WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 10 |

«Оглавление Введение................................... 11 I Введение в социально-экономическую статистику 15 1. Основные понятия 17 1.1. Краткая историческая справка.. ...»

-- [ Страница 5 ] --

В общем случае имеется n качественных факторов, j-й фактор принимает kj значений, см. пункт 1.9. Пусть упорядоченное множество {1,..., n} обозначается 9.2. Модели с биномиальной зависимой переменной G,а J — его подмножества. Общее их количество, включая пустое подмножество, равно 2n. Каждому такому подмножеству взаимно-однозначно соответствует чис ло, например, в системе исчисления с основанием max kj, и их можно упорядочить j по возрастанию этих чисел. Если пустое подмножество обозначить 0, то можно записать:

J =0, 1,..., n, {1, 2},..., {1, n}, {2, 3},..., {1, 2, 3},..., G.

Тогда уравнение регрессии записывается следующим образом:

G G G X = Z + ZJJ + = Z + ZJCJJ + = Z + ZJJ +, J=0 J=0 J= где ZJ = Zj, CJ = Cj при j >0, C0 =1. Выражение j J под зна jJ jJ ком произведения означает, что j принимает значения последовательно с первого по последний элемент подмножества J.

Очевидно, что приведенная выше запись уравнения для n =2 является част ным случаем данной записи.

Если p(J) — количество элементов в подмножестве J,то ZJJ или ZJJ — J-е эффекты, эффекты p(J)-го порядка;

при p(J) = 1 — главные эффекты, при p(J) > 1 — эффекты взаимодействия, эффекты совместного влияния или совместные эффекты.

J или — параметры соответствующих J-х эффектов или также сами эти эффекты.

9.2. Модели с биномиальной зависимой переменной Рассмотрим теперь модели, в которых зависимая переменная принимает толь ко два значения, т.е. является фиктивной переменной. При этом придется отойти от модели линейной регрессии, о которой речь шла выше.

Если изучается спрос на рынке некоторого товара длительного пользования, например, на рынке холодильников определенной марки, то спрос в целом воз можно предсказывать с помощью стандартной регрессии. Однако, если изучать спрос на холодильники отдельной семьи, то изучаемая переменная должна быть либо дискретной (0 или 1), либо качественной (не покупать холодильник, купить холодильник марки A, купить холодильник марки B и т.д.). Аналогично, разные методы приходится применять при изучении рынка труда и при изучении решения 296 Глава 9. Целочисленные переменные в регрессии отдельного человека по поводу занятости (работать/не работать). Данные о том, произошло какое-либо событие или нет, также можно представить дискретной переменной вида 0 или 1. При этом не обязательно наличие ситуации выбора.

Например, можно исследовать данные об экономических кризисах, банкротствах (произошел или не произошел кризис или банкротство).

9.2.1. Линейная модель вероятности, логит и пробит В биномиальную модель входит изучаемая переменная x, принимающая два значения, а также объясняющие переменные z, которые содержат факторы, опре деляющие выбор одного из значений. Без потери общности будем предполагать, что x принимает значения 0 и 1.

Предположим, что мы оценили на основе имеющихся наблюдений линейную регрессию x = z +.

Очевидно, что для почти всех значений z построенная линейная регрессия будет предсказывать абсурдные значения изучаемой переменной x — дробные, отрицательные и большие единицы, что делает ее не очень полезной на практике.

Более того, линейная модель не может быть вполне корректной с формальной точки зрения. Поскольку у биномиальной зависимой переменной распределение будет распределением Бернулли (биномиальным распределением с одним испы танием Бернулли), то оно полностью задается вероятностью получения единицы.

В свою очередь, вероятность того, что x =1, совпадает с математическим ожида нием x, если эта переменная принимает значения 0 и 1:

E(x) =Pr(x =1) · 1+Pr(x =0) · 1 =Pr(x =1).

С другой стороны, ожидание x при данной величине z для линейной модели равно E(x) =z + E() =z.

Отсюда следует, что обычная линейная регрессионная модель не совсем под ходит для описания рассматриваемой ситуации, поскольку величина za, вообще говоря, не ограничена, в то время как вероятность всегда ограничена нулем и еди ницей. Ожидаемое значение зависимой переменной, E(x), может описываться только нелинейной функцией.

Желательно каким-то образом модифицировать модель, чтобы она, с одной стороны, принимала во внимание тот факт, что вероятность не может выходить 9.2. Модели с биномиальной зависимой переменной за пределы отрезка [0;

1], и, с другой стороны, была почти такой же простой как линейная регрессия. Этим требованиям удовлетворяет модель, для которой Pr(x =1) =F (z), где F (·) — некоторая достаточно простая функция, преобразующая z в число от нуля до единицы. Естественно выбрать в качестве F (·) какую-либо дифферен цируемую функцию распределения, определенную на всей действительной прямой.

