Прикладна економетрика - Комашко О. В
.pdfДе pt =( pt − pt −1 ) / pt −1 ; pt - загальний рівень цін;
βj ,γ h - параметри.
Вусіх розглянутих прикладах значення залежної змінної визначається значеннями незалежних зміних в поточний момент часу (миттєва реакція), але і значеннями за минулі моменти часу (неперервна або динамічна реакція). Різниця між поточними та минулими моментами часу назівається часовим лагом або просто лагом , а відповідна змінна називаєится лаговою змінною.
2.2. Означення
Моделі регресії з лаговими змінними розрізняються на таки типи; 1. В моделях з розподіленними лагами регресорами є тільки поточні та
минулі значення незалежним змінних. Наприклад, у випадку лише однієї незалежної змінної модель має вид;
Yt =α + β0 X t + β1 X t −1 + β2 X t −2 + βk X t −k + εt |
(2.16) |
|||
В залежності від кількості k лагових значень незалежної змінної моделі з |
||||
розподіленними лагами розділяються на два типи; |
|
|
||
• моделі зі скінченими лагами |
|
|
|
|
|
k =∞ |
|
|
|
Yt |
=α + ∑βi |
X t −i |
+εt |
(2.17) |
|
i−0 |
|
|
|
• моделі зі нескінченими лагами |
|
|
|
|
|
k =∞ |
|
|
|
Yt |
=α + ∑βi |
X t −i |
+εt |
(2.18) |
i−0
В обох випадках, щоб уникнути прямування ΕYt до нескінченності припустимо, що сумма коефіцієнтів βi є скінченною;
k |
|
|
∑βi |
= β < ∞ |
(2.19) |
i−0
2.Рівняння (2.4, 2.7, 2.13, 2.15) є прикладами моделей з розподіленними
лагами.
3. Авторегресійні або динамічні моделі. В цих моделях множина регресорів містить одне або більше лагових значень залежної змінної. Наприклад,
Yt =α + βX t +γ1Yt +γ 2Yt −2 +εt |
(2.20) |
Проінтерпретуємо регрессійні коефіцієнти в моделях з розподіленними лагами на прикладі моделі (2.16). В цій моделі за рівності решти умов, якщо Хt збільшиться на одиницю за період t , то ΕYt зміниться на β0 в момент t , на β1
в момент t + 1 і так далі. Визначимо такі характеристики впливу;
•частковий мультіплікатор порядку i . Він характеризує граничний ефект
X t −i на Yt , тобто ∂Yt / ∂X t −1 = βi . Іншими словами, частковий мультиплікатор
характеризує вплив ΕYt одиничного зростання Хt, яке відбулось за i періодів до періоду t ;
•короткостроковий або миттєвий мультіплікатор. Це частковий мультіплікатор порядку i =0 і дорівнює β0 . Тобто, він характеризує вплив на
ΕYt одиничного зростання Хt , яке відбулось в той самий період;
•проміжний мультіплікатор порядку i . Візначається як сума i перших часткових мультиплікаторів ; β0 + β1 + ... + βi . Проміжний мультіплікатор характеризує вплив на ΕYt від зростання Хt на одиницю протягом i періодів перед t ;
•довгостроковий, загальний або рівноважний мультиплікатор
k |
|
визначається як сума всіх часткових мультиплікаторів ∑βi |
= β . Рівноважний |
i−0 |
|
мультиплікатор характеризує ефект ΕYt від зростання |
Хt на одиницю в |
кожному періоді, який передує t . |
|
Корисно розглянути також такі міркування. Спочатку, припустимо, що весь час Xs = c , в момент t X зросте на 1, а потім повернеться до попереднього рівня. Тоді βi характеризуватиме різницю між EYt+i та EYt , тобто розподіл реакції в часі на короткостроковий шок і швидкість повернення y до попереднього рівня (пригадаймо, що βi=0 починаючи з деякого k в моделях зі
скінченними лагами і βi →0 при i→ ). Тепер припустимо, що весь час Xs = c , в момент t X зросте на 1 і надалі залишиться на цьому рівні. Надалі будемо називати таку ситуацію збереженим зростанням. У такому випадку повна сума лагових коефіцієнтів характеризує різницю між рівноважними значеннями EY, які відповідають старому і новому значенням X, тобто довгострокову, або повну реакцію, а часткові суми показують, з якою швидкістю y реагує на зміну
X.
