Модели с лаговыми зависимыми переменными. Проблемы оценки их параметров. Схема Койка.
Авторегрессионные модели — это модели, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных.
Пример модели авторегрессии: yt=β0+β1xt+δ1yt–1+εt,
где β1 – это коэффициент, который характеризует краткосрочное изменение переменной у под влиянием изменения переменной х на единицу своего измерения;
δ1– это коэффициент, который характеризует изменение переменной у в текущий момент времени t под влиянием своего изменения в предыдущий момент времени (t–1).
Промежуточным мультипликатором называется произведение коэффициентов модели авторегрессии (β1*δ1).
Промежуточный мультипликатор отражает общее абсолютное изменение результативной переменной у в момент времени (t+1).
Долгосрочным мультипликатором называется показатель, рассчитываемый как
Долгосрочный мультипликатор отражает общее абсолютное изменение результативной переменной у в долгосрочном периоде.
Если для модели авторегрессии выполняется условие |δ|<1, то при наличии бесконечного лага будет справедливым равенство: .
В нормальной линейной модели регрессии все факторные переменные не зависят от случайной ошибки модели. Данное условие для моделей авторегрессии нарушается, потому что переменная yt–1 частично зависит от случайной ошибки модели εt. Следовательно, при оценке неизвестных коэффициентов традиционным методом наименьших квадратов ы получим смещённую оценку коэффициента при переменной yt–1.
При определении оценок неизвестных коэффициентов модели авторегрессии используется метод инструментальных переменных (IV – Instrumental variables).
Суть метода инструментальных переменных заключается в том, что переменная yt–1, для которой нарушается предпосылка применения метода наименьших квадратов, заменяется на новую переменную z, удовлетворяющую двум требованиям:
- данная переменная должна тесно коррелировать с переменной yt–1: cov(yt–1,z)≠0;
- данная переменная не должна коррелировать со случайной ошибкой модели εt: cov(z,ε)=0.
Предположим, что на основании собранных данных была построена модель авторегрессии вида:
yt=β0+β1xt+δ1yt–1+εt.
Рассчитаем оценки неизвестных коэффициентов данной модели с помощью метода инструментальных переменных.
В данной модели авторегрессии переменная yt коррелирует с переменной xt, следовательно, переменная yt–1 зависит от переменной xt–1. Охарактеризуем данную корреляционную зависимость с помощью парной модели регрессии вида:
yt–1=k0+k1xt–1+ut,
где k0 ,k1 – неизвестные коэффициенты модели регрессии;
ut – случайная ошибка модели регрессии.
Обозначим выражение k0+k1xt–1 через переменную zt–1. Тогда модель регрессии для переменной yt–1 примет вид:
yt–1= zt–1+ut.
Новая переменная zt–1 удовлетворяет свойствам, предъявляемым к инструментальным переменным:
- она тесно коррелирует с переменной yt–1: cov(zt–1,yt–1)≠0;
- она коррелирует со случайной ошибкой исходной модели авторегрессии εt: cov(εt, zt–1).
Таким образом, исходная модель авторегрессии может быть представлена следующим образом:
yt=β0+β1xt+δ1(k0+k1xt–1+ut)+εt= β0+β1xt+δ1 zt–1+νt,
где νt= δ1 ut+ εt.
На следующем этапе оценки неизвестных коэффициентов преобразованной модели рассчитываются с помощью традиционного метода наименьших квадратов. Эти оценки будут являться оценками неизвестных коэффициентов исходной модели авторегрессии.
Метод Койка. Этот метод применяется в модели с бесконечным лагом: (26)
Для идентификации модели (26) предполагается, что параметры с увеличением лага убывают в геометрической прогрессии, т. е. с постоянным темпом :
(27)
Запишем выражение (27) для момента (t-1): (28)
Умножим (28) на λ и вычтем из (27):
Или (29)
Это модель авторегрессии. Определив её параметры, находим λ, а, b0 исходной модели, а затем и параметры . Данная модель позволяет определить долгосрочный мультипликатор и средний лаг .
Несмотря на то, что метод Койка очень удобен в вычислительном отношении (оценки параметров β0, β1 и λ можно рассчитать с помощью традиционного метода наименьших квадратов), оценки, полученные с его помощью, будут смещёнными и несостоятельными, т. к. нарушается первое условие нормальной линейной модели регрессии.
15. Двухшаговый мнк и особенности его применения в моделях с лаговыми зависимыми переменными. Инструментальные переменные, их содержание и особенности формирования.
