- •1. Определение эконометрики.
- •2. История возникновения эконометрики
- •3. Значение эконометрики для экономической теории и практики. Эконометрика и ее связь с экономической теорией.
- •5.Типы данных в эконометрическом исследовании.
- •7.Специфика экономических измерений.
- •37. . Оценивание в моделях распределенных лагов.
- •14.Уравнения в отклонениях.
- •8. Экономические модели. Понятие экономической модели
- •13. Предпосылки мнк
- •15. Линейная регрессионная модель с двумя переменными
- •17. Определение качества оценок
- •17. Расчет средней ошибки аппроксимации
- •20. Гомоскедастичность и гетероскедастичность дисперсии остатков
- •20. Коэффициент детерминации r2
- •28. Обобщенный метод наименьших квадратов
- •21. Использование статистик для определения значимости оценок параметров (уравнения регрессии).
- •22. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам
- •23. Регрессии нелинейные по оцениваемым параметрам.
- •26. Оценка параметров множественной регрессии методом наименьших квадратов
- •24. Отбор факторов при построении множественной регрессии
- •Мультиколлинеарность
- •27. Фиктивные переменные
- •29. .Использование омнк
- •30. Основные элементы временного ряда.
- •31. Панельные данные
- •32. Основные модели для панельных данных
- •33. Выбор модели
- •35. Модели распределенных лагов
- •38. Системы эконометрических уравнений
- •39. Проблема идентификации системы. Косвенный метод наименьших квадратов
- •40. Методы оценки параметров одновременных уравнений
- •41.Прогнозирование в регрессионных моделях
- •47. Интервалы прогноза по линейному уравнению регрессии
35. Модели распределенных лагов
Во многих экономических задачах встречаются лагированные (взятые в предыдущий момент времени) переменные. Например, Yt – выпуск предприятия в год t, может зависеть не только от инвестиций It этот год, но и от инвестиций в предыдущие годы:
.
Такие модели встречаются всякий раз, когда эндогенная переменная с запаздыванием реагирует на изменения экзогенной переменной. При этом в модели могут использоваться лагированные значения экзогенной или эндогенной переменной или одновременно и те, и другие. Для статистического моделирования полезно различать два случая.
Обе модели:
(12.7)
(12.8)
включают в себя лагированные значения переменных, но существенно различаются с точки зрения статистического оценивания параметров. Действительно, в (12.7) регрессоры некоррелированы с ошибками (мы здесь предполагаем, что независимая переменная xt детерминированная). Поэтому (12.7) можно оценивать с помощью МНК. В модели (12.8) yt-1 включает в себя t-1 поэтому вектор ошибок и матрица регрессоров X коррелированы. В этом случае оценки МНК не являются несмещенными.
Уравнение (12.7) является примером модели распределенных лагов, DL. Уравнение (12.8) является авторегрессионной моделью распределенных лагов или динамической моделью, ADL.
Построение моделей с распределенным лагом и моделей авторегрессии имеет свою специфику:
Оценка параметров моделей авторегрессии, а в большинстве случаев и моделей с распределенным лагом, не может быть произведена с помощью обычного МНК ввиду нарушения его предпосылок и требует специальных статистических методов.
Исследователям приходится решать проблемы выбора оптимальной величины лага и определения его структуры.
Между моделями с распределенным лагом и моделями авторегрессии существует определенная взаимосвязь, и в некоторых случаях необходимо осуществлять переход от одного типа моделей к другому.
36. Стационарность процессов
При изучении случайных процессов особо важное место занимают процессы, свойства которых остаются инвариантными при любых перемещениях вдоль оси времени.
Ряд уt называется строго стационарным или стационарным в узком смысле, если совместное распределение т наблюдений уt1,yt2… - ,Уtт не зависит от сдвига по времени, т. е. совпадает с распределением yt1+1,yt2+1,… ,ytm+1 для любых т,t,t1, ….,tm
Обычно нас интересуют средние значения и ковариации, а не все распределение. Поэтому часто используется понятие слабой стационарности, или стационарности в широком смысле, которое состоит в том, что среднее, дисперсия и ковариации у, не зависят от момента времени t.
E(yt)=μ;
V(yt)=ν0;
Соv{уt, yt-k) = νk.
Конечно, из строгой стационарности следует слабая стационарность (при условии конечности первого и второго моментов распределения). В дальнейшем мы будем везде под «стационарностью» понимать слабую стационарность.
Введем понятие автокорреляционной функции ACF:
ρk= Соv{уt, yt-k)/ V(yt)= νk/ ν0;
Заметим, что р0 = 1, а !P!< 1. ACF играет важную роль в задаче идентификации моделей временных рядов.
Рассмотрим примеры временных рядов. Самым простым является ряд с независимыми одинаково распределенными наблюдениями:
Yt= έt, έt ~ iid(0, σ2 ), t=1…,n
Этот процесс называется «белым шумом» у него μ = 0, ν0=о2, νk = 0, k>0.
Другим примером является АR(1) процесс:
уt= т+ψуt-1+ έt ,..έt,~ iid(0, σ2 ), t=1…,n
Предполагается, что |ψ| < 1. В этом случае процесс является стационарным, если его автокорреляционная функция равна ρk= νk/ ν0=ψk , k=1,2,...
Важным примером является процесс yt= yt-1+έt, έt,~ iid(0, σ2 ) ), t=1…,n,
называемый «случайным блужданием»
Этот процесс является нестационарным.
Отличие процесса АR(1) от «случайного блуждания» в том, что во втором случае влияние возмущений не затухает и равно έt+ έt-1+ έt-2+…
В то время как в процессе АR(1) έt+ ψέt-1+ψ2 έt-2+ …
Ещё раз подчеркнем, что условие |ψ| < 1 является обязательным, а обратное условие |ψ| > 1 не встречается в реальных экономических примерах.
Проверка на стационарность
Первое, что следует сделать, - посмотреть на график полученных наблюдений. Возможно, он содержит очевидный на глаз тренд или периодичную компоненту (сезонность). Также возможно, что разброс наблюдений возрастает или убывает со временем. Это может служить указанием на зависимость среднего значения и соответственно дисперсии от времени. В обоих случаях ряд будет, скорее всего, нестационарный.
Второе - построить график выборочной автокорреляционной функции (ACF), или коррелограммы:
rk =ρk =
Коррелограмма стационарного временного ряда «быстро убывает» с ростом к после нескольких первых значений. Если же график убывает достаточно медленно, то есть основания предположить нестационарность ряда. Кроме АСF, можно также построить график частной автокорреляционной функции РАСF, которая также должна быстро убывать для стационарного процесса.
Третье можно использовать формальные тесты на наличие единичного корня (тест Дики-Фуллера DF, расширенный тест Дики-Фуллера АDF и др.)
В том случай если ряд оказывается не стационарным переходим к уравнению в первых разностях , т.е вводим замену переменных dYt = Yt - Yt-1 и повторяем процедуру проверки на стационарность с 1 пункта.