Реферат на тему:

Моделі розподіленого лага

Поняття лага та лагових моделей в економіці

Для багатьох економічних процесів типово, що ефект від впливу деякого
фактора на показник, який характеризує процес, виявляється не одразу, а
поступово, через деякий час або протягом деякого часу. Таке явище
називається запізнюванням (затримкою), а проміжок часу, у який
спостерігається це запізнювання, — часовим лагом, або просто лагом.

Наприклад, функція споживання після різкої зміни доходу також
змінюється, але не пропорційно до доходу. Зокрема, зі збільшенням доходу
витрати значно зростають (задовольняються нагальні потреби), а потім
можуть зменшуватися за рахунок збільшення інвестицій (плануються великі
витрати і зростають нагромадження, а споживання зменшується). Вкладання
коштів у наукові дослідження не одразу впливає на зростання
продуктивності праці — має пройти певний час від виникнення наукової
ідеї до її впровадження у виробництво. Капітальне будівництво також не
дає миттєвих прибутків і т. ін.

Означення 7.1. Моделі, у яких досліджуваний показник у момент часу t
визначається не лише поточними, а й попередніми значеннями незалежних
змінних, називаються дистрибутивно-лаговими

Означення 7.2. Моделі, у яких досліджуваний показник у момент часу t
визначається своїми попередніми значеннями, називаються авторегресійними
або динамічними моделями.

Якщо в економетричній моделі незалежні змінні використовують за кілька
попередніх періодів, то такі моделі називають моделями з кінцевим лагом
(скінченними моделями). Якщо вплив незалежної змінної не обмежується
певним періодом, розглядають нескінченні лагові моделі.

Звичайно, нескінченна лагова модель більш загальна, однак практичне
застосування такої моделі досить проблематичне через велику кількість
факторів, складність внутрішньої структури та обмеженість часових рядів
— інформаційної бази моделей.

Коефіцієнт а0 при незалежній змінній xt, що відбиває її вплив на залежну
змінну в поточний період, називається короткостроковим, або впливовим,
мультиплікатором.

Остання сума для скінченних моделей, очевидно, є скінченним числом. Для
нескінченної моделі лагові коефіцієнти за певних умов також можуть
утворити скінченну суму. Якщо кожен із коефіцієнтів розділити на їх
суму, отримаємо відповідно нормовані коефіцієнти лага та нормовану
структуру лага.

Усі нормовані коефіцієнти менші від одиниці, а їх сума дорівнює одиниці.

Дистрибутивно-лагові моделі, які ще називають моделями розподіленого
лага, задовільно описують економічні процеси лише в стабільних
(незмінних) умовах. Необхідність враховувати ще й поточні умови
функціонування вимагає застосування узагальнених моделей.

Означення 7.3. Якщо економетрична модель містить не лише лагові змінні,
а й змінні, що безпосередньо впливають на досліджуваний показник (тобто
містить й поточні умови функціонування), то така модель називається
узагальненою моделлю розподіленого лага:

Оцінювання параметрів таких рівнянь ускладнюється обмеженнями, що
накладаються на коефіцієнти при лагових змінних.

Перш ніж будувати економетричну модель з лаговими змінними, необхідно
обґрунтувати величину лага. Для цього застосовують взаємну кореляційну
функцію — послідовність коефіцієнтів кореляції, які визначають ступінь
зв’язку кожного елемента вектора залежної змінної з елементом вектора
незалежної змінної, зсунутими один відносно одного на часовий лаг ?:

Серед отриманих коефіцієнтів кореляції вибирають найбільший за модулем,
а відповідне значення часового зсуву вважають лагом. Якщо таких
коефіцієнтів кілька, застосовують модель розподіленого лага.

Приклад. На основі взаємопов’язаних часових рядів, які характеризують
чисту продукцію та капітальні вкладення Республіки Сирії за 20 років,
побудувати взаємну кореляційну функцію, використавши дані табл.

У результаті розрахунків, виконаних за формулою для різних значень ?,
отримано значення коефіцієнтів кореляції, що наведені в табл.

З табл. видно, що найбільше значення коефіцієнта кореляції ? =0,92. Він
відповідає трьом значенням ? = {3,4,5}. Це означає, що найбільшого
впливу капітальних вкладень на обсяг чистої продукції слід очікувати
впродовж третього, четвертого та п’ятого років.

