- •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.
4.3. Модель адаптивных ожиданий
В прикладной экономике часто возникает необходимость моделировать ожидания. Это может быть очень важной и сложной задачей. В макроэкономике, например, инвестиции, сбережения и спрос на активы чувствительны к ожиданиям относительно будущего. К сожалению, непосредственное измерение ожиданий не представляется возможным. В результате этого макроэкономические модели не позволяют получать достаточно точных прогнозов, что затрудняет экономическое регулирование.
Если ожидания непосредственно не наблюдаемы, то могут быть использованы некоторые косвенные способы их оценки. Модель адаптивных ожиданий — одно из возможных решений. Этот процесс заключается в простой корректировке ожиданий, когда в каждый период времени реальное значение переменной сравнивается с ее ожидаемым значением. Если реальное значение оказывается больше, то значение, ожидаемое в следующем периоде, корректируется в сторону повышения, если меньше — то в сторону уменьшения. Предполагается, что размер корректировки пропорционален разности между реальным и ожидаемым значениями переменной.
Таким образом, если рассматривается переменная X, a Xet — ее значение, ожидаемое в период t на основе информации, имевшейся в период t- 1, то:
Xet+1-Xet = l(Xt-Xet) (0≤λ≤1). (11.4)
Это выражение может быть переписано в виде:
Xet+1 =λ Xt + (1-λ) Xet (0≤λ≤1). (11.5)
Выражение (11.5) утверждает, чти значение переменной X, ожидаемое в следующий период времени, формируется как взвешенное среднее ее реального и ожидаемого значений в текущем периоде. Чем больше величина X, тем быстрее ожидаемое значение адаптируется к предыдущим реальным значениям переменной.
Предположим, например, что зависимая переменная Yt связана с ожидаемым значением Xet+1 объясняющей переменной X в году t +1:
Yt = β1 + β2 Xet+1 + ut (11.6)
Равенство (11.6) выражает Y через величину Xet+1, которая ненаблюдаема и которую необходимо так или иначе заменить наблюдаемыми переменными, т.е. реальными текущим и прошлыми значениями переменной Х и, может быть, прошлыми значениями переменной Y.
Начнем с замены воспользовавшись формулой (11.5):
Y = β1+ β2 (λXt + (1-λ) Xet ) + ut = β1+ β2 λXt+ β2 (1-λ) Xet + ut (11.7)
Конечно, у нас по-прежнему есть ненаблюдаемая объясняющая переменная Xet, но если равенство (11.5) верно для некоторого периода t, то оно также верно и для периода t - 1:
Xet = λ Xt-1+ (1-λ) Xet-1 (11.8)
Подставив выражение для Xet в уравнение (11.7), мы получим:
Yt = β1+ β2 λXt +β2 λ(1-λ) Xt-1+ β2 λ(1-λ)2 Xet-1 + ut (11.9)
После добавления лагов и подстановки, выполненных s раз, выражение приобретает вид:
Yt =β1+ β2 λXt+β2 λ(1-λ)Xt-1+β2 λ(1-λ)2Xet-2 +…+β2 λ(1-λ)s-1 Xt-s+1+ β2 λ(1-λ)s Xet-s+1 + ur (11.10)
Теперь разумно предположите, что λ лежит между 0 и 1, и в этом случае (1 - λ) будет также находиться между 0 и 1. Таким образом, (1 - λ)s бесконечно убывает при возрастании s. В конечном счете на некотором шаге член β2 (1 - λ)s Xet-s+1, становится пренебрежимо малым, и мы получаем модель, в которой все переменные наблюдаемы.
Лаговые переменные имеют здесь чеса, бесконечно убывающие в геометрической прогрессии, и такая структура описывается распределением Койка. Как мы видели из уравнения (11.10), оно очень просто с точки зрения параметризации, предполагая оценивание лишь одного дополнительного параметра по сравнению со статическим вариантом модели. Поскольку оно нелинейно по параметрам, при его оценивании не следует использовать МНК, причем сразу по двум причинам. Во-первых, мультиколлинеарность почти наверняка сделает оценки коэффициентов столь ненадежными, что они потеряют всякую ценность, — это как раз и есть та причина, которая побудила нас искать другие способы описания структуры лага. Во-вторых, полученные точечные оценки коэффициентов оказываются несовместимыми для расчета параметров модели. Например, предположим, что оценена следующая зависимость:
Yt = 101 +0,60Хt+ 0,45Xt-1 + 0,20Х t-2+... (11.11)
Приравнивая теоретические выражения для коэффициентов при текущем и лаговых значениях X в уравнение (11.10) к оценкам из уравнения (11.11), получаем b2l=0,60, b2l(1 -l)= 0,45 и b2l(l -1)2= 0,20. Из первых двух равенств следует, что b2 равно 2,40 и l равно 0,25, но эти величины не удовлетворяют третьему уравнению и уравнениям для всех остальных коэффициентов регрессии.
