- •Опишем соотношения модели:
- •Определение зависимости между переменными.
- •Этап 1: Оценка параметров с помощью 1мнк.
- •Этап 2. Оценка параметров модели с помощью 2мнк
- •(Приложение №5)
- •Этап 3 : Сравнительный анализ 1мнк и 2мнк.
- •Этап №4 Построение трендов экзогенных переменных модели Клейна.
- •Приложение 6
- •Приложение №7.
- •Этап №5: Прогнозирование с помощью 2мнк
- •1 Шаг: (Приложение 8)
- •2 Шаг: Приложение 9
- •Исходные данные.
В основу работы положена эконометрическая модель Клейна. Эконометрическая модель описывает процесс функционирования экономики с помощью алгебраических уравнений, которые можно разбить на две группы: уравнения функционирования (поведения) и определяющие уравнения (балансовые)
Опишем соотношения модели:
-
Уравнения функционирования:
Ct = a0+a1(W1t+W2t)+a2Pt+a3Pt-1+ect;
It = b0+b1Pt+b2Pt-1 +b3Kt-1+eit ;
W1t = c0+c1x t+c2xt-1+c3t+ewt;
Балансовые уравнения:
Xt=Ct+It+Gt
Pt=Xt-W1t-Tt
Kt=Kt-1+It
Где t – индекс времени (календарные годы); Сt – потребление; Pt – прибыль; W1t – заработная плата, выплаченная в частном секторе; W2t – заработная плата, выплаченная в государственном секторе; It – чистые инвестиции; Kt –основной капитал;; Gt – государственный расходы не связанные с заработной платой; Tt – налоги на предпринимателей ect eit ewt – случайные погрешности.
Исходные данные представлены в Приложение 1.
Определение зависимости между переменными.
Построим корреляционную матрицу, элементами которой являются коэффициенты парной корреляции.
Коэффициент корреляции –мера связи случайных величин, или нормированный коэффициент ковариации (в случае зависимости двух случайных величин этот коэффициент показывает степень их совместной вариации - ковариации):
Коэффициент корреляции меняется от –1 до +1:
-
для независимых случайных величин (если, то это не всегда означает независимость, в этом случае просто говорят, что случайные величины некоррелированы. Из независимости вытекает некоррелированность, но наоборот – не всегда.);
-
для линейно связанных (чем ближе к единице, тем с большим основанием можно считать, что величины X и Y находятся в линейной зависимости);
-
в остальных случаях .
Корреляционная матрица для нашего случая имеет вид:
|
t |
C |
X |
I |
P |
W1 |
W1+W2 |
Pt-1 |
Kt-1 |
Xt-1 |
t |
|
0.9642 |
0.966 |
-0.4907 |
0.965 |
0.883 |
0.9158 |
0.966 |
0.975 |
0.966 |
C |
0.9642 |
|
0.999 |
-0.4896 |
0.964 |
0.959 |
0.9774 |
0.953 |
0.992 |
0.987 |
X |
0.9661 |
0.999 |
|
-0.4857 |
0.965 |
0.959 |
0.9771 |
0.954 |
0.992 |
0.987 |
I |
-0.491 |
-0.4896 |
-0.486 |
|
-0.422 |
-0.498 |
-0.5126 |
-0.498 |
-0.547 |
-0.538 |
P |
0.9652 |
0.9642 |
0.964 |
-0.4217 |
|
0.861 |
0.8934 |
0.949 |
0.958 |
0.939 |
W1 |
0.8832 |
0.9598 |
0.959 |
-0.497 |
0.86 |
|
0.9922 |
0.8781 |
0.9581 |
0.9553 |
W1+W2 |
0.9158 |
0.9774 |
0.977 |
-0.513 |
0.893 |
0.992 |
|
0.9043 |
0.9764 |
0.9752 |
Pt-1 |
0.966 |
0.9538 |
0.954 |
-0.499 |
0.949 |
0.878 |
0.9043 |
|
0.9608 |
0.9671 |
Kt-1 |
0.975 |
0.9927 |
0.992 |
-0.547 |
0.951 |
0.9581 |
0.9764 |
0.9608 |
|
0.994 |
Xt-1 |
0.9667 |
0.9869 |
0.987 |
-0.538 |
0.939 |
0.955 |
0.975 |
0.9671 |
0.994 |
|
Расчетные значения коэффициентов корреляции представлены в Приложении №2.
Элементы матрицы состоят из столбца трех значений: непосредственно коэффициента корреляции, количества пар значений, по которым рассчитывался коэффициент, и P-Valio, вероятность, с которой данный коэффициент является значимым (существенным). Расчетное значение P-Valio сравнивается с уровнем надежности 0,05 (95%). Если P-Valio > 0.05, то коэффициент корреляции считается несущественным.