Konspekt_lekcii Зандер
.pdfгде c — потребительские расходы; y — доход;
z — непотребительские расходы;
u — случайное возмущение (учитывающее неполноту ин-
формации, незамкнутость системы и др.).
Предполагается, что уровень непотребительских доходов задан извне, т. е. переменная z экзогенна и определяется независимо от c и y. Случайные величины ut некоррелированы, имеют нулевые средние и одинаковые дисперсии 2. Требуется оценить параметры модели ; ; 2.
В выражении для ct переменная y коррелирует со случайным возмущением. Это приводит к тому, что обычные МНК-оценки параметров оказываются смещенными и несостоятельными.
Рассмотрим общую линейную модель вида
i1y1t + i2y2t + : : : + iGyGt + i1x1t + : : : + ikxKt = uit; (t = 1; n; i = 1; G):
Здесь yit — значения эндогенных переменных в момент t;
xit — значения экзогенных переменных в момент t и ла-
говых эндогенных переменных.
Переменные xit в момент времени t называются предопределенными. Совокупность равенств данного вида называется системой одновременных уравнений в структурной форме. На коэффициенты в указанных равенствах накладываются априорные ограничения, например, часть коэффициентов считаются равными нулю. Это обеспечивает возможность статистического оценивания оставшихся.
Систему указанных равенств удобно представить в матричном ви-
де:
Byt + Gxt = ut;
где B — матрица, состоящая из коэффициентов при текущих значениях эндогенных переменных;
G — матрица, состоящая из коэффициентов при предопределенных переменных;
yt = (y1t; : : : ; yGt); xt = (x1t; : : : ; xKt); ut = (u1t; : : : ; uGt) —
векторы-столбцы.
91
Если матрица B невырождена, то систему можно разрешить относительно yt:
yt = Pxt + t;
где P = B 1G;
t = B 1ut — случайное возмущение.
Такая форма записи называется приведенной формой системы одновременных уравнений. В приведенной форме параметры матрицы P
выражают общий (прямой и косвенный) эффект влияния предопределенных переменных на совместно зависимые переменные, тогда как в структурной форме параметры матрицы G отражают только непосредственное влияние предопределенных переменных.
Совместно-зависимыми называются переменные, которые в один и тот же момент времени выступают как объясняющие переменные в одних уравнениях и как зависимые — в других.
Приведенную форму модели используют для прогнозирования. Параметры модели в приведенной форме оценивают непосредственно с помощью МНК.
Уравнения для всех периодов наблюдений могут быть записаны в виде одного матричного уравнения:
BY + GX = U:
Решение вопросов о том, какие переменные должны быть включены в модель, разделение переменных на эндогенные и экзогенные, а также определение состава переменных каждого уравнения системы составляют суть процесса спецификации модели. Кроме этого, спецификация модели включает в себя априорную информацию: ограничения на коэффициенты и гипотезу о случайных возмущениях ut.
Типичным примером априорных ограничений являются исключающие ограничения, выражающие то, что некоторые переменные заведомо не входят в отдельные уравнения и, следовательно, соответствующие им коэффициенты равны нулю. В качестве гипотезы о случайных возмущениях принимается гипотеза о том, что случайные величины ut независимы и имеют один и тот же закон распределения с нулевым средним.
92
Проблема идентифицируемости
Предположим, что априорные ограничения являются линейными однородными функциями, каждая из которых зависит только от коэффициентов одного из уравнений структурной формы. Выясним, когда коэффициенты матрицы G могут быть однозначно восстановлены по матрице приведенной формы P .
Вкачестве одного из критериев идентифицируемости, удовлетворение требований которого обеспечивает однозначную идентифицируемость параметров системы уравнений, выступает правило порядка.
Правило порядка (или необходимое условие идентифицируемости) определенного уравнения говорит о том, что число неизвестных, исключенных из уравнения, должно быть по меньшей мере равно числу уравнений минус единица, или число исключенных из уравнения экзогенных переменных должно быть не меньше числа участвующих в нем эндогенных переменных, уменьшенного на единицу.
Вситуации, когда имеются дополнительные ограничения на коэффициенты приведенной формы (например, требование определенного соотношения между коэффициентами, либо равенство нулю дополнительных коэффициентов сверх правила порядка), говорят о случае сверхидентифицируемости.
