ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf15.1 Модель распределенного лага |
503 |
αj
|
|
|
|
|
j |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
1 |
2 . . . . . q |
|||
|
|
|
|
Рис. 15.1 |
где p — степень многочлена, p < q. Вводя такую зависимость, мы накладываем q − p линейных ограничений на структуру лага.
Простейший полиномиальный лаг — линейный. Для него αj = γ0 + γ1j. Как правило, здесь γ1 < 0. Его структура изображена на диаграмме (рис. 15.1).
Поскольку исходная модель регрессии линейна и ограничения, которые полиномиальный лаг накладывает на ее коэффициенты, являются линейными, то полученная модель останется линейной. Рассмотрим, каким образом ее можно оценить.
C учетом выражений для αj , проведем преобразование исходной модели:
q |
|
q |
p |
|
p |
q |
|
p |
|
|
||
α z |
= |
|
|
γ js |
z |
= γ |
s |
jsz |
= γ y |
ts |
. |
|
j t−j |
|
|
|
s |
t−j |
|
t−j |
s |
|
|||
j=0 |
|
j=0 |
s=0 |
|
s=0 |
j=0 |
|
s=0 |
|
|
||
|
|
|
|
αj |
|
|
|
|
|
|
|
|
Получим новую модель линейной регрессии:
p
xt = µ + γsyts + εt
s=0
с преобразованными факторами
|
|
|
q |
|
y |
ts |
= |
jsz |
. |
|
|
t−j |
|
|
|
|
|
j=0 |
|
Оценив γs , можно вычислить веса αj , воспользовавшись формулой (15.2).
При оценивании модели с ограничениями на структуру лага нужно проверить, правильно ли наложены ограничения. С помощью соответствующей F -статистики можно сравнить ее с исходной, неограниченной моделью, поскольку она является ее частным случаем. Модель
q
xt = µ + γsyts + εt
s=0
504 |
Глава 15. Динамические модели регрессии |
αj
j
0 |
1 |
2 3 . |
. |
. . |
|
|
Рис. 15.2 |
|
эквивалентна исходной модели с точностью до линейных преобразований, поэтому достаточно проверить гипотезу о том, что последние q − p коэффициентов (γp+1, . . . , γq ) равны нулю.
Часто принимают, что веса на концах полиномиальной лаговой структуры (15.2) равны нулю. Это требование накладывает на коэффициенты модели дополнительные ограничения. Можно, например, потребовать, чтобы αq = 0, то есть
p
γsqs = 0.
s=0
Учесть такие ограничения несколько сложнее, но в целом не требуется выходить за рамки обычной линейной регрессии.
Геометрический лаг
Еще один популярный вид структуры лага — геометрический лаг. Его веса αj задаются следующими соотношениями:
αj = α0δj , j = 0, . . . , ∞,
где 0 < δ < 1. Веса геометрического лага убывают экспоненциально с увеличением лага (рис. 15.2).
Модель распределенного лага с этими весами, модель Койка, имеет следующий вид:
|
|
= µ + α |
∞ |
+ ε . |
|
x |
t |
δj z |
(15.3) |
||
|
0 |
t−j |
t |
|
j=0
Используя формулу суммы бесконечной геометрической прогрессии, получим
∞ |
∞ |
α0 |
|
α(v) = j=0 αj vj = α0j=0 (δv)j = |
|
. |
|
1 − vδ |
15.1 Модель распределенного лага |
|
|
|
|
|
|
|
505 |
Сумма весов в этой модели (долгосрочный мультипликатор) равна |
|
|||||||
∞ |
|
|
|
α0 |
|
|
||
αΣ = j=0 αj = α(1) = |
|
|
. |
|
|
|||
1 − δ |
|
|
||||||
Кроме того, |
|
|
|
|
|
|
|
|
ln α(v) = ln α0 − ln(1 − vα) |
и |
(ln α(v)) = |
δ |
, |
||||
|
||||||||
1 − vδ |
||||||||
поэтому средняя длина геометрического лага равна |
|
|
||||||
¯j = (ln α(v)) |
= |
|
|
δ |
|
|
||
|
|
. |
|
|
||||
|
|
|
||||||
v=1 |
|
1 − δ |
|
|
||||
|
|
|
|
|
|
|
Чтобы избавиться от бесконечного ряда, к модели с геометрическим лагом применяют преобразование Койка (Koyck transformation). Сдвинем исходное уравнение на один период назад:
∞
xt−1 = µ + α0δj zt−j−1 + εt−1,
j=0
затем умножим это выражение на δ и вычтем из исходного уравнения (15.3):
xt − δxt−1 = (1 − δ)µ + α0zt + εt − δεt−1 . |
(15.4) |
Такой же результат можно получить, используя лаговые операторы:
|
|
|
∞ |
|
|
∞ |
x |
t |
= µ + α |
δj z |
+ ε = µ + α |
0 |
(δL)j z + ε . |
|
0 |
t−j |
t |
t t |
||
|
|
|
j=0 |
|
|
j=0 |
Выражение в скобках упрощается с использованием формулы суммы бесконечной геометрической прогрессии:
1
xt = µ + α0 1 − δL zt + εt.
