Churakov_Mat_met_obr_exp_dan_v_ekon
.pdfматрицу Фишера, воспользовавшись вторым определением из (2.10). Прежде всего необходимо найти условную плотность экс периментальных данных /.сив). Если в модели наблюдений (2.4) вектор в зафиксирован, то природа «случайности» вектора у по рождена аналогичным качеством вектора е, так как иных источ ников случайности в этой модели нет. Поэтому вектор >? при фик сированном в будет также гауссовским с ковариационной матри цей о^Е и математическим ожиданием Ч'в, что непосредственно следует из (2.4). Таким образом,
ПуЩ = Nyi'VQ, о^Е) => In 1(у\в) = const - 0,5а-^|1у - Тв|р,
где через const обозначено независимое от в слагаемое. Дважды продифференцировав последнюю функцию по в (см. (2.14)), найдем
Но этот результат полностью совпадает с ковариационной матрицей ошибки оценивания (2.27). Следовательно, при гауссовских некоррелированных экспериментальных ошибках нера венство Рао — Крамера вырождается в равенство, соответствую щее точной нижней фани неравенства, а это и является призна ком эффективности МНК-оценки в указанных условиях.
2.3.3. МНК-оценки параметров производственной функции Кобба - Дугласа
В качестве своеобразной иллюстрации техники построения МНК-оценок рассмотрим одну частную, но важную для многих эконометрических приложений задачу.
Производственными функциями принято называть соотноше ния между используемыми в производстве материальными и тру довыми ресурсами (обобщенно — производственными ресурса ми) и выпускаемой продукцией. Пусть некоторое предприятие (отрасль, объединение, фирма и т.п.) в течение определенного промежутка времени производит q наименований продукции со ответственно в количествах wi, W2, ..., Ug, представленных в нату ральных единицах измерения или в денежном эквиваленте. Что бы производить эту продукцию, необходимы S видов ресурсов со-
50
ответственно в количествах vi, V2, ..., v^, также представленных в определенных единицах измерения. Тогда неявная функция
F(u,v,A)^0,
связывающая вектор выпускаемой продукции м = [«j W2 ... w^]^, вектор используемых ресурсов v = [vi V2 ... vj и вектор а = [ai ai... йр]^ параметров, представляет собой производствен ную функцию. Причина для включения вектора параметров в со став производственной функции та же, что и в случае регресси онной модели: точно указать характер аналитической зависимос ти между векторами и и v невозможно; однако можно предвидеть параметрический класс функций, которому принадлежит произ водственная функция; в последующем эти параметры можно оценить по результатам надлежащим образом поставленного экс перимента. Суть последнего может заключаться в следующем: регистрирз^отся объемы выпускаемой продукции при различных объемах используемых ресурсов, что приводит к массиву экспе риментальных данных, подобному (1.1), (1.2); на основе этих данных находятся, например, МНК-оценки вектора а.
В настоящее время наиболее часто производственные функ ции применяют при решении однопродуктовых экономических задач \q- 1) с несколькими материальными и трудовыми ресур сами (^ > 1). В этом случае и = и — скалярная величина, и произ водственную функцию, разрешив относительно w, представляют в виде
и=Ду, а)
ичасто называют функцией выпуска.
Вид функцииУ(.) не может быть совершенно произвольным. Она должна удовлетворять определенным условиям. Вот некото рые из них.
1. Производство невозможно при отсутствии хотя бы одного из ресурсов, т.е.
ЛО, V2, V3,..., v^, а) =y(vb О» ^з, ...,v^, а) = = ... =Дуь ...,v^_bO, л) = 0.
Заметим, что если некоторый вид ресурса может компенсиро ваться другими, записанные условия относительно этого ресурса могут и не выполняться.
51
2.При увеличении затрат производственных ресурсов выпуск продукции не уменьшается, т.е. для дифференцируемой произ водственной функции ЧЛ^» л) ^ 0.
3.Увеличение одного ресурса при неизменных значениях других ресурсов должно приводить ко все меньшим приростам
выпускаемой продукции. Это достигается, если —r-/(v,a)<0,
/ = 1, 2, ..., 5", что эквивалентно требованию положительной зна коопределенности матрицы -Vyf[y, а).
