- •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.
4.2. Динамические модели
Далее мы добавим в модель некоторую простую динамику. Можно предположить, что некоторые виды потребительских расходов в значительной мере определяются текущими доходами и ценами, но это не так для таких категорий расходов, как жилье, которые подвержены значительной инерции. Мы рассмотрим спецификации модели, в которых расходы на жилье зависят от показателей доходов и цен с некоторым временным лагом, и попытаемся определить лаговую структуру, т.е. значения коэффициентов текущих и лаговых (запаздывающих) значений объясняющих переменных Значения переменной X с лагом в один период времени — это просто предшествующие значения X, и для удобства мы их обозначим как Х (-1). Обобщая, можно сказать, что переменная с лагом в s периодов времени имеет значения X в предшествующие s периодов, и она обозначается как X(-s). Основные регрессионные пакеты понимают такое обозначение, и для них нет необходимости обозначать лаговые переменные отдельно. В табл. 11.3 приведены данные для LGDPI, LGDPI(-1) и LGDPI(-2).Отметим, что между переменными LGDPI, LGDPI(-1) и LGDP1(-2)имеется высокая корреляция и это создает определенные проблемы.
Таблица 11.3.Текущие и лаговые значения логарифма располагаемого личного дохода
Год |
LGDPI |
LGDPI(-1) |
LGDPI(-2) |
1959 |
7 4474 |
|
— |
1960 |
7,4729 |
7,4474 |
— |
1961 |
7,5062 |
7,4729 |
7,4474 |
1962 |
7,5539 |
7,5062 |
7,4729 |
1963 |
7,5904 |
7,5539 |
7,5062 |
1964 |
7,660Г |
7,5904 |
7,5539 |
1965 |
7,7202 |
7.6605 |
7.5904 |
1996 |
8,7129 |
8,6837 |
8,6563 |
1997 |
8,7476 |
8,7129 |
8,6837 |
1998 |
8,8045 |
8,7476 |
8,7129 |
1999 |
8,8337 |
8,8045 |
8,7476 |
2000 |
8,8810 |
8,8337 |
8,8045 |
2001 |
8,9002 |
8,8810 |
8,8337 |
2002 |
8,9306 |
8,9002 |
8,8810 |
200З |
8,9534 |
8,9306 |
8,9002 |
В первом столбце табл. 11.4 представлены результаты оценивания логарифмической регрессии с использованием текущих доходов и цен. Во втором и третьем столбцах показаны результаты оценивания регрессии расходов на жилье на показатели дохода и цен с лагом в один и два периода соответственно. Разумно предположить, что расходы на некоторую категорию благ могут зависеть как от текущих, так и от лаговых показателей дохода и цен.
Таблица 11.4.Альтернативные спецификации с лагом расходы на жилье
Variable |
(1) |
(2) |
(3) |
(4) |
(5) |
LGDPI |
1,03 (0,01) |
— |
— |
0,33 (0,15) |
0.29 (0 14) |
LGDPI(-1) |
— |
1,01 (0,01) |
— |
0,68 (0,15) |
0,22 (0,20) |
LGDPI(-2) |
— |
— |
0,98 (0,01) |
— |
0,49 (0,13) |
LGPRHOUS |
-0,48 (0,04) |
|
— |
-0,09 (0,17) |
-0,28 (0.17) |
LGPRHOUS(-1) |
— |
0,43 (0,04) |
— |
-0,36 (0,17) |
0,23 (0,30) |
LGPRHOUF(-2) |
— |
— |
-0,38 (0,04) |
— |
-0,38 (0,18) |
R2 |
0,999 |
U.999 |
0,999 |
0,999 |
0,999 |
В четвертом столбце показаны результаты оценивания регрессии с использованием текущих показателей довода и цен, а также с лагом в один период времени. В пятом столбце добавлены также эти переменные с лагом в два периода.
Первые три уравнения регрессии почти совпадают. Это произошло вследствие очень высокой корреляции между LGDPI, LGDPL(-1) и LGDPI(-2). В последних двух уравнениях видны классические симптомы мультиколлинеарности. Точечные оценки здесь нестабильны, а стандартные ошибки стали намного большими при одновременном включении в уравнение регрессии текущих и лаговых показателей дохода и цен. Мы можем получить точные оценки долгосрочных эластичностей по доходу и цене (см. Вставку11.1), но из-за мультиколлинеарности мы не можем различать их текущие и лаговые эффекты. Для расходов типа расходов на жилье, где можно ожидать длительные лаги, простое добавление лагов в статическую модель вряд ли поможет нам определить структуру лагов.
Общим подходом к решению проблемы мультиколлинеарности является введение предположения о том, что данный динамический процесс имеет простую лаговую структуру, т.е. эта структура может быть описана с помощью небольшого числа параметров. Одна из наиболее распространенных лаговых структур описывается распределением Койка, в котором предполагается, что коэффициенты при лаговых объясняющих переменных являются членами убывающей геометрической прогрессии. Мы рассмотрим две такие модели адаптивных ожиданий и частичной корректировки.
Вставка 11.1.Репараметризация динамической модели для определения долгосрочных эффектов
Предположим, что у нас есть следующая регрессия:
y= β1+ β2Xt - β3 Xt-1 + β4 Xt-2 + ut.
Как мы уже видели, мультиколлинеарность может помешать получить точные оценки β2, β3 и β4. Тем не менее, можно продемонстрировать, что оценка долгосрочного эффекта Х на Y стабильна. В равновесии мы имеем:
Y = β1+ β2X + β3 X + β4X = β1+ (β2+ β3+ β4) X,
где Y и X - равновесные значения Y и Х. Следовательно, (β2+ β3+ β4) представляет собой оценку долгосрочного влияния X. Мы можем рассчитать это число исходя из точечных оценок β2, β3 и β4 в начальной спецификации, но нам не хватает оценки стандартной ошибки. Чтобы оценить стандартную ошибку, перепишем модель следующим образом:
Уt = β1+ (β2+ β3+ β4)Xt - β3 (Xt - Xt-1 )- β4 (Xt - Xt-2 ) + ut
Точечная оценка коэффициента при Xt есть сумма точечных оценок β2, β3 и β4 в начальной спецификации, так что теперь мы можем получить необходимую стандартную ошибку. Так как вполне возможно, что значения X не сильно коррелированы с (Xt - Xt-1)или (Xt –Xt-2), проблема мультиколлинеарности может отсутствовать, так что стандартная ошибка будет довольно небольшой. Если модель из пятого столбца табл11.4 переписать представленным способом и оценить, то мы получим оценку коэффициента при LGDPIt, равную 1,00 со стандартной ошибкой 0,01, и оценку коэффициента при LGPRHOUSt равную -0,41 со стандартной ошибкой 0,01. Как и ожидалось, стандартные ошибки при такой спецификации намного ниже, чем ошибки индивидуальных коэффициентов в начальной спецификации.