- •1.Предмет, цели и задачи эконометрики (э). Экон.Модель (эм), основные этапы построения экон.Модели.
- •2.Простая линейная регрессия. Классические предположения модели.
- •3.Стат.Оценивание парам плр по мнк. Св-ва оценок.
- •4.Проверка качества плр: значимость параметров, адекватность моделей. Прогнозирование.
- •5.Множественная линейная регрессия (млр). Классич. Предположения. Мнк-оценка параметров модели.
- •6.Свойства мнк-оценок млр. Теорема Гаусса-Маркова.
- •7. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •8.Спецификация эконометрической модели: способы и диагностика отбора экзогенных переменных. Тесты Рамсея и Амемья.
- •9.Спецификация экономической модели: выбор формы зависимости нелинейной модели.
- •10. Проблема гетероскедастичности модели. Критерии её диагностики.
- •11.Взвешенный мнк в задаче оценивания параметров модели. Свойства оценок взвешенного мнк.
- •12.Проблема автокорреляции остатков модели. Последствия автокорреляции при использовании модели.
- •13. Критерий диагностики автокорреляции Дарбина-Уотсона.
- •14. Методы устранения автокорреляции
- •15. Проблема наличия мультиколлинеарности модели. Последствия наличия и диагностика мультиколлинеарности.
- •16. Методы устранения мультиколлинеарности.
- •17. Динамические модели с распределёнными лагами.
- •18. Структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
- •19. Понятие временного ряда(вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
- •20. Стационарность вр. Характеристики корреляции уровней вр.
- •21. Стационарные модели временных рядов: авторегрессии, скользящего среднего арсс.
- •22. Системы одновременных эконометрических уравнений (соу). Структурная и приведенная форма соу (графическое и матричное представление)
- •23. Проблемы идентификации соу. Идентифицируемость уравнений соу.
- •24. Методы оценивания соу. Косвенный мнк. Двухшаговый мнк. Применимость и свойства оценок.
- •25. Современное состояние эконометрики. Примеры больших эконометрических моделей.
17. Динамические модели с распределёнными лагами.
При анализе многих экономических показателей (особенно в макроэкономике) часто используются ежегодные, ежеквартальные, ежемесячные и ежедневные данные. В этом случае следует упорядочить данные по времени их получения и построить так называемые временные ряды.
Модели, у которых в качестве объясняющих переменных используются не только текущие значения переменных, но и некоторые предыдущие по времени значения, а также само время T, носят названия динамических.
Обычно динамические модели подразделяют на 2 класса: 1)модели с распределёнными лагами; 2) авторегрессионные модели.
Модели с распределёнными лагами. Лаговые переменные – переменные, влияние которых характеризуется определённым запаздыванием. Это модели, содержащие в качестве лаговых переменных лишь независимые переменные:
Авторегрессионные модели – это модели, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных:
Оценка модели с распределёнными лагами во многом зависит от того, конечное или бесконечное число лагов она содержит.
В обеих моделях коэффициент называют краткосрочным мультипликатором, так как он характеризует изменение среднего значения Y под воздействием единичного изменения переменной X в тот же самый момент времени. Сумму всех коэффициентов называют долгосрочным мультипликатором. А любую сумму коэффициентов (h<k) называют промежуточным мультипликатором. Модель с конечным числом лагов оценивается достаточно просто сведением её к уравнению множественнойрегрессии. В этом случае полагают и получают уравнение:
Для оценки моделей с бесконечным числом лагов разработано несколько методов: 1) метод последовательного увеличения количества лагов; 2) преобразование Койка (метод геометрической прогрессии).
1) по данному методу уравнения рекомендуется оценивать с последовательно увеличивающимся количеством лагов. Признаков завершения процедуры увеличения количества лагов может быть несколько: а) при добавлении нового лага какой-либо коэффициент регрессии при переменной меняет знак. Тогда в уравнении регрессии оставляют переменные , коэффициенты при которых знак не поменяли; б) при добавлении нового лага коэффициент регрессии при переменной становится статически незначимым. Очевидно, что в уравнении будут использоваться только переменные , коэффициенты при которых остаются статически значимыми.