В дальнейшем мы рассмотрим несколько удобных функций распределения, кото рые удовлетворяют этим требованиям.

Заметим, что если выбрать F (·), соответствующую равномерному распреде лению на отрезке [0;

1], то окажется, что 0, z 0, E(x) =Pr(x =1) = z, 0 z 1, 1, z 1.

Таким образом, при z [0;

1] получим «линейную регрессию». Это так назы ваемая линейная модель вероятности. Однако, вообще говоря, такой выбор F (·) скорее не упрощает оценивание, а усложняет, поскольку в целом математическое ожидание зависимой переменной является здесь нелинейной функцией неизвест ных параметров (т.е. это нелинейная регрессия), причем эта функция недиффе ренцируема.

В то же время, если данные таковы, что можно быть уверенным, что величина z далека от границ 0 и 1, то линейную модель вероятности можно использо вать, оценивая ее как обычную линейную регрессию. То, что величина z далека от границ 0 и 1, означает, что z плохо предсказывает x. Таким образом, линей ная модель вероятности применима в случае, когда изучаемая зависимость слаба, и в имеющихся данных доля как нулей, так и единиц не слишком мала. Ее можно рассматривать как приближение для нелинейных моделей.

Есть два удобных вида распределения, которые обычно используют для моде лирования вероятности получения единицы в модели с биномиальной зависимой переменной. Оба распределения симметричны относительно нуля.

1) Логистическое распределение.

Плотность логистического распределения равна ey (y) =, (1 + ey) 298 Глава 9. Целочисленные переменные в регрессии а функция распределения равна ey (y) = =.

1+ey 1+e-y Модель с биномиальной зависимой переменной с логистически распределен ным отклонением называют логит. Для логита ez E(x) =Pr(x =1) =(z) = =.

1+ez 1+e-z 2) Нормальное распределение (см. Приложение A.3.2).

Модель с нормально распределенным отклонением называют пробит. При этом используется стандартное нормальное распределение, т.е. нормальное рас пределение с нулевым ожиданием и единичной дисперсией, N(0, 1). Дляпробита z z 1 E(x) =Pr(x =1) =(z) = (t)dt = e-t /2dt, - где (·) — функция распределения стандартного нормального распределения, (·) — его плотность.

Логистическое распределение похоже на нормальное с нулевым ожидани ем и дисперсией 2/3 (дисперсия логистического распределения). В связи с этим оценки коэффициентов в моделях различаются примерно на множитель / 3 1.8. Если вероятности далеки от границ 0 и 1 (около 0,5), то более точ ной оценкой множителя является величина (0)/(0) = 8/ 1.6. При малом количестве наблюдений из-за схожести распределений сложно решить, когда сле дует применять логит, а когда — пробит. Различие наиболее сильно проявляется при вероятностях, близких к 0 и 1, поскольку логистическое распределение име ет более длинные хвосты, чем нормальное (оно характеризуется положительным коэффициентом эксцесса).

Можно использовать в модели и другие распределения, например, асиммет ричные.

9.2.2. Оценивание моделей с биномиальной зависимой переменной Требуется по N наблюдениям (xi, zi), i =1,..., N, получить оценки коэффи циентов. Здесь наблюдения xi независимы и имеют биномиальное распределе ние с одним испытанием (т.е. распределение Бернулли) и вероятностью Pr(xi =1) =F (zi).

9.2. Модели с биномиальной зависимой переменной Нормальное Логистическое распределение распределение Распределение экстремального значения –4 –3.1 –2.2 –1.3 –0.4 0.5 1.4 2.3 3.2 4.1 Рис. 9. Можно рассматривать модель с биномиальной зависимой переменной как мо дель регрессии:

xi = F (zi) +i, где ошибки i = xi - F (zi) имеют нулевое математическое ожидание и незави симы. Каждая из ошибок i может принимать только два значения, и поэтому их распределение мало похоже на нормальное. Кроме того, имеет место гетероскеда стичность. Обозначим pi = pi() =F (zi).

В этих обозначениях дисперсия ошибки i равна var(i) =E (xi - pi)2 = E(x2) - 2piE(xi) +p2 = pi(1 - pi).

i i При выводе этой формулы мы воспользовались тем, что x2 = xi и E(xi) =pi.

i Несмотря на эти нарушения стандартных предположений, данную модель, ко торая в общем случае представляет собой модель нелинейной регрессии, можно оценить нелинейным методом наименьших квадратов, минимизируя по следую щую сумму квадратов:

N (xi - pi())2.

i= Для минимизации такой суммы квадратов требуется использовать какой-либо алгоритм нелинейной оптимизации. Этот метод дает состоятельные оценки ко эффициентов. Гетероскедастичность приводит к двум важным последствиям.

