Ответы по эконометрике

Если  временной ряд содержит ярко выраженную линейную  тенденцию, ее можно устранить путем замены исходных уровней ряда цепными абсолютными приростами (первыми разностями).

Пусть (1) ;

Тогда  (6.3)Тогда

Коэффициент b — константа, которая не зависит от времени.

Если  временной ряд содержит тенденцию в форме параболы второго порядка, то для ее устранения можно заменить исходные уровни ряда на вторые разности.

Пусть имеет место соотношение (1), однако

Тогда

Как показывает это соотношение, первые разности ∆_t , непосредственно зависят от фактора времени t и, следовательно, содержат тенденцию.

Определим вторые разности:

Очевидно, что вторые разности ∆_t², не содержат тенденции, поэтому при наличии в исходных уровнях тренда в форме параболы второго порядка их можно использовать для дальнейшего анализа. Если тенденции временного ряда соответствует экспоненциальный или степенной тренд, метод последовательных разностей следует применять не к исходным уровням ряда, а к их логарифмам. 

№27. ВКЛЮЧЕНИЕ В МОДЕЛЬ РЕГРЕССИИ ФАКТОРА  ВРЕМЕНИ.

В корреляционно-регрессионном  анализе устранить воздействие какого-либо фактора можно, если зафиксировать воздействие этого фактора на результат и другие включенные в модель факторы. Этот прием широко используется в анализе временных рядов, когда тенденция фиксируется через включение фактора времени в модель в качестве независимой переменной.

Модель  вида относится к группе моделей, включающих фактор времени. Очевидно, что число независимых переменных в такой модели может быть больше единицы. Кроме того, это могут быть не только текущие, но и лаговые значения независимой переменной, а также лаговые значения результативной переменной. Преимущество данной модели по сравнению с методами отклонений от трендов и последовательных разностей в том, что она позволяет учесть всю информацию, содержащуюся в исходных данных, поскольку значения y_t и х_t есть уровни исходных временных рядов. Кроме того, модель строится по всей совокупности данных за рассматриваемый период в отличие от метода последовательных разностей, который приводит к потере числа наблюдений. Параметры а и b модели с включением фактора времени определяются обычным МНК.

Система нормальных уравнений имеет вид:  
 
 

№28 .АВТОКОРРЕЛЯЦИЯ В  ОСТАТКАХ. КРИТЕРИЙ ДАРБИНА-УОТСОНА.

Существуют  два наиболее распространенных метода определения автокорреляции остатков. Первый метод — это построение графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции. Второй метод — использование критерия Дарбина — Уотсона и расчет величины

  (1)

Таким образом, d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии. Можно предположить  что: , предположим также

Коэффициент автокорреляции остатков определяется как

С учетом (3) имеем:

Таким образом, если в остатках существует полная положительная автокорреляция и , то d= 0. Если в остатках полная отрицательная автокорреляция, то и, следовательно, d= 4.Если автокорреляция остатков отсутствует, то и d = 2. Следовательно, 0≤d≤4

Алгоритм  выявления автокорреляции остатков на основе критерия Дарбина — Уотсона  следующий. Выдвигается гипотеза Н₀ об отсутствии автокорреляции остатков. Альтернативные гипотезы Н₁ Н₁*  состоят, соответственно, в наличии положительной или отрицательной автокорреляции в остатках. Далее по специальным таблицам определяются критические значения критерия Дарбина — Уотсона d_l и d_u для заданного числа наблюдений n, числа независимых переменных модели к и уровня значимости α. По этим значениям числовой промежуток [0;4] разбивают на пять отрезков. Если фактическое значение критерия Дарбина — Уотсона попадает в зону неопределенности, то на практике предполагают существование автокорреляции остатков и отклоняют гипотезу H_о. 

№29. ОБЩАЯ ХАРАКТЕРИСТИКА МОДЕЛЕЙ С РАСПРЕДЕЛЕННЫМ ЛАГОМ. ИНТЕРПРИТАЦИЯ ПАРАМЕТРОВ МОДЕЛЕЙ С РАСПРЕДЕЛЕННЫМ ЛАГОМ. 

Величину  L, характеризующую запаздывание в воздействии фактора на результат, называют в эконометрике лагом, а временные ряды самих факторных переменных, сдвинутые на один ил более моментов времени, — лаговыми переменными.

 Эконометрическое моделирование осуществляется с применением моделей, содержащих не только текущие, но и лаговые значения факторных переменных. Эти модели называются моделями с распределенным лагом. Модель вида

является  примером модели с распределенным лагом.

Наряду  с лаговыми значениями независимых, или факторных, переменных на величину зависимой переменной текущего периода могут оказывать влияние ее значения в прошлые моменты или периоды времени. Эти процессы обычно описывают с помощью моделей регрессии, содержащих в качестве факторов лаговые значения зависимой переменной, которые называются моделями авторегрессии.  Модель вида

относится к моделям авторегрессии. Построение моделей с распределенным лагом и моделей авторегрессии имеет свою специфику. Во-первых, 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. Во-вторых, исследователям приходится решать проблемы выбора оптимальной величины лага и определения его структуры. Наконец, в-третьих, между моделями с распределенным лагом и моделями авторегрессии существует определенная взаимосвязь, и в некоторых случаях необходимо осуществлять переход от одного типа моделей к другому. Интерпретация параметров моделей с распределительным лагом.  Рассмотрим модель с распределенным лагом в ее общем виде в предположении, что максимальная величина лага конечна:

Эта модель говорит о том, что если в некоторый  момент времени t происходит изменение независимой переменной х, то это изменение будет влиять на значения переменной у в течение l следующих моментов времени.