Умножим это уравнение на оператор (1 − δL):
(1 − δL) xt = (1 − δL) µ + α0zt + (1 − δL) εt
или учитывая, что оператор сдвига, стоящий перед константой, ее сохраняет, получаем формулу (15.4). В результате имеем следующую модель:
xt = µ + δxt−1 + α0zt + εt,
508 |
|
|
Глава 15. Динамические модели регрессии |
|||||||||
на него исходное уравнение модели, то получим |
|
|
|
|
||||||||
xt = ϕ−1(L)ϕ(L)xt |
= |
|
µ |
|
+ |
α(L) |
zt + |
εt |
|
|||
|
|
|
|
ϕ(L) |
||||||||
|
|
|
|
|
ϕ(L) |
ϕ(L) |
||||||
или |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
|
|
|
|
xt = µ + πizt−i + εt , |
|
|
||||||||
|
|
|
|
i=0 |
|
|
|
|
|
|
|
|
где |
|
|
|
|
|
|
|
|
|
|
|
|
µ = |
µ |
, ε = |
εt |
и |
|
α(L) |
= π(L) = ∞ πiLi. |
|||||
|
|
|
|
|
||||||||
|
ϕ(1) |
t |
ϕ(L) |
|
|
|
ϕ(L) |
|
|
|
|
|
|
|
|
|
|
|
|
i=0 |
|||||
|
|
|
|
|
|
|
|
|
|
|
Как и в модели ARMA, такое преобразование корректно, если все корни многочлена ϕ(·) лежат за пределами единичной окружности.
Коэффициенты πi показывают влияние лагов переменной z на переменную x, то есть они представляют собой функцию реакции на импульс. Символически эти коэффициенты можно записать в виде:
πi = dxt . dzt−i
Рекуррентная формула для расчета коэффициентов πi получается дифференциацией по zt−i исходного уравнения модели (15.5):
|
|
|
p |
|
|
q |
|
|
|
|
|
|
|
|
d(µ + j=1 ϕj xt−j + j=0 αj zt−j + εt) |
|
p |
||||||||
πi = |
|
|
|
|
|
|
|
= ϕj πi−j + αi. |
||||
|
|
|
|
dz |
|
|||||||
|
|
|
|
|
|
t−i |
|
j=1 |
||||
Здесь принимается во внимание, что |
|
|
|
|
|
|||||||
|
dxt−j |
= π |
i−j |
, |
dzt−j |
= |
0, j = i, |
и |
|
dεt |
= 0. |
|
|
|
|||||||||||
|
dzt−i |
|
dzt−i |
1, j = i, |
|
|
dzt−i |
|||||
При использовании |
этой |
рекуррентной формулы |
следует взять πi = 0 |
для i < 0. В частном случае модели распределенного лага (когда p = 0) эта формула дает πi = αi , то есть влияние zt−i на πi количественно выражается коэффициентом при zt−i (весом лага).
