Интерпретация параметров моделей с распределенным лагом

Рассмотрим модель с распределенным лагом в ее общем виде в предположении, что максимальная величина лага конечна и равна p

yt=a+b0xt+b1xt-1+b2xt-2+…+bpxt-pt (6.6)

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 в течение p следующих моментов времени. Коэффициент регрессии b0 при переменной xt характеризует среднее абсолютное изменение yt при изменении xt на одну единицу своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора х. Этот коэффициент называют краткосрочным мультипликатором.

В момент (t + 1) совокупное воздействие факторной переменной xt на результат yt 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.

С учетом конечной величины лага можно сказать, что изменение переменной xt в момент t на 1 усл. ед. приведет к общему изменению результата через l моментов времени на (b0+b1+...+bl) абсолютных единиц.

Введем следующее обозначение:

b = b0+b1+...+bl. (6.7)

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

Применение обычного МНК к таким моделям в большинстве случаев затруднительно по следующим причинам.

Во-первых, текущие и лаговые значения независимой переменной, как правило, тесно связаны друг с другом. Тем самым оценка параметров модели проводится в условиях высокой мультиколлинеарности факторов. Во-вторых, при большой величине лага уменьшается число наблюдений, по которому строится модель, и увеличивается число ее факторных признаков. Это ведет к потере числа степеней свободы в модели. В-третьих, в моделях с распределенным лагом часто возникнет проблема автокорреляции остатков. Вышеуказанные обстоятельства приводят к значительной неопределенности относительно оценок параметров модели, снижению

их точности и получению неэффективных оценок. Чистое влияние факторов на результат в таких условиях выявить невозможно. Поэтому на практике параметры моделей с распределенным лагом проводят в предположении определенных ограничений на коэффициенты регрессии и в условиях выбранной структуры лага.

Рассмотрим теперь следующую модель авторегрессии:

yt=a+b0xt+c1yt-1t.

Как и в модели с распределенным лагом, b0 в этой модели характеризует краткосрочное изменение yt под воздействием изменения xt на 1 ед. Однако промежуточные и долгосрочный мультипликаторы в моделях авторегрессии несколько иные. К моменту времени (t + 1) результат yt изменился под воздействием изменения изучаемого фактора в момент времени t на величину b0, а yt+1 под воздействием своего изменения в непосредственно предшествующий момент времени на c1. Таким образом, общее абсолютное изменение результата в момент (t + 1) составит b0c1. Аналогично в момент времени (t + 2) абсолютное изменение результата составит Интерпретация параметров моделей с распределенным лагом - student2.ru и т.д. Следовательно, долгосрочный мультипликатор в модели авторегрессии можно рассчитать как сумму краткосрочного и промежуточных мультипликаторов

b = b0+b0c1+ Интерпретация параметров моделей с распределенным лагом - student2.ru + Интерпретация параметров моделей с распределенным лагом - student2.ru ...

С учетом предположения |c1| < 1 (называемое условие стабильности) последнее соотношение преобразуется к виду

b = b0(c1+ Интерпретация параметров моделей с распределенным лагом - student2.ru + Интерпретация параметров моделей с распределенным лагом - student2.ru ...)= Интерпретация параметров моделей с распределенным лагом - student2.ru .

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

6.6. Практический блок

Пример.

Дан временной ряд среднесписочной численности промышленно-производственного персонала промышленности Курской области, тыс. чел.

Годы
y 194,8 194,5 192,9 189,8 189,2 185,6 180,4 180,5 166,8 155,5 146,8 133,4 131,2 124,5 122,3 122,8 121,5 114,5 104,1

Задание:

1. Выбрать модель тренда с помощью диаграммы Excel.

2. Построить технологические таблицы по расчетным значениям и показателям адекватности модели.

3. Оценить устойчивость тенденции.

Параметры уравнения тренда могут быть найдены добавлением линии тренда в диаграмме Excel или решением системы уравнений по МНК.