Одной из наиболее ранних производственных функций явля ется предложенная в 1928 г П. Дугласом и Д. Коббом функция для определения влияния величины затрачиваемого капитала (vi) и объема труда (v2) на объем выпускаемой продукции (и) в обра батывающей промышленности США. Эта функция была предло жена в форме
u=-avi^ v{, а>0, А>0,с>0, й + с=1.
Здесь в терминах предьщущих обозначений а = [а й с]^ — век тор параметров, оцениваемых по экспериментальным данным. В качестве этих данных использовались зафиксированные в проме жутке с 1899 по 1922 г. объемы затрачиваемого капитала vi^\ труда V2^^ и соответствующий им объем выпускаемой продукции Ду=1,2,...,24.
Характерная особенность предложенной производственной функции проявляется в нелинейной зависимости от параметров, что существенно усложняет процедуру их последующего оцени вания по экспериментальным данным. Поэтому оказалось целе сообразным предварительное логарифмирование этой функции, приводящее к очевидному результату:
In W ~ In V2 = In а + 6(1П VI — In V2),
уже линейно зависящему от параметров \nawb. Тогда математи ческую модель экспериментальных данных можно отобразить равенством
In w^'^ - In vs^"^ = In й + й(1п vi^"^ - In V2^*^) + e^\y =1,2,..., 24,
в котором слагаемое e^^ моделирует неизбежные отклонения ре зультатов эксперимента от предполагаемых теоретических значе-
52
НИИ. Если теперь ввести обозначения: vj = In и^^ - |
In V2^^, |
©о = |
|
.(/•) ^ |
In |
.W |
|
= In а ©1 = Z>, в = [©о ©,]'^, xj = In vi^^ ^ In V2^'^), v'^(xy) = |
[1 xy], |
8y = e^^ и положить n = 24, экспериментальные данные опишутся
соотношением
yj=yV^(xj)e + Бу ,У = 1, 2,..., л.
что полностью совпадает с регрессионной моделью (2.3). В тер минах этого совпадения величиныyj и Xj,j = 1, 2,..., л, можно ин терпретировать как экспериментальную выборку соответственно эндогенной и экзогенной переменных данной экономической системы. МНК-оценка вектора параметров в находится с помо щью уже известного правила (2.24), которое с учетом введенных обозначений и после проведения соответствующих матричновекторных операций может быть конкретизировано следующим образом:
во=р-х01, Bi (хЪ-Зс^
где, в свою очередь, использованы обозначения
\ п |
\ п |
in |
~ |
I '^ л |
x = -Xxj, |
y=-^yj, |
kxy=-llxjyj, |
(x) = |
-j,xj. |
Зная оценки параметров ©о и ©i, не представляет труда найти оценки исходных параметров а, Ь, с производственной функции. Следует заметить при этом, что исследование свойств этих оце нок может породить самостоятельную задачу. Обратим внимание еще на одну особенность полученных оценок: они выражаются не через отдельные компоненты у\уУ2, --',Уп экспериментальных данных, а через функции у, к^у этих данных. Поэтому найденные оценки можно классифицировать как достаточные, а функции У,
кху рассматривать как достаточные статистики.
2.3.4. Идемпотентные матрицы
Для последующего анализа нам потребуются матрицы, обладаю щие определенными специфическими свойствами. Одной из них является идемпотентная.
53
Определение 2.2. Матрица Ре R^^^ называется идемпотентной, если выполняется условие Р^ = РР = Р, т.е.квадрат идемпотентной матрицы равен самой матрице.
Как следствие этого определения, очевидно, /^ = Рпри V/: G N. Идемпотентные матрицы обладают рядом замечательных свойств. Ограничим рассмотрение важным для нас случаем сим метрических матриц.
Утверждение 2.3. Собственные числа идемпотентной матри цы равны нулю или единице.
Действительно, пусть v и z — собственное число и соответст вующий ему собственный вектор матрицы Р. Тогда по определе нию /% = VZ => P^z = vPz => Pz = v\ т.е. V = v^, что выполняется при V = О или V = 1.