Оскільки часткові мультиплікатори дорівнюють регресійним коефіцієнтам, вони залежать від одиниць виміру незалежної змінної Хt.
Як характеристику вільну від одиниць виміру розглядають стандартизовані коефіцієнти, або лагові ваги
w = |
|
βi |
, для i = 0,1,2,...k . |
(2.21) |
|
|
|||
i |
|
β |
|
|
Після підстановки (2.21) до (2.18) або (2.19) модель набуде такого |
||||
вигляду |
|
|
|
|
|
|
|
k |
|
Yt |
=α + β∑wi X t−i +εt . |
(2.22) |
i=0
Розглянемо декілька інших статистик, які характеризують розподіл лагів.
k
Середній лаг W = ∑iwi визначає швидкість, з якою Y t реагує на
i=1
зростання зі збереженням Хt на одиницю за період за умови, що всі регресійні коефіцієнти додатні. Інша ситуація коли зручно скористатись цим показником – та, коли виникає потреба одним числом охарактеризувати затримку в часі реакції на миттєвий шок.
Медіанний лаг визначає час, за який відбувається 50% зміни Y t у
відповідь на зростання зі збереженням Хt за період median lag = min w
w -1
w : ∑w i ≥ 0,5
i=0
2.3.Оцінювання моделей з розподіленними лагами
Для зручності розглянемо модель з однією незалежною змінною
k |
|
|
Yt =α + ∑wi X t −i |
+εt . |
(2.23) |
i=0
Існує два підходи до оцінювання МРЛ: необмежений і обмежений. Необмежений підхід використовується, якщо довжина лагу k скінченна і
відсутні обмеження, які стосуються характеру лагової залежності і накладаються на регресійні коефіцієнти моделі. При застосуванні такого підхода розрізняються ситуації в залежності від того, відома чи невідома довжина лагу.
Обмежений підхід використовіється, якщо на регресійні коефіцієнти накладаються обмеження, які стосуються характеру лагової залежності. Ми будемо розрізняти два випадки:
•скінченна довжина лагу;
•нескінчена довжина лагу.
2.3.1. Необмежене оцінювання МРЛ
Припустимо, що збурення задовольняють класичним умовам. У такому випадку можна застосувати звичайний метод найменьших квадратів(ЗМНК), при чому оцінки ЗМНК будуть найкращими лінійними незміщенними оцінками.
2.3.2.Необмежене оцінювання МРЛ у випадку невідомої довжини
лагу
У більшості випадків довжина лагу в моделі (2.23) невідома і, отдже, її слід визначити.
Існують різні методи визначення довжини лагу. Найбільш популярним серед них є підхід, при якому оптимізується певна формальна характеристика. При цьому вживаються такі критерії:
• максимізація виправленного коефіцієнта детермінації
R2 =1 − nn −−q1 ( 1 − R2 );
• мінімізація інформаційного критерія Акайке
AIC = ln( SSRn ) + 2nq ;
• мінімізація критерія Шварца
SC = ln( SSRn ) + qn ln q
де n - кількість спостережень;
q - кількість коефіцієнтів в регресійній моделі;
SSR - сумма квадратів залишків.
Всі ці критерії будуються на компромісі між максимізацією R2 , який зростає при збільшенні кількості змінних в моделі, і принципом економності, тобто недопущенням розростання моделі. Найбільш чуттєвим до включення додаткових лагів є критерій Шварца (при ln( n ) > 2 ), а найменьш чуттєвим -
критерій максимізації R2 .
