Аналогично величина основных производственных фондов зависит от размера инвестиций не только текущего года, но и предыдущих лет. В этом случае строятся модели с лаговыми объясняющими переменными. Например,
, где
-
потребление в период времени
;
-
доход в период времени
;
-
доход в предыдущий период
.
В данной модели
лаговой является переменная уt-1, т.е. доход за предыдущий период времени. Возможна ситуация,
когда объясняющая переменная влияет
на результат
не
сразу же, а с определенным запаздыванием во времени, превышающим один временной
интервал. Так, выпуск специалистов высшей квалификации зависит от приема в вузы
четырех – пятилетней давности.
Объясняющие
переменные, взятые в модели регрессии с запаздыванием во времени, называются лаговыми
переменными. Величина интервала запаздывания называется лагом. Так в
модели лаговая
переменная взята с лагом, равным 4.
Вместе с тем в правой части модели лаговой может быть и зависимая переменная.
Модели регрессии по временным рядам с лаговыми переменными принято называть динамическими моделями. Их можно подразделить на три класса:
1) модели с лаговыми объясняющими переменными, или, иначе, модели с распределенными лагами:
;
2) модели с лаговыми зависимыми переменными – модели авторегрессии:
;
3) модели с лаговыми зависимыми и независимыми переменными, т.е. авторегрессионные модели с распределенными лагами:
.
Выбор величины
лага и количества лагов проводится обычно экспериментально: строятся модели с
разным числом лагов и их величиной и изучается значимость коэффициентов
регрессии при лаговых переменных; останавливаются на модели, для которой все
коэффициенты регрессии при лаговых переменных будут статистически значимыми по -критерию
Стьюдента.
1. Модели с распределенными лагами
Модели с распределенными лагами бывают двух типов:
- с конечным числом лагов:
;
- с бесконечным числом лагов:
.
Практическое применение чаще всего имеют модели с конечным числом лагов, т.е. модели, в которых число лагов экспериментально определено.
Предположим
рассматривается модель, в которой ,
т.е.
.
Данная модель означает, что изменение во времени
объясняющей
переменной
будет
влиять на значения результативного признака
в
течении 4 следующих моментов времени.
Коэффициент называют
краткосрочным мультипликатором, так как он характеризует среднее изменение
результата
при
изменении
на
1 единицу своего измерения в фиксированный момент времени
.
В момент времени воздействие
объясняющей переменной
на
результат
составит
единиц,
а в момент времени
общее
изменение
составит
единиц.
Любую сумму
коэффициентов ,
где
называют
промежуточным мультипликатором, а сумму всех коэффициентов регрессии
-
долгосрочным мультипликатором, который характеризует общее изменение
через
интервалов
времени под воздействием изменения
в
момент
на
1 единицу.
При долгосрочный
мультипликатор составит
.
Он характеризует общее среднее изменение
через
4 временных интервала при увеличении
в
момент времени
на
1 единицу, а промежуточные мультипликаторы:
-
изменение
в
момент времени
;
-
изменение
в
момент времени
;
-
изменение
в
момент времени
.
Если все
коэффициенты регрессии имеют одинаковые знаки, т.е. характеризуются
однонаправленным изменением в
исследуемые
моментов
времени, то можно определять относительные коэффициенты модели
,
т.е.
,
где
, а
.
Иными словами,
характеризует
долю общего изменения
в
момент времени
.
Модель с конечным числом лагов при правильной ее спецификации может быть оценена обычным МНК. В этом случае в уравнении:
переменные 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 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
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.