Интерпретация параметров моделей с распределенным лагом - student2.ru

Рис.6.1 Аппроксимация линейной функцией

Интерпретация параметров моделей с распределенным лагом - student2.ru

Рис.6.2 Аппроксимация параболической функцией

В случае использования уравнения прямой линииИнтерпретация параметров моделей с распределенным лагом - student2.ruсогласно МНК: Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

После преобразований получим систему:

Интерпретация параметров моделей с распределенным лагом - student2.ru

В случае использования уравнения параболы Интерпретация параметров моделей с распределенным лагом - student2.ru согласно МНК:

Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

Интерпретация параметров моделей с распределенным лагом - student2.ru

Для решения системы без ЭВМ и расчета показателей адекватности составляются технологические таблицы. Решение систем уравнений предполагает расчет необходимых сумм по фактическим данным.

Технологическая таблица расчета показателей

адекватности функции уt = b+at

t y yt y- yt Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru (y- yt)2
194,8 205,828 11,028 11,028 0,057 121,619
194,5 200,216 5,716 5,716 0,029 32,675
192,9 194,604 1,704 1,704 0,009 2,905
189,8 188,992 -0,808 0,808 0,004 0,652
189,2 183,381 -5,820 5,820 0,031 33,867
185,6 177,769 -7,831 7,831 0,042 61,331
180,4 172,157 -8,243 8,243 0,046 67,952
180,5 166,545 -13,955 13,955 0,077 194,748
166,8 160,933 -5,867 5,867 0,035 34,423
155,5 155,321 -0,179 0,179 0,001 0,032
146,8 149,709 2,909 2,909 0,020 8,463
133,4 144,097 10,697 10,697 0,080 114,430
131,2 138,485 7,285 7,285 0,056 53,076
124,5 132,873 8,373 8,373 0,067 70,114
122,3 127,262 4,962 4,962 0,041 24,616
122,8 121,650 -1,150 1,150 0,009 1,323
121,5 116,038 -5,462 5,462 0,045 29,837
114,5 110,426 -4,074 4,074 0,036 16,599
104,1 104,814 0,714 0,714 0,007 0,510
Сумма 0,692 869,170

Интерпретация параметров моделей с распределенным лагом - student2.ru - средняя ошибка аппроксимации

Интерпретация параметров моделей с распределенным лагом - student2.ru

Стандартное отклонение:

Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru

Технологическая таблица расчета показателей

адекватности функции Интерпретация параметров моделей с распределенным лагом - student2.ru

t y yt y- yt Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru (y- yt)2
194,8 202,958 8,158 8,158 0,042 66,559
194,5 198,304 3,804 3,804 0,020 14,472
192,9 193,537 0,637 0,637 0,003 0,406
189,8 188,658 -1,142 1,142 0,006 1,304
189,2 183,666 -5,534 5,534 0,029 30,625
185,6 178,561 -7,039 7,039 0,038 49,542
180,4 173,344 -7,056 7,056 0,039 49,784
180,5 168,014 -12,486 12,486 0,069 155,890
166,8 162,572 -4,228 4,228 0,025 17,876
155,5 157,017 1,517 1,517 0,010 2,301
146,8 151,349 4,549 4,549 0,031 20,697
133,4 145,569 12,169 12,169 0,091 148,089
131,2 139,676 8,476 8,476 0,065 71,849
124,5 133,671 9,171 9,171 0,074 84,107
122,3 127,553 5,253 5,253 0,043 27,594
122,8 121,322 -1,478 1,478 0,012 2,183
121,5 114,979 -6,521 6,521 0,054 42,521
114,5 108,523 -5,977 5,977 0,052 35,720
104,1 101,955 -2,145 2,145 0,021 4,601
Сумма 0,723 826,123

Интерпретация параметров моделей с распределенным лагом - student2.ru

Стандартное отклонение: Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru

Сравним уравнения трендов по показателям адекватности.