Приймаючи до уваги той факт, що довжина більшості рядів економічних даних коротка, можна окреслити дві серьозні проблеми, які виникають у випадку великої довжини лагу:
1. Невелика кількість ступенів свободи.
Чим більше довжина лагу, тим меньше кількість ступенів свободи і, отже, тим меньшою є точність оцінок і надійність перевірок гіпотез.
2. Мультиколінеарність.
Чим більшою є довжина лагі, тим з більшою ймовірністю додаткові лагові змінні будуть корельованими. Мультиколінеарність також знижує точність оцінок і надійність перевірок гипотез.
Підводячи підсумок, можна сказати, що внаслідок ненадійності перевірок гипотез збільшення довжини лагу помилково прозводить до висновку при незначучість коефіцієнтів.
З метою вирішення цієї проблеми на регресійні коефіцієнти накладуються обмеження.
2.4.Обмежене оцінювання скінченних МРЛ
За способом накладення обмежень розрізняються моделі з довільно розподіленими лагами і моделі з поліноміально розподіленими лагами.
2.4.1.Моделі з довільно розподіленими лагами.
При застосуванні такого підходу визначення вагів лагових зміних грунтується на певних припущеннях щодо розподілу і часу реакції залежної зміної на зміну незалежної зміної. Найчастіше вживаються такі моделі:
1.Арифметично розподілені лаги.
Вцій моделі, запропонованній Фішером, ваги лінійно спадають:
|
( k + 1 |
− i )β, i = |
|
|
βi |
0, k |
(2.24) |
||
= |
|
|
||
|
0, i > k |
|
Модель грунтується на ідеї, що більш недавні знвчення залежної зміної мають сильніший вплив, ніж більш давні.
Підставивши (2.24) до (2.23), одержимо
|
k |
|
|
|
|
|
Yt =α + β∑( k +1 |
−i )X t −1 |
+εt |
=α + βZt +ζt |
(2.25) |
|
i−0 |
|
|
|
|
k |
|
|
|
|
|
де Zt = ∑( k +1 |
−i )X t −i . |
|
|
|
|
i=0
Модель (2.25) оцінюється ЗМНК.
Позначимо через b МНК - оцінку β. Тоді
βˆ i =( k + 1 − i )b для i = 0,1,...,k
Де βˆ i i позначимо βi .
2. Розподіл вагів «обернене V ».
В цій моделі, запропонованній Deleuw, ваги спочатку лінійно зростають, а потім спадають:
|
( k + 1 − i )β, |
0 ≤ i ≤ k/2 |
|
|||
|
|
|
k |
|
|
|
βi |
= ( k + 1 − i )β, |
|
+ 1 ≤ i ≤ k |
(2.26) |
||
2 |
||||||
|
|
|
|
|||
|
0, i > k |
|
|
|
|
|
|
|
|
|
|
|
Підставивши (2.26) до (2.23), одержимо
|
k / 2 |
|
∑( k + 1 −i )X t −i ] + εt = α + βZt +ζt |
|
||||
Yt |
= α + β[ ∑( 1 + i )X t −1 + |
(2.27) |
||||||
|
i−0 |
i−( k / 2 )+1 |
|
|||||
|
k / 2 |
k |
|
|
|
|
|
|
де Zt |
= ∑( 1 + i )X t −i + |
∑( k |
+1 − i )X t . |
|
||||
|
i=0 |
i=( k / 2 )+1 |
|
|
|
|
|
|
|
Модель (2.27) оцінюється ЗМНК, після чого, як і в попередньому |
|||||||
випадку, коефіцієнти вихідної моделі знаходяться за формулами |
|
|||||||
|
|
βˆ i |
=( 1 + i )b i = |
|
|
|
|
|
|
|
0, k/2 |
|
|||||
|
|
βˆ i |
=( k + 1 − i )b i = |
|
|
|
||
|
|
k/2, k |
|
Де b - оцінка β .
