- •Структура залікового кредиту курсу
- •Змістовий модуль і. Лінійні моделі множинної регресії
- •Тема 1. Основи економетричного моделювання. План (логіка)викладу і засвоєння матеріалу
- •Предмет і метод курсу.
- •Місце курсу серед дисциплін фундаментальної підготовки бакалаврів з економічних спеціальностей.
- •Задачі економетричного дослідження.
- •Особливості економетричних моделей та історія розвитку економетричних досліджень.
- •Тема 2. Загальна лінійна економетрична модель. Методи побудови та дослідження план (логіка)викладу і засвоєння матеріалу
- •2.1. Постановка та основні означення парної лінійної регресії. Метод найменших квадратів. Система оцінки параметрів економетричної моделі з двома змінними.
- •2.2. Дисперсійний та кореляційний аналіз побудованої моделі.
- •2.3. Постановка загальної лінійної моделі.
- •2.4. Передумови застосування методу найменших квадратів (1мнк).
- •Властивості оцінок параметрів.
- •1) Незміщеності; 3) ефективності;
- •2) Обґрунтованості; 4) інваріантності.
- •2.6. Перевірка моделі на якість і точність.Прогноз.
- •Дисперсійний аналіз
- •Тема 3. Поняття та методи дослідження мультіколінеарності. Гетероскедастичність, методи визначення та наслідки. План (логіка)викладу і засвоєння матеріалу
- •3.1. Поняття мультіколінеарності. Методи визначення її.
- •Методи дослідження мультіколінеарності (метод феррара-глобера).
- •Поняття гетероскедастичності. Методи її визначення.
- •Перевірка гетероскедастичності на основі критерію
- •Параметричний тест Гольдфельда—Квандта
- •Тема 4. Нелінійні моделі та часові ряди план (логіка)викладу і засвоєння матеріалу
- •4.1.Методи оцінювання параметрів моделі нелінійного виду.
- •4.2.Виробнича функція : аналіз рішення.
- •4.4. Поняття тренду. Методи дослідження динамічних рядів
- •Похідні від функцій апроксимації
- •Тема 5. Побудова економетричної моделі з автокорельованими залишками. План (логіка)викладу і засвоєння матеріалу
- •5.1.Поняття і причини виникнення автокореляції.
- •5.2.Критерій дарбіна-уотсона.
- •5.3.Критерій неймана. Критерій фон Неймана
- •5.4.Оцінка параметрів моделі з автокорельованими залишками. Метод ейткена
- •Тема 6. Моделі розподіленого лагу. Методи інструментальних змінних план (логіка)викладу і засвоєння матеріалу
- •6.1.Поняття лагу і лагових змінних.
- •Моделі розподіленого лагу (дистрибутивно – лагові моделі);
- •Авторегресійні моделі.
- •6.2.Лаги незалежних змінних лаги залежної змінної.
- •6.3.Методи оцінювання.
- •6.4.Метод ейткена. Ітеративний метод.
- •Метод Ейткена
- •6.5.Метод інструментальних змінних.
- •6.7.Оператор оцінювання вальда.
- •Тема 7. Непрямий метод найменших квадратів. Проблеми ідентифікації план (логіка)викладу і засвоєння матеріалу
- •Система одночасних структурних рівнянь. Проблеми ідентифікації
- •7.2. Рекурсивні системи
- •7.3. Непрямий метод найменших квадратів (нмнк)
- •7.4. Двокроковий метод найменших квадратів (2мнк)
- •7.5. Трикроковий метод найменших квадратів (змнк)
7.4. Двокроковий метод найменших квадратів (2мнк)
Якщо рівняння структурної форми моделі над ідентифіковані, то непрямий метод найменших квадратів застосувати не можна, а користуватись 1 МНК недоцільно, тому необхідно розглянути інші методи, які розроблені спеціально для таких моделей. Одним з цих методів є двокроковий метод найменших квадратів (2МНК).
Розглянемо двокроковий метод найменших квадратів для загальної економетричної моделі. Нехай окреме рівняння моделі має вигляд:
Y = Y1a + X1b + u,
де Y — вектор ендогенної змінної розміром п 1; Y1 — матриця поточних екзогенних змінних, які входять в праву частину рівняння розміром п r; X1 — матриця екзогенних змінних розміром п k (включаючи стовпець одиниць, якщо потрібно визначити вільний член); а — вектор структурних параметрів розміром r 1, які стосуються змінних матриці Y1 ; b — вектор структурних параметрів розміром k 1, які стосуються до змінних матриці X1; и — вектор залишків розміром n 1.
Алгоритм ДМНК
Крок 1. Перевіряється кожне рівняння моделі на ідентифікованість. Якщо рівняння над ідентифіковані, то для оцінки параметрів кожного з них можна використати оператор оцінювання:
.