Вместо этого следует воспользоваться методами нелинейного оценивания. Многие основные регрессионные пакеты имеют встроенные возможности для оценивания нелинейных регрессий. Если в вашем пакете этого нет, то можно оценить модель с помощью решетчатого поиска. Мы опишем здесь этот метод, хотя он и устарел, поскольку он поясняет процедуру решения проблемы мультиколлинеарности. Перепишем уравнение (11.10) в виде двух уравнений:
Yt = β1+ β2Zt + ut (11.12)
Zt = λXt+λ(1-λ) Xt-1+ λ(1-λ)2 Xt-2+ λ(1-λ)3 Xt-3 (11.13)
Значения Zt, разумеется, зависят от величины λ. Мы рассчитываем 10 вариантов данных для переменной Zt, используя следующие значения λ: 0,1.0.2,0,3. 1,0 и оцениваем уравнение (11.12) с каждым из них. Вариант с наименьшей суммой квадратов остатков есть по определению решение по методу наименьших квадратов. Отметим, что все уравнения регрессии сводятся к уравнению парной регрессии Y на различные варианты Z, и поэтому проблема мультиколлинеарности полностью снимается.
В табл. 11.5 показаны оценки параметров и сумм квадратов остатков для решетчатого поиска, когда зависимой переменной был логарифм спроса на жилье, а объясняющими переменными — логарифмы DPI и относительных цен на жилье. При этом использовались восемь лаговых значений. Можно видеть, что оптимальное значение λ примерно равно 0,2, эластичность спроса по доходу примерно равна 1,12, а эластичность по цене — примерно -0,44.
Таблица 11.5. Логарифмическая регрессия расходов на жилье от располагаемого личного дохода и индекса относительных цен для модели адаптивных ожиданий (оценена с помощью решетчатого поиска)
λ |
b2 |
с.о.(b2) |
Ь3 |
с.о. (b3) |
RSS |
0,1 |
1,55 |
0,01 |
-0,54 |
0,05 |
0,002107 |
0.2 |
1,12 |
0,01 |
-0,44 |
0,03 |
0,001901 |
0,3 |
1,03 |
0,01 |
-0,45 |
0,03 |
0,002063 |
0,4 |
1,02 |
0,01 |
-0,49 0,03 |
0,03 |
0,002533 |
0,5 |
1,03 |
0,01 |
-0,52 |
0,03 |
0,003190 |
0,6 |
1,04 |
0,01 |
-0,55 |
0,04 |
0,003935 |
0,7 |
1,05 |
0,01 |
-0,57 |
0,04 |
0,004719 |
0,8 |
1,06 |
0,01 |
-0,59 |
0,05 |
0,005531 |
0,9 |
1,06 |
0,01 |
-0,60 |
0,05 |
0,006377 |
1,0 |
1,07 |
0,01 |
-0,61 |
0,05 |
0,007263 |
Для более точной оценки λ можно продолжить решетчатый поиск с шагом 0,01 в диапазоне между 0,1 и 0,3 оказывается, что λ равно 0,21, причем эластичность по доходу составляет 1,11, а эластичность по цене не изменилась. Отметим, что неявный коэффициент для дохода при Xt-8 β2λ(1-λ)8, равнялся примерно 1,11 х 0,21 х 0,798= 0,0354. Возможно, было бы лучше использовать большее число лагов. Проблема состоит в том, что веса в нашем случае уменьшаются слишком медленно, поскольку скорость корректировки λ мала, а значение 1 - λ велико
Динамика в модели адаптивных ожиданий
Как можно видеть из (11.10), в уравнении для Yt текущее значение X имеет коэффициент β2λ. Это — краткосрочное воздействие Х на Y. В момент времени t все члены, включающие лаговые значения λ, уже определены и, следовательно, формируют часть постоянного члена в краткосрочной зависимости. Мы, однако, можем построить и долгосрочную зависимость между Y и X, показав, как равновесное значение Y связано с равновесным значением X, ее а и такое равновесие достигнуто. Обозначив равновесные значения Y и У. соответственно как Y и X, в точке равновесия мы имеем Yt = Y и Xt = Xt-1 = Xt-2 =…=X .Подставив эти выражения в формулу (11 10), получаем:
Y = β1 + β2λX + β2λ(1-λ)X+ β2λ(1-λ)2X+…= β1+ β2X[λ+ λ(1- λ)+ λ(1- λ)2+…]= β1 + β2X (11.14)
Чтобы продемонстрировать последний шаг, запишем:
S=λ + λ (1-λ) + λ (1-λ)2 (11.15)
Тогда:
(1-λ)S= λ (1-λ) + λ (1-λ)2+ λ(1-λ)3… (11.16)
Вычитая уравнение (11.16) из уравнения (11.15), получаем:
S-(1- λ)S = λ , (11.17)
и, следовательно, S = 1. Таким образом, долгосрочное воздействие X на Y описывается коэффициентом β2 .