Среди систем приведенных уравнений наиболее простыми являются рекурсивные системы, для оценивания коэффициентов которых можно применять метод наименьших квадратов. Система одновременных уравнений BY + GX = U называется рекурсивной, если матрица B
является нижней треугольной матрицей (т. е. ij = 0 при j > i) и каждое ограничение на структурные коэффициенты относится к отдельному уравнению. Общий вид рекурсивной системы может быть представлен следующим образом:
y1 = 11x1 + : : : + 1nxn + "1;
y2 = 21y1 + 21x1 + ::: + 2nxn + "2;
: : :
ym = m1y1 + m; m 1ym 1 + m1x1 + : : : + mnxn + "m:
Рекурсивные системы являются весьма привлекательными для ис-
93
пользования их в экономических исследованиях, тем более что реальные экономические системы являются рекурсивными по своей природе. Действительно, вряд ли можно представить рынок, где равновесные цены и спрос формировались бы одновременно (ситуация, приведенная в Примере 1). Более реальной является ситуация, когда цены в день t устанавливаются в зависимости от объема продаж в предыдущий день, в то время как покупки в день t зависят от цены товара в день t. Математическая модель данной ситуации выглядит так:
pt = 0 + 1qt 1 + ut; qt = 0 + 1pt + vt:
Здесь ut и vt — случайные возмущения, которые можно считать независимыми, и тогда в данном случае мы имеем модель рекурсивной системы.
Необходимость рассматривать системы, отличные от рекурсивных, возникает в связи с тем, что исследователь обычно располагает усредненными (агрегированными) данными. Например, данные о рыночной конъюнктуре могут быть усреднены по недельным или месячным периодам, т. е. известными являются величины:
Pt — средняя цена за неделю t;
Qt — средний объем ежедневных продаж за неделю t.
Если считать время реакции рынка, как и раньше, равным одному дню, то соотношение
Pt = 0 + 1Qt 1 + ut
вряд ли можно считать разумным. В этом случае модель Примера 1 представляется более естественной.
94
Лекция 3.2.2. Оценка параметров систем уравнений
Пусть теперь имеется несколько изучаемых переменных, для каждой из которых существует свое уравнение регрессии. В совокупности эти уравнения образуют систему, которая является невзаимозависимой, если одни изучаемые переменные не выступают факторами-регрессорами для других изучаемых переменных. Если изучаемые переменные возникают не только в левых, но и правых частях уравнений, то такие системы называются одновременными или взаимозависимыми.
Невзаимозависимые системы
В этом пункте используется сокращенная форма записи уравнений регрессии:
|
|
^ |
(1) |
|
|
X = ZA + "; |
|||
^ |
центрированных наблюдений за изучаемыми пе- |
|||
где X — N k-матрица |
||||
b |
|
|
ременными,
^ — -матрица центрированных наблюдений за факторными
Z N n
переменными,
A — n k-матрица параметров уравнений регрессии,
" — N n-матрица ошибок изучаемых переменных (остатков по наблюдениям).
Относительно ошибок предполагается, что в каждом наблюдении их математическое ожидание равно нулю, матрица ковариации размерности k k одинакова и равна ( — вещественная, симметричная, положительно определенная матрица), и что они не коррелированы по
наблюдениям.
Оценивать параметры этой системы можно отдельно по каждому
уравнению: |
|
|
|
|
|
|
|
|
|
|
A = M 1m;~ |
(2) |
|
где M = |
1 |
Z^0Z^, m~ = |
1 |
Z^0X^, или через |
обычные операторы МНК- |
|
N |
N |
|||||
|
|
|
|
оценивания, записанные последовательно для всех уравнений системы al = M 1ml; l = 1; : : : ; k:
Ситуация резко усложняется, если для коэффициентов матрицы A
имеются априорные ограничения.