2) В распределении Койка предполагается, что коэффициенты («веса») при лаговых значениях объясняющей переменной убывают в геометрической прогрессии:
где 0 < < 1 характеризует скорость убывания коэффициентов с увеличением лага (с удалением от момента анализа). В данном случае уравнение
преобразуется в уравнение вида:
Параметры данного уравнения можно определить различными способами.
18. Структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
Эндогенные иэкзогенные переменные редко включаются в модель в один и тот же моментвремени. Решения, которые должны принять участники экономики, требуют t, необходимого для их воплощения в жизнь. ЭМ в которой экзогенные переменные входят с учетом запаздывания во времени, носят названия лаговых.
МЛР с запаздывающей во времени экзогенной переменной
Для физической реализуемости динамической модели требуется выполнение условия сходимости следующего ряда: . На практике применяется модель с конечным числом запаздываний, являющаяся частным случаем предыдущей.
1) Геометрическая лаговая структура (Койка). Пусть все параметры bkубывают с ростом k по геометрической прогрессии со знаменателем q(0<q<1)
Тогда рассмотренная модель примет упрощенный вид:
.
Окончательно нормализованный вид модели:
В этой модели необходимо оценить лишь три неизвестных параметра (a,b и q) вместо , но => появление сериальной корреляции случайной переменной ut. Тесты проверки на сериальную корреляцию: Тест h-Дарбина и Множественный критерий Лагранжа.
Модель адаптивных ожиданий.
Обозначим через ожидаемое (в момент t) будущее значение переменной xt. Значение величины ytопр этим ожидаемым значением:
(1) – долгосрочная ф-я адаптивных ожиданий
Гипотеза адаптивных ожиданий предполагает, что ожидания пересматриваются в некоторой пропорции от разницы между наблюденным знач и прогнозом переменной х на предыдущем шаге: (2)
Если ү=0, то ситуация не изменится, если 1 - ситуация будет близка к прогнозной. Напр. фирма принимает решение об V производимой в период tпродукции ytдо того, как известна цена xt+1. Поскольку цена xt+1не известна в период t, то решение принимается на основе ожидаемого значения –яв-сявзвеш средним наблюдаемой цены х и ожидаемой цены х* в период t.
Если выразить через xtиз (2), введя оператор запаздывания:
и подставив в (1)
или
Эта модель (краткосрочная ф-я адаптивных ожиданий) совпадает с моделью Койка. Модель включает только фактические знач переменных, поэтому их можно определить с помощью стандартных стат методов.
Модель с неполной корректировкой.
В отличие от пред модели эмпирически ненаблюдаемой переменной яв-ся результативный признак. Общий вид этой модели следующий:
(3) долгосрочная ф-я неполной корректировки
Формирование ожиданий экономических агентов относительно значений происходит по следующей схеме:
, где .
В этой модели предполагается, что абсолютное изменение фактических уровней результата есть некоторая доля его ожидаемого абсолютного изменения. Параметр этой модели называют корректирующим коэффициентом. Чем ближе величина к 1, тем в большей степени реальная динамика показателя отвечает ожиданиям экономических агентов. Чем ближе к 0, тем менее реальное изменение показателя соответствует его ожидаемому изменению. При = 0 значение результативного признака является константой, на которую ожидания агентов не оказывают никакого воздействия.Запишем гипотезу о формировании у' в виде:
(4) где фактическое знач результата текущего периода.
Подставим уравнение (3) в (4). Получим:
(5)где
Соотношение (5) есть основное уравнение модели неполной корректировки. Его называют краткосрочной функцией модели. Включает только фактические значения переменных. Зная оценки параметров этого уравнения, можно найти . Затем найти a, b.