- •Содержание
- •1. Постановка задачи 4
- •2. Косвенный метод наименьших квадратов 7
- •3. Двухшаговый метод наименьших квадратов 31
- •Введение
- •Постановка задачи
- •1.1. Общая постановка задачи
- •1.2 Упрощенная модель Клейна
- •2. Косвенный метод наименьших квадратов
- •Исходные данные
- •2.1. Определение параметров уравнения регрессии приведенной формы
- •2.1.1. Построение уравнения регрессии для функции потребления
- •2.1.2. Построение уравнения регрессии для функции инвестиций
- •Вывод остатка
- •2.1.3. Проверка статистической значимости уравнений регрессии функции потребления и функции инвестиций
- •Проверка случайности колебаний уровней статочной последовательности
- •Проверка соответствия распределения случайной компоненты нормальному закону распределения
- •Проверка равенства математического ожидания случайной компоненты нулю
- •Проверка независимости значений уровней случайной компоненты
- •Определение точности модели
- •Тест ранговой корреляции Спирмена
- •2.1.4. Определение значения параметров уравнений регрессий методом подстановок
- •2.1.5. Определение параметров уравнения регрессии с помощью обычного мнк
- •3. Двухшаговый метод наименьших квадратов
- •Заключение
- •Список используемой литературы
3. Двухшаговый метод наименьших квадратов
Другим подходом к определению значений параметров с0, с1, i0, i1, может служить использование двухшагового метода наименьших квадратов (ДМНК). Для применения данного метода необходимо в систему уравнений (7) подставить найденные значения h10, h11, h20, h21 и вычислить теоретические значения переменных .
Затем найденные значения и имеющиеся в исходных данных значения G(t) подставляются в 3-е уравнение системы (2) и находятся теоретические значения . Эти теоретические значения не имеют корреляционной связи со случайными составляющими u1(t) и u2(t). Следовательно, подставив в 1-е и 2-е уравнения системы (2) значения , можно найти параметры с0, c1, i0, i1 с помощью обычного МНК. Оценки при этом будут несмещенными, состоятельными и эффективными.
Основная идея ДМНК – на основе приведенной формы модели получить для сверхидентифицируемого уравнения теоретические значения эндогенных переменных, содержащихся в правой части уравнения. Далее, подставив их вместо фактических значений, можно применить обычный МНК к структурной форме сверхидентифицируемого уравнения.
Таблица №20
-
t
G(t)
C(t)
I(t)
1
115
371,71
126,69
613,40
379
122
2
145
388,67
133,16
666,83
393
138
3
133
381,88
130,57
645,46
371,8
133,6
4
156
394,88
135,54
686,42
407,6
128,2
5
161
397,71
136,62
695,32
386,6
135,2
6
164
399,40
137,26
700,67
392,4
137,8
7
171
403,36
138,77
713,13
406,6
143,2
8
170
402,80
138,56
711,35
394
141
9
172
403,93
138,99
714,91
419,2
135,4
10
178
407,32
140,28
725,60
414,8
138,6
11
182
409,58
141,15
732,72
393,2
143,4
12
180
408,45
140,71
729,16
404
145
13
188
412,97
142,44
743,41
420,8
140,6
14
190
414,10
142,87
746,97
424
139
15
191
414,67
143,09
748,75
412,6
147,2
16
198
418,62
144,60
761,22
406,8
148,6
17
215
428,23
148,26
791,50
425
144
18
218
429,93
148,91
796,84
438,8
144,6
19
225
433,88
150,42
809,30
439
154
20
240
442,36
153,66
836,02
426
159
21
246
445,75
154,95
846,71
437,6
154,2
22
255
450,84
156,89
862,73
459
150
23
266
457,06
159,27
882,32
471,6
156,2
24
270
459,32
160,13
889,45
454
165