Динамічна модель розподіленого лага в такому разі має вигляд

Оцінювання параметрів дистрибутивно-лагових моделей

Для оцінювання параметрів дистрибутивно-лагових моделей звичайно
застосовують два можливих підходи: послідовне оцінювання і апріорне
оцінювання.

Ідея першого підходу полягає в тому щоб поступово досліджувати вплив
запізнених змінних на залежну змінну. Другий підхід базується на
припущенні, що параметри моделі мають певну закономірність, тобто
пов’язані між собою деякими співвідношеннями.

Послідовне оцінювання параметрів виконується так: спочатку будують
регресію залежної та незалежної змінних в один і той самий момент часу
потім до моделі додають ще одну змінну — незалежну змінну в попередній
момент часу тобто розглядають залежність показника від двох змінних.
Далі в регресію вводиться ще одна змінна -у момент часу зсунутий на два
попередніх проміжки, і т. д. Кожна з моделей досліджується на
адекватність і значущість її параметрів. Процедура закінчується, коли
параметри при лагових змінних починають бути статистично незначущими та
(або) коефіцієнт хоча б однієї змінної змінює свій знак.

Такий метод хоч і повний, однак має певні недоліки. По-перше, те, що
невідомою є максимальна тривалість лага, а це не дає змоги передбачити,
скільки змінних увійде в модель. По-друге, між послідовними значеннями
змінних здебільшого спостерігається висока кореляція, що породжує
проблему мультиколінеарності в моделі. Крім того, через зменшення
ступенів свободи в таких моделях оцінки стають дещо непевними, що також
знижує їх якість.

Наявність мультиколінеарності між лаговими змінними ускладнює побудову
моделі. Щоб усунути мультиколінеарність, на коефіцієнти при лагових
змінних накладають додаткові обмеження (апріорне оцінювання), а саме
вибирають їх так, щоб вплив лага на досліджуваний показник був
“односпрямований” (тобто коефіцієнти були б однакового знака) і
зменшувався з кожним наступним кроком у минуле. Такі припущення
реалізують, як правило, у моделях, де параметри змінюються в
геометричній прогресії. Крім того, нескінченна сума членів спадної
геометричної прогресії є скінченною величиною, що дає змогу узагальнити
модель з кінцевим лагом і застосовувати однакові методи оцінювання
параметрів.

Однак і в цьому разі залишається велика кількість оцінюваних параметрів.

Уведення в модель лагової залежної змінної yt 1 (затримка на один
період), відоме як перетворення Койка, значно спрощує модель:

