Модели с распределенными лагами

Модели с распределенными лагами бывают двух типов:

· с конечным числом лагов:

Модели с распределенными лагами - student2.ru ;

· с бесконечным числом лагов:

Модели с распределенными лагами - student2.ru .

Практическое применение чаще всего имеют модели с конечным числом лагов, т.е. модели, в которых число лагов экспериментально определено.

Предположим рассматривается модель, в которой Модели с распределенными лагами - student2.ru , т.е. Модели с распределенными лагами - student2.ru . Данная модель означает, что изменение во времени Модели с распределенными лагами - student2.ru объясняющей переменной Модели с распределенными лагами - student2.ru будет влиять на значения результативного признака Модели с распределенными лагами - student2.ru в течении 4 следующих моментов времени.

Коэффициент Модели с распределенными лагами - student2.ru называют краткосрочным мультипликатором, так как он характеризует среднее изменение результата Модели с распределенными лагами - student2.ru при изменении Модели с распределенными лагами - student2.ru на 1 единицу своего измерения в фиксированный момент времени Модели с распределенными лагами - student2.ru .

В момент времени Модели с распределенными лагами - student2.ru воздействие объясняющей переменной Модели с распределенными лагами - student2.ru на результат Модели с распределенными лагами - student2.ru составит Модели с распределенными лагами - student2.ru единиц, а в момент времени Модели с распределенными лагами - student2.ru общее изменение Модели с распределенными лагами - student2.ru составит Модели с распределенными лагами - student2.ru единиц.

Любую сумму коэффициентов Модели с распределенными лагами - student2.ru , где Модели с распределенными лагами - student2.ru называют промежуточным мультипликатором, а сумму всех коэффициентов регрессии Модели с распределенными лагами - student2.ru - долгосрочным мультипликатором, который характеризует общее изменение Модели с распределенными лагами - student2.ru через Модели с распределенными лагами - student2.ru интервалов времени под воздействием изменения Модели с распределенными лагами - student2.ru в момент Модели с распределенными лагами - student2.ru на 1 единицу.

При Модели с распределенными лагами - student2.ru долгосрочный мультипликатор составит Модели с распределенными лагами - student2.ru . Он характеризует общее среднее изменение Модели с распределенными лагами - student2.ru через 4 временных интервала при увеличении Модели с распределенными лагами - student2.ru в момент времени Модели с распределенными лагами - student2.ru на 1 единицу, а промежуточные мультипликаторы:

Модели с распределенными лагами - student2.ru - изменение Модели с распределенными лагами - student2.ru в момент времени Модели с распределенными лагами - student2.ru ;

Модели с распределенными лагами - student2.ru - изменение Модели с распределенными лагами - student2.ru в момент времени Модели с распределенными лагами - student2.ru ;

Модели с распределенными лагами - student2.ru - изменение Модели с распределенными лагами - student2.ru в момент времени Модели с распределенными лагами - student2.ru .

Если все коэффициенты регрессии имеют одинаковые знаки, т.е. характеризуются однонаправленным изменением Модели с распределенными лагами - student2.ru в исследуемые Модели с распределенными лагами - student2.ru моментов времени, то можно определять относительные коэффициенты модели Модели с распределенными лагами - student2.ru , т.е. Модели с распределенными лагами - student2.ru , где Модели с распределенными лагами - student2.ru , а Модели с распределенными лагами - student2.ru . Иными словами, Модели с распределенными лагами - student2.ru характеризует долю общего изменения Модели с распределенными лагами - student2.ru в момент времени Модели с распределенными лагами - student2.ru .

Модель с конечным числом лагов при правильной ее спецификации может быть оценена обычным МНК. В этом случае в уравнении:

Модели с распределенными лагами - student2.ru

переменные Модели с распределенными лагами - student2.ru рассматриваются как объясняющие переменные обычной множественной регрессии.

Вместе с тем применение МНК к моделям с конечным числом лагов может быть реально затруднено ввиду следующих причин:

1) при наличии тенденции переменные Модели с распределенными лагами - student2.ru тесно связаны между собой, что вызывает мультиколлинеарность факторов, которая может привести к неинтерпретируемым знакам у коэффициентов регрессии и к снижению их точности;

2) возможна автокорреляция остатков, так как МНК применяется к временным рядам с тенденцией.

Поэтому нередко для оценки параметров модели с распределенным конечным числом лагов используются специальные методы преобразования, как и для модели с бесконечным числом лагов. Разработаны разные методы оценивания параметров моделей с распределенными лагами, которые учитывают характер распределения коэффициентов регрессии при лаговых объясняющих переменных. Иными словами, методы оценивания параметров модели с распределенными лагами основаны на изучении структуры лага. Так, предполагая полиномиальное распределение лаговых коэффициентов, используется метод Алмон, а при гипотезе геометрической прогрессии для лаговых коэффициентов применяется преобразование Койка.

Модели авторегрессии

Достаточно распространены авторегрессионные модели вида:

Модели с распределенными лагами - student2.ru . (8.1)

Для модели (8.1), как и в модели с распределенными лагами, параметр Модели с распределенными лагами - student2.ru характеризует краткосрочное изменение Модели с распределенными лагами - student2.ru под воздействием Модели с распределенными лагами - student2.ru на 1 единицу. Параметр Модели с распределенными лагами - student2.ru по существу представляет собой величину Модели с распределенными лагами - student2.ru из преобразования Койка, т.е. Модели с распределенными лагами - student2.ru и показывает коэффициент снижения лаговых коэффициентов при увеличении значения лага в соответствии с концепцией их геометрического убывания. Следовательно, к моменту времени Модели с распределенными лагами - student2.ru результат Модели с распределенными лагами - student2.ru изменится дополнительно на Модели с распределенными лагами - student2.ru единиц, а к моменту времени Модели с распределенными лагами - student2.ru дополнительное изменение Модели с распределенными лагами - student2.ru составит Модели с распределенными лагами - student2.ru единиц, к моменту времени Модели с распределенными лагами - student2.ru - Модели с распределенными лагами - student2.ru и т.д. Соответственно долгосрочный мультипликатор окажется равным:

Модели с распределенными лагами - student2.ru (в предположении бесконечного числа лагов).

Учитывая геометрическую прогрессию лаговых коэффициентов,

Модели с распределенными лагами - student2.ru - долгосрочный мультипликатор изменения Модели с распределенными лагами - student2.ru .

В силу того, что в авторегрессии в правой части содержатся лаговые эндогенные переменные, принято считать, что оценка параметров традиционным МНК дает неудовлетворительные результаты.

Предположим, что рассматривается модель авторегрессии вида (8.1) Модели с распределенными лагами - student2.ru .

Применение для оценивания параметров уравнения (8.1) традиционного МНК возможно, если выполняется предпосылка МНК относительно отсутствия автокорреляции остатков. Между тем при наличии в правой части лаговой зависимой переменной может иметь место автокорреляция остатков. Кроме того, может иметь место и зависимость объясняющей переменной Модели с распределенными лагами - student2.ru с остатками Модели с распределенными лагами - student2.ru , т.е. нарушается предпосылка о гомоскедастичности остатков. В силу этого классический метод наименьших квадратов в малых выборок даст смещенные оценки параметров.

Одним из возможных методов оценивания параметров модели (8.1) является метод инструментальных переменных. Суть метода состоит в том, что вместо лаговой зависимой переменной Модели с распределенными лагами - student2.ru , для которой нарушается предпосылка МНК, используется другая переменная, называемая инструментальной. При этом инструментальная переменная должна обладать двумя свойствами:

· она должна быть тесно коррелированна с лаговой переменной Модели с распределенными лагами - student2.ru ;

· она не должна коррелировать с остатками Модели с распределенными лагами - student2.ru (случайными ошибками).

Иными словами, от модели авторегрессии (8.1) необходимо перейти к модели вида:

Модели с распределенными лагами - student2.ru . (8.2)

Результаты регрессии по модели (8.2), естественно, зависят от того, насколько удачно подобрана инструментальная переменная. В качестве инструментальной переменной можно, например, взять оценку Модели с распределенными лагами - student2.ru , т.е. Модели с распределенными лагами - student2.ru , полученную по регрессии Модели с распределенными лагами - student2.ru от Модели с распределенными лагами - student2.ru .

Поскольку в модели (8.1) предполагается наличие зависимости Модели с распределенными лагами - student2.ru от Модели с распределенными лагами - student2.ru , то можно предположить, что также имеет место зависимость Модели с распределенными лагами - student2.ru от Модели с распределенными лагами - student2.ru , т.е. найдем регрессию

Модели с распределенными лагами - student2.ru . . (8.3)

Используя для оценки параметров уравнения (8.3) обычный МНК, что возможно ввиду отсутствия в правой части модели лаговой зависимой переменной, найдем теоретические значения Модели с распределенными лагами - student2.ru , которые и будут рассматриваться как значения инструментальной переменной Модели с распределенными лагами - student2.ru в модели (8.2). Далее вновь применяем МНК уже к модели (8.2), т.е. по существу оценка параметров модели авторегрессии (8.1) будет найдена исходя из модели вида

Модели с распределенными лагами - student2.ru . (8.4)

Если вместо оценки Модели с распределенными лагами - student2.ru подставить выражение (8.3), то получим следующую модель:

Модели с распределенными лагами - student2.ru . (8.5)

Она представляет собой модель с распределенным лагом, оценка параметров которой может быть дана МНК.

Таким образом, используя в качестве инструментальной переменной оценки Модели с распределенными лагами - student2.ru , исходя из регрессии Модели с распределенными лагами - student2.ru (8.3), модель авторегрессии (8.1) заменяется на модель с распределенным лагом (8.5).

Наши рекомендации