Альтернативный способ изучения динамики в модели адаптивных ожиданий заключается в выполнении так называемого преобразования Койка. Оно позволяет выразить зависимую переменную через конечное число наблюдаемых переменных: текущие значения объясняющих переменных (переменной) и саму объясняющую переменную с временным лагом в один период. Мы вновь начнем с исходных уравнений и путем преобразований получим (11.20):
Yt-1= β1 + β2 Xet+ ut-1 (11.18)
Xet+1= λ Xt+(1- λ) Xet (11.19)
Yt = β1+ β2(λ Xt + (1 - λ) Xet) + иt= β1+ β2 λ Xt + β2(1- λ) Xet + ut (11.20)
Далее, если равенство (11.18) верно для периода t, то оно верно также и для периода t-1:
Yt-1= β1 + β2 Xet+ ut-1 (11.21)
Следовательно,
β2 Xet = Yt-1- β1 - ut-1 (11.22)
Подставив это выражение в уравнение (11.20), получаем:
Yt = β1+ β2λXt +(1 - λ)( Yt-1- β1 - ut-1) + ut = β1 λ+(1 - λ) Yt-1+β2 λ Xt + ut -(1 - λ) ut-1 (11 23)
Как и ранее, краткосрочный коэффициент при X равен βλ, в то время как постоянный член и зависимости в период t ранен β1λ+ (1-λ) Yt-1. В состоянии равновесия из данной зависимости вытекает:
Y= β1λ+ (1-λ) Yt + β2λX, (11.24)
и отсюда:
Y = β1 + β2 Х (11.25)
Следовательно, мы вновь получаем в качестве результата то, что β2 выражает долгосрочное воздействие Х на Y.
Мы иccлeдуeм взаимосвязь между краткосрочной и долгосрочной динамикой графически. Для удобства предположим, что β2 положительно и что X возрастает во времени, пренебрегая наличием случайного члена. В момент времени t величина Yt, определяется зависимостью (11.23). Значение Yt -1 уже определилось, и поэтому член (1 –λ)Уt -1 фиксирован. Данное уравнение, таким образом, представляет краткосрочную зависимость между Yt и Хt. Выражение β1λ+ (1-λ) Yt-1 фактически есть свободный член, а β2λ— коэффициент наклона. Перейдя к периоду времени t + 1, получаем выражение для Yt+l:
Yt+l = β1λ+ β2λXt+1+(1-λ) Yt (11.26)
а фактический постоянный член равен теперь β1λ+ (1-λ) Yt-1. Поскольку X возрастает Y тоже возрастает, и постоянный член теперь больше, чем тот, который был для Yt, следовательно, линия краткосрочного равновесия сдвинулась вверх. Коэффициент наклона у нее остался тем же, что и ранее, и равен β2Х. Таким образом, рост Y определяется двумя факторами: прямым воздействием увеличения X и постепенным сдвигом вверх линии краткосрочной зависимости. На рис. 11.2 показаны зависимости для периодов времени от t до t+ 4. Можно видеть, что линия долгосрочной зависимости оказалась круче, чем линия краткосрочной зависимости.
Пример: гипотеза Фридмена о постоянном доходе.
Самым известным приложением модели адаптивных ожиданий является, без сомнения, предложенная М. Фридменом агрегированная функция потребления, оцениваемая по данным временных рядов, и его гипотеза о постоянном доходе. Вскоре после Второй мировой войны эконометристы, работавшие с макроэкономическими данными, были озадачены тем фактом, что долгосрочная средняя склонность к потреблению оставалась при мерно постоянной, несмотря на то, что предельная склонность к потреблению была намного ниже ее модель, в которой текущее потребление являлось функцией текущего дохода, не могла объяснить этого явления и, следовательно, была слишком упрощенной. Поэтому было предложено несколько более сложных моделей, которые могли объяснить указанное очевидное противоречие, а именно модель, основанная на гипотезе М. Фридмана о постоянном доходе, предложенная Т. Брауном модель учета привычек (она будет рассмотрена в следующем подразделе), модель, основанная на гипотезе Дьюзенберри об относительном доходе, и модель жизненного цикла Модильяни—Эндо—Брумберга.
В соответствии с гипотезой постоянного дохода постоянное потребление Срt пропорционально постоянному доходу Ypt.