Коэффициент регрессии b₀ при переменной x_t  характеризует среднее абсолютное изменение у_t при изменении х_t на 1 ед. своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора x. Этот коэффициент называют краткосрочным мультипликатором.

В момент (t+1) совокупное воздействие факторной переменной x_t на результат у_t , составит (b₀ + b₁) усл. ед., в момент (t+2) это воздействие можно охарактеризовать суммой (b₀+b₁+b₂) и т. д. Полученные таким образом суммы называют промежуточными мультипликаторами.

 Введем следующее обозначение:

b₀ +b₁ +…+b_l =b

Величину  b называют долгосрочным мультипликатором. Он показывает абсолютное изменение в долгосрочном периоде t + l результата у под влиянием изменения на 1 ед. фактора х.

Предположим

ß_j =b_j  /b, j=0:1

Назовем полученные величины относительными коэффициентами модели с распределенным лагом.  Средний лаг определяется по формуле средней арифметической взвешенной: и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t. Небольшая величина среднего лага свидетельствует об относительно быстром реагировании результата на изменение фактора, тогда как высокое его значение говорит о том, что воздействие фактора на результат будет сказываться в течение длительного периода времени. Медианный лаг — это величина лага, для которого 

Это тот  период времени, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат. 

№ 30 МЕТОД АЛМОНА.

В методе А. предполагается ,что веса текущих  лаговых значений объясняющих переменных подчиняются палениальному распределению. b_j = c₀ +c₁j+ c₂j² +…+ c_kj^k

Уравнение регрессии примет вид y_t = a+c₀z₀+c₁z₁+ c₂z₂ + c_kz_k +ε_t , где z_i = ; i=1,…,k; j=1,…,p. Расчет параметров модели с распределенным лагом проводится по следующей схеме:

1. Устанавливается макси. величина лага l.
2. Определяется степень паленома k,описывающего структуру лага.
3. Рассчитывается значение переменных с z₀  до z_k.
4. Определяются параметры уравнения линейной регрессии y_t(z_i).
5. Рассчитываются параметры исходной модели с распределенным лагом.

 

№ 31 МЕТОД КОЙКА.

В распределение  Койка делается предположение, что  коэффициенты при лаговых значениях  объясняющей переменной убывают  в геометрической прогрессии. b_l=b₀λ^l; l=0,1,2,3; 0 ≤ λ ≤ 1. Уравнение регрессии преобразовывается к виду:

y_t=a+b₀x_t+b₀λx_t-1+b₀λ²x_t-2+…+ ε_t. После несложных преобразований получаем ур-ие  оценки параметров исходящего ур-ия. 

№ 32  МЕТОД ГЛАВНЫХ  КОМПОНЕНТ.

Суть  метода — сократить число объясняющих  переменных до наиболее существенно влияющих факторов. Метод главных компонент применяется для исключения или уменьшения мультиколлинеарности объясняющих переменных регрессии. Основная идея заключается в сокращении числа объясняющих переменных до наиболее существенно влияющих факторов. Это достигается путем линейного преобразования всех объясняющих переменных xⁱ (i=0,..,n) в новые переменные, так называемые главные компоненты. При этом требуется, чтобы выделению первой главной компоненты соответствовал максимум общей дисперсии всех объясняющих переменных xⁱ (i=0,..,n). Второй компоненте — максимум оставшейся дисперсии, после того как влияние первой главной компоненты исключается и т. д. 

№ 33 МОДЕЛИ АВТОРЕГРЕССИИ. ОЦЕНКА ПАРАМЕТРОВ МОДЕЛЕЙ  АВТОРЕГРЕССИИ.

Модели  содержащие в качестве факторов лаговые знач. зависимой переменной называются моделями авторегрессии. Н-р y_t=a+b₀x_t+c₁y_t-1+ ε_t. Как и в модели с распределенным лагом b₀ и в этой модели характеризует краткосрочные изменения y_t под воздействием изменения х₁ на 1 ед. Долгосрочный мультипликатор в модели авторегрессии рассчитывается как сумма краткосрочного и промежуточных мультипликаторов b = b₀+b₀ c₁+b₀ c₁²+b₀ c₁³+…=b₀(1+c₁+c₁²+c₁³+…)=b₀/1-c₁

Отметим, что такая интерпретация коэффициентов  модели авторегрессии  и расчет долгосрочного  мультипликатора основаны на предпосылке о наличие бесконечного лага в воздействии текущего знач. зависимой переменной на ее будущее знач.

Одним из возможных методов расчета  параметров уравнения авторегрессии является метод инструментальных переменных. Сущность этого метода состоит в том, чтобы заменить переменную из правой части модели, для которой нарушаются предпосылки МНК, на новую переменную, включение которой в модель регрессии не приводит к нарушению его предпосылок. Применительно к моделям авторегрессии необходимо удалить из правой части модели переменную y_t-1. Искомая новая переменная, которая будет введена в модель вместо y_t-1ь должна иметь два свойства. Во-первых, она должна тесно коррелировать с y_t-1ь  во-вторых, она не должна коррелировать с остатками u_r.

Еще один метод, который можно применять  для оценки параметров моделей авторегрессии типа  — это метод максимального правдоподобия