Презентация на тему Спецификация и оценка моделей с распределенными лагами с конечным числом лагов

в которой в уравнение регрессии включено как текущее значение

объясняющей переменной, так и значения этой переменной в предыдущих периодах. 

лагов:
∙ С конечным числом лагов:

В этой модели

β0 называется краткосрочным мультипликатором (он характеризует изменение среднего значения Y под воздействием единичного изменения Х, относящегося к тому же моменту времени).
Сумма

называется долгосрочным мультипликатором, т.к. она характеризует изменение Y под влиянием Х в каждый из рассматриваемых моментов.

моделей, относительно параметров можно сделать ряд предположений. Предполагаем, что

значения параметров при лаговых значениях регрессоров убывают в геометрической прогрессии: β = β0*λ^k , k = 0,1,2..., 0 < λ <1
Параметр λ характеризует скорость убывания коэффициентов с увеличением лага. Тогда спецификация, может быть записана в виде:

Неизвестными в этой модели являются α, β0 , λ Они входят в спецификацию нелинейно, значит, напрямую воспользоваться МНК мы не можем.

с помощью иных стандартных статистических методов определить нельзя, поскольку

модель включает бесконечное число факторных переменных. Однако, приняв определенные допущения относительно структуры лага, оценки ее параметров все же можно получить. Эти допущения: предполагается геометрическая структура лага, при которой воздействие лаговых значений фактора на результат уменьшается при увеличении лага в геометрической прогрессии.
Койк предположил, что существует некоторый постоянный темп λ (от 0 до 1) уменьшения во времени лаговых воздействий фактора на результат. Если, например, в период t результат изменился под воздействием фактора в этот же период времени на b0 ед., то под воздействием изменения фактора, имевшего место в период (t-1)

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 лагами основаны на изучении структуры лага. Так, предполагая полиномиальное распределение лаговых коэффициентов, используют метод Алмон, а при гипотезе геометрической прогрессии для лаговых коэффициентов применяется преобразование Койка.

(периоды) времени, принято называть динамическими. Такие модели позволяют изучать

явления в динамике, в развитии. Аналитическое представление динамических моделей включает значения переменных, относящиеся как к текущему, так и к предыдущим моментам (периодам) времени.

Эконометрические модели, включающие в качестве факторов значения факторных переменных в предыдущие моменты времени, называются моделями с распределенным лагом.

Эконометрические модели, включающие в качестве факторов значения результативной переменной в предыдущие моменты времени. Эти модели называются моделями авторегрессии.

Моделями такого типа предполагают наличие определенной инерционности в изменении рассматриваемого явления, когда уровень изучаемого явления существенно зависит от его уровней, достигнутых в предыдущих периодах. На-пример, уровень спроса на товар либо уровень ВВП в данном периоде во многом определяется уровнями, достигнутыми в предшествующем периоде.

в предыдущие моменты времени называются лаговыми переменными. Значениями лаговых

переменных являются временные ряды исходных уровней, сдвинутые назад на один или более моментов времени. Величина этого сдвига называется лагом.
Возможности современных компьютеров позволяют произвести указанные расчёты за приемлемое время.