Во-первых, оценки параметров будут неэффективными (не самыми точными). Во вторых, что более серьезно, ковариационная матрица коэффициентов, стандартные 300 Глава 9. Целочисленные переменные в регрессии ошибки коэффициентов и t-статистики будут вычисляться некорректно (если ис пользовать стандартные процедуры оценивания нелинейной регрессии и получения в ней оценки ковариационной матрицы оценок параметров).

В частном случае модели линейной вероятности имеем линейную регрессию с гетероскедастичными ошибками:

xi = zi + i.

Для такой модели можно предложить следующую процедуру, делающую по правку на гетероскедастичность:

1) Оцениваем модель обычным МНК и получаем оценки a.

2) Находим оценки вероятностей:

pi = zia.

3) Используем взвешенную регрессию и получаем оценки a.

Чтобы оценить взвешенную регрессию, следует разделить каждое наблюде ние исходной модели на корень из оценки дисперсии ошибки, т.е. на величину pi(1 - pi) = zia(1 - zia):

xi zi i = +, pi(1 - pi) pi(1 - pi) pi(1 - pi) и далее применить к этой преобразованной регрессии обычный метод наименьших квадратов. При использовании данного метода получим асимптотически эффек тивные оценки a и корректную ковариационную матрицу этих оценок, на основе которой можно рассчитать t -статистики.

Те же идеи дают метод оценивания модели с произвольной гладкой функцией F (·). Для этого можно использовать линеаризацию в точке 0:

F (zi) F (0) + f(0)zi, где f(·) — производная функции F (·) (плотность распределения). Тогда получим следующую приближенную модель:

xi F (0) + f(0) zi + i или x zi + i, i где xi - F (0) i x = и =, i f(0) f(0) 9.2. Модели с биномиальной зависимой переменной которую можно оценить с помощью только что описанной процедуры. Для симмет ричных относительно нуля распределений F (0) = 0, 5. В случае логита, учитывая (0) =, получаем x =4xi - 2, i а в случае пробита, учитывая (0) =, получаем x = 2(xi - 0, 5).

i Таким образом, можно получить приближенные оценки для коэффициентов пробита и логита, используя в качестве зависимой переменной регрессии вместо переменной, принимающей значения 0 и 1, переменную, которая принимает зна чения ±2 для логита и ± для пробита ( 1, 25). Ясно, что это хорошее 2 приближение только когда величины zi близки к нулю, то есть когда модель плохо описывает данные.

Приближенные оценки можно получить также по группированным наблюдени ям. Предположим, что все наблюдения разбиты на несколько непересекающихся подгрупп, в пределах каждой из которых значения факторов zi примерно одинако вы. Введем обозначения:

pj = xi Nj iIj и zj = zi, Nj iIj где Ij — множество наблюдений, принадлежащих j-й группе, Nj — количество наблюдений в j-й группе. Величина pj является оценкой вероятности получения единицы в случае, когда факторы принимают значение zj, т.е.

pj F ( zj), откуда - F ( zj.

pj) Получаем модель регрессии, в которой в качестве зависимой переменной вы - ступает F ( а в качестве факторов — zj. В частном случае логистического pj), распределения имеем:

pj -1( =ln, pj) 1 - pj 302 Глава 9. Целочисленные переменные в регрессии т.е. для логита зависимая переменная представляет собой логарифм так называе мого «соотношения шансов».

Чтобы такое приближение было хорошим, следует правильно сгруппировать наблюдения. При этом предъявляются два, вообще говоря, противоречивых тре бования:

– в пределах каждой группы значения факторов должны быть примерно одина ковы (идеальный случай — когда в пределах групп zi совпадает, что вполне может случиться при анализе экспериментальных данных), – в каждой группе должно быть достаточно много наблюдений.

Описанный метод лучше всего подходит тогда, когда в модели имеется один объясняющий фактор (и константа), поскольку в этом случае проще группировать наблюдения.

В настоящее время в связи с развитием компьютерной техники для оценивания моделей с биномиальной зависимой переменной, как правило, используется метод максимального правдоподобия, рассмотрение которого выходит за рамки данной главы.

9.2.3. Интерпретация результатов оценивания моделей с биномиальной зависимой переменной Предположим, что каким-либо методом получен вектор оценок a. Как в этом случае можно интерпретировать результаты и судить о качестве модели?