Уравнения трендов Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru
Интерпретация параметров моделей с распределенным лагом - student2.ru 0,954 3,64% 7,15
Интерпретация параметров моделей с распределенным лагом - student2.ru 0,956 3,81% 7,19

По показателям адекватности выбираем функцию уt = b+at, которую будем использовать для расчета показателей колеблемости и устойчивости.

Показатель колеблемости равен Интерпретация параметров моделей с распределенным лагом - student2.ru

Показатель устойчивости - Интерпретация параметров моделей с распределенным лагом - student2.ru

Показатель устойчивости характеризует близость фактических уровней к тренду на 95,4%.

2.Для оценки устойчивости уровней временного ряда как процесса их направленного изменения рассчитаем коэффициент корреляции рангов Ч.Спирмэна:

Интерпретация параметров моделей с распределенным лагом - student2.ru , где

n – число уровней временного ряда;

Интерпретация параметров моделей с распределенным лагом - student2.ru - разность рангов уровней и номеров периодов времени.

t y Ранг (y) Интерпретация параметров моделей с распределенным лагом - student2.ru Интерпретация параметров моделей с распределенным лагом - student2.ru
194,8
194,5
192,9
189,8
189,2
185,6
180,4
180,5
166,8
155,5
146,8 -2
133,4 -4
131,2 -6
124,5 -8
122,3 -11
122,8 -11
121,5 -14
114,5 -16
104,1 -18
Сумма

Коэффициент Спирмена Интерпретация параметров моделей с распределенным лагом - student2.ru , достаточно близок к -1, что доказывает устойчивость снижения показателей ряда.

Контрольные вопросы

1. Трендовые модели с независимыми значениями случайной составляющей.

2. Полиномиальный тренд.

3. Трендовые модели с сезонными колебаниями.

4. В чем суть метода экспоненциального сглаживания?

5. В чем заключается проблема автокорреляции остатков и как она проявляется?

6. В чем состоит специфика построения моделей регрессии по временным рядам данных?

7. Перечислите основные методы исключения тенденции. Сравните их преимущества и недостатки.

8. Изложите суть метода отклонений от тренда.

9. В чем сущность метода последовательных разностей?

10. Какова интерпретация параметра при факторе времени в моделях регрессии с включением фактора времени?

11. Охарактеризуйте понятие автокорреляции в остатках. Какими причинами может быть вызвана автокорреляция в остатках?

12. Что такое критерий Дарбина – Уотсона? Изложите алгоритм его применения для тестирования модели регрессии на автокорреляцию в остатках.

13. Перечислите основные этапы обобщенного МНК.

14. Приведите примеры экономических задач, эконометрическое моделирование которых требует применения моделей с распределенным лагом и моделей авторегрессии.

15. Какова интерпретация параметров модели с распределенным лагом?

16. Какова интерпретация параметров модели авторегрессии?

17. Изложите методику применения метода инструментальных переменных для оценки параметров модели авторегрессии.

18. Изложите методику тестирования модели авторегрессии на автокорреляцию в остатках.

Задания и задачи

1.Известны посезонные данные по объемам продаж сноубордов, шт. (y) в зависимости от цены, тыс.руб. (x). Построить линейную регрессионную модель с учетом сезонности.

 
  весна лето осень зима весна лето осень зима весна лето осень зима
y
x 4,5 6,5 5,5 5,5 3,5

2. Даны помесячные данные о печати фотографий в некоторой фирме. Построить линейную регрессионную модель с учетом сезонности.

  месяц y, кол-во, шт. x1, цена, руб. x2, рекл., руб. x3, праздники x4, индекс цен
январь, 2006 12 500 2,5
февраль 7 600 0,99
март 6 900 1,01
апрель 13 500 1,01
май 9 700 1,03
июнь 10 700 1,04
июль 12 100 1,05
август 9 700 3,5 1,03
сентябрь 7 000 1,05
октябрь 7 200 1,05
ноябрь 8 200 1,06
декабрь 8 400 1,1
январь, 2007 13 100 1,11
февраль 8 700 1,12
март 12 200 1,14
апрель 6 900 1,16
май 6 200 1,17
июнь 9 600 1,19
июль 8 700 1,18
август 11 900 1,18
сентябрь 12 600 1,2
октябрь 7 900 1,22
ноябрь 9 300 1,24
декабрь 11 800 1,27

3. Объем продаж мороженого (млн.шт.) за 5 лет в зависимости от цены (руб.) и сезона.

