- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
В окончательном виде оценка структурной модели имеет вид:
ˆ |
=10,23 |
Z t |
+17,23 + 6,86 |
I t |
, |
|
|
||
K t |
|
|
|
|
|
|
|||
ˆ |
= −0,1118 |
K t |
+ 4,738 + 0,2306 |
Pt |
. |
||||
Z t |
|
|
|
|
|
|
Косвенный метод наименьших квадратов приводит к смещенным, но состоятельным оценкам. В случае сверхидентифицируемости косвенный МНК не применим.
Для оценивания произвольных систем одновременных уравнений в настоящее время имеется довольно значительное количество методов, которые делятся на две группы. К первой группе относятся методы, применимые к каждому уравнению в отдельности, т. е. позволяющие оценивать каждое из уравнений поочередно; и вторая группа содержит методы, предназначенные для оценивания всей системы в целом, т. е. всех уравнений сразу. К первой группе относится, например, двухшаговый метод наименьших квадратов (2МНК), ко второй — трехшаговый метод наименьших квадратов (3МНК) иметодмаксимального правдоподобия полнойинформации.
§ 4. Двухшаговый метод наименьших квадратов
Рассмотрим двухшаговый метод наименьших квадратов
(2МНК). Он применяется для оценки параметров моделей, уравнения которых как однозначно, так и неоднозначно идентифицируемы. Параметры каждого уравнения оцениваются отдельно.
К процедуре оценивания параметров при применении 2МНК прибегают дважды. На первом шаге производится оценивание обычным МНК параметров приведенной формы. Это дает возможность получить оценки систематической и случайной составляющей
ˆ |
+ηit |
, |
эндогенной переменной yit, т. е. предполагается, что yit = yit |
где ˆyit — оценки значений этой переменной, полученные по при-
веденной форме. На втором шаге эндогенные переменные, находящиеся в правой части структурных уравнений, заменяются их оценками ˆyit . К преобразованному таким путем структурному
уравнению применяется обычный МНК. Оценки структурных параметров, полученные 2МНК, являются, вообще говоря, смещенными, но состоятельными и эффективными.
221
Отметим, что в большинстве эконометрических компьютерных пакетов для оценивания систем одновременных уравнений реализован именно двухшаговый метод наименьших квадратов, при использовании которого фактически каждое уравнение оценивается независимо от других.
Пусть i означает номер оцениваемого уравнения структурной формы модели. В этом уравнении присутствует h эндогенных переменных Y, причем h - 1 из них выступают в роли объясняющих переменных. Помимо этого в оцениваемом уравнении присутствуют f предопределенных переменных X (экзогенных и лаговых эндогенных). Оцениваемое уравнение имеет вид:
h f
Y it =∑βidY dt +∑γij X jt +εit.
d=1 |
j=0 |
d≠i |
|
Идея двухшагового метода наименьших квадратов заключается в том, что переменные Y 1t ,Y 2t , ...,Y (i−1)t ,Y (i+1)t , ...,Y dt выражаются че-
рез предопределенные переменные модели X 1t ,X 2t ,...,X kt , что равнозначно записи приведенной формы:
k
Y dt =∑πdj X jt +ηdt , (d =1, 2, ..., i−1, i+1, ..., h).
j=0
Параметры приведенной формы оцениваются обычным методом наименьших квадратов с применением формулы:
ΠT(i)=(X T X )−1 X T Y(i),
где X — матрица n×k наблюдений всех предопределенных (экзогенных и лаговых эндогенных) переменных модели;
Y(i) — матрица n ×(h −1) наблюдений эндогенных переменных,
присутствующих в оцениваемом уравнении в роли объясняющих переменных;
Πˆ T(i) — матрица k ×(h −1) оценок параметров приведенной
формы при эндогенных переменных, присутствующих в оцениваемом уравнении в роли объясняющих переменных.
222
На основе построенной приведенной формы модели рассчитываются эмпирические значения эндогенных переменных, присутствующих в i-м уравнении в качестве объясняющих переменных:
Yˆ (i)= X Πˆ T(i) ,
где Yˆ (i) — матрица n ×(h −1) значений этих переменных. Оценен-
ные значения переменных вставляются в уравнение так, что оно приобретает форму:
Yi |
= |
h |
β |
ˆ |
+ |
f |
γ |
ij X j |
+ |
εi . |
|
∑ |
|
id Y d |
|
∑ |
|
|
|||
|
|
d =1 |
|
|
|
j=0 |
|
|
|
|
|
|
d ≠i |
|
|
|
|
|
|
|
|
Такие оцененные значения Yˆ d переменных называются инст-
рументальными переменными. Суть состоит в замене коррелирующей со случайным возмущением переменной Y d на другую —
инструментальную переменную Yˆ d , которая не должна коррели-
ровать со случайным отклонением.