Для логита коэффициенты a описывают влияние факторов на логарифм соот ношения шансов. В общем случае по знаку коэффициентов можно судить о направ лении зависимости, а по соответствующим t-статистикам — о наличии или отсут ствии зависимости. Однако интерпретировать коэффициенты в содержательных терминах затруднительно. Поэтому помимо коэффициентов полезно рассмотреть, как влияют факторы на вероятность получения единицы:

F (za) = f(za)aj.

zj Эти величины называют маргинальными значениями. Ясно, что маргинальные значения зависят от точки z, в которой они рассматриваются. Обычно берут z на среднем уровне по имеющимся наблюдениям: z = z. Другой распространенный подход состоит в том, чтобы вычислить маргинальные значения во всех точках zi, i =1,..., N, и по ним вычислить средние маргинальные значения:

N f(zia) aj.

N i= 9.2. Модели с биномиальной зависимой переменной Таблица 9. Предсказано 0 1 Сумма На самом 0 деле 1 Сумма Величину xc = zia можно назвать по аналогии с линейной регрессией расчет i ными значениями. При za > 0 для логита и пробита предсказанная вероятность единицы, F (za), превосходит, поэтому для такого наблюдения более вероятно наблюдать 1, чем 0. Таким образом, уравнение za =0 задает ту гиперплоскость, которой разделяются две группы точек — те точки, для которых предсказано x =0, и те точки, для которых предсказано x =1. Поэтому наглядно о качестве модели можно судить по диаграмме xi по xc: чем лучше разделены две группы точек, i тем более качественна модель. О качестве модели можно судить также по гра фику оценки E(x) по xc. Этот график в случае «хорошей» модели должен быть «крутым» в нуле.

На этих двух графиках (рис. 9.2) слева внизу и справа вверху расположены правильно предсказанные точки, а слева вверху и справа внизу — неправильно.

То же самое можно представить таблицей 9.1.

Понятно, что «хорошая» модель должна давать высокий процент правильных предсказаний (в таблице они лежат на диагонали).

1 0 Хорошее качество модели Плохое качество модели Рис. 9. 304 Глава 9. Целочисленные переменные в регрессии 9.3. Упражнения и задачи Упражнение G G G 1.1. Пусть ZG = {zi1zi2} — фиктивная переменная, где zi1 равно единице, если фактор в i -м наблюдении относится к годам войны (1941,..., 1945), и нулю G в противном случае. Как выглядит вектор zi2? Оцените двумя способами модель X = Z + Z00 + ZG + с помощью искусственно созданных данных из табл. 9.2, рассмотрев в качестве X столбец X1:

G а) исключив столбец z1 в исходной форме регрессии;

G б) исключив в исходной форме регрессии параметр при переменной z1.

Убедитесь, что значения коэффициентов исходной регрессии по способам а) и б) совпадают.

1.2. Запишите модель регрессии, в которой качественный фактор влияет не толь ко на значение свободного члена регрессии, но и на коэффициент регрессии при факторе Z1.

Посчитайте матрицы Z1ZG и Z1[Z0, ZG]. Оцените данную модель ре грессии на данных таблицы 9.2, рассмотрев в качестве X столбец X2 спо собами а) и б).

Упражнение Самостоятельно подберите ряды наблюдений и охарактеризуйте цены на рос сийском вторичном рынке жилья в зависимости от жилой и нежилой площади, пло щади кухни, местоположения квартиры по районам города, расположения на эта жах, количество комнат, наличия телефона, балкона, лифта и т.д.

Упражнение В таблице 9.3 приводится данные о голосовании по поводу увеличения налогов на содержание школ в городе Троя штата Мичиган в 1973 г. Наблюдения отно сятся к 95 индивидуумам: результаты голосования и различные характеристики индивидов.

Pub = 1, если хотя бы один ребенок посещает государственную школу, иначе 0, Priv = 1, если хотя бы один ребенок посещает частную школу, иначе 0, Years = срок проживания в данном районе, Teach = 1, если работает учителем, иначе 0, 9.3. Упражнения и задачи Таблица 9. Годы X1 X2 Z1 Z2 Годы X1 X2 Z1 Z 1935 2.81 2.81 117.10 9.70 1945 24.95 19.93 200.70 32. 1936 10.66 10.66 201.60 10.40 1946 16.44 16.44 220.80 34. 1937 4.16 4.16 280.30 11.80 1947 15.04 15.04 165.60 45. 1938 8.30 8.30 204.00 15.60 1948 15.44 15.44 160.40 54. 1939 16.94 16.94 225.60 17.20 1949 23.43 23.43 61.80 55. 1940 5.01 5.01 213.20 18.60 1950 6.98 6.98 161.10 64. 1941 35.49 30.90 183.40 22.10 1951 18.61 18.61 181.90 67. 1942 26.76 22.79 158.80 28.80 1952 22.74 22.74 207.90 72. 1943 34.88 30.50 174.90 32.00 1953 24.63 24.63 237.10 80. 1944 35.27 31.06 168.70 32.10 1954 31.35 31.35 275.90 88. LnInc = логарифм годового дохода семьи в долларах, PropTax = логарифм налогов на имущество в долларах за год (заменяет плату за обучение — плата зависит от имущественного положения), Yes = 1, если человек проголосовал на референдуме «за», 0, если «против».