де (= = aj (скінченне число), 0 < X < 1. Така модель містить не лише поточні, а й попередні значення залежної змінної, тобто є авторегресійною. Заміна незалежних лагових змінних xt-1, xt-2,... однією залежною змінною yt і зменшує кількість оцінюваних параметрів і усуває проблему мультиколінеарності, однак призводить до нових труднощів. Наявність у моделі лагової залежної змінної потребує перевірки передумови про незалежність змінних і залишків при застосуванні звичайного МНК. Крім того, залишки моделі vt =ut +? ut 1 часто виявляються серійно корельованими, атому при дослідженні їх на автокореляцію необхідно використати спеціальні тести. Отримана алгебраїчним способом модель Койка позбавлена теоретичного обгрунтування і фактично є послідовною моделлю. З певних економічних міркувань можна отримати моделі, що зовні нагадують модель Койка, але з іншою інтерпретацією коефіцієнтів лагових змінних. Такими моделями є модель адаптивних сподівань та модель часткового коригування Ці моделі відрізняються від моделі Койка наявністю вільного члена, але при цьому реалізують різні ідеї щодо економічної діяльності. У першій моделі відображено думку про те, що люди навчаються з попереднього досвіду, причому нещодавній досвід має більший вплив, аніж попередній; друга базується на тому, що через інертність економічної системи зміна одного економічного показника не одразу впливає на зміну іншого і відповідний рівень залежної змінної дося-гається через певний час. Оцінювання параметрів авторегресійних моделей Три авторегресійних моделі - Койка, адаптивних сподівань і часткового коригування - можна подати в загальній формі: Наявність лагових залежних змінних у динамічних моделях створює певні проблеми при оцінюванні параметрів: серед пояснюючих змінних є стохастичні (залежні лагові змінні), а також існує проблема серійної кореляції залишків моделі та лагових змінних. Залежно від гіпотез щодо залишків таких моделей використовують відповідні методи оцінювання. Гіпотеза 1. Залишки є нормально розподіленими випадковими величинами з нульовим математичним сподіванням та сталою дисперсією. Гіпотеза 2. Залишки описуються авторегресійною схемою першого порядку: Перша гіпотеза виконується лише для моделі часткового коригування (7.4); саме для неї можливе застосування звичайного МНК. Однак залежність залишків від лагової змінної yt 1 у цій моделі призводить до зміщення оцінок параметрів. Та хоча оцінки параметрів будуть завищеними, вони матимуть найменшу середньоквадратичну похибку. І після визначення величини зміщення МНК-оцінки будуть найприйнятнішими. Якщо залишки моделі визначаються через автокорельовані випадкові величини, то МНК-оцінки параметрів моделі також матимуть зміщення, до того ж зміщення матиме також критерій Дарбіна - Уотсона. Тому для перевірки автокореляції залишків застосовують узагальнений критерій Дарбіна - Уотсона. Оцінювання параметрів таких моделей виконують узагальненим методом найменших квадратів (методом Ейткена), в операторі оцінювання якого коригуюча матриця має вигляд Якщо лагову модель можна подати у вигляді то до перетворених у такий спосіб даних залежної змінної застосовують звичайний МНК. Причому параметр X вибирають з інтервалу 0 < X < 1 так, щоб мінімізувати суму квадратів залишків. Якщо відносно залишків моделі приймається третя гіпотеза, то параметри оцінюють за допомогою таких методів: 1) класичного МНК після попереднього перетворення вхідних даних; 2) методу Ейткена (узагальненого МНК); 3) ітераційного методу; 4) методу інструментальних змінних; 5) алгоритму Уолліса. Список використаної літератури Грубер Й. Економетрія: Вступ до множинної регресії та економетрії: У 2 т. - К: Нічлава, 1998-1999. Джонстон Дж. Эконометрические методы. — М.: Статистика, 1980. — 444 с. Доугерти К. Введение в эконометрику: Пер. с англ. — М.: ИНФРА-М, 1997. - 402 с. Дрейпер П., Смит Г. Прикладной регрессионный анализ. — М.: Финансы и статистика, 1986. — Т. 1 — 365 с; Т. 2 — 379 с. Емельянов А. С. Эконометрия и прогнозирование. — М.: Экономика, 1985. - С. 82-89. Єлейко В. Основи економетрії. — Львів: "Марка Лтд", 1995. — 191с. Кейн Э. Экономическая статистика и эконометрия. Введение в количественный экономический анализ. — М.: Статистика, 1977. — 254с. Корольов О. А. Економетрія: Навч. посіб. — К: Європейський ун-т,2002. - 660 с. Ланге О. Введение в эконометрию. — М.: Прогресс, 1964. — 360 с. Лук'яненко I. Г., Краснікова Л. І. Економетрика: Підручник. — К.: Т-во "Знання", КОО, 1998. - 494 с Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика: Навч. курс. - М.: Дело, 1997. - 248 с. Маленво Э. Статистические методы эконометрии. — М.: Статистика, 1975. - 423 с. Наконечний С. I., Терещенко Т .О., Романюк Т. П. Економетрія: Навч. посіб. - К: КНЕУ, 1997. - 352 с. Тинтнер Г. Введение в эконометрию. — М.: Статистика, 1965. — 368 с. Толбатое Ю. А. Економетрика: Підруч. для студ. екон. спец. вищ. навч. закл. — К.: Четверта хвиля, 1997. — 320 с. Фишер Ф. Проблема идентификации в эконометрии. — М.: Статистика, 1978. - 224 с. Хеш Д. Причинный анализ в статистических исследованиях. — М.: Финансы и статистика, 1981. — 224 с. Венецкий И. Г., Венецкая В. И. Основные математико-статистические понятия и формулы в экономическом анализе: Справочник. — 2-е изд., перераб. и доп. — М.: Статистика, 1979. — 448 с. Винн Р., Холден К. Введение в прикладной эконометрический анализ. — М: Финансы и статистика, 1981. — 294 с. Геец В. М. Отраслевое прогнозирование: методологический и организационный аспекты. — К.: Наук, думка, 1990. — 120 с. Гранберг А. Г. Динамические модели народного хозяйства. — М.: Экономика, 1985. — 204 с. Гранберг А. Г. Статистическое моделирование и прогнозирование. — М.: Финансы и статистика, 1990. — 378 с.

Похожие записи