- •Часть I
- •Введение
- •1. Учебная программа дисциплины
- •1.1 Характеристика дисциплины
- •1.2. Примерный тематический план
- •1.3. Содержание дисциплины
- •Тема 1. Предмет дисциплины «прикладная эконометрика в предпринимательстве». Цель, задачи и методы, используемые при ее изучении
- •Тема 2. Парный регрессионный анализ
- •Тема 3. Свойства коэффициентов регрессии и проверка гипотез
- •Тема 4. Множественный регрессионный анализ
- •Тема 5. Преобразования и спецификация переменных регрессии
- •Тема 6. Оценивание систем одновременных уравнений
- •Тема 7. Моделирование и свойства регрессионных моделей с временными рядами
- •Тема 8. Нестационарные временные ряды
- •Тема 9. Модели с панельными данными
- •1. Парный регрессионный анализ
- •1.5 Два разложения для зависимой переменной
- •1.7. Качество оценивания: коэффициент r2
- •2. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Типы данных и регрессионная модель
- •2.8 Проверка гипотез, относящихся к коэффициентам регрессии
- •2.9. Доверительные интервалы
- •2.10 Односторонние t-критерии
- •2.12. Взаимосвязь между f-критерием общего качества регрессии и f-критерием для коэффициента наклона в парном регрессионном анализе
- •3. Множественный регрессионный анализ
- •3.2. Вывод и интерпретация коэффициентов множественной регрессии
- •3.3. Свойства коэффициентов множественной регрессии
- •3.4 . Мультиколлинеарность
- •3.5. Качество оценивания: коэффициент r2
- •4. Моделирование по данным временных рядов
- •4.1. Статистические модели
- •4.2. Динамические модели
- •4.3. Модель адаптивных ожиданий
- •4.4. Модель частичной корректировки
- •4.5. Предсказание
- •4.6. Тесты на устойчивость
- •Перечень рекомендуемой литературы Основная
- •Дополнительная
- •Постановка вопроса
- •Обзор литературы
- •Сбор данных
- •Построение модели и выводы.
- •Прикладная эконометрика в предпринимательстве Учебная пособие для специальности
- •220006. Минск, Свердлова,13а.
- •220006. Минск, Свердлова, 13.
4. Моделирование по данным временных рядов
До сих пор наш анализ основывался на чанных перекрестных выборок в рамках модели А, а также более реалистичной модели Б. Теперь мы переходим к данным временных рядов и модели С. Основное различие между моделью С и моделью В состоит в характере процесса генерирования данных (ПГД) или в том, как мы объясняем способ получения наблюдений. В модели В ПГД был очень прост: наблюдения генерировались случайно и независимо Как следствие, порядок наблюдений в выборке был произвольным. Однако в модели С присутствие времени привносит естественный порядок. Чтобы подчеркнуть этот факт, будем использовать индекс t,а не I для наблюдений, а их число обозначим как Т вместо n. Порядок не имеет значения, если наблюдения для регрессоров генерировались случайным образом из фиксированной генеральной совокупности. Однако по двум причинам мы имеем дело не с этим случаем.
Во-первых, наблюдения для переменной А обозначают последовательность {X1, ..., XT}, которая является подмножеством потенциально бесконечной последовательности {X-∞,...,Х0, X1 ...,ХT, ХТ-1,...,X∞}.Этот феномен описывается как реализации процесса генерирования данных для периода t= 1,..., Т. Концептуально это отличается от случайной выборки из фиксированной генеральной совокупности. Во-вторых, многие регрессоры в моделях временных рядов обладают инерционностью, так что ПГД характеризуется эволюцией на протяжении времени, а последовательные наблюдения оказываются коррелированными друг с другом.
Эти отличия приводят к тому, что свойства модели регрессии, в свою очередь, тоже будут отличаться от свойств модели В. Эти свойства, очевидно, зависят от предпосылок регрессионной модели, так что нам будет необходимо переформулировать их для случая регрессий временных рядов. Мы, однако, не будем это делать абстрактно, а отложим данную задачу до следующей главы. Чтобы понять предпосылки, полезно познакомиться с регрессиями для временных рядов. В соответствии с этим в данной главе будут рассмотрены некоторые модели с несложной динамикой, а новая формулировка предпосылок будет сделана позже.
4.1. Статистические модели
Анализ здесь будет в основном иллюстрировать данные для оценивания функций спроса. Они получены на основе национальных счетов, опубликованных Бюро переписей США, и включают ежегодные агрегированные показатели по 20 различным категориям потребительских расходов за период 1959 -2003 гг., наряду с данными о располагаемом личном доходе DPI и индексами цен по данным 20 категориям. Подробное описание, а также информацию по загрузке данных с веб-сайта можно найти в Приложении В. Для примеров и упражнений используются две категории расходов – FOOD и HOUS (потребительские расходы на продовольствие и жилье соответственно). Другие категории расходов предназначены для практической работы студентов в небольших группах, где каждый студент работает со своей категорией расходов, начиная с простейшей модели парной регрессии и постепенно переходя к более сложным. Мы начнем с простой спецификации функции спроса на жилье, оценивая регрессию потребительских расходов по данной категории HOUS на DPI и индекс цен на жилье — PRELHOUS:
HOUSt = β1+β2DPIt +β3 SRELHOUSt + ut (11.1)
Показатели HOUS и DPI измерены в миллиардах долларов в постоянных ценах 2000 г. Показатель PRELHOUS — это индекс, построенный путем деления номинального ценового дефлятора для жилья PFOUS на ценовой дефлятор для совокупных личных расходов РТРЕ и умножения на 100. Таким образом, HRELHOUS есть реальный, или относительный, индекс цен, показывающий, становилось ли жилье более или менее дорогим по сравнению с остальными видами расходов. Динамика этого показателя представлена на рис. 11.1. Ясно, что данная относительная цена уменьшилась примерно на 10% с начала 1960-х до конца 1970-х гг., и индекс с тех пор демонстрирует медленный рост.