Параметры полученного уравнения оцениваются обычным методом наименьших квадратов:
b(i) |
|
ˆ T |
ˆ |
Y(i)Y(i) |
|||
a(i)= = |
T |
ˆ |
|
c(i) |
|
||
|
X (i)Y(i) |
ˆ |
T |
X |
−1 |
ˆ |
T |
|
|
|
|
Y |
(i) |
(i) |
|
|
|
|
|||
|
|
× |
Y(i)yit |
, |
|||||
|
T |
|
|
|
|
y |
|
||
X |
X |
|
X T |
|
|
||||
(i) |
|
|
(i) |
|
it |
||||
|
|
(i) |
|
|
|
|
|
|
где a(i) — вектор (h −1+ f +1)×1 оценок структурных параметров
оцениваемого уравнения;
b(i) — вектор (h −1)×1 оценок структурных параметров при эн-
догенных переменных, присутствующих в уравнении в роли объясняющих переменных;
c(i) — вектор (f +1)×1 оценок структурных параметров при
предопределенных переменных, присутствующих в уравнении; X(i) — матрица n×(f +1) наблюдений предопределенных пере-
менных, присутствующих в оцениваемом уравнении;
223
yit — вектор n×1 наблюдений эндогенной переменной, играющей роль зависимой (эндогенной) переменной в i-м уравнении (оцениваемом).
Здесь предполагается, что в оцениваемом уравнении имеется f предопределенных переменных (экзогенных и лаговых эндогенных) и первый столбец матрицы X(i) состоит из единиц, что соответствует свободному коэффициенту.
Дисперсия случайных отклонений уравнения оценивается по формуле:
Si2 = |
eTi ei |
|
. |
|
n −(h −1+ f +1) |
||||
|
|
Матрица дисперсии и ковариации оценок структурных параметров имеет вид:
2 b(i) |
|
ˆ T ˆ |
2 |
Y(i)Y(i) |
|
D c(i)=S i |
× T ˆ |
|
|
|
X (i)Y(i) |
ˆ T |
−1 |
Y(i)X (i) |
|
T |
. |
X (i)X (i)
Пример 10.4. Построена следующая модель.
Pt = β12Y t +γ10 +γ11 X t +ε1t , Y t = β23 K t +γ 20 +ε2t ,
Kt = β32Y t +γ 30 +γ 33 I t +ε3t ,
или
Pt − β12Y t −γ10 −γ11 X t =ε1t , Y t − β23 K t −γ 20 =ε2t ,
K t − β32Y t −γ 30 −γ 33 I t =ε3t ,
где Kt — стоимость основных фондов (эндогенная переменная); Yt — количество работающих (эндогенная переменная);
It — объем инвестиций (экзогенная переменная); Pt — объем продукции (эндогенная переменная); Xt — использование сырья (экзогенная переменная).
Имеются наблюдения за 11 лет (табл. 10.2).
224
|
|
|
|
|
|
Таблица 10.2 |
|
|
Исходные данные для двухшагового метода |
|
|
||||
|
|
наименьших квадратов |
|
|
|
||
|
|
|
|
|
|
|
|
t |
Pt |
Yt |
Kt |
|
Xt |
|
It |
1 |
55 |
4,1 |
29 |
|
2,8 |
|
1,2 |
2 |
58 |
4,1 |
30 |
|
2,9 |
|
1,3 |
3 |
59 |
4,2 |
30 |
|
3,8 |
|
1,3 |
4 |
62 |
4,4 |
31 |
|
4,1 |
|
1,2 |
5 |
62 |
4,6 |
32 |
|
4,1 |
|
1,3 |
6 |
65 |
4,6 |
32 |
|
4,1 |
|
1,4 |
7 |
68 |
4,7 |
34 |
|
4,0 |
|
1,3 |
8 |
71 |
4,8 |
35 |
|
4,1 |
|
1,6 |
9 |
71 |
5,2 |
37 |
|
4,2 |
|
1,8 |
10 |
72 |
5,4 |
40 |
|
4,2 |
|
1,9 |
11 |
73 |
5,8 |
42 |
|
4,3 |
|
2,0 |
Параметры первого и третьего уравнений идентифицируются однозначно и могут быть оценены косвенным методом наименьших квадратов. Рассмотрим второе уравнение. В нем отсутствуют переменныеPt, Xt, It. Матрицапараметровприэтих переменных имеет вид:
A2 |
1 |
−γ11 |
0 |
|
|
|
= |
0 |
0 |
−γ |
|
|
|
|
|
33 |
, |
|||
|
|
|
|
rang (A2)=2=m−1=3−1<d 2 =3.
