УП Основы эконометрики

y1t = −γ1t xt + ε1t

y2t = −β21 y1t −γ 21xt +ε2t

y3t = −β31 y1t − β32 y2t −γ31xt +ε3t .

Указанные выше привлекательные свойства рекурсивных систем вызывают желание использовать именно их в эконометрических исследованиях, так как считается, что большинство реальных механизмов формирования рассматриваемых в модели экономических показателей функционируют в рекурсивном (а не одновременном режиме).

Рассмотрим пример спецификации модели в виде рекурсивной системы одновременных уравнений при описании процесса формирования равновесных цен и количеств предлагаемых на рынке товаров.

Пример 6.5. [4] Пусть y1t - цена некоторого товара в момент времени t , а y2t - объем продаж этого товара в тот же момент времени. Естественно предположить, что объем продаж y2t зависит от цены y1t и от объема продаж в предыдущий момент времени y2t −1 . В свою очередь, цена товара y1t зависит от объема его продаж в предыдущий момент времени (т. е. y2t −1 ). В данной схеме цена y1t и объем продаж y2t играют роль эндогенных переменных, а лаговая переменная y2t −1 играет роль

единственной предопределенной переменной, которую мы обозначим через xt (т.е. y2t −1 = xt ). Таким образом, анализируемая ситуация будет

описана рекурсивной системой

Очень важным моментом правильной спецификации этой модели является выбор продолжительности рассматриваемого периода времени. Действительно, продавец устанавливает цены, а покупатель на них реагирует. При этом торговые запасы будут либо накапливаться, либо рассасываться. Продавец среагирует на эту динамику и т. д. Если выбрать в качестве периода один день, то сделанные в модели допущения выглядят естественными, так как последовательность причинных связей y2t −1 → y1t → y2t является линейной цепью и не содержит никаких петель

обратной связи. Это позволяет нам предположить, что ошибки или возмущения, влияющие на спрос (ε2t ) и предложение (ε1t ), являются неза-

висимыми.

Однако в действительности приходится рассматривать системы, отличные от рекурсивных типа (6.19), в связи с тем, что исследователь обычно располагает некоторыми усредненными (агрегированными) данными. Например, данные о рыночной конъюнктуре могут быть усреднены по недельным или месячным периодам. Предположим, что публикуются не дневные, а только недельные данные о средней недельной цене y1t и

101

среднем объеме дневных продаж y2t . Тогда вынужденное агрегирование соответствующих ошибок ε1t и ε2t в системе (6.19) делает их взаимно

коррелированными, а саму модель – неидентифицированной. В этой ситуации модель спроса и предложения («крест» Маршалла) представляется более естественной:

Pt =α0 +α1Qt + εt Qt = β0 + β1Pt +ηt .

Здесь использованы привычные для экономистов обозначения: Pt = y1t - средняя цена за неделю t , Qt = y2t - средний объем ежедневных продаж

за неделю t .

Без введения дополнительных переменных эта модель оказывается теперь даже неидентифицируемой. Однако если бы идентифицирующие ее переменные и существовали, то, как правило, введение их в модель и вынужденное агрегирование по временным периодам может превратить рекурсивную модель в обычную систему одновременных уравнений со всеми вытекающими отсюда проблемами ее оценивания.

2. Косвенный метод наименьших квадратов Косвенный метод наименьших квадратов (КМНК) (или метод приве-

денной формы) предназначен для оценивания структурных параметров отдельного уравнения системы и может дать результат (без сочетания с другими методами, например, с двухшаговым методом наименьших квадратов) только в применении к точно идентифицируемому уравнению.

Суть КМНК состоит в следующем. Сначала структурная форма преобразуется в приведенную, затем с помощью МНК оцениваются параметры каждого уравнения приведенной формы модели в отдельности. Наконец, параметры приведенной формы трансформируются в параметры структурной формы модели. Иначе говоря, на этом этапе осуществляется обратный переход от системы с численными параметрами приведенной формы к системе структурной формы. Оценки структурных параметров, полученные КМНК, получаются состоятельными.

Пример 6.6. Для иллюстрации КМНК расмотрим простую структурную форму

K − k = 2 −1 = m −1 = 2 −1.

Приведенная форма имеет вид

y1 = a1x1 + a2 x2 +η1

102

y2 = b1 x1 + b2 x2 +η2 .

Пусть в результате статистического наблюдения собраны данные об эндогенных переменных y1 , y2 и экзогенных переменных x1 и x2 . На ос-

нове этой информации с помощью МНК оценим неизвестные параметры

венного метода наименьших квадратов. На втором этапе необходимо по

найденным оценкам ˆi , ˆi , определить значения структурных па- a b i =1,2

раметров β и γ . Для этого используем соотношения, связывающие

структурные параметры каждого уравнения, с параметрами приведенной формы:

Заменим в этих выражениях неизвестные значения коэффициентов их оценками, из полученной системы четырех уравнений с четырьмя не-

известными найдем оценки структурных коэффициентов βˆ12 , βˆ21, γˆ11,

γˆ22 .

В этом случае МНК-оценки параметров приведенной формы получаются несмещенными и состоятельными, однако оценки структурных коэффициентов, найденные из этой системы, будут только состоятельными.

Если система сверхидентифицируема, то один и тот же структурный коэффициент допускает разные выражения через параметры приведенной формы, так как в системе, связывающей эти коэффициенты число уравнений превышает число неизвестных. В этом случае наиболее простым и в то же время надежным является двухшаговый метод наименьших квадратов (2МНК).

