6.1. модели с распределенным лагом
6.1. модели с распределенным лагом
Модель с распределенным лагом в предположении, что максимальная величина лага конечна, имеет вид
у, = а + р0х, + Рі*м + ... + р>,_р + є,.
В этой модели влияние х на у сохраняется в течение времени р. В краткосрочном (текущем) периоде влияние хна у отражается величиной Ро, называемой краткосрочным мультипликатором. Он характеризует среднее абсолютное изменение у, при изменении х, на единицу в некоторый фиксированный момент ї без учета воздействия лаговых значений фактора х.
В долгосрочном периоде (через р моментов времени) суммарное влияние х на у отражается величиной (3 = Ро + Pi + ••• + PV> называемой долгосрочным мультипликатором. Он характеризует общее изменение результата у в долгосрочном периоде (/ + р) под влиянием изменения на единицу фактора х.
В моделях с распределенным лагом объясняющие переменные некоррелирован ы со случайным членом, поэтому модель можно оценивать с помощью обычного МНК. Однако на практике оценка параметров модели затруднительна из-за высокой мульти-коллинеарности факторов.
Для уменьшения числа объясняющих переменных и уменьшения эффекта мультиколлинеарности разработан ряд подходов, например модель геометрических лагов и модель полиномиальных лагов.
МОДЕЛЬ ГЕОМЕТРИЧЕСКИХ ЛАГОВ (МОДЕЛЬ КОЙКА)
Предположим, что в модели с бесконечным лагом коэффициенты при лаговых значениях объясняющих переменных убывают в геометрической профессии. Модель имеет вид
у, = ос + Pox, + p05x,_i + р052х,_2 + Ро§3х,_з + ... + е„ где 5 є (0; 1).
В этой модели влияние х на у продолжается бесконечно. В краткосрочном (текущем) периоде влияние х на у отражается коэффициентом р0.
В долгосрочном периоде суммарное влияние хна у равно
ХРо5*=т
Модель содержит только три параметра (а, Ро, 5) и является нелинейной.
Процедура оценивания нелинейной модели такова:
перебирается с некоторым шагом значение 5 из интервала (0; 1);
для каждого 8 рассчитывается zt = xt + Ъх,_х + 82х,_2 + 53х,_3 + ... ... + Ьрх,_р с таким значением р, при котором дальнейшие лаго-вые значения х не оказывают существенного воздействия на z;
оценивается уравнение регрессии у, = a + fi0zt + є,;
4) выбирается такое значение 5, которое обеспечивает наибольший коэффициент детерминации R2 при оценке уравнения. Выбранному 5 соответствуют вычисленные значения а, (30 этого уравнения.
Использование этого метода при оценке параметров позволяет избежать проблему мультиколлинеарности объясняющих переменных.
МОДЕЛЬ ПОЛИНОМИАЛЬНЫХ ЛАГОВ (МЕТОД АЛМОНА)
В модели полиномиальных лагов предполагается, что зависимость коэффициентов при лаговых значениях объясняющей переменной от величины лага описывается полиномом т-й степени. Модель имеет вид
у, = а + р0х, + Pi хь1 + ... + Ърх,_р + е„
где
p5 = Yo + Y^ + Y2^2++ Y^m, т<р.
Предположим, что величина лага/? известна. Кроме того, необходимо установить степень полинома т. Обычно на практике ограничиваются рассмотрением полиномов второй и третьей степени.
Пусть, например, р-3,т = 2, тогда исходная модель есть
У г = а + Р<Л + Рі*м + p2-*V-2 + Рз^-з + е„ где
Po = Yo,
Pi=Yo + Yi+Y2, p2 = Yo + 2yi +4у2, Рз = Уо + Зуі +9у2.