Пусть, например, эта матрица имеет следующую структуру:
01
a1 0 0
BC
B0 0 Ca2
B ... ... ... ... C;
B C
@A
0 0 ak
где al — nl-вектор-столбец коэффициентов в l-м уравнении (для l-й изу-
k
P
чаемой переменной), nl = n, т.е. многие элементы матрицы A априорно приравнены нулю.l=1
Фактически это означает, что для каждой изучаемой переменной
имеется свой набор объясняющих факторов с N nl-матрицей наблю-
^ |
|
^ |
|
^ |
^ |
|
|
|
дений Zl |
|
Z = Z1 Zk |
|
, и система уравнений (1) |
представляется как |
|||
совокупность внешне не связанных между собой уравнений: |
||||||||
|
|
|
|
|
^ |
^ |
(3) |
|
|
|
|
|
|
Xl = Zlal + "l; l = 1; : : : ; k: |
Сразу можно заметить, что теперь оператор (2) применить невозможно, т.к. система нормальных уравнений, решением которой является этот оператор, записывается следующим образом:
0
M11a1
B@ ...
Mk1a1
M1kak
... ...
Mkkak
10
m11
C = B ...
A@
mk1
... |
m...1k |
1 |
; |
(4) |
|
mkkC |
|
|
|
|
A |
|
|
где M |
ll0 |
= |
1 |
Z^0Z^ |
; m |
ll0 |
= |
|
1 |
Z^0X^ |
l0 |
; т.е. вектор оценок параметров каж- |
|
|
|||||||||||
|
|
N l l0 |
|
|
N l |
|
дого уравнения должен удовлетворять k взаимоисключающим, в общем случае, системам уравнений.
Правильная оценка параметров регрессии дается решением следу-
ющих уравнений:
k k
XX
! 1M |
ll0 |
a |
l0 |
= |
! 1m |
ll0 |
; l |
; : : : ; k; |
ll0 |
|
ll0 |
|
= 1 |
||||
l0=1 |
|
|
|
|
l0=1 |
|
|
|
где !ll01 — элемент матрицы 1.
96
Или в матричной записи:
0!111M...11a1+ ... |
||
B!k11Mk1a1 |
+ |
|
@ |
|
|
+!1k1M1kak
...
+!kk1Mkkak
1 |
= |
0!111m... |
11 |
C B!k11mk1 |
|||
A |
|
@ |
|
++!1k1m1k
... ...
++!kk1mkk
1
C; (5)
A
которая при сравнении с (4) оказывается результатом умножения в (4) всех Mll0 и mll0 на !ll01 и сложения столбцов в обеих частях этого выражения.
Эта оценка совпадает с обычной МНК-оценкой al = Mll 1mll, если матрица диагональна, т.е. ошибки изучаемых переменных не коррелированы.
Взаимозависимые или одновременные уравнения.
Проблема идентификации
Далее в этом разделе уравнения регрессии записываются в форме
со скрытым свободным членом.
X — N k-матрица наблюдений за изучаемыми переменными x;
Z — N (n+1)-матрица наблюдений за независимыми факторами z;
B — k k-матрица параметров регрессии при изучаемых перемен-
ных; B 6= Ik, иначе система была бы невзаимозависимой; jBj 6= 0 и
ll = 1 — условия нормализации, т.е. предполагается, что, в конечном счете, в левой части l-го уравнения остается только l-я переменная, а остальные изучаемые переменные переносятся в правую часть;
A — (n + 1) k-матрица параметров регрессии (последняя строка —
свободные члены в уравнениях);
" — N k-матрица значений случайных ошибок по наблюдениям;
XB = ZA + ": |
(6) |
Такая запись одновременных уравнений называется структурной формой. Умножением справа обеих частей этой системы уравнений на
B 1 она приводится к форме, описанной в предыдущем пункте. Это —
приведенная форма системы:
X = ZAB 1 + "B 1:
97
D = AB 1 — (n + 1) k-матрица параметров регрессии приведенной формы. Для их оценки можно использовать МНК:
D = (Z0Z) 1Z0X:
Таким образом, матрица D оценивается без проблем, и ее можно считать известной. Однако задача заключается в оценке параметров B
и A системы в приведенной форме. Эти параметры, по определению, удовлетворяют следующим условиям:
DB A = 0 |
|
(7) |
или W H = 0, где |
|
i, |
W — (n + 1) (n + k + 1)-матрица h D |
In+1 |
"#
B
.
A
Это — условия для оценки параметров структурной формы. В общем случае эти условия достаточно бессмысленны, т.к. они одинаковы для параметров всех уравнений. Они описывают лишь множество допустимых значений параметров (одинаковое для всех уравнений), поскольку для n + k + 1 параметров каждого уравнения структурной формы имеется только n + 1 одинаковых уравнений. Необходимы дополнительные условия, специальные для каждого уравнения.