Утверждение 2.4. Ранг симметрической идемпотентной мат рицы Р равен ее следу: rank P=Sp Р.
Так как Р — симметрическая матрица, то существует ортого нальная матрица 1] диагонализирующая матрицу Р, т.е. обладаю щая свойствами Г J = Е, JFPT== V, где v = diag [V/], i= 1,2, ...,q, - диагональная матрица из собственных чисел матрицы Р. Отсю да, учитывая, что 'Г = Т~^, получаем Р = IVJ^. Так как Г - невы рожденная матрица, то rank Р = rank v. Но ранг диагональной ма трицы V равен числу ее ненулевых строк. Число же таких строк совпадает с количеством собственных чисел, равных единице, т.е. со следом матрицы v: rank v = Sp v. В свою очередь, Sp Р = = Sp (IS^'f) = Sp(IT^v) = Sp V и, следовательно, rank P = Sp P.
Заметим, что здесь и далее используются свойства следа матрицы: Sp (АВ) = Sp (ВА); Sp (А) = Sp {А\ Sp (^ + J?) = Sp ^ + + Sp В; Sp (АА^) = Sp (А^А) - А^А, где Ае К"".
Обратим внимание еще на одну особенность идемпотентной матрицы, по существу являющуюся следствием доказанного ут верждения: так как ранг ненулевой матрицы является целым по ложительным числом, сумма диагональных элементов симметри ческой идемпотентной матрицы представляет собой положитель ное целое число.
Утверждение 2.5. Пусть 8GR^— стандартный гауссовский век тор {М{г} = 0^, М{ег^} == а^Е) и Р — идемпотентная ^-матрица. Тогда случайная величина \х = е^Рв подчинена j^{r) распределе нию, где г = rank Р.
54
Действительно, г^Ре = e'^TVT^e = (J^e)'^v(J^e). Так как J - ор тогональная матрица, то Т^е ~ Л^(0^, с^Е), т.е. также стандартный гауссовский вектор. Но тогда случайная величина е РЕ = = (J^e)^v(r^8) представляет собой сумму г квадратов стандартных гауссовских величин и распределена, следовательно, по закону
xV).
2.3.5. Несмещенная оценка дисперсии экспериментальных ошибок и ее свойства
Выше было получено выражение (2.27), определяющее точность МНК-оценок, и одновременно отмечена ограниченность его применения, обусловленная неизвестностью дисперсии а^ экс периментальных ошибок в большинстве реальных эконометрических задач. Поэтому оказывается целесообразным оценивание параметров в рефессионной модели совместить с оцениванием дисперсии экспериментальных ошибок, чтобы в последующем иметь возможность аргументированно анализировать свойства МНК-оценок регрессионных параметров.
С целью получения оценки дисперсии найдем минимальное значение целевой функции (2.20), соответствующее МНК-оцен- ке регрессионных параметров, т.е.
mmJ = mmj;,lyf-'\^'^(Xi)ef=mm\\y--Wef=\\y-^^f' |
(2.32) |
|
в у=1 |
в |
|
Легко устанавливается
\\у - т е |р = CF ~ "Vef (у - "¥&) = у^(у - Тв) -e^4f^(y ~ ^в).
Так как в силу необходимого условия (2.23) оптимальности МНК-оценки вычитаемое справа в этом выражении представля ет собой нуль, то получаем
Ь-Ч^в|р=/(>;-Тв).
В свою очередь, если учтем модель экспериментальных дан ных (2.4) и выражение МНК-оценки (2.24), получим
(у - Ч?в) = (Еп - Ч'СР^ЧГ}-^Ч^^)г, |
(2.33) |
где, как обычно, £„ - единичная л-матрица.