Преобразованная модель имеет вид
>V = a + YoZb + Yi*i+Y2*2. где
Zo-X, + x,_i + х,_2 + *1-Ъ,
Z =*r-i + 2xf_2 + Зхь3, г2=*ы + 4х,_2 + 9х,_3. 108
Используя МНК, оцениваем параметры преобразованной модели и затем рассчитываем параметры исходной модели с распределенным лагом.
Пример 6.1. Имеются данные об объеме валового внутреннего продукта у некоторой страны в зависимости от инвестиций х в ее экономику за 25 лет. Построим модель с распределенным лагом для р = 3 в предположении, что структура лага описывается полиномом второй степени.
Общий вид исходной модели:
у,= а + р0х, + р,хм + р2х,_2 + р3х,_3 + є,.
Исходные (у„ х,) и преобразованные (ю, Z, zi) данные (усл. ед.) представлены в следующей таблице:
/ | У, | х, | Zo | Z | Z2 |
1 | 193 | 30 | — | — | - |
2 | 197 | 29 | — | — | — |
3 | 202 | 29 | — | — | — |
4 | 213 | 32 | 120 | 177 | 415 |
5 | 222 | 34 | 124 | 177 | 409 |
6 | 234 | 37 | 132 | 185 | 423 |
7 | 247 | 41 | 144 | 201 | 461 |
8 | 262 | 44 | 156 | 217 | 495 |
9 | 269 | 42 | 164 | 237 | 541 |
10 | 280 | 44 | 171 | 253 | 587 |
11 | 287 | 46 | 176 | 260 | 608 |
12 | 287 | 43 | 175 | 260 | 600 |
13 | 296 | 48 | 181 | 267 | 623 |
14 | 310 | 53 | 190 | 272 | 634 |
15 | 326 | 59 | 203 | 278 | 632 |
16 | 325 | 54 | 214 | 309 | 703 |
17 | 322 | 44 | 210 | 331 | 767 |
18 | 338 | 52 | 209 | 329 | 791 |
19 | 353 | 60 | 210 | 302 | 714 |
20 | 370 | 66 | 222 | 296 | 664 |
21 | 380 | 67 | 245 | 342 | 774 |
22 | 377 | 54 | 247 | 379 | 871 |
23 | 384 | 63 | 250 | 386 | 916 |
24 | 376 | 54 | 238 | 372 | 882 |
25 | 390 | 60 | 231 | 342 | 792 |
Оцененная исходная модель имеет вид
у, = 41,73+ 2,42х,+ 0,71 *,_, +0,99 х,_2 + 1,47 х,_3, R2 =0,981,
(9,4) (0,33) (0,39) (0,41) (0,34)
в которой коэффициент 0,71 при переменной x,_i незначим (в скобках указаны стандартные ошибки).
Оцененная преобразованная модель имеет вид
у, =41,6 + 2,3220-1,92*1 + 0,56*2, Л2 = 0,981,
(9,27) (0,30) (0,66) (0,21)
и все коэффициенты при переменных значимы.
Получили следующие оценки параметров преобразованной модели:
у0 = 2,32, Yi = -1,92, у2 = 0,56. Коэффициенты регрессии исходной модели: р0 = 2,32,
(3, = 2,321,92 + 0,56 = 0,96,
р2 = 2,32-21,92 + 4-0,56 = 0,72,
Эз = 2,32 3 1,92 + 9 • 0,56 = 1,6.
Таким образом, модель с распределенным лагом имеет вид
у, = 41,6 + 2,32х, + 0,96хм + 0,72х,_2 + 1,6х,_3.
Краткосрочный мультипликатор равен 2,32, а долгосрочный мультипликатор равен 2,32 + 0,96 + 0,72 + 1,6 = 5,6. Это означает, что увеличение инвестиций в экономику страны на 1 усл. ед. приведет к росту валового внутреннего продукта в среднем на 2,32 усл. ед. в текущем периоде и на 5,6 усл. ед. через 3 года.
Обсуждение Эконометрика
Комментарии, рецензии и отзывы