Крок 2. Знаходження добутку матриць поточних ендогенних змінних, які містяться у правій частині моделі, на матрицю всіх екзогенних змінних моделі, тобто Y1 Х.
Крок 3. Обчислення матриці Х'Х і знаходження оберненої матриці( ХX)-1 .
Крок 4. Визначення добутку матриць всіх екзогенних змінних і ендогенних змінних у правій частині моделі, тобто X' Y1 .
Крок 5. Знаходження добутку матриць, які здобуто на кроках 2,3,4, тобто Y1'Х (X’X)-1X’Y1.
Крок 6. Визначення добутку матриць ендогенних змінних у правій частині моделі і екзогенних змінних, які внесені до даного рівняння, тобто Y1X1.
Крок 7. Знаходження добутку матриць екзогенних змінних, які входять в дане рівняння, і ендогенних змінних правої частини системи рівнянь, тобто X1Y1.
Крок 8. Визначення добутку матриць екзогенних змінних даного рівняння, тобто X1X1.
Крок 9. Знаходження матриці, оберненої до блочної:
Крок 10. Визначення добутку матриць XY1, де X— матриця всіх екзогенних змінних моделі, Y1 — вектор залежної ендогенної змінної лівої частини рівняння.
Крок 11. Знаходження добутку матриць:
Крок 12. Визначення параметрів моделі:
Крок 13. Обчислення s-ї залежності ендогенної змінної на основі знайдених параметрів і :
Крок 14. Обчислення вектора залишків в s-му рівнянні системи:
Крок 15. Визначення дисперсії залишків для кожного рівняння:
Крок 16. Знаходження матриці коваріацій для параметрів кожного рівняння:
.
Крок 17. Знаходження стандартної помилки параметрів і визначення довірчих інтервалів:
7.5. Трикроковий метод найменших квадратів (змнк)
Розглянуті вище два методи — непрямий і двокроковий методи найменших квадратів застосовуються для оцінки параметрів кожного окремого рівняння моделі. Трикроковий метод найменших квадратів призначений для одночасної оцінки параметрів всіх рівнянь моделі.
Зельнер і Гейл запропонували трикроковий метод найменших квадратів, який за певних обставин є більш ефективним, ніж двокроковий.
Розглянемо загальну лінійну модель, яка містить r взаємозв'язаних ендогенних і k екзогенних змінних. Запишемо s-те рівняння цієї моделі у вигляді
(7.29)
де Ys — вектор ендогенної змінної розміром п 1; Ys — матриця поточних ендогенних змінних s –ого рівняння, які входять в праву частину рівняння розміром п r; Xs — матриця екзогенних змінних s –ого рівняння розміром п ks; аs — вектор структурних параметрів розміром r 1, які стосуються змінних матриці Ys; bs — вектор структурних параметрів розміром k 1, які стосуються до змінних матриці Xs; иs — вектор залишків розміром n 1.
Трикроковий метод найменших квадратів забезпечує кращу порівняно з двокроковим методом асимптотичну ефективність оцінок лише в тому разі, коли матриця не є діагональною, тобто коли залишки, які входять в різні рівняння моделі, корелюють між собою,
Щоб застосувати Трикроковий метод найменших квадратів на практиці необхідне виконання таких вимог:
1) усі тотожності, які входять в систему рівнянь, треба виключити, приступаючи до знаходження оцінок параметрів;
2) кожне неідентифіковане рівняння також треба виключити з системи;
3) якщо система рівнянь, що залишилась, має точно ідентифіковані і надідентифіковані рівняння, то Трикроковий метод оцінки доцільно застосовувати до кожної з цих груп;
4) для групи надідентифікованих рівнянь оцінки параметрів знаходяться на основі співвідношення (11.53), взявши значення r таким, що дорівнює числу надідентифікованих рівнянь;
5) якщо група надідентифікованих рівнянь має тільки одне рівняння, то трикроковий метод перетворюється на двокроковий;
6) якщо матриця коваріацій для структурних залишків блочно-діагональна, то вся процедура оцінювання на основі трикрокового методу найменших квадратів може бути застосована окремо до кожної групи рівнянь, які відповідають одному блоку.
Оператор оцінювання на основі трикрокового методу найменших квадратів матиме вигляд:
(7.30)
де = — оцінки параметрів моделі; Zs = (YsXs), (s = 1,r) – Zs — змінні моделі, які знаходяться в правій частині s-го рівняння; S2rj — дисперсії залишків для кожного рівняння, які е наближеною оцінкою 2rj.
* Тут і далі «вектор» означає «матриця-вектор», тобто матриця-рядок або матриця-стовпець.