Розглянутий підхід має такі обмеження.
1.Структура вагів має бути апріорі відомою, тобто чи ваги зростають, чи спадають, чи наслідують схемі «оберненого V » тощо.
2.Тип залежності вагів також має бути відомим апріорі, тобто, наприклад, якщо ваги спадають, то чи є спадання лінійним, експоненційним, тощо.
Переваги даного підходу полягають у наступному;
•простота оцінювання;
•можливість знаходити довжину лагу з використанням простих статистичних критерієв, наприклад, R 2 , AIC, SC.
2.4.2.Поліноміально розподілені лаги
В будь-якій моделі з довільними лагами коефіцієнти βi утворюють певну функцію лагового індекса i . Оскільки вибір цієї функції повинен здійснюватися апріорно, то зрозуміло, що цей вибір може бути хибним.
Одним з методів подолання цього недоліка є застосування моделй з поліноміально розподіленими лагами, запропонований Ширлі Алмон.
Основна ідея цього методу полагає в наступному: |
|
|
|
||||||||||||
«справжня» |
функція |
βi = f ( i ) |
може |
бути |
достатньо точно |
наближена |
|||||||||
поліномом порядку r відносно лагового індекса i : |
|
|
|
||||||||||||
|
βi |
=α0 |
+α1i +α2 i2 |
+ ...+αr ir |
для r = 0,k > r |
(2.28) |
|||||||||
Підставивши (2.28) до (2.23) одержимо |
|
|
|
|
|
|
|||||||||
k |
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
Yt =α + ∑ki X t −1 +εt |
=α + ∑(α0 |
+α1i + ...+αr ir )X t −i +ξt |
|
|
|
||||||||||
i=0 |
|
|
|
i=0 |
|
|
|
|
|
|
|
|
|
|
|
або якщо формально записати 00 |
= 1 |
|
|
|
|
|
|
|
|
|
|||||
|
k |
r |
|
|
|
r |
r |
|
|
|
|
|
|
||
Yt =α + ∑∑α j iγ X t−1 + εt =α + ∑α j |
∑i j X t −i + εt |
|
|
|
|||||||||||
|
i=o j=0 |
|
|
|
j=0 |
i=0 |
|
|
|
|
|
|
|||
=α +α0 Z0t |
+α1 Z1t + ... +αr Zrt + εt 1 |
|
|
|
|
|
(2.29) |
||||||||
де Z0t = X t + 2 j X t −2 |
+ ...+ k j X t −k |
|
для j = |
|
. |
|
|
|
|
|
|
||||
|
1,r |
|
|
|
|
|
|
||||||||
Якщо збурення задовольняють класичним умовам, то в моделі (2.29) |
|||||||||||||||
оцінки ЗМНК будуть найкращими незміщеними лінійними оцінками. |
|||||||||||||||
Позначимо через ai МНК-оцінки αi . Тоді оцінки коефіцієнтів βi такі: |
|||||||||||||||
|
βˆ i = a0 |
+ a1i + a2 i2 + ...+ ar ir |
|
|
для i = |
|
|
(2.30) |
|||||||
|
|
|
0,k |
||||||||||||
Оцінки (2.30) є оцінками МНК з обмеженнями. |
|
|
|
||||||||||||
Дисперсії |
βi |
легко знайти |
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
r |
|
|
|
|
|
|
|
|
|
|
|
Dbi = D( a0 |
+ a1i + ... + ar i r ) = ∑i2 j Da j + 2∑i j +h cov( a j ,ah ) |
для i = |
|
|
|||||||||||
0,k |
|||||||||||||||
|
|
|
|
j =0 |
|
|
j<h |
|
|
|
|
|
|
||
(2.31) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
На коефіцієнти βi досить часто прийнято накладати додаткові |
|||||||||||||||
обмеження, які називаються «крайовими обмеженнями», а саме |
|
|
|
||||||||||||
β−i =0 і βk +1 = 0 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
||
З урахуванням (2.28) ми можемо сказати |
|
|
|
|
|
|
|||||||||
|
β−i |
=α0 |
−α1 +α2 + ... +( −1)r αr =0 |
|
|
|
(2.33) |
||||||||
βk +1 =α0 +α1 ( k + 1) +α2 ( k + 1) + ... +αr ( k + 1)r |
=0 |
|
|
(2.34) |
|
|
В різних ситуаціях накладають одне або обидва обмеження (2.33), (2.34). Ці обмеження є лінійними обмеженнями на коефіцієнти моделі (2.29).