3. Двухшаговый метод наименьших квадратов Опишем в общих чертах суть вычислений по двухшаговому методу,

которым оцениваются коэффициенты лишь одного уравнения сверхидентифицированной системы.

К процедуре оценивания параметров при применении 2МНК прибегают дважды. На первом шаге производится оценивание обычным МНК параметров приведенной формы. Это дает возможность получить оценки систематической и случайной составляющей эндогенной переменной y ,

т. е. предполагается, что yi = yˆi +ηi , где yˆi - оценки значений этой переменной, полученные по приведенной форме.

103

На втором шаге эндогенные переменные, находящиеся в правой части структурных уравнений, заменяются их оценками yˆi . К преобразова-

ному таким путем структурному уравнению применяется обычный МНК. Оценки структурных параметров, полученные 2МНК, получаются, во-

обще говоря, смещенными, но состоятельными и эффективными. Отметим, что в большинстве эконометрических компьютерных паке-

тов для оценивания систем одновременных уравнений реализован именно двухшаговый метод наименьших квадратов, при использовании которого фактически каждое уравнение оценивается независимо от других.

4. Трехшаговый метод наименьших квадратов Метод применяется для оценки параметров системы одновременных

уравнений в целом. Сначала к каждому уравнению применяется двухшаговый метод для определения оценок коэффициентов и оценок дисперсий случайных ошибок. Затем с использованием найденных оценок дисперсий возмущений строится оценка ковариационной матрицы. После этого для оценивания коэффициентов всей системы применяется обобщенный метод наименьших квадратов. Трехшаговый метод в случае, когда возмущения, входящие в различные структурные уравнения, коррелируют друг с другом, оказывается асимптотически эффективнее двухшагового метода.

При практическом использовании 3МНК требуется иметь в виду, что:

1)каждое уравнение, являющееся определением (т. е. все тождества), необходимо исключить из системы прежде, чем приступать к вычислениям;

2)каждое неидентифицируемое уравнение также исключается;

3)в системе остаются только точно идентифицируемые и сверхидентифицируемые уравнения, причем с вычислительной точки зрения целесообразно применять трехшаговую процедуру к каждой из этих групп уравнений отдельно;

4)если матрица ковариаций для структурных возмущений блочнодиагональная, то вся процедура трехшагового оценивания может быть применена отдельно к каждой группе уравнений, соответствующих одному блоку.

Завершим эту главу описанием классической макроэкономической модели Клейна и результатов ее оценивания с помощью обычного и двухшагового метода наименьших квадратов [8].

Пример 6.7. Модель Клейна 1. В 1950 году Л. Клейн предложил динамическую модель макроэкономики, получившую название модель Клейна 1. Она описывается следующей системой уравнений.

104

плюс чистый доход от экспорта, W G - зарплата в государственном секторе, At - временной тренд (в годах, начиная с 1931 года). Кроме того,

включены три лаговые переменные. Модель содержит три поведенческих уравнения, одно уравнение равновесия и два тождества.

Приведем результаты оценивания первых трех уравнений на основе ежегодных данных для экономики США за период с 1921 по 1941 г. с помощью обычного МНК и двухшагового МНК (в скобках указаны оценки стандартных ошибок).

Обычный метод наименьших квадратов:

Ct =16,2 + 0,193Pt + 0,090Pt −1 + 0,796(WtP −WtG ),

Вопросы для самопроверки и упражнения

6.1.Как классифицируются переменные в системах одновременных уравнений?

6.2.Что такое идентифицируемость модели? Запишите порядковое условие идентификации.

6.3.Для модели спроса и предложения:

105

укажите, какие переменные являются эндогенными, а какие - экзогенными.

6.4.Исследуйте на идентифицируемость модель, приведенную в примере 6.1.

6.5.Опишите процедуру оценивания параметров модели в примере

6.3.

6.6.Для модели:

Ct =α + βYt + εt

Yt = Ct + It + Gt

It =γ +δYt +ηt

запишите приведенную форму; с помощью порядкового условия идентификации проверьте, идентифицирована ли данная модель. Укажите, каким методом вы будете определять структурные параметры каждого уравнения. В предположении, что имеются все необходимые исходные данные, кратко опишите методику расчетов.

6.7. Рассматривается статическая модель экономики страны

C =α0 +α1Y + ε

Y = C + I ,

где C - личное потребление в постоянных ценах, Y - национальный доход в постоянных ценах, I - инвестиции в отрасли экономики страны в постоянных ценах.

Система приведенных уравнений оказалась следующей:

Дайте интерпретацию коэффициентов приведенной формы модели. Определите параметры структурной формы модели и дайте их интерпретацию. Укажите, какая форма модели используется для прогноза.

106

Рекомендуемая литература

1.Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. – М.: Финансы и статистика, 1983.

2.Айвазян С. А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Исследование зависимостей. – М.: Финансы и статистика, 1985.

3.Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. – М.: ЮНИТИ, 1998.

4.Джонстон Дж. Эконометрические методы. – М.: Статистика, 1980.

5.Доугерти К. Введение в эконометрику. – М.:ИНФРА – М, 1999.

6.Ланге О. Введение в эконометрику. – М.: Прогресс, 1964.

7.Лизер С. Эконометрические методы и задачи. – М.: Статистика, 1971.

8.Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. – М.: Дело, 1997.

9.Маленво Э. Статистические методы эконометрии. – М.: Статисти-

ка,1975.

10.Тинтнер Г. Введение в эконометрию. – М.: Статистика,1965.

11.Четыркин Е. М. Статистические методы прогнозирования. - М.: Стати-

стика, 1977.

107