Пусть для параметров l-го уравнения кроме требования
W Hl = 0 ((Z0Z) 1Z0XBl |
Al = 0) |
(8) |
||||
имеется дополнительно rl условий: |
|
|
|
|
|
|
RlHl = 0; |
|
|
|
|
(9) |
|
где Rl — rl (n + k + 1)-матрица дополнительных условий, |
|
|||||
Hl — (n + k + 1)-вектор-столбец |
" |
B |
|
# параметров l-го уравне- |
||
|
Al |
l |
||||
|
|
|
|
|
|
ния — l-й столбец матрицы H.
!
W
Rl
ных параметров l-го уравнения, где Wl — (n+rl +1) (n+k +1)-матрица.
98
Они позволяют определить искомые параметры с точностью до постоянного множителя (при выполнении условий нормализации l = 1
параметры определяются однозначно), если и только если ранг матрицы Wl равен n + k. Для этого необходимо, чтобы
rl > k 1: |
(10) |
Однако, это условие не является достаточным. Имеется необходимое и достаточное условие для определения параметров l-го уравнения (более операциональное, чем требование равенства n + k ранга матрицы Wl):
rank(RlH) = k 1: |
(11) |
Доказательство данного утверждения опускается по причине сложности. Теперь вводятся определения, связанные с возможностью нахождения параметров уравнения структурной формы: l-е уравнение не иден-
тифицировано, если rl < k 1; оно точно идентифицировано, если rl = k 1 и ранг Wl равен n+k; сверхидентифицировано, если rl > k 1. В первом случае параметры не могут быть оценены, и, хотя формально, например, используя МНК, оценки можно получить, они никакого смысла не имеют; во втором случае параметры уравнения оцениваются однозначно; в третьем — имеется несколько вариантов оценок.
Обычно строки матрицы Rl являются ортами, т.е. дополнительные ограничения исключают некоторые переменные из структурной формы. Тогда, если kl и nl — количества, соответственно, изучаемых переменных, включая l-ю, и независимых факторов в l-м уравнении, то для его идентификации необходимо, чтобы
kl + nl 6 n + 1: |
(12) |
В таком случае условие (11) означает, что матрица, составленная
из коэффициентов во всех прочих уравнениях, кроме l-го, при переменных, которые исключены из l-го уравнения, должна быть не вырождена. При этом l-й столбец матрицы RlH из (11), равный нулю, как это следует из (9), исключается из рассмотрения.
Дальнейшее изложение ведется в предположении, что строки матрицы Rl — орты.
99
Оценка параметров отдельного уравнения
Вводятся дополнительные обозначения:
Xl — N kl-матрица наблюдений за изучаемыми переменными xl, входящими в l-е уравнение;
Xl — N-вектор-столбец наблюдений за l-й переменной xl;
Xl — N (kl 1)-матрица Xl без столбца Xl наблюдений за xl ;
l — kl-вектор-столбец параметров при изучаемых переменных в l-м уравнении;
l — (kl 1)-вектор-столбец l с обратным знаком и без l-го элемента ll = 1;
Zl — N (nl + 1)-матрица наблюдений за независимыми факторами zl, входящими в l-е уравнение, включая единичный столбец, соответ-
ствующий свободному члену;
l — (nl + 1)-вектор-столбец параметров при этих факторах вместе со свободным членом;
"l — N-вектор-столбец остатков в l-м уравнении по наблюдениям. Тогда l-е уравнение регрессии можно записать следующим обра-
зом:
Xl l = Zl l + "l |
(13) |
|
или |
|
|
Xl = Xl |
l + Zl l + "l: |
(14) |
|
|
|
Применение обычного МНК к этому уравнению дает в общем случае смещенные и несостоятельные оценки, прежде всего потому, что остатки
"l скорее всего коррелированы с регрессорами Xl , которые к тому же недетерминированы и наблюдаются с ошибками.
Если данное уравнение точно идентифицировано, то для оценки его параметров можно использовать косвенный метод (КМ) наименьших квадратов: с помощью МНК оцениваются параметры приведенной формы системы уравнений, через которые однозначно выражаются структурные параметры данного уравнения.
Можно записать уравнения для оценки косвенным методом в общем случае.
100