Отже, щоб оцінити модель (2.29) потрібно записати модель з обмеженнями і оцінити її, використовуючи ЗМНК.
Після знаходження ai оцінки коефіцієнтів βi обчислюються так, як і в попередньому випадку.
Варто нагадати, що в результаті накладення обмежень зміняться оцінки всіх коефіцієнтів моделі.
Поки що ми вважали довжину лагів і порядок поліному відомими. В реальних ситуаціях ці величини невідомі, отже потрібні методи їх визначення.
Визначення довжини лагів
Спочатку модель оцінюється з використанням необмеженого підходу, отже для визначення довжини лагів використовується методика, розглянута раніше у відповідному розділі.
Визначення порядку полінома
Після того, як довжина лагів k визначена, порядок полінома r < k . Потім послідовно знижуємо порядок полінома на 1 і здійснюємо вибір на основі попередньо визначенного критерія ( R2 , AIC,SC ). На практиці, як правило,
остаточний порядок полінома рідко буває більшим ніж 3.
Проблема неправильної спеціфікації
Проблема неправильної спеціфікації виникає при неправильному визначені довжини лагів і порядку полінома (однієї з цих величин, або обох водночас).
Позначимо через k визначену довжину лагів, а через k справжню довжину. Якщо k > k (включення зайвових змінних), то оцінки незміщені і консистентні, але неефективні.
Якщо k < k (невключення важливих змінних), |
то оцінки є зміщеними і |
неконсистектними. |
|
Позначимо через r визначений, а через r справжній порядок полінома. |
|
Якщо r < r (накладення некоректних обмежень), |
то оцінки зміщені і |
неконсистентні. Якщо r > r (перепараметрізація моделі), то оцінки будуть незміщеними, але неефективними.
2.5.Моделі з нескінченною довжиною лагів
Моделі зі скінченною довжиною лагів грунтуються на припущенні, що вплив лагових значень незалежної змінної Xt на залежну змінну є незначним для великих лагів, отже відповідні коефіцієнти дорівнюють нулю.
Однак, як ми з’ясували вище, неправильне визначення довжини лагу, тобто різниці в часі, після якої впливами можна знехтувати, призводить до проблем з оцінюванням.
Проблема неправильного визначення довжини лагу відсутня в моделях з нескінченною довжиної лагів (2.18). Для зручності нагадаємо відповідне рівняння
k =∞ |
|
Yt = α + ∑βi Xt −i + Σt |
(2.35) |
i −0
При спробі оцінити коефіцієнти моделі (2.35) виникає нова проблема: як оцінити нескінченну кількість параметрів βi з використанням скінченної кількості спостережень.
Для вирішення цієї проблеми запропоновано кілько методів.
2.5.1.Геометричний розподіл лагів (розподіл Койка)
Ця модель є найбільш популярною в емпірічних дослідженнях моделей з розподіленими лагами.
Модель було запропоновано Койком, який припустив, що вплив лагових
значень X на Yt експоненційно спадає з часом. Іншими словами, |
регресійні |
|
коефіцієнти утворюють спадну геометричну прогресію: |
|
|
βi = β0λi , |
0 < λ < 1 для i = 0,1,...,n |
(2.36) |
Чим ближче λ до нуля, |
тим швидше спадає вплив попередніх лагових |
|
значень. |
|
|