- •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
6.5. Двухшаговый метод наименьших квадратов
Данный метод применяется для сверхидентифицируемых систем, т.к. косвенный МНК в данном случае не позволяет получить однозначных оценок параметров. Основная задача двухшагового МНК (ДМНК) заключается в том, чтобы на основе приведенной формы модели рассчитать для сверхидентифицируемого уравнения теоретические значения эндогенных переменных, содержащихся в правой части уравнения. Решается данная задача в следующей последовательности.
1. Построение приведенной формы модели и нахождение на ее основе теоретических значений эндогенных переменных сверхидентифицируемого уравнения вида .
Определение структурных коэффициентов модели по расчетным (теоретическим) значениям эндогенных переменных.
Сверхидентифицируемая система может быть двух видов:
все уравнения сверхидентифицируемы;
хотя бы одно уравнение сверхидентифицируемо, а остальные – точно идентифицируемы.
ДМНК применяется к системам первого вида. Во втором случае структурные коэффициенты точно идентифицируемых уравнений определяются из системы приведенных уравнений.
Применим ДМНК к простейшей сверхидентифицируемой системе
Данная модель может быть получена из модели (6.1), если наложить ограничения на ее параметры, а именно .
В результате, для первого уравнения и , т.е. оно стало сверхидентифицируемо; для второго уравнения и , следовательно, оно осталось точно идентифицируемым.
На первом шаге найдем приведенную форму модели, т.е.
По эмпирическим данным (по аналогии с предыдущим разделом) оцениваются коэффициенты этой приведенной формы. На основе второго уравнения полученной приведенной модели необходимо найти теоретическое значение эндогенной переменной . С этой целью во второе уравнение приведенной формы подставляются значения и (или их отклонения от средних).
В сверхидентифицируемое уравнение подставляется новая переменная . Далее применим МНК к уравнению а именно
Откуда
Для точно идентифицируемых уравнений результаты ДМНК совпадают с результатами косвенного МНК.
7. Динамические эконометрические модели
7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
Эконометрическая модель является динамической, если она учитывает значения входящих в нее переменных, относящихся как к текущему, так и к предыдущим моментам времени, т.е. она отражает динамику исследуемого показателя в каждый момент или интервал времени.
Различают следующие виды эконометрических динамических моделей:
модели авторегрессии и модели с распределенным лагом, в которых значения лаговых переменных (временных рядов факторов, сдвинутых на один или несколько моментов времени) непосредственно включены в модель. Лагом ( ), при этом, называется величина, характеризующая запаздывание в воздействии фактора на результат.
модели, которые учитывают динамическую информацию в неявном виде, т.е. содержат переменные, характеризующие ожидаемый (желаемый) результат или значение одного из факторов в определенный период (момент) времени. Этот уровень считается неизвестным и определяется на основе информации за все предыдущие моменты времени. В зависимости от способа оценки ожидаемых значений различают модели: неполной корректировки, рациональных ожиданий, адаптивных ожиданий.
Модели с распределенным лагом содержат не только текущие, но и лаговые значения факторных переменных, т.е. имеют следующий вид:
, (7.1)
где l – порядок модели.
Модели авторегрессии могут быть представлены как
. (7.2)
Специфика этих моделей заключается в том, что:
во-первых, их параметры нельзя оценивать обычным МНК (по причине нарушения соответствующих предпосылок);
во-вторых, между моделями существует взаимосвязь, т.е. возможен переход между ними;
в-третьих, существует проблема выбора оптимальной величины лага l, который определяет порядок модели. Рекомендуется в качестве l выбирать порядок авторегрессионной функции (по которой строится автокоррелограмм), при котором она принимает максимальное абсолютное значение (п.4.4.5).