Срt = β2 Ypt (11.27)
Фактический объем потребления Сt, и фактический доход Yt включают также переменные составляющие CTt и YTt; соответственно:
Ct = Cpt+CTt (11.28)
Y=Ypt+YTt (11.29)
Предполагается, по крайней мере, в первом приближении, что переменная составляющая потребления и переменная составляющая дохода являются случайными величинами с нулевым математическим ожиданием, распределенными соответственно независимо от величины постоянного потребления, постоянного дохода и друг от друга. Подставив выражение для Cpt из уравнения (11.28) в уравнение (11.27), получаем:
Ct = β2 Ypt+ CTt (11.30)
В итоге мы получили соотношение между фактическим потреблением и постоянным доходом, где CTt играет роль случайного члена, которого до этого не хватало в модели.
Ранее, когда мы обсуждали гипотезу о постоянном доходе в контексте данных для перекрестных выборок, наблюдения относились к отдельным домохозяйствам. Фридмен при оценивании параметров модели использовал агрегированные данные временных рядов, Для разрешения проблемы ненаблюдаемости постоянного дохода он предположил, что этот показатель описывается процессом адаптивных ожиданий, в котором приращение величины постоянного дохода пропорционально разности фактического дохода и постоянного дохода предыдущего периода:
Ypt-Ypt=λ(Yt- Ypt-1). (11.31)
Следовательно, постоянный доход в период г есть средневзвешенная величина фактического дохода в период t и постоянного дохода в период t- 1:
Ypt = λYt+(l-λ) Ypt-1 (11.32)
Фридмен использовал уравнение (11.32) для того, чтобы связать постоянный доход с текущей и лаговыми величинами фактического дохода. Конечно, это соотношение не может быть использовано непосредственно для измерения постоянного дохода в году t, потому что мы не знаем X, и у нас нет способа измерения Ypt . Вторую проблему можно, правда, разрешить, заметив, что если равенство (11.32) выполняется в период t, то оно также выполняется и в период t- 1:
Ypt-1 = λYt-1+(l-λ) Ypt-2 (11.33)
Подставляя это выражение в формулу (11.28), мы получаем:
Ypt =λYt + λ (l –λ)Yt-1 + (1 -λ)2Ypt-2 (11 34)
Это соотношение включает неизмеримый член Ypt-2, но мы можем решить эту проблему, введя в (11.28) лаг продолжительностью в два периода и сделав соответствующую подстановку, получив, таким образом, выражение Ypt через Yt, Yt-1, Yt-2, Ypt-3. Продолжив этот процесс до бесконечности, мы можем переписать Ypt как взвешенную сумму нынешнего и предыдущих значений измеренного дохода:
Ypt= λYt+ λ (l -λ)Yt-1+ (1 -λ)2Yt-2+ (1 -λ)3Yt-3+… (11.35)
Введя разумное предположение о том, что 1 находится между 0 и 1, мы получим, что (1 – λ)s есть убывающая функция от s, и, в конечном счете, веса, приписываемые лаговым значениям Y, становятся так малы, что ими можно пренебречь.
У нас по-прежнему остается нерешенной проблема оценивания λ. Фридмен решил воспользоваться для ее решения методом решетчатого поиска, рассчитывая соответствующие ряды показателей постоянного дохода для разных значений λ между 0 и 1 и оценивая затем уравнение регрессии потребления на каждый из этих показателей постоянного дохода. Далее он выбрал то значение λ, которое позволило получить данные по Ур, обеспечившие наилучшее качество оценивания. Фактически, конечно, он оценил тем самым нелинейную модель:
Сt =β2 λYt+β2 λ(l -λ)Yt-1+(1 -λ)2Yt-2+…+ CT (11.36)
Динамические свойства этой модели пока даны на рис. 11.2. Математически их лучше всего анализировать путем выполнения для модели преобразования Койка. Это можно сделать в соответствии с уравнениями (11.21)—(11.23) или же путем введения единичного временного лага в уравнение (11.36) и умножения обеих его частей на (1 - λ):
(1- λ)Ct-1= β2 λ(l -λ)Yt-1+(1 -λ)2Yt-2+(1 -λ)3Yt-3+…+(l -λ) CT-1 (11 37)
Вычитая уравнение (11.37) из уравнения (11.36), получаем:
Сt(1 - λ)Ct-1 = β2 λ Yt+ CT -(l -λ) CT-1 (11.38)
отсюда:
Ct= β2 λYt +(1- λ)Ct-1+ CT-(l -λ) CT-1 (11.39)
Краткосрочная предельная склонность к потреблению равна здесь β2 λ , а долгосрочная β2 — Поскольку λ меньше единицы, в данной модели возможно сочетание низкой краткосрочной предельной склонности к потреблению с более высокой долгосрочной средней склонностью.