год сезон y, кол-во цена индекс цен x, цена инд. z(1), весна z(2), лето z(3), осень
весна 1,5 3,00
  лето 2,6 1,11 3,60
  осень 1,7 3,5 1,15 3,04
  зима 0,9 3,5 1,26 2,78
весна 1,4 1,34 2,99
  лето 1,40 2,86
  осень 2,8 1,45 2,76
  зима 1,6 1,52 2,63
весна 1,9 4,5 1,59 2,83
  лето 3,2 1,63 3,07
  осень 2,7 4,5 1,68 2,68
  зима 4,5 1,78 2,53
весна 2,2 1,87 2,67
  лето 3,4 1,95 2,56
  осень 2,6 2,01 2,49
  зима 2,1 2,09 2,39
весна 2,9 2,16 2,31
  лето 3,3 2.19 2,74
  осень 2,5 2,24 2,68
  зима 2,2 2,32 2,59

Задание:

Выбрать лучший тренд и пояс­нить экономический смысл его параметров.

Рассчитать частные коэффициенты эластичности.

Сделать вывод о силе связи результата и факторов.

Определить парные коэффициенты корреляции, а также множественный коэффициент корреляции; сделать выводы.

Дать оценку полученного уравнения на основе коэффициента детерминации.

Сделать прогноз по объемам продаж мороженого на 2010г.

Тесты

1. Какие точки исключаются из временного ряда процедурой сглаживания?

a) стоящие в начале временного ряда,

б) стоящие в конце временного ряда,

в) стоящие и в начале, и в конце временного ряда.

2. Какое количество точек предпочтительнее брать для расчёта сглаженного значения?

a) чётное,

б) нечётное,

в) любое.

3. Какие временные ряды называются интервальными?

a) уровни которых характеризуют изучаемое явление за определённые интервалы времени,

б) уровни которых отражают величину изучаемого явления на определённый момент времени,

в) уровни которых характеризуют изучаемое явление с помощью средних или относительных величин.

4.Какие временные ряды называются моментными?

a) уровни которых характеризуют изучаемое явление за определённые интервалы времени,

б) уровни которых отражают величину изучаемого явления на определённый момент времени,

в) уровни которых характеризуют изучаемое явление с помощью средних или относительных величин.

5.От чего зависит количество точек, исключаемых в результате сглаживания?

a) от применяемого метода сглаживания,

б) от количества точек, используемых при вычислении сглаженного значения,

в) от длины временного ряда.

6.Почему в процедурах удобно использовать нечётное количество точек?

a) в случае нечётного количества из временного ряда исключается меньшее количество точек,

б) при нечётном количестве есть центральная точка, которая заменяется сглаженным значением,

в) эффективность сглаживания повышается.

7. Какая функция используется при моделировании показателей с постоянным ростом?

a) линейная,

б) показательная,

в) степенная.

8.В каком случае рекомендуется применять для моделирования показателей с увеличивающимся ростом параболу?

a) если относительная величина прироста увеличивается неограниченно,

б) если абсолютная величина прироста растёт по линейному закону,

в) если относительная величина прироста неизменна.

9. При сглаживании временного ряда с помощью 7-членной скользящей средней теряются

a) первые и последние 3 значения временного ряда,

б) первые и последние 7 значений временного ряда,

в) только первые 3 значения,

г) только первые 7 значений.

10.При использовании взвешенной скользящей средней весовые коэффициенты при сглаживании по полиному второго порядка будут такими же, как при сглаживании

a) по полиному 3-го порядка,

б) по полиному 1-го порядка,

в) по полиному 4-го порядка.