55
Если теперь еще раз воспользоваться моделью (2.4) и учесть то обстоятельство, что матрица ^^(Е^ — Y(Y^Y)~^4'^) является нулевой, то установим окончательно
min / = г^(Е^ - 4f(W^Wr^4f^)E. |
(2.34) |
|||
Величина (2.34) является случайной. Найдем ее среднее зна |
||||
чение М{тт J). Пусть Е^ - ^ ( ^ т ^ ) - 1 ^ т |
_ |
j^,,.j^ .j |
^ j 2^ _^ п. |
|
Тогда |
|
|
|
|
z^{E^-4{4f^wr^W^)z= |
i |
i |
aytitj. |
|
Усредняя это выражение, с учетом (2.19) получаем
M{mmJ} = a^^aii=G^Sp(E„-'¥{W^^)^^).
/=1
Используя свойства следа матрицы, находим
М{тт J] = a\SpEn - Sp W(4f^4^)-^4?^) =
о\п - Sp СР^Ч?(Ч?^ЧГ}-^)) = с\п - Sp JF^ + i) = с\п
Рассмотрим случайную величину
^ 9 |
1 |
|
о^= |
п-т~1 |
-min/. |
(2.35)
-m-l).
(2.36)
Из сопоставления с (2.35) следует, что среднее значение этой величины M{G^} = а^. Но это означает, что величина а^ может быть принята в качестве несмещенной оценки дисперсии а экспе риментальных ошибок. Таким образом, окончательно
5^ = ^—; i |
(У! -y\f^(xj)ef = |
Ц-11 j ; - W e f = |
n-m-\j:=l |
^ |
п-т-1 |
(2.37)
п-т-1
Оценка (2.37) позволяет конкретизировать точностные свой ства МНК-оценки регрессионных параметров, если в подвергав-
56
шемся критическим комментариям выражении (2.27) дисперсию а^ заменить ее оценкой (2.37). Так как эта оценка является слу чайной величиной, при обширном ее использовании в процеду рах эконометрических исследований недостаточно знания толь ко ее математического ожидания, но необходим более обширный спектр вероятностных характеристик. Установим одну из них. Для этого воспользуемся определением (2.36) и откорректируем его в соответствии с (2.34):
а^ = |
^—-e'^iE^ -W(W^wr^W^)e. |
(2.38) |
Утверждение 2.6. Матрица Е^ - Y(Y^M[')~*Т^ является идемпотентной с рангом rank (Е„ - Y(Y'^T)~^T'^) = п-т-\.
Справедливость утверждения проверяется непосредственно:
{Еп - Т(Ч'^^-^Ч^^)2 = (Еп - Y(Y^40"^Y^)(^« - Ч ' ( Т ^ Т ) - ^ ^ ^ ) = = £^-Т(Т^Ч')"^Ч^^;
rank {En - Y(Y'^Y)-^4P'^) = Sp {En - Т(Т'^ЧО~^Ч''^) = м - w - 1.
Ориентируясь на перспективу применения этого утвержде ния, следующим образом подкорректируем выражение (2.38):
Ъ^{п-т--\) |
(г^ т |
/ л |
|
а^ |
\^J |
(^^-v(v^v)~^v^i- |
(2.39) |
|
|
|
I о
Так как вектор е/а представляет собой стандартный гауссовский вектор, стоящая справа в (2.39) случайная величина в соот ветствии с утверждением 2.5 подчинена х^-распределению с п — т — \ степенями свободы. Таким образом, получен следую щий важный результат.
^ ^ ^ |
. |
a^(At-Aw-l) |
|
Утверждение 2.7. Случайная величина |
^ |
подчине- |
|
|
|
а |
|
на х^-распределению сп — т— I степенями свободы, т.е. распре делению х"'{п — т— 1).
Оценки а^ и в обладают еще одним любопытным свойством. Обе они являются функциями вектора наблюдений у. И тем не менее справедлив следующий результат.
57
Утверждение 2.8. Оценки а (у) и В(у) некоррелированы, а при гауссовских экспериментальных ошибках е независимы.