15.2 Некоторые прикладные динамические модели |
509 |
Сумма коэффициентов πi показывает долгосрочное влияние z на x (долгосрочный мультипликатор). Она равна
|
|
|
|
q |
|
|
∞ |
α(1) |
|
|
αj |
|
|
= |
|
j=0 |
|
|||
πΣ = πi = π(1) = |
|
|
|
. |
(15.6) |
|
ϕ(1) |
|
p |
||||
i=0 |
1 |
− j=1 ϕj |
|
|||
|
|
|||||
|
|
|
По аналогии с моделью распределенного лага можно ввести показатель средней длины лага влияния z на x. Он равен
∞ |
q |
p |
iπi |
|
|
|
|
|
jαj |
jϕj |
|||
i=0 |
= (ln π(v)) |
|
= (ln α(v) − ln ϕ(v)) |
|
= |
j=0 |
|
+ |
j=1 |
|
|
|
|
. |
|||||||
∞ |
|
|
q |
|
p |
|||||
i=0 πi |
|
v=1 |
|
|
v=1 |
|
αj |
1 − j=1 ϕj |
||
|
|
|
|
|
j=0 |
15.3.Модели частичного приспособления, адаптивных ожиданий и исправления ошибок
Рассмотрим некоторые прикладные динамические модели, сводящиеся к модели авторегрессионного распределенного лага.
Модель частичного приспособления
В экономике субъекты не сразу могут приспособиться к меняющимся условиям — это происходит постепенно. Нужно время на изменение запасов, обучение, переход на новые технологии, изменение условий долгосрочных контрактов и т.д. Эти процессы можно моделировать с помощью модели частичного приспособления.
Для иллюстрации приведем следующий пример: инфляция зависит от денежной массы, меняя денежную массу, мы можем получить какой-то желаемый уровень инфляции. Но реальность несколько запаздывает.
Пусть xDt — желаемый уровень величины xt, zt — независимый фактор, определяющий xDt . Тогда модель частичного приспособления задается следующими двумя уравнениями:
xDt = β + αzt + ξt, (15.7) xt − xt−1 = γ(xDt − xt−1) + εt.
510 Глава 15. Динамические модели регрессии
Здесь γ [0; 1] — скорость приспособления. Если γ = 0, то xt = xt−1 , то есть xt не меняется, если же γ = 1, то приспособление происходит мгновенно, и в этом случае сразу xt = xDt .
Предположим, что переменная xDt ненаблюдаема. Исключим из этих двух выражений ненаблюдаемую переменную:
xt = γβ + (1 − γ)xt−1 + γαzt + εt + γξt.
Ясно, что это модель ADL(1, 0), где γβ = µ, 1−γ = ϕ1 и γα = α0 . Оценив параметры µ, ϕ1 и α0 , мы можем с помощью обратного преобразования вычислить оценки параметров исходной модели.
Модель адаптивных ожиданий
Очень часто экономические решения, принимаемые людьми, зависят от прогнозов того, что будет в будущем. При этом уровень экономических величин, на которые воздействуют такие решения, зависит не от текущего значения показателя, а от ожидаемого значения (например, если ожидается высокий уровень инфляции, то следует скупать доллары, курс доллара в результате вырастет). В теории рассматриваются 2 вида ожиданий — рациональные и адаптивные. В соответствии с одним из определений, ожидания называют рациональными, если математическое ожидание прогноза равно фактическому значению, которое будет в будущем. Модели рациональных ожиданий часто оказываются довольно сложными. Адаптивные ожидания — это ожидания, которые зависят только от предыдущих значений величины. По мере того, как наблюдаются процессы движения реальной величины, мы адаптируем наши ожидания к тому, что наблюдаем на самом деле.
Чтобы ввести в экономические модели ожидания экономических субъектов, в простейшем случае используют модель адаптивных ожиданий. Адаптивные ожидания некоторой величины формируются только на основе прошлых значений этой величины. Например, пусть xt зависит от ожиданий ( ztE ) величины zt, zt — величина, от прогноза которой должен зависеть xt (например, инфляция), ztE — ожидание (прогноз) этой величины в момент времени t.
xt = β + αztE + εt.
В целом xt выгодно выбирать в зависимости от того, какой величина zt будет в будущем: zt+1 , zt+2, . . ., однако в момент выбора t известны только текущее и прошлые значения ( . . ., zt−1 , zt).
