- •1. Цели и задачи изучения дисциплины «современные проблемы экономической науки и практики»
- •2. Тематический план лекций и практических (семинарских) занятий
- •3. Список основной и дополнительной литературы
- •4.2. Потребление и спрос
- •4.3. Теория производства
- •4.4. Рыночные структуры
- •4.5. Рынки факторов производства
- •4.6. Теория благосостояния и общественный выбор
- •4.7. Методологические основы макроэкономики
- •4.8. Моделирование потребления и инвестиций
- •4.9 Макроэкономическая нестабильность: инфляция и безработица
- •4.10 Фискальная политика
- •Государственный долг и его последствия
- •4.12 Макроэкономическая динамика: циклы и экономический рост
- •Открытая экономика и проблемы государственного регулирования
- •4.14 Проблемы обоснования экономической модели
- •4.15 Методы оценки параметров линейных и нелинейных эконометрических моделей
- •4.16 Модели с коррелирующими факторами и с лаговыми зависимыми переменными.
- •4.17 Модели регрессии с лаговыми переменными
- •4.18 Линейные модели временных рядов
- •4.19 Системы взаимозависимых моделей
- •14.20 Модели с переменной структурой.
- •4.21 Методы оценки коэффициентов эконометрической модели
- •4.22 Использование эконометрических моделей в прогнозировании социально-экономических процессах.
- •4.23 Ограничения использования эконометрики в экономической теории
4.17 Модели регрессии с лаговыми переменными
Под лагом понимают промежуток времени, за который изменение аргумента приведёт к изменению результативного показателя (временной лаг). Кроме временного лага в регрессионных моделях различают лаг запаздывания, то есть лаг, распределённый во времени. Наличие запаздывания означает, что влияние переменной X на переменную Y не проявляется немедленно, а растягивается на какой-то промежуток времени. В экономических моделях подлежат учёту лаги, например, между научным открытием и его внедрением, вложениями капитала и вводом объекта в действие и другие.
Модели регрессии с лаговыми переменными относятся к моделям авторегрессии –
скользящего среднего (АРСС). Их можно подразделить на 3 группы:
1.Модели с лаговыми объясняющими переменными, то есть модели с распределенными лагами;
2.Модели с лаговыми зависимыми переменными – модели авторегрессии;
3.Модели с лаговыми зависимыми и независимыми переменными, то есть авторегрессионные модели с распределенными лагами.
Центральным вопросом при построении моделей с лаговыми переменными является выбор величины лага и числа лаговых переменных. Теоретически трудно обосновать величину лага. Определённую помощь может оказать взаимная корреляционная функция, то есть рассчитать множество коэффициентов корреляции между уровнями временных рядов Yt и Xt, сдвинутыми относительно друг друга на последовательно увеличивающий интервал времени. Величина лага определяется по максимальному значению коэффициента корреляции. Выбор величины лага и количества проводится экспериментально: путем построения модели с разной величиной лагов, а остальные - на этой модели, при которой все параметры модели статистически значимы.
Применение модели распространено на случай нестационарных рядов, характеризующихся наличием полиномиального тренда. Модели АРСС часто называют моделями Бокса – Дженкинса.
Оценка моделей с лаговыми зависимыми переменными производится с помощью трёхшагового метода наименьших квадратов и метода инструментальных переменных. Сущность последнего метода заключается в том, чтобы заменить переменную из правой части модели, для которой нарушаются предпосылки метода наименьших квадратов, на новую переменную, включение которой в модель регрессии не приводит к нарушению его предпосылок.
4.18 Линейные модели временных рядов
Линейные модели временных рядов – это модели адаптивные, то есть
самокорректирующиеся, самонастраивающиеся, способные отражать изменяющиеся во времени условия, учитывать информационную ценность различных членов временной последовательности и давать оценки будущих членов исследуемого ряда. Данные модели предназначаются, прежде всего, для краткосрочного прогнозирования, а также для анализа на выборке долгосрочных тенденций. Адаптивные модели в каждый момент времени отражают локальные свойства временного ряда и способны непрерывно учитывать эволюцию динамических характеристик изучаемых процессов, описываемых временными рядами.
В узком смысле под адаптивными моделями в статистике принято понимать модели, процедура корректировки которых основывается на использовании рекуррентной формулы экспоненциально-взвешенной скользящей средней. Модификации и обобщения простейшей модели экспоненциального сглаживания привели к появлению целого семейства адаптивных моделей с различными свойствами. В основе процедуры адаптации лежит обратная связь, реализуемая методом проб и ошибок (модель Брауна обобщенная, модель авторегрессии – скользящего среднего, Фильтр, Фильтр Кальмана и другие).
Например, обобщённая модель Брауна представляет собой временной ряд в виде взвешенной суммы некоторых известных, выбранных заранее детерминированных функций от времени, и наложенной аддитивной независимой случайной составляющей с математическим ожиданием, равным нулю, и постоянной дисперсией. Р.Г. Браун разработал рекурсивную процедуру адаптации коэффициентов (весов) модели при каждом получении новой фактической точки ряда для случая, когда функциями, входящими в модель, являются полиномы, экспоненты и синусоиды или их произведения.