Для доказательства МНК-оценку (2.24), используя модель данных (2.4), представим в виде
в = в + (4f^4r}-^4f^B. |
(2.40) |
Воспользовавшись (2.33), построим величину
(у - Ч?в)в^ = {Е- 4fCr^4r}-^4f^)e(B^4f(4f^Wr^ + в^)
инайдем ее среднее значение
М{(у - Ув)в'^} = (£- WC¥^4ri-^4'^)M{eB^}4'(W^W)'^ = Опх(т
где Опх{т +1) "" нулевая пх{т + 1)-матрица. Здесь учитывается, что М{г} = О и М{8е } = с^£. Следовательно, векторы у - YO и в не коррелированы. Но тогда не коррелированы случайная величина \\у - 4fB\f и случайный вектор в, а это влечет за собой некоррели рованность самих оценок Ъ^ и в, так как первая из них непосред ственно выражается через \\у - Т в |р. Если дополнительно вектор е экспериментальных ошибок является гауссовским, то векторы
J? - Y ^ и в также гауссовские и из их некоррелированности
следует независимость, порождающая независимость и оценок а^
ив.
Зная оценку д^ и учитывая то обстоятельство, что при гауссовском векторе е оценка в ~ N(B, a^(Y^Y)"'^), можно построить доверительные интервалы для компонентов вектора в. Действи тельно, приближенно примем в - N{B, a^(Y^Y)"' ), заменив ис тинное, но неизвестное значение дисперсии ее оценкой, и зада димся доверительной вероятностью 1 ~ а. Для /-го компонента Э/ вектора в имеем Э/ ~ М©/, ^V//)? где \i/// — /-й диагональный эле мент матрицы (Y^Y)~^ Найдем такую величину Л, при которой Р(в/ - А < ё/ < 0/ + Л) = 1 - а, т.е.
1 ®'+'' |
1 |
- |
-, |
dei=l-a, |
|
J |
ехр---—(0,-0,)2 |
||||
• J |
ехр |
-^я.-йл2 |
|
||
i2ла?в,-А |
|
[ 2а,- |
|
|
|
где Ъ,^ =ст^\|//,.После замены переменной а, ' (в, — Q,) = Zi это ра венство преобразуется к виду
58
1 .2 L- _« ^.-^.;,-\
\ exp-^ -тг,- [dz/ ==—, Л = hdj => A = -djUa/2,
где Wa/2 есть а/2-квантиль стандартного гауссовского распределе ния. Таким образом, с вероятностью 1 — а выполняется неравен ство 0/ + a/Woc/2 ^ 0/ < 0 / - &/"а/2» из которого следует в/ + сг/М(х/2 < < 0/ < 0/ - a/Wcx/2, / = О, 1, 2,..., m. Это и будут доверительные ин тервалы для регрессионных параметров. Далее эти неравенства будут уточнены.
2.3.6. Проблема обусловленности МНК-оценок. Векторные и матричные нормы
Выражение (2.24) для вычисления МНК-оценки внешне подку пает своей простотой и математической изящностью. Однако присутствие в нем операции обращения матрицы представляет собой тот айсберг, встреча с которым может привести к непредви денным последствиям, если к этой встрече не подготовиться предварительно. Природа опасения заключается в следующем.
Матрица (Ч'^^)" в (2.24) преобразует вектор W^y в оценку &(у). В практических задачах вектор у отображает результаты определенного эксперимента, которому сопутствуют неизбеж ные ошибки и неточности, обусловленные несовершенством из мерительных технологий, методологии организации экспери мента и др. Все это приводит к тому, что реально вместо вектора у* = ^ в , объективно отражающего состояние исследуемого явле ния, придется оперировать вектором у Ф у*, который после его подстановки в (2.24) приведет к величине Q(y) = (Y^Y)"^Y^>? Ф в(У*) "^ aV^^y^^^y^. Это неравенство порождает крайне сущест венный вопрос: если ^^(у* — у) - Av, где Ду - некоторое откло нение, то к каким последствиям в смысле величины изменения 6 в = вСк*) - %(у) МНК-оценки отклонение Ьу приведет? Есте ственным является желание иметь при малых в некотором смыс ле отклонениях Ду малые изменения 5в . Однако это пожелание далеко не всегда достигается. Поэтому нужно выявить механизм, определяющий характер взаимодействия величин 8 в и Ду, с тем чтобы, раскрыв этот механизм, суметь достичь желаемого резуль тата. Сформулируем ряд основополагающих в данной проблеме положений.
59