Ошибка в ожиданиях ztE приводит к их корректировке. Модель адаптации ожиданий к фактическому значению zt записывается так:
ztE − ztE−1 = θ(zt − ztE−1),
15.3 Некоторые прикладные динамические модели |
511 |
где θ — скорость приспособления ожиданий. Если θ = 0, то ожидания никак не адаптируются к действительности и прогнозы не сбываются (скорость адаптации нулевая); если θ = 1, скорость адаптации мгновенная, наши ожидания сбываются (полностью адаптировались): ztE = zt. Обычно 0 < θ < 1.
Легко видеть, что модель адаптации ожиданий основывается на формуле экспоненциальной средней:
ztE = θzt + (1 − θ)ztE−1.
Для оценки параметров модели надо исключить ненаблюдаемые ожидания ztE . Используя лаговый оператор, получаем:
ztE − (1 − θ)ztE−1 = (1 − (1 − θ)L)ztE = θzt,
откуда |
|
|
|
θzt |
∞ |
ztE = |
|
= θi=0 (1 − θ)izt−i. |
1 − (1 − θ)L |
Таким образом, ожидания в рассматриваемой модели описываются бесконечным геометрическим распределенным лагом с параметром затухания δ = 1 − θ.
Если в уравнение для xt вместо ztE подставить данный бесконечный ряд, то получится модель регрессии с геометрическим распределенным лагом:
xt = β + |
αθzt |
+ εt. |
(15.8) |
1 − (1 − θ)L |
Как было показано ранее, модель геометрического лага с помощью преобразования Койка приводится к модели ADL. Умножим обе части уравнения 15.8 на 1 − (1 − θ)L и получим:
(1 − (1 − θ)L)xt = (1 − (1 − θ)L)β + αθzt + (1 − (1 − θ)L)εt.
После соответствующего переобозначения параметров модель адаптивных ожиданий приобретает новую форму — ADL(1, 0) с MA(1)-ошибкой:
xt = θβ + (1 − θ)xt−1 + αθzt + εt − (1 − θ)εt−1.
Оценивать модель адаптивных ожиданий можно теми же методами, что и модель Койка.
512 |
Глава 15. Динамические модели регрессии |
Модель исправления ошибок
Вдинамических регрессионных моделях важно различие между долгосрочной
икраткосрочной динамикой. Это различие можно анализировать в рамках модели исправления ошибок. Рассмотрим в долгосрочном аспекте модель ADL(1, 1):
xt = µ + ϕ1xt−1 + α0zt + α1zt−1 + εt.
Предположим, что фактор zt и ошибка εt являются стационарными процессами. Тогда при |ϕ1| < 1 изучаемая переменная xt также стационарна. Возьмем математические ожидания от обеих частей уравнения модели:
x¯ = µ + ϕ1x¯ + α0z¯ + α1z¯.
В этой формуле x¯ = E(xt), z¯ = E(zt) (стационарные уровни x и z) и учитывается, что E(εt) = 0. Получаем уравнение
x¯ = |
|
µ |
+ |
α0 + α1 |
z¯ = µ + λz,¯ |
|
− ϕ1 |
|
|||
1 |
|
1 − ϕ1 |
которое описывает долгосрочное стационарное состояние экономического процесса. Коэффициент
λ = |
α0 + α1 |
(15.9) |
|
1 − ϕ1 |
|||
|
|
отражает долгосрочное влияние z на x. Он совпадает с долгосрочным мультипликатором (15.6).
Модель ADL(1, 1) можно привести к виду, который описывает краткосрочную динамику экономической системы. В этом виде модель называется моделью исправления ошибок, сокращенно ECM (error-correction model):
∆xt = µ − (1 − ϕ1)xt−1 + α0∆zt + (α0 + α1)zt−1 + εt |
|
или |
|
∆xt = α0∆zt − θ xt−1 − (µ + λzt−1) + εt, |
(15.10) |
где θ = 1 − ϕ1 , ∆xt = xt − xt−1 , ∆zt = zt − zt−1 .
Предполагается, что если в предыдущий период переменная x отклонилась от своего «долгосрочного значения» µ +λz, то элемент xt−1 −(µ +λzt−1) корректирует динамику в нужном направлении. Для того чтобы это происходило, необходимо выполнение условия |ϕ1| < 1.