Зависимая переменная — Yes. В модель включаются все перечисленные фак торы, а также квадрат Years.

3.1. Получите приближенные оценки для логита и пробита с помощью линейной регрессии 3.2. Вычислите коэффициенты логита через коэффициенты пробита и сравните.

3.3. Для логита найдите маргинальные значения для Teach, LnInc и PropTax при среднем уровне факторов.

3.4. Постройте график вероятности голосования «за» в зависимости от Years при среднем уровне остальных факторов.

3.5. Постройте аналогичный график маргинального значения Years.

306 Глава 9. Целочисленные переменные в регрессии Таблица 9.3. (Источник: R. Pindyck andD. Rubinfeld, EconometricModels and Economic Forecasts, 1998, Fourth Edition, Table 11.8, p. 332) Номер Pub Priv Years Teach LnInc PropTax Yes 1 1 0 10 1 9.77 7.0475 2 1 0 8 0 10.021 7.0475 3 1 0 4 0 10.021 7.0475 4 1 0 13 0 9.4335 6.3969 5 1 0 3 1 10.021 7.2792 6 1 0 5 0 10.463 7.0475 7 0 0 4 0 10.021 7.0475 8 1 0 5 0 10.021 7.2793 9 1 0 10 0 10.222 7.0475 10 1 0 5 0 9.4335 7.0475 11 1 0 3 0 10.021 7.0475 12 1 0 30 0 9.77 6.3969 13 1 0 1 0 9.77 6.7452 14 1 0 3 0 10.021 7.0475 15 1 0 3 0 10.82 6.7452 16 1 0 42 0 9.77 6.7452 17 1 0 5 1 10.222 7.0475 18 1 0 10 0 10.021 7.0475 19 1 0 4 0 10.222 7.0475 20 1 1 4 0 10.222 6.7452 21 1 0 11 1 10.463 7.0475 22 0 0 5 0 10.222 7.0475 23 1 0 35 0 9.77 6.7452 24 1 0 3 0 10.463 7.2793 25 1 0 16 0 10.021 6.7452 26 0 1 7 0 10.463 7.0475 27 1 0 5 1 9.77 6.7452 28 1 0 11 0 9.77 7.0475 29 1 0 3 0 9.77 6.7452 30 1 1 2 0 10.222 7.0475 31 1 0 2 0 10.021 6.7452 32 1 0 2 0 9.4335 6.7452 33 1 0 2 1 8.294 7.0475 34 0 1 4 0 10.463 7.0475 9.3. Упражнения и задачи Таблица 9.3. (продолжение) Номер Pub Priv Years Teach LnInc PropTax Yes 35 1 0 2 0 10.021 7.0475 36 1 0 3 0 10.222 7.2793 37 1 0 3 0 10.222 7.0475 38 1 0 2 0 10.222 7.4955 39 1 0 10 0 10.021 7.0475 40 1 0 2 0 10.222 7.0475 41 1 0 2 0 10.021 7.0475 42 1 0 3 0 10.82 7.4955 43 1 0 3 0 10.021 7.0475 44 1 0 3 0 10.021 7.0475 45 1 0 6 0 10.021 6.7452 46 1 0 2 0 10.021 7.0475 47 1 0 26 0 9.77 6.7452 48 0 1 18 0 10.222 7.4955 49 0 0 4 0 9.77 6.7452 50 0 0 6 0 10.021 7.0475 51 0 0 12 0 10.021 6.7452 52 1 0 49 0 9.4335 6.7452 53 1 0 6 0 10.463 7.2793 54 0 1 18 0 9.77 7.0475 55 1 0 5 0 10.021 7.0475 56 1 0 6 0 9.77 5.9915 57 1 0 20 0 9.4335 7.0475 58 1 0 1 1 9.77 6.3969 59 1 0 3 0 10.021 6.7452 60 1 0 5 0 10.463 7.0475 61 1 0 2 0 10.021 7.0475 62 1 1 5 0 10.82 7.2793 63 1 0 18 0 9.4335 6.7452 64 1 0 20 1 9.77 5.9915 65 0 0 14 0 8.9227 6.3969 66 1 0 3 0 9.4335 7.4955 67 1 0 17 0 9.4335 6.7452 68 1 0 20 0 10.021 7.0475 308 Глава 9. Целочисленные переменные в регрессии Таблица 9.3. (продолжение) Номер Pub Priv Years Teach LnInc PropTax Yes 69 1 1 3 0 10.021 7.0475 70 1 0 2 0 10.021 7.0475 71 0 0 5 0 10.222 7.0475 72 1 0 35 0 9.77 7.0475 73 1 0 10 0 10.021 7.2793 74 1 0 8 0 9.77 7.0475 75 1 0 12 0 9.77 7.0475 76 1 0 7 0 10.222 6.7452 77 1 0 3 0 10.463 6.7452 78 1 0 25 0 10.222 6.7452 79 1 0 5 1 9.77 6.7452 80 1 0 4 0 10.222 7.0475 81 1 0 2 0 10.021 7.2793 82 1 0 5 0 10.463 6.7452 83 1 0 3 0 9.77 7.0475 84 1 0 2 0 10.82 7.4955 85 0 1 6 0 8.9227 5.9915 86 1 1 3 0 9.77 7.0475 87 1 0 12 0 9.4335 6.3969 88 0 0 3 0 9.77 6.7452 89 1 0 3 0 10.021 7.0475 90 0 0 3 0 10.021 6.7452 91 1 0 3 0 10.222 7.2793 92 1 0 3 1 10.021 7.0475 93 1 0 5 0 10.021 7.0475 94 0 0 35 1 8.9277 5.9915 95 1 0 3 0 10.463 7.4955 9.3. Упражнения и задачи Задачи 1. Какие из перечисленных факторов учитываются в регрессии с помощью фик тивных переменных: а) профессия;