Двухшаговый метод наименьших квадратов (TSLS) — метод оценки параметров эконометрических моделей, в частности систем одновременных уравнений, состоящий из двух этапов (шагов), на каждом из которых применяется метод наименьших квадратов.
Двухшаговый МНК тесно связан с методом инструментальных переменных. Иногда его и называют обобщенным или просто методом инструментальных переменных. При оценке одиночных уравнений используются дополнительные (инструментальные) переменные, в модели непосредственно не участвующие. Их использование связано с тем, что часть факторов модели могут не удовлетворять требованию экзогенности. При оценке систем одновременных уравнений обычно инструментами являются экзогенные переменные системы.
Экзогенные (независимые) – значения которых задаются «извне», автономно, в определенной степени они являются управляемыми (планируемыми) (X). Экзогенные переменные модели характеризуются тем, что они являются независимыми и определяются вне системы;
Лаговые – экзогенные или эндогенные переменные эконометрической модели, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Например:
yt –текущая эндогенная переменная, yt-1 – лаговая эндогенная переменная (отстоящая от текущей на 1 период назад), yt-2 – тоже лаговая эндогенная переменная (отстоящая от текущей на 2 периода).
Сущность метода:Пусть X — множество факторов эконометрической модели, часть которых могут быть эндогенными, часть экзогенными. Пусть также дано множество экзогенных для модели переменных Z (часть из них может участвовать в модели, а часть нет). Количество инструментов должно быть не меньше количества исходных факторов модели.
Процедура двухшагового МНК заключается в следующем:
Шаг 1. Обычным МНК оценивается регрессия факторов X на инструменты X — ZB + U. Оценки параметров этой модели, очевидно, равны:B0LS =(ZTZ)~1ZTX.
В результате получаем следующие оценки исходных переменных: X=ZB=Z(ZTZ)~1ZTX = PZX,Pz = Z(ZTZ)~1ZT
Шаг 2. На втором этапе оценивается (также обычным МНК) исходная модель с заменой факторов модели на их оценки, полученные на первом шаге: bTSLS = (XT X)-1 XT у =(XTPTPZX)-1XTPT у
Учитывая, что Pj = Pz , P^Pz — Pz окончательно получаем формулу оценок двухшагового МНК: bTSLS = {XTPzX)-1XTPzy , Pz = Z{ZTZ)~1ZT
Если ковариационная матрица случайных ошибок модели пропорциональна единичной, то есть <т2Р то ковариационная матрица этих оценок равна ;ls = a2{XTPzX)-1
Формула ковариационной матрицы аналогична обычному TSLS с учетом формулы для Pz.
Связь с методом инструментальных переменных
Двухшаговый МНК называют также обобщенным методом инструментальных переменных или просто методом инструментальных переменных. Если количество инструментов z совпадает с количеством исходных переменных (случай точной идентификации), то матрицы ZTX, ХТ Z являются квадратными. Следовательно
bTSLS = (XTZ(ZTZ)-1ZTX)-1XTZ(ZTZ)~1ZTy= (ZTX)-1(ZTZ)(XTZ)-1(XTZ)(ZTZ)~1(ZTy) = (ZTX)~1ZTy
То есть получаем классическую формулу метода инструментальных переменных Ь/у = (^TX)~1ZTy.
Необходимо также отметить и связь с методом инструментальных переменных в обратном направлении, а именно двухшаговый МНК является частным случаем метода ИП, когда в качестве инструментов используются МНК-оценки факторов на некоторые переменные Z:
Ь/у = {ХХ)-1Х y=(XTPzX)-1XTPzy
что совпадает с формулой двухшагового МНК.
Двухшаговый МНК в системах одновременных уравнений
В системах одновременных уравнений двухшаговый МНК применяется для оценки параметров структурных уравнений, поскольку в последних в качестве факторов участвуют эндогенные переменные модели и применение обычного МНК приводит к смещенным и несостоятельным оценкам.
Здесь в качестве инструментов Z обычно выступают экзогенные переменные самой модели. Соответственно процедура оценки заключается в том, что на первом шаге обычным МНК оценивается регрессия эндогенных переменных на все экзогенные переменные системы, а затем эти оценки используют на втором шаге вместо эндогенных переменных правой части структурного уравнения, к которому применяется обычный МНК.
Такой подход позволяет получить состоятельные оценки параметров структурной формы.