Рис 11.1. Ряд показателей относительных цен на жилье, 1959-2003 (2000=100)
Непосредственное оценивание линейной регрессии с помощью программы EViews дало результат, представленный в табл. 11.1.
Таблица 11.1
Dependent Variable: HOUS
Method: Least Squares
Sample: 1959 2003
Included observations:45
VariaDie |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
С |
334.6657 |
37.26625 |
8.980396 |
0.0000 |
||
DPI |
0.150925 |
0.001665 |
90.65785 |
0.0000 |
||
PRELHOUS |
-3.834387 |
0.460490 |
- 8.326764 |
0.0000 |
||
R-squared |
0.996722 |
|
Mean dependent var |
630.2830 |
||
Adjusted R-squared |
0.996566 |
|
S.D.dependent var |
249.2620 |
||
S.E. of regression |
14.60740 |
|
Akaike info criter |
8.265274 |
||
Sum squared resid |
8961.801 |
|
Schwarz criterion |
8.385719 |
||
Log likelinood |
-182.9687 |
|
F-statistic |
6385.025 |
||
Durbin-Watson stat |
0.337638 |
|
Prob(F-statistic) |
0.000000 |
Это уравнение говорит о том, что увеличение располагаемого личного дохода на 1 млрд. долл. ведет к увеличению расходов на жилье на 0,15 млрд. долл. Иными словами, из 1 долл. дополнительно 15 центов будут израсходованы на жилье Можно ли доверять этой цифре? Ответить на этот вопрос нелегко, но очевидно, что жилье является самой большой составляющей потребительских расходов, и можно ожидать, что данный коэффициент достаточно велик. Отметим, что мы сейчас говорим об использовании жилья, а не об инвестициях в жилищное строительство. Использование жилья — это стоимость услуг, оказываемых с помощью имеющегося жилищного фонда. В случае аренды жилья в качестве расходов на жилье рассматривается арендная плата. В случае проживания в собственном жилье или аренды по льготным расценкам используется вмененная арендная плата, т.е. рыночная стоимость аренды этого жилья. Коэффициент при переменной PRELHOUS говорит о том, что увеличение ценового индекса на единицу приводит к сокращению расходов на жилье на 3,83 млрд. долл. Постоянный член в буквальном смысле показывает сумму, которая была бы потрачена на жилье, если бы обе переменные DPI и PRELHOUS равнялись нулю, но очевидно, что эта интерпретация лишена смысла. Если говорить об отдельных домохозяйствах, то среди них могли бы быть такие, которые не имеют доходов вообще, но пользуются жильем и другими предметами первой необходимости на основе трансфертных платежей, но здесь мы говорим о совокупных данных для США в целом, и поэтому подобная интерпретация не имеет отношения к реальности.
Часто считают, что с математической точки зрения для функции спроса наиболее подходит функция с постоянной эластичностью следующего вида:
НОUS = β1 DPIβ2 PRELHOUSβ3 (11.2)
Линеаризовав ее с помощью логарифмирования, получаем
LGHOUS= β′1+ β2LGDPI + β3PRELHOUS + u, (11.3)
где LGHOUS, LGDPI и LGPRHOUS — (натуральные) логарифмы HOUS, DPI и PRFLHOUS соответственно; и— натуральный логарифм случайного члена v, — β′1 логарифм β1, β2 и β3 представляют собой эластичности спроса по доходу и цене соответственно. Результат оценивания регрессии показан в табл. 11.2.
Коэффициенты при LGDPI и LGPRHOUS есть непосредственные оценки эластичностей спроса по доходу и цене соответственно. Похоже ли число 1,01 на эластичность спроса по доходу? Вполне вероятно. Принято подразделять потребительские расходы на нормальные и «худшие» блага, виды расходов, эластичности которых по доходу соответственно положительны и отрицательны, и далее подразделять нормальные блага на предметы первой необходимости и предметы роскоши, виды расходов, эластичности которых по доходу соответственно меньше единицы и больше единицы. Очевидно, что жилье является предметом первой необходимости, поэтому можно ожидать, что эластичность спроса на него окажется положительной, но меньшей единицы. Однако жилье включает и элемент роскоши, поскольку при увеличении своих доходов люди тратят больше на более качественное жилье. В результате общая ожидаемая оценка оказывается близкой к единице, поэтому полученная нами величина представляется разумной.
Таблица 11.2
Dependent Variable: LGHOUS
Method: Least Squares
Sample: 1959 2003
Included observations: 45
VariaDie |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
|
С |
0.005625 |
0.167903 |
0.033501 |
0.8734 |
||
DPI |
1.031918 |
0.006649 |
155.1976 |
0.0000 |
||
PRELHOUS |
-0.483421 |
0.041780 |
-11.57056 |
0.0000 |
||
R-squared |
0.998583 |
|
Mean dependent var |
6.359334 |
||
Adjusted R-squared |
0.998515 |
|
S.D.dependent var |
0.437527 |
||
S.E. of regression |
0.016859 |
|
Akaike info criter |
-5.263574 |
||
Sum squared resid |
0.011937 |
|
Schwarz criterion |
-5.1431130 |
||
Log likelinood |
121.4304 |
|
F-statistic |
14797.05 |
||
Durbin-Watson stat |
0.633113 |
|
Prob(F-statistic) |
0.000000 |