11. Если значения цепных абсолютных приростов временного ряда примерно одинаковы, то для вычисления прогнозного значения в следующей точке корректно использовать

a) средний абсолютный прирост,

б) средний темп роста,

в) средний темп прироста.

12. Для оценки коэффициента автокорреляции используются:

а) процедура Дарбина,

б) процедура Кохрана-Оркатта,

в) процедура Хилдреда-Лу.

13. Модель спроса–предложения выражается:

а) трендовой моделью;

б) системой одновременных уравнений;

в) регрессионным уравнением;

г) тренд-сезонной моделью.

14. Какие методы позволяют выявить наличие тенденции в ряду динамики:

а) критерий Стьюдента;

б) метод экспоненциального сглаживания;

в) критерий Кендела;

г) критерий Фишера.

15. Ряд динамики был сглажен скользящей средней 4-го порядка с последующим центрированием. Какому уровню ряда соответствует первое центрированное значение:

а) первому;

б) второму;

в) третьему;

г) четвертому.

16. При построении аддитивной тренд-сезонной модели средние индексы сезонности рассчитываются как средние за одноименные периоды значения:

а) разностей фактических и сглаженных значений временного ряда;

б) частного от деления фактических значений на сглаженные значения временного ряда;

в) разностей фактических и среднего значения временного ряда;

г) частного от деления фактических значений на среднее значение временного ряда.

17. Для аддитивной тренд-сезонной модели не верно утверждение, что

а) амплитуда колебаний со временем не меняется;

б) амплитуда колебаний со временем убывает;

в) сумма скорректированных индексов сезонности равна 0;

г) сумма скорректированных индексов сезонности равна 4.

6.7. Самостоятельная работа студентов

Литература для самостоятельной работы

1. Эконометрика: Учебник./ Под ред. И.И. Елисеевой. – 2-е изд.– М.: Финансы и статистика, 2005. – 276 с.

2. Практикум по эконометрике. Под ред. И.И.Елисеевой. – М.: Финансы и статистика, 2005.

3. Мхитарян В.С., Архипова М.Ю., Сиротин В.П. Эконометрика: Учебно-методический комплекс. – М.: Изд. центр ЕАОИ. 2008. – 144 с.

4. Дубров А.М., Мхитарян В.С., Трошин Л.И. Математическая статистика для бизнесменов и менеджеров. – М.: МЭСИ, 2004. – 140 с.

5. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс, 3-е изд. – М.: Дело, 2005. – 503 с.

6. Мхитарян В.С., Трошин Л.И. Исследование зависимостей методами корреляции и регрессии. – М.: МЭСИ, 2004. – 51 с.

7. Айвазян С.А., Мхитарян В.С. Практикум по прикладной статистике и эконометрике. – М.: МЭСИ, 2003.

INTERNET-ресурсы

1. http://upereslavl.botik.ru/UP/ECON/econometrics/top1/tsld006.htm

2. http://www.nsu.ru/ef/tsy/ecmr/study.htm

3. http://www.nsu.ru/ef/tsy/ecmr/index.htm

4. http://www.statsoft.ru/home/textbook/def ault.htm

5. http://www.nsu.ru/ef/tsy/ecmr/study.htm

6. http://www.dataforce.net/~antl/article/econometric

7. http://www.nsu.ru/ef/tsy/ecmr/study.htm

8. http://www.tvp.ru/vnizd/mathem4.htm

9. http://www.kgtu.runnet.ru/WD/TUTOR/textbook/modules/stmulreg.html

10. http://www.shpargalka.ru/statis.ru/doc/shpr_e31.htm

11. http://www3.unicor.ac.ru/d024/p011993.htm

12. http://www.gauss.ru/educat/systemat/butenkov/.asp

13. http://crow.academy.ru/econometrics/seminars_/sem_08_/sem_08.htm

14. http://crow.academy.ru/econometrics/lectures_/lect_03_/index.htm


Наши рекомендации