- •Содержание
- •Введение
- •1. Парная корреляция и регрессия
- •1.1. Спецификация модели
- •1.2. Линейная корреляция и регрессия
- •1.3. Нелинейная регрессия
- •1.4. Проверка значимости линейного уравнения регрессии
- •1.5. Корреляция для нелинейной регрессии
- •1.6. Предпосылки метода наименьших квадратов
- •1.7. Обобщенный метод наименьших квадратов
- •2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.2. Спецификация модели
- •2.3. Частные уравнения регрессии
- •2.4. Выбор формы уравнения множественной регрессии
- •Оценка параметров уравнения множественной регрессии
- •2.6. Многошаговый регрессионный анализ
- •3.1.2. Способы выявления структурной неоднородности
- •3.2. Методы последовательного разбиения
- •3.3. Методы многомерной классификации
- •3.3.1. Мера сходства
- •3.3.2. Модели кластерного анализа
- •4.2. Числовые характеристики экономического развития
- •4.3. Состав динамического ряда
- •4.4. Моделирование одномерных динамических рядов
- •4.4.1. Типы экономического развития и их трендовые модели
- •4.4.2. Построение трендовых моделей
- •4.4.3. Сглаживание временных рядов
- •4.4.4. Моделирование тенденции временного ряда при наличии структурных изменений
- •4.4.5. Влияние автокорреляции на структуру временного ряда
- •4.5. Многомерные временные ряды
- •4.5.1. Сущность и особенности многомерных динамических рядов
- •4.5.2. Способы построения множественной регрессионной модели по временным рядам
- •5.1.2. Связь однородности статистической совокупности с типом моделей
- •5.2. Динамическое моделирование взаимосвязей в структурно-однородных совокупностях
- •5.2.1. Методы построения пространственно-динамических
- •Моделей
- •5.2.2. Выбор вида пространственно-динамической модели
- •5.2.3. Динамизация параметров связи
- •5.3.2. Построение динамических моделей на основе временных выборок
- •6. Системы эконометрических уравнений
- •6.1.Общие понятия и способы представления систем эконометрических уравнений
- •6.2. Структурная и приведенная формы модели
- •6.3. Проблемы идентификации структурной модели
- •6.4. Оценка параметров структурной модели
- •6.5. Двухшаговый метод наименьших квадратов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Оценка параметров авторегрессионных моделей
- •7.3. Интерпретация параметров модели с распределенным лагом
- •7.4. Интерпретация параметров модели авторегрессии
- •7.5. Изучение структуры лага и выбор вида модели с распределенным лагом
- •7.6. Лаги Алмон
- •8. Статистическое прогнозирование динамических рядов
- •8.1. Сущность и виды статистических прогнозов
- •8.2. Методы статистического прогнозирования
- •8.2.1. Экстраполяция динамических рядов
- •8.2.2. Прогнозирование на основе экспоненциального сглаживания
- •8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
- •Список литературы
6.3. Проблемы идентификации структурной модели
Под идентификацией понимается единственность соответствия между приведенной и структурной формами модели. Данная проблема возникает при переходе от приведенной формы к структурной по той причине, что структурная модель в полном виде, т.е. состоящая в каждом уравнении системы из эндогенных переменных и экзогенных переменных, содержит параметров, а приведенная форма – параметров. Таким образом, необходимо либо уменьшить количество параметров в структурной модели ввиду достаточно слабой зависимости некоторых X и Y, либо приравнять некоторые коэффициенты друг к другу или же ввести ограничения вида .
С точки зрения идентифицируемости различают следующие виды структурных моделей:
идентифицируемые, когда все структурные коэффициенты определяются единственным образом по коэффициентам приведенной модели (число их параметров совпадает);
неидентифицируемые, если число коэффициентов приведенной формы меньше числа структурных коэффициентов;
сверхидентифицируемые, если число приведенных коэффициентов больше количества структурных элементов.
Система считается идентифицируемой, если каждое ее уравнение идентифицируемо, т.е., если хотя бы одно уравнение неидентифицируемо, то вся модель считается неидентифицируемой.
Если – число эндогенных переменных в j-том уравнении системы, а D – число экзогенных переменных, которые содержатся в системе, но не входят в данное уравнение, то условия можно представить следующим образом:
а) – уравнение идентифицируемо;
б) – уравнение неидентифицируемо;
в) – уравнение сверхидентифицируемо.
6.4. Оценка параметров структурной модели
Оценка параметров структурной модели осуществляется различными способами в зависимости от вида структурной модели.
1. Метод максимального правдоподобия с полной информацией – считается наиболее общим. Его результаты совпадают с обычным МНК, если X и Y подчиняются нормальному закону распределения. Недостаток: трудоемкость, громоздкость в случае больших систем.
2. Метод максимального правдоподобия (наименьшего дисперсионного отношения) при ограниченной информации. В отличие от предыдущего метода в нем снимаются ограничения, накладываемые на нормальность распределения. Это делает решение более простым, но трудоемкость вычислений остается достаточно высокой.
3. Косвенный МНК – применяется только в случае полной идентифицируемости модели. Процедура его применения может быть представлена следующим образом.
Первый этап: структурная модель преобразуется в приведенную форму.
Второй этап: для каждого уравнения приведенной формы коэффициенты оцениваются обычным МНК.
Третий этап: коэффициенты приведенной формы трансформируются в параметры структурной модели.
Рассмотрим структурную модель
(6.3)
Регион |
|
|
|
|
1 |
2 |
5 |
1 |
3 |
2 |
3 |
6 |
2 |
1 |
3 |
4 |
7 |
3 |
2 |
4 |
5 |
8 |
2 |
5 |
5 |
6 |
5 |
4 |
6 |
средние |
4 |
6,2 |
2,4 |
3,4 |
Соответствующая приведенная форма модели имеет вид:
(6.4)
где и – случайные ошибки приведенной формы модели.
Для каждого уравнения этой системы применяется традиционный МНК. Для упрощения расчетов работают с отклонениями от средних, т.е. и .
Например, для первого уравнения системы (6.4) критерий и соответствующие уравнения могут быть представлены следующим образом (без учета ошибок):
Решая данную систему по эмпирическим значениям и (точнее, по отклонениям от их средних) можно оценить параметры приведенной формы и . Для второго уравнения системы (6.4) выполняются аналогичные преобразования, позволяющие в итоге оценить параметры и . Таким образом, составляется система по приведенной форме (6.4). Далее, для перехода к структурной форме (к системе (6.3)) из первого уравнения полученной приведенной формы исключают , выразив его из второго уравнения приведенной формы и подставив его в первое. Эти преобразования позволят идентифицировать теоретическое значение . Для составления модели, позволяющей рассчитать (система (6.3)), из второго уравнения приведенной формы необходимо исключить , выразив его из первого уравнения и подставив во второе.
По примеру
Решая данную систему, получим следующее первое уравнение приведенной формы модели:
Аналогично применим МНК для второго уравнения приведенной формы модели, получим: