Економетрія

 

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 держави за 20 років, побудувати взаємну кореляційну функцію, використавши дані табл. 9.1. 

У результаті розрахунків, виконаних за формулою для різних значень τ, отримано значення коефіцієнтів кореляції, що наведені в табл. 9.1.

З табл. 9.1  видно, що найбільше значення коефіцієнта кореляції τ =0,92. Він відповідає трьом значенням τ = {3,4,5}. Це означає, що найбільшого впливу капітальних вкладень на обсяг чистої продукції слід очікувати впродовж третього, четвертого та п’ятого років.

 

Таблиця 9.1 – Значення коефіцієнтів кореляції

 

 

Для оцінювання параметрів дистрибутивно-лагових моделей 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 вводять ще одну змінну - у момент часу зсунутий на два попередніх проміжки, і т. п. 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 +λ ut 1 часто виявляються серійно корельованими, а тому 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 досягається через певний час.

 

 

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