Автор работы: Пользователь скрыл имя, 01 Июня 2012 в 19:26, курсовая работа
На сегодняшний день деятельность в любой области экономики (управлении, финансово-кредитной сфере, маркетинге, учете, аудите) требует от специалиста применения современных методов работы, знания достижений мировой экономической мысли, понимания научного языка. Большинство новых методов основано на эконометрических моделях, концепциях, приемах.
Для эконометрики характерны постановка и решение задач, связанных с разработкой экономико-математических моделей по наблюдаемым данным. Такие задачи основаны на гипотезах о законах распределения вероятностей для считающихся случайными отклонений значений переменных от их фактических величин.
Введение…………………………………………………………………………...3
Глава1. Общая характеристика моделей с распределенным лагом.
Понятие лаговой переменной и общая модель распределенного лага……………………………………………………………………5
Интерпретация коэффициентов моделей с распределенным лагом ………………………………………………..……………………….7
Изучение структуры лага …………………………………..………9
Лаги Алмон……………………………………………..…..………11
Глава2. Построение модели с распределенным лагом………………………..15
Заключение…………………………………………...…………………………..19
Библиографический список…………………………………………………
Формально модель зависимости коэффициентов bj от величины лага j в форме полинома можно записать в следующем виде:
• для полинома 1-й степени: bj = c0 + с1 j;
• для полинома 2-й степени bj = c0 + с1 j + с2j2;
• для полинома 3-й степени: bj = c0 + с1 j + с2j2 +с3j3 и т. д.
В наиболее общем виде для полинома k-й степени имеем:
bj = c0
+ с1 j + с2j2+...+
сk j k
Тогда каждый из коэффициентов bj модели (1) можно выразить следующим образом:
b0 = c0;
b1 = c0 + с1 +… + сk;
b2 = c0 +2 с1 + 4с2+…+2k сk;
b3 = c0 +3 с1 + 9с2+…+3k сk;
и т. д.
b1 = c0
+l с1 + l 2с2+…+lk сk.
Подставив в (1) найденные соотношения для bj, получим:
yt = а+c0 хt+(с0+с1+ ... + сk)* хt-1,+(с0+2с1+4c2+... +2k сk)* хt-2+
+(с0+3с1+9c2+...+3kсk)*хt-3+…+
Перегруппируем слагаемые в (4):
yt = а + c0
(хt + хt-1, + хt-2+…хt-l)
+ c1 (хt-1, +2 хt-2+3 хt-3…l*хt-l)+
c2 (хt-1, +4 хt-2+9 хt-3…l2*хt-l)+
…+ ck (хt-1, +2k хt-2+3k
хt-3…lk*хt-l)+ et.
(5)
Обозначим слагаемые в скобках при ci, как новые переменные:
z0 = хt + хt - 1, + х t - 2+…+ х t - l = ;
z1 = х t -1 +2 х t - 2 +3 х t - 3+…+l х t – l = ;
z2 = х t – 1 +4 х t – 2 +9 х t – 3 +…+l 2 х t – l = ;
…………………………………………………
z k= х t – 1 +2 k х t - 2 +3 k х t - 3+…+l k х t – l = ;
Перепишем модель (5) с учетом соотношений (6):
yt = а + c0
z0 + c1 z1
+ c2 z2
+ …+ ck zk + et.
Процедура применения метода Алмон для расчета параметров модели с распределенным лагом выглядит следующим образом.
1. Определяется максимальная величина лага l.
2. Определяется степень полинома k, описывающего структуру лага.
3. По соотношениям (6) рассчитываются значения переменных z0… z k
4. Определяются параметры уравнения линейной регрессии (7).
5. С помощью соотношений (3) рассчитываются параметры исходной модели с распределенным лагом.
Применение метода Алмон сопряжено с рядом проблем.
Во-первых, величина лага l должна быть известна заранее. При ее определении лучше исходить из максимально возможного лага, чем ограничиваться лагами небольшой длины. Выбор меньшего лага, чем его реальное значение, приведет к тому, что в модели регрессии не будет учтен фактор, оказывающий значительное влияние на результат, т. е. к неверной спецификации модели. Влияние этого фактора в такой модели будет выражено в остатках. Выбор большей величины лага по сравнению с её реальным значением будет означать включение в модель статистически незначимого фактора и снижение эффективности полученных оценок, однако эти оценки все же будут несмещенными.
Существует несколько практических подходов к определению реальной величины лага, например, построение нескольких уравнений регрессии и выбор наилучшего из этих уравнений или применение формальных критериев, например критерия Шварца. Однако наиболее простым способом является измерение тесноты связи между результатом и лаговыми значениями фактора.