б) курс доллара;

в) численность населе ния;

г) размер среднемесячных потребительских расходов?

2. В уравнение регрессии для доходов населения вводятся два качественных фактора: «пол» и «наличие судимости». Сколько фиктивных переменных (с учетом взаимодействия факторов) в исходной и преобразованной (после устранения линейных зависимостей) форме уравнения?

3. В уравнение регрессии для доходов населения вводятся три качественных фактора: пол («муж.», «жен.»), образование («нач.», «сред.», «высш.») и место проживания («гор.», «сел.»). Сколько фиктивных переменных (с учетом всех взаимодействий факторов) в исходной и преобразованной (после устранения линейных зависимостей) форме уравнения? Как выглядят матри цы преобразований C и C?

4. Известно, что котировки многих ценных бумаг зависят от того, в какой день рабочей недели (понедельник, вторник, среда,... ) проходят торги. Как учесть эту зависимость при построении регрессионной модели котировок?

5. Предположим, что оценивается зависимость спроса на лыжи от располагае мого личного дохода, используя наблюдения по месяцам. Как ввести фик тивную переменную для оценивания сезонных колебаний? Запишите со ответствующие матрицы преобразований C и C для каждого фиктивного фактора.

6. Рассмотрим регрессионную модель xt = 1zt1+2zt2+0+t, t =1,..., T.

Пусть для наблюдений t = 1 и 2 параметры 1, 2 и 0 отличаются от остальных ( T - 2) наблюдений. Запишите регрессионную модель с фик тивными переменными и опишите возникшие проблемы оценивания.

7. На основе данных о расходах на автомобили (X) и располагаемом личном доходе (Z) за период с 1963 по 1982 года получена модель: X = 0.77 + G F +0.035Z - 4.7Z1, гд е Z1 — фиктивная переменная, учитывающая нефтя ной кризис 1974 года, равная 0 для периодов с 1963 по 1973 гг. и равной единице для периода с 1974 по 1982 гг.

а) Схематично нарисуйте график регрессионной функции и дайте полную интерпретацию.

б) Запишите модель, в которой качественный фактор zG не влияет на сво бодный член, но влияет на наклон линии регрессии. Схематично нари суйте график регрессионной функции.

310 Глава 9. Целочисленные переменные в регрессии 8. Как меняется коэффициент детерминации при добавлении в регрессионную модель фиктивной объясняющей переменной?

9. На основе опроса населения США Current Population Survey за 1985 г. изу чаются факторы, определяющие зарплату:

WAGE: зарплата (долларов за час) — изучаемая переменная, EDU: образование (лет), SOUTH: индикаторная переменная для Юга (1 = человек живет на Юге, 0 = человек живет в другом месте), SEX: индикаторная переменная для пола (1 =жен, 0 =муж), EXPER: стаж работы (лет), UNION: индикаторная переменная для членства в профсоюзе (1 = член проф союза, 0 = нет), AGE: возраст (лет), RACE: раса (1 = другое, 2 = «Hispanic», 3 = белый), OCCUP: профессиональная категория ( 1 = другое, 2 = Management, 3 = Sales, 4 = Clerical, 5 = Service, 6 = Professional), SECTOR: сектор экономики (0 = другое, 1 = промышленность, 2 = стро ительство), MARR: семейное положение (0 = неженатый/незамужняя, 1 = женатый/замужняя).