Следовательно, второе уравнение признается неоднозначно идентифицируемым. Оценим это уравнение двухшаговым методом наименьших квадратов. Приведенная форма уравнения для переменной стоимости основных фондов Kt, которая выступает во втором уравнении в качестве объясняющей, имеет вид:
K t =π 20 +π 21 X t +π 22 I t +η2t .
Параметры этого уравнения оценим обычным методом наименьших квадратов.
225
1 2,8 1,2 |
|
|
29 |
||
|
1,3 |
|
|
|
|
1 2,9 |
|
|
30 |
||
1 3,8 1,3 |
|
|
30 |
||
|
|
|
|
|
|
1 4,1 1,2 |
|
|
|
31 |
|
1 4,1 |
1,3 |
|
|
32 |
|
|
1,4 |
|
|
|
|
1 4,1 |
|
Y (2) |
или K = |
32 |
|
X = |
|
, |
, |
||
1 4,0 |
1,3 |
|
|
34 |
|
|
|
|
|
|
|
1 4,1 1,6 |
|
|
35 |
||
|
1,8 |
|
|
|
|
1 4,2 |
|
|
37 |
||
1 4,2 1,9 |
|
|
40 |
||
|
|
|
|
|
|
1 4,3 |
2,0 |
|
42 |
9,443
Πˆ (2)=(X T X )−1 X T Y(2)= 1,512 .
12,50
Здесь под матрицей Y(2) следует понимать значения единст-
венной эндогенной переменной Kt, присутствующей в качестве объясняющей во втором уравнении модели. Таким образом, приведенное уравнение переменной Kt имеет вид:
|
ˆ |
= 9,443 +1,512 |
X t |
+12,50 |
It . |
|
|
Kt |
|
|
|
||
|
Из этого уравнения |
рассчитываем эмпирические значения |
||||
ˆ |
ˆ |
|
|
|
|
|
K t =Y(2) . Затем оцениваем исследуемое второе уравнение систе-
мы, в котором вместо фактических значений Kt берем эмпириче-
ские Kˆ t :
Yt |
= β |
ˆ |
+γ |
20 |
+ |
ε2t |
. |
|
23 Kt |
|
|
|
Поскольку во втором уравнении системы нет предопределенных переменных (экзогенных и лаговых эндогенных), то матрица X (2) состоит из единиц:
226
1 |
|
|
|
28,677 |
|
4,1 |
|||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
30,078 |
|
4,1 |
|||
1 |
|
|
|
31,439 |
|
4,2 |
|||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
30,642 |
|
4,4 |
|||
1 |
|
|
|
31,892 |
|
4,6 |
|||
|
ˆ |
ˆ |
ˆ |
|
|
|
y2t |
|
|
X (2)=1 , |
Y(2)=K t = X Π(2)=33,142 , |
=Y t = 4,6 , |
|||||||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
31,741 |
|
4,7 |
||
1 |
|
|
|
35,642 |
|
4,8 |
|||
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
38,293 |
|
5,2 |
|
||
1 |
|
|
|
39,543 |
|
5,4 |
|
||
|
|
|
|
|
40,945 |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
5,8 |
|
|
b(2) |
|
|
ˆ T |
ˆ |
ˆ T |
−1 |
ˆ T |
y |
2t |
||
a(2)= |
|
Y(2)Y(2) |
Y(2)X (2) |
|
|
Y(2) |
|
|||||
|
= |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
× |
|
y |
|
||||
c(2) |
|
|
T |
ˆ |
T |
|
|
T |
2t |
|||
|
|
|
|
|
X (2)X (2) |
|
X (2) |
|
||||
|
|
|
X (2)Y(2) |
|
|
|
|
|
=
12754,3 |
372,034 −1 1777,32 |
0,1282 |
||||
= |
11 |
|
× |
51,9 |
= |
. |
372,034 |
|
|
0,3838 |
Таким образом, имеем следующие оценки параметров β 23 , γ 20 :
b23 = 0,1282, c20 = 0,3838.
Оценка второго уравнения системы имеет вид:
ˆ |
= |
0,1282Kt |
+0,3819. |
Yt |
|
|
Рассчитаем стандартные ошибки полученных параметров.
S22 = |
|
eTi ei |
|
|
|
= |
0,071 |
= 0,0079, |
||||
n −(h −1+ f +1) |
9 |
|||||||||||
|
|
|
|
|
||||||||
|
|
|
ˆ T |
ˆ |
|
|
|
ˆ T |
−1 |
|
||
2 b(2) |
|
2 |
Y(2)Y(2) |
|
Y(2)X (2) |
= |
||||||
D |
=S 2 |
× |
T |
ˆ |
|
|
|
T |
|
|||
c(2) |
|
|
|
|
|
|||||||
|
|
Y 2 |
|
|
|
|
||||||
|
X (2) |
|
( ) |
|
X (2)X (2) |
|
227