Во-вторых, необходимо установить степень полинома k. Обычно на практике ограничиваются рассмотрением полиномов 2-й и 3-й степени, применяя следующее простое правило: выбранная степень полинома k должна быть на единицу больше числа экстремумов в структуре лага. Если информацию о структуре лага получить невозможно, величину k проще всего определить путем сравнения моделей, построенных для различных значений k, и выбора наилучшей модели.
В-третьих, переменные z, которые определяются как линейные комбинации исходных переменных х, будут коррелировать между собой в случаях, когда наблюдается высокая связь между самими исходными переменными. Поэтому оценку параметров модели (7) приходится проводить в условиях мультиколлинеарности факторов. Однако мультиколлинеарность факторов z0… zk в модели (7) сказывается на оценках параметров b0… bl в несколько меньшей степени, чем если бы эти оценки были получены путем применения метода наименьших квадратов непосредственно к модели (1) в условиях мультиколлинеарности факторов хt,...,хt-l. Это связано с тем, что в модели (7) мультиколлинеарность ведет к снижению эффективности оценок с0,...,сk, поэтому каждый из параметров b0… bl, которые определяются как линейные комбинации оценок с0,...,сk, будет представлять собой более точную оценку.
Метод Алмон имеет два неоспоримых преимущества.
Глава2. Построение модели с распределенным лагом
В таблице 1 представлены данные об объеме выпуска продукции в бизнес-секторе экономики США (в % к уровню 1982 г.) и общей сумме расходов на приобретение новых заводов и оборудования в промышленности за 1959-1990 гг. (млрд долл. США).
Таблица 1.
Динамика объемов ВВП США (у, в ценах 1987 г., млрд долл. США)
и валовых внутренних инвестиций в экономику США
(х, в ценах 1987 г., млрд долл. США)*
Год |
Y |
х |
zо |
z1 |
z2 |
1959 |
1931,3 |
296,4 |
|
|
|
1960 |
1973,2 |
290,8 |
|
|
|
1961 |
2025,6 |
289,4 |
|
|
|
1962 |
2129,8 |
321,2 |
|
|
|
1963 |
2218 |
343,3 |
1541,1 |
2958 |
8838,4 |
1964 |
2343,3 |
371,8 |
1616,5 |
3017,1 |
8885,5 |
1965 |
2473,5 |
413 |
1738,7 |
3179,6 |
9266,2 |
1966 |
2622,3 |
438 |
1887,3 |
3471,3 |
10129,1 |
1967 |
2690,3 |
418,6 |
1984,7 |
3752,6 |
10929 |
1968 |
2801 |
440,1 |
2081,5 |
4020,8 |
11836,4 |
1969 |
2877,1 |
461,3 |
2171 |
4243,3 |
12664,5 |
1970 |
2875,8 |
429,7 |
2187,7 |
4349,3 |
12997,1 |
1971 |
2965,1 |
481,5 |
2231,2 |
4347 |
12993,4 |
1972 |
3107,1 |
532,2 |
2344,8 |
4485,2 |
13393,6 |
1973 |
3268,5 |
591,7 |
2496,4 |
4629,5 |
13706,3 |
1974 |
3248,1 |
543 |
2578,1 |
4819,4 |
13929,2 |
1975 |
3221,7 |
437,6 |
2586 |
5249 |
15403,6 |
1976 |
3380,8 |
520,6 |
2625,1 |
5427,5 |
16450,1 |
1977 |
3533,2 |
600,4 |
2693,3 |
5391,6 |
16625,2 |
1978 |
3703,5 |
664,6 |
2766,2 |
5126,4 |
15309,2 |
1979 |
3796,8 |
669,7 |
2892,9 |
5177,6 |
14753,2 |
1980 |
3776,3 |
594,4 |
3049,7 |
5882,5 |
17061,3 |
1981 |
3843,1 |
631,1 |
3160,2 |
6329,2 |
18861 |
1982 |
3760,3 |
540,5 |
3100,3 |
6478,4 |
19669,6 |
1983 |
3906,6 |
599,5 |
3035,2 |
6264,7 |
19129,7 |
1984 |
4148,5 |
757,5 |
3123 |
5951,4 |
17951,8 |
1985 |
4279,8 |
745,9 |
3274,5 |
6102,4 |
18117,6 |
1986 |
4404,5 |
735,1 |
3378,5 |
6221,4 |
17819,4 |
1987 |
4540 |
749,3 |
3587,3 |
6897,4 |
20128,2 |
1988 |
4781,6 |
773,4 |
3761,2 |
7487,2 |
22522,8 |
1989 |
4836,9 |
789,2 |
3792,9 |
7460,9 |
22320,9 |
1990 |
4884,9 |
744,5 |
3796,5 |
7524,3 |
22388,1 |
1991 |
4848,4 |
672,6 |
3734 |
7645,3 |
22855,7 |
Построим модель с распределенным лагом для l= 4 в предположении, что структура лага описывается полиномом второй степени. Общий вид этой модели:
yt = а + b0 х t + b1 * х t – 1 + b2 * х t - 2 +b3 * х t – 3 + b4 * х t – 4 + e t
Для полинома второй степени имеем:
bj = c0 + с1* j+ с2*j2, j=
Для расчета параметров этой модели необходимо провести преобразование исходных данных в новые переменные z0 , z1 и z2
Это преобразование в соответствии с (6) выглядит следующим образом:
z0 = х t + х t - 1 + хt - 2+ х t – 3 +х t – 4
z1 = хt - 1 +2 х t – 2 +3 х t – 3 +4 х t – 4
z2 = х t - 1 +4 х t – 2 +9 х t - 3 +16 х t - 4
Значения переменных z0 , z1 и z2 приводятся в таблице 1. Число наблюдений, по которым производился расчёт этих переменных, составило 28 (четыре наблюдения было потеряно вследствие сдвига факторного признака хt на четыре момента времени).
