная сумма же всех этих коэффициентов равна единице. Сами относительные коэффициенты при этом имеют смысл весовых коэффициентов. Каждый из них измеряет долю общего изменения результативного признака в момент времени (t + j).
По этим величинам определяют еще две важные характеристики модели множественной регрессии . Одна из них — это величина среднего лага , другая — медианного лага . Первая величина представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t. Вторая (медианный лаг) — это период времени, в течение которого с момента времени t будет реализована 1/2 общего воздействия фактора на результат.
С экономической точки зрения вполне справедливо считать все коэффициенты при текущем и лаговых значениях исследуемого фактора имеющими одинаковые знаки. Воздействие одного фактора на результат должно быть однонаправленным независимо от того, с каким временным лагом измеряется сила или теснота связи между этими признаками. Правда, практически построение модели, точно удовлетворяющей этому условию, не столь уж просто.
Основные проблемы, препятствующие применению обычного МНК , таковы. Поскольку текущие и лаговые значения независимой переменной чаще всего тесно связаны друг с другом, то параметры модели оцениваются в условиях мультиколлинеарности факторов. Далее, при большой величине лага уменьшается число наблюдений, по которому строится модель, и увеличивается число факторных признаков, так что происходит потеря числа степеней свободы . Наконец, в моделях с распределенным лагом часто возникает проблема автокорреляции остатков. Поэтому происходит увеличение неопределенности оценок параметров модели до значительного уровня. Также происходит снижение точности оценок и не достигаются эффективные оценки. При этих условиях невозможно выявить чистое влияние факторов на результат.
Вследствие всего сказанного, на практике параметры моделей с распределенным лагом оценивают, предполагая, что имеются определенные ограничения на коэффициенты регрессии и на выбранную структуру лага. Модель с авторегрессией , подобно модели с распределенным лагом, с помощью коэффициента b0 при факторе xt характеризует краткосрочное изменение результата уt под воздействием изменения xt на 1 единицу. Но промежуточные и долгосрочный мультипликаторы в моделях авторегрессии несколько отличаются. Не вдаваясь в достаточно простые разъяснения, укажем сразу, что долгосрочный мультипликатор в модели авторегрессии можно рассчитать просто как сумму краткосрочного и промежуточных мультипликаторов. Правильно считая их и учитывая, что практически во всех моделях авторегрессии вводится так называемоеусловие стабильности (коэффициент регрессии при переменной yt менее 1), получаем, что долгосрочный мультипликатор равен дроби, числитель которой — это краткосрочный мультипликатор , а знаменатель — единица, из которой вычтен как раз тот самый коэффициент регрессии. Впрочем, такая интерпретация и расчеты основаны на предпосылке о наличии бесконечного лага в воздействии текущего значения зависимой переменной на ее будущие значения.
Для оценки лаговой структуры зависимостей имеется несколько методов, которые позволяют ограничить число объясняющих (факторных) переменных в уравнении регрессии. Это рациональный способ преодоления (или обхода) проблемы мультиколлинеарности , в крайнем случае таким образом удается минимизировать ее эффект. Наиболее известными из таких методов являются использование распределения Койка и применение лагов Алмон .
В распределении Койка предполагается, что относительные коэффициенты (веса) при лаговых значениях объясняющей переменной убывают в геометрической прогрессии. Тогда регрессия описывается всего тремя параметрами. Для их оценки уже не нужно оценивать в целом все исходное уравнение регрессии. Если бы требовалось выполнять такое оценивание в полном объеме, то возникли бы проблемы мультиколлинеарности. Да и к тому же из полученных оценок не удалось бы вывести значения двух из трех определяемых параметров.
Преодоление этих и иных подобных сложностей достигается с помощью нелинейного МНК. Оставим для ознакомления с ним желающих наедине с прекрасной книгой Доугерти «Введение в эконометрику». Есть и иной способ, который называется преобразованием Койка . Его суть заключается в том, что используется справедливость представления в виде геометрической прогрессии не только текущего значения результата, но и его предшествующего значения. Это позволяет умножением на параметр, представляющий коэффициент геометрической прогрессии, и почленным вычитанием результата такого умножения на предыдущее уравнение для текущего значения результата получить уравнение без лаговых значений фактора х. В нем присутствуют уже только два параметра.
Более того, такая форма зависимости предоставляет возможность анализа кратко- и долгосрочных динамических свойств модели. Стандартным для подобных технологий предельным переходом удается находить равновесный уровень и определять долгосрочное воздействие фактора на результат. Это позволяет также сравнивать соотношение между величиной долгосрочного и краткосрочного воздействия.
К сожалению, в методе Койка нарушается четвертое условие Гаусса — Маркова : одна из лаговых (объясняющих) переменных частично коррелирует с одной из составляющих случайного члена. Поэтому оценки по МНК оказываются смещенными и несостоятельными. В этом случае приходится использовать более сложный, нелинейный МНК .
В экономике, особенно в макроэкономике, весьма важна задача моделирования ожиданий. Известно, что инвестиции, сбережения и спрос на активы чувствительны к ожиданиям (прогнозам). В настоящее время для решения сложной задачи моделирования ожиданий отсутствуют достаточно эффективные методы их измерения для решения макроэкономических задач.