- •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
7.2. Оценка параметров авторегрессионных моделей
Параметры авторегрессионных моделей не могут быть оценены традиционным МНК по причине нарушения его предпосылок. Об этом свидетельствует наличие лаговых переменных , что не соответствует предположению о делении всех переменных на случайные (результирующие) и детерминированные (факторные). Кроме того, по причине наличия остатков теряет актуальность предположение об отсутствии взаимосвязи между фактором и остатками. Вследствие этого, применение традиционного МНК приводит к получению смещенной оценки .
В этой ситуации можно применять или метод инструментальных переменных или метод максимального правдоподобия. Далее более подробно рассматривается метод инструментальных переменных.
Суть данного метода проявляется в том, что переменная заменяется новой, включение которой в модель не нарушает предпосылок МНК. Такая переменная обладает следующими свойствами:
тесная корреляция с лаговой переменной ;
отсутствие корреляции с остатками модели.
Так как зависит от , то можно предположить, что зависит от переменной , т.е.
(7.3)
или
, (7.4)
где – расчетное значение.
Параметры определяются обычным МНК.
Оценка считается инструментальной переменной для и обладает соответствующими традиционному МНК свойствами.
Таким образом, оценки параметров авторегрессионной модели (7.2) можно найти из соотношения
, (7.5)
предварительно определив расчетное значение инструментальной переменной . При этом возможна модификация данного метода: в модель авторегрессии вместо лаговой переменной подставляется ее линейная комбинация, выраженная из (7.3)
. (7.6)
Получим следующую модель:
. (7.7)
Модель (7.7) является моделью с распределенным лагом, для которой не нарушаются предпосылки МНК.
Таким образом, определив параметры (7.3) и (7.7), можно оценить параметры авторегрессионной модели .
Практическая реализация данного метода осложняется появлением проблемы мультиколлинеарности факторов в модели (7.5), т.к. существует функциональная связь между (расчетным значением лаговой переменной) и .
В некоторых случаях проблема может быть решена за счет включения в данную модель и в соответствующую модель авторегрессии фактора времени в явном виде, т.е. в качестве независимой переменной.
7.3. Интерпретация параметров модели с распределенным лагом
Модель с распределенным лагом (7.1) отражает влияние изменения фактора в момент времени на значение , причем, в течение l следующих моментов времени. Параметр называется краткосрочным мультипликатором. Он характеризует среднее абсолютное изменение при изменении фактора на единицу своего измерения в фиксированный момент времени без учета воздействия всех лаговых значений фактора.
Параметры , и т.д. представляют собой промежуточные мультипликаторы, характеризующие совокупное влияние на в моменты времени и т.д.
Долгосрочный мультипликатор
(7.8)
отражает абсолютное изменение результативного показателя в долгосрочной перспективе при изменении фактора на единицу.
На основе параметров модели можно рассчитать также ее относительные коэффициенты по следующей формуле:
. (7.9)
Данные коэффициенты представляют собой вес, т.е. значимость определенного . Если все имеют одинаковые знаки, то для любого j
, т.е. .
Кроме того, можно также рассчитать средний лаг как средневзвешенную величину, т.е. по формуле
. (7.10)
Средний лаг характеризует средний период, в течение которого будет происходить изменение под влиянием изменения фактора в момент . Небольшое значение среднего лага свидетельствует о быстром реагировании на изменение фактора.
Медианный лаг, величина которого равна
, (7.11)
представляет собой период времени, в течение которого будет реализована половина общего воздействия фактора на результат.