Расчет параметров уравнения регрессии (7) методом наименьших квадратов для нашего примера приводит к следующим результатам:
= 300,010 + 1,922 *z0 - 0,921 * z1 + 0,184 * z2; R2 = 0,990.
(66,200) (0,205) (0,299) (0,073)
В скобках указаны значения стандартных ошибок коэффициентов регрессии. Воспользовавшись найденными коэффициентами регрессии при переменных zi , i = 0,1,2 и соотношениями (3), рассчитаем коэффициенты регрессии исходной модели:
b0 = 1,922;
b1 =1,922 -0,921 + 0,184 =1,185;
b2 = 1,922 + 2 • (-0,921) + 4 • 0,184 = 0,814;
b3 = 1,922 + 3 • (-0,921) + 9 • 0,184 = 0,811;
b4 = 1,922 + 4 • (-0,921) + 16 • 0,184 = 1,176.
Модель с распределенным лагом имеет вид:
(66,200) (0,205) (0,100) (0,142) (0,096) (0,208)
В скобках указаны стандартные ошибки коэффициентов регрессии.
Нанесем полученные значения на график (рис.2).
Рис. 2. Структура лага в модели зависимости объема ВВП от объема инвестиций в экономику
Анализ этой модели показывает, что рост инвестиций в экономику США на 1 млрд. долл. в текущем периоде приведет через 4 года к росту ВВП в среднем на (1,922 + 1,184 + 0,814 + 0,811 + 1,176) =5,908 млрд. долл. США.
Определим относительные коэффициенты регрессии:
β0= 1,922/5,908 = 0,325;
β1 = 1,184/5,908 = 0,200;
β2 = 0,814 / 5,908 = 0,138;
β 3 = 0,811 / 5,908 = 0,138;
β4= 1,176/5,908 = 0,199.
Более половины воздействия фактора на результат реализуется с лагом в 1 год, причем 32,5% этого воздействия реализуется сразу же, в текущем периоде.
Средний лаг в данной модели составит:
= 0,325 + 0,200*1 +0,138*2+ 0,138*3 + 0,199*4= 1,686.
В среднем увеличение инвестиций в экономику США приведет к увеличению ВВП через 1,69 года.
Для сравнения приведем результаты применения обычного МНК для расчета параметров этой модели:
(67,7) (0,314) (0,428) (0,439) (0,432) (0,324)
Хотя коэффициент
Заключение
Использование различных методов и моделей эконометрики имеет важное значение в наше время. Постановка и решение задач, связанных с разработкой экономико-математических моделей позволяет специалисту достичь высокого уровня квалификации.
В данной курсовой работе мы рассмотрели классический эконометрический подход к модели распределенных лагов, изучили структуру лага и рассмотрели общую характеристику модели с распределенным лагом. По итогам данной работы мы сделали вывод, что применительно к конкретным экономическим процессам существующая экономическая теория не может и не должна навязывать применение какой-либо единственной и всегда заведомо лучшей модели, не существует каких-либо формализованных рекомендаций, если, конечно, не считаться с возможностью последовательно перепробовать модели всех известных типов, которые позволили бы выбрать модель, лучше других соответствующую изучаемому объекту и имеющимся данным.
Что касается стабильности условий, необходимых для проведения эконометрических процессов: в случае, если она не имеет место для продолжительных периодов времени, это приводит к идее обобщения модели распределенного лага, состоящей в добавлении к ней других переменных-факторов z1, z2, ..., значения которых zt,s характеризуют текущие условия функционирования изучаемой системы в период t.