Используя вычисленные значения вместо Y(t), определяем с помощью МНК из 1-го уравнения системы (2) параметры с0, с1, а из 2-го уравнения системы (2) параметры i0, i1. Получаем следующие таблицы:
ДЛЯ ФУНКЦИИ ПОТРЕБЛЕНИЯ:
Таблица №21
Регрессионная статистика |
|
Множественный R |
0,92 |
R-квадрат |
0,85 |
Нормированный R-квадрат |
0,84 |
Стандартная ошибка |
10,07 |
Наблюдения |
24 |
Таблица №22
|
Дисперсионный анализ |
||||||
---|---|---|---|---|---|---|---|
|
df |
SS |
MS |
F |
Значимость F |
|
|
Регрессия |
1 |
12621,37 |
12621,37 |
124,39 |
1,6E-10 |
|
|
Остаток |
22 |
2232,21 |
101,46 |
|
|
|
|
Итого |
23 |
14853,59 |
|
|
|
|
Таблица №23
|
Коэффи-циенты |
Стандарт-ная ошибка |
t-статис-тика |
P-Значение |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
177,03 |
21,50 |
8,23 |
3,64E-08 |
132,45 |
221,62 |
132,45 |
221,62 |
Y(t) |
0,32 |
0,03 |
11,15 |
1,6E-10 |
0,26 |
0,38 |
0,26 |
0,38 |
Таблица №24
ВЫВОД ОСТАТКА |
||
|
|
|
Наблюдение |
Предсказанное C(t) |
Остатки |
1 |
371,71 |
7,29 |
2 |
388,67 |
4,33 |
3 |
381,88 |
-10,08 |
4 |
394,88 |
12,72 |
5 |
397,71 |
-11,11 |
6 |
399,40 |
-7,00 |
7 |
403,36 |
3,24 |
8 |
402,80 |
-8,80 |
9 |
403,93 |
15,27 |
10 |
407,32 |
7,48 |
11 |
409,58 |
-16,38 |
12 |
408,45 |
-4,45 |
13 |
412,97 |
7,83 |
14 |
414,10 |
9,90 |
15 |
414,67 |
-2,07 |
16 |
418,62 |
-11,82 |
17 |
428,23 |
-3,23 |
18 |
429,93 |
8,87 |
19 |
433,88 |
5,12 |
20 |
442,36 |
-16,36 |
21 |
445,75 |
-8,15 |
22 |
450,84 |
8,16 |
23 |
457,06 |
14,54 |
24 |
459,32 |
-5,32 |
-
с0
177,03
с1
0,32
Получаем уравнение регрессии: С(t) = 177,03 +0,32*Y(t) + u1(t)
ДЛЯ ФУНКЦИИ ИНВЕСТИЦИЙ:
Используя исходные данные (таблица №1) I(t) и по Y(t), систему уравнений (7), определяем с помощью МНК значения величин h20, h21. Для расчетов снова применим табличный редактор Excel (программа «Регрессия»).
Таблица №25
Регрессионная статистика |
|
Множественный R |
0,91 |
R-квадрат |
0,83 |
Нормированный R-квадрат |
0,82 |
Стандартная ошибка |
4,19 |
Наблюдения |
24 |
Таблица №26
Дисперсионный анализ |
|||||
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
1 |
1838,75 |
1838,75 |
104,7861 |
7,88E-10 |
Остаток |
22 |
386,0483 |
17,54765 |
|
|
Итого |
23 |
2224,798 |
|
|
|
Таблица №27
|
Коэффициенты |
Стандар-тная ошибка |
t-статисти-ка |
P-Значе-ние |
Нижние 95% |
Верхние 95% |
Нижние 95,0% |
Верхние 95,0% |
Y-пересечение |
52,39 |
8,94 |
5,86 |
6,78E-06 |
33,84 |
70,93 |
33,84 |
70,93 |
Y(t) |
0,12 |
0,01 |
10,24 |
7,88E-10 |
0,10 |
0,15 |
0,10 |
0,15 |
Таблица №28
ВЫВОД ОСТАТКА |
||
|
|
|
Наблюдение |
Предсказанное I(t) |
Остатки |
1 |
126,69 |
-4,69 |
2 |
133,16 |
4,84 |
3 |
130,57 |
3,03 |
4 |
135,54 |
-7,34 |
5 |
136,62 |
-1,42 |
6 |
137,26 |
0,54 |
7 |
138,77 |
4,43 |
8 |
138,56 |
2,44 |
9 |
138,99 |
-3,59 |
10 |
140,28 |
-1,68 |
11 |
141,15 |
2,25 |
12 |
140,71 |
4,29 |
13 |
142,44 |
-1,84 |
14 |
142,87 |
-3,87 |
15 |
143,09 |
4,11 |
16 |
144,60 |
4,00 |
17 |
148,26 |
-4,26 |
18 |
148,91 |
-4,31 |
19 |
150,42 |
3,58 |
20 |
153,66 |
5,34 |
21 |
154,95 |
-0,75 |
22 |
156,89 |
-6,89 |
23 |
159,27 |
-3,07 |
24 |
160,13 |
4,87 |
i0 |
52,39 |
i1 |
0,12 |
Получаем уравнение регрессии: I(t)=52,39+0,12*Y(t)+u2(t)
Вывод:
Получаем систему уравнений:
При определении значений параметров уравнений регрессии с помощью ДМНК оценки будут несмещенными, состоятельными и эффективными. Значения параметров с0, с1, i0, i1, определенные с помощью КМНК и ДМНК совпадают, то следовательно расчеты проведены верно.