а) Какие из перечисленных переменных можно назвать фиктивными?

Объясните.

б) Объясните, в каком виде следует учитывать переменные RACE, OCCUP и SECTOR в регрессии.

в) Для каждого фиктивного фактора запишите соответствующую матрицу преобразований C.

г) Объясните, как будут выглядеть фиктивные переменные, соответству ющие эффектам второго порядка для пола и расы.

10. Модель регрессии с биномиальной зависимой переменной можно предста вить в виде: (зависимая переменная) = (математическое ожидание) + (ошиб ка). Какие предположения классической линейной регрессии при этом будут нарушены?

9.3. Упражнения и задачи 11. Предположим, что с помощью обычного линейного МНК с биномиальной зависимой переменной были получены оценки a. Как на их основе получить приближенные оценки для модели пробит?

12. Логит-оценивание модели Pr(x =1) =F (z) дало результат x = -5.89 + +0.2z. Чему равна вероятность x =1 при z =50?

13. Пробит-оценивание модели Pr(x = 1) = F (z) дало результат x = = -2.85 + 0.092z. Чему равна вероятность x =1 при z =50?

14. Логит-оценивание модели Pr(x =1) =F (z) дало результат x = -5.89 + +0.2z. Чему равно увеличение вероятности Pr (x =1) при увеличении z на единицу, если z =50?

15. Пробит-оценивание модели Pr(x = 1) = F (z) дало результат x = = -2.85 + 0.092z. Чему равно увеличение вероятности Pr (x =1) при уве личении z на единицу, если z =50?

16. Логит-модель применили к выборке, в которой x =1, если производитель ность труда на предприятии выросла, и x = 0 в противном случае. z1 — G доход предприятия в млн. руб. в год, z1 = 1 если предприятие относит G ся к области высоких технологий ( z1 = 0 в противном случае). Получена G следующая модель: x =0.5 +0.1z1 +0.4z1. Определите оценку вероятно сти роста производительности труда для высокотехнологичного предприятия с доходом 100 млн. руб. в год и для предприятия, не относящегося к сфере высоких технологий, с доходом 150 млн. руб. в год.

17. Имеется выборка, состоящая из 600 наблюдений, в которой x = 1, если работник состоит в профсоюзе, и x = 0 в противном случае. Предпола гается, что членство в профсоюзе зависит от образования, лет ( z1), стажа работы, лет ( z2) ипола ( z3). Выборочные средние равны x =0.2, z1 =14, z2 = 18 и z3 = 0.45. На основе выборочных данных получена следующая пробит-модель: x = -0.9 - 0.01z1 +0.4z2 - 0.6z3. Определить, насколько снижается вероятность быть членом профсоюза в расчете на год дополни тельного образования.

18. Пусть переменная x, принимающая значения 0 или 1, зависит от одного фактора z. Модель включает также константу. Данные приведены в таблице:

x 0 0 1 1 0 1 0 1 0 z 1 2 3 4 5 6 7 8 9 312 Глава 9. Целочисленные переменные в регрессии а) Получите приближенные оценки логита и пробита методом усреднения, разбив данные на две группы по 5 наблюдений. Каким будет процент правильных предсказаний по модели для этих данных?

б) Ответьте на вопросы предыдущего пункта для метода приближенного оценивания логита и пробита с помощью линейной регрессии.

в) Найдите маргинальное значение для фактора z в точке, соответствую щей его среднему уровню.

19. Пусть переменная x, принимающая значения 0 или 1, зависит от фиктив ной переменной z, принимающей значения 0 или 1. Модель включает также константу. Данные резюмируются следующей таблицей (в клетках стоят ко личества соответствующих наблюдений):

x =0 x = z =0 N00 N z =1 N10 N а) При каких условиях можно на основе этих данных оценить логит ипробит?

б) Получите приближенные оценки логита и пробита методом усреднения.

Чему они будут равны при N00 =15, N01 =5, N10 =5, N11 =15?Ка ким будет процент правильных предсказаний по модели для этих данных?

в) Ответьте на вопросы предыдущего пункта для метода приближенного оценивания логита и пробита с помощью линейной регрессии.

Рекомендуемая литература 1. Айвазян С.А. Основы эконометрики. Т.2. — М.: «Юнити», 2001. (Гл. 2) 2. Доугерти К. Введение в эконометрику. — М.: «Инфра-М», 1997. (Гл. 9).

3. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. В 2-х книгах.

Кн. 2. — М.: «Финансы и статистика», 1986. (Гл. 9).

4. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс. — М.: «Дело», 2000. (Гл. 4).

5. Маленво Э. Статистические методы эконометрии. — М.: «Статистика».

Вып. 1, 1975. (Гл. 8).

9.3. Упражнения и задачи 6. Baltagi, Badi H. Econometrics, 2nd edition, Springer, 1999. (Ch. 13).

7. Davidson, Russel, Mackinnon, James. Estimation and Inference in Econo metrics, No. 9, Oxford University Press, 1993. (Ch. 7).

8. Greene W.H. Econometric Analysis, Prentice-Hall, 2000. (Ch. 8).

9. Judge G.G., Hill R.C., Griffiths W.E., Luthepohl H., Lee T. Introduction to the Theory and Practice of Econometric. John Wiley & Sons, Inc., 1993.

(Ch. 10).

10. Maddala G.S. Introduction to Econometrics, 2nd ed., Prentice Hall, 1992.

(Ch. 8).

11. Ruud Paul A. An Introduction to Classical Econometric Theory, Oxford Univer sity Press, 2000. (Ch. 27).

12. Wooldridge Jeffrey M. Introductory Econometrics: A Modern Approach, 2nd ed., Thomson, 2003. (Ch. 7, 17).

Глава Оценка параметров систем уравнений Пусть теперь имеется несколько изучаемых переменных, для каждой из которых существует свое уравнение регрессии. В совокупности эти уравнения образуют систему, которая является невзаимозависимой, если одни изучаемые переменные не выступают факторами-регрессорами для других изучаемых переменных. Если изучаемые переменные возникают не только в левых, но и правых частях уравнений, то такие системы называются одновременными или взаимозависимыми.

10.1. Невзаимозависимые системы В этом пункте используется сокращенная форма записи уравнений регрессии:

X = A +, (10.1) где X — N k-матрица центрированных наблюдений за изучаемыми перемен ными, Z — N n-матрица центрированных наблюдений за факторными перемен ными, A — n k-матрица параметров уравнений регрессии, — N n-матрица ошибок изучаемых переменных (остатков по наблюдени ям).

10.1. Невзаимозависимые системы Относительно ошибок предполагается, что в каждом наблюдении их математи ческое ожидание равно нулю, матрица ковариации размерности k k одинакова иравна ( — вещественная, симметричная, положительно определенная мат рица), и что они не коррелированы по наблюдениям.

Оценивать параметры этой системы можно отдельно по каждому уравнению:

A = M-1m, (10.2) 1 где M = Z Z, m = Z X, или через обычные операторы МНК-оценива N N ния (8.1), записанные последовательно для всех уравнений системы al = M-1ml, l =1,..., k.

Т.е. факт коррелированности ошибок разных изучаемых переменных ( = Ik)несо здает дополнительных проблем.

Действительно, преобразованием в пространстве изучаемых переменных легко пе рейти в ситуацию, когда ошибки изучаемых переменных не коррелированы.

Пусть матрица C такая, что =C -1C-1 (такое представление допускает любая вещественная симметричная положительно определенная матрица, см. Приложе ние A.1.2). Умножим обе части (10.1) справа на эту матрицу:

XC = AC + C. (10.3) Новые ошибки изучаемых переменных во всех наблюдениях оказываются не корре лированными:

E( i)= i E(C iC) = IN, i где i — вектор-строка ошибок в i-том наблюдении.

Теперь уравнения системы не связаны между собой, и их можно оценить обыч ным МНК по отдельности, что, очевидно, приводит к матричному оператору AC = M-1mC, который эквивалентен (10.2).

Что и требовалось доказать.

Ситуация резко усложняется, если для коэффициентов матрицы A имеются априорные ограничения.

Пусть, например, эта матрица имеет следующую структуру:

a1 0 · · · 0 a2 · · ·,...

.

....

.

...

0 0 · · · ak 316 Глава 10. Оценка параметров систем уравнений где al — nl-вектор-столбец коэффициентов в l-м уравнении (для l-й изучаемой k переменной), nl = n, т.е. многие элементы матрицы A априорно приравнены l= нулю.

Фактически это означает, что для каждой изучаемой переменной имеется свой набор объясняющих факторов с N nl-матрицей наблюдений Zl Z = Z1· · ·Zk, и система уравнений (10.1) представляется как совокупность внешне не связанных между собой уравнений:

Xl = Zlal + l, l =1,..., k. (10.4) Сразу можно заметить, что теперь оператор (10.2) применить невозможно, т.к. система нормальных уравнений, решением которой является этот оператор, записывается следующим образом:

M11a1 · · · M1kak m11 · · · m1k....

..

......

=, (10.5)..

....

Mk1a1 · · · Mkkak mk1 · · · mkk 1 где Mll = Zl Zl, mll = Zl Xl, т.е. вектор оценок параметров каждого урав N N нения должен удовлетворять k взаимоисключающим, в общем случае, системам уравнений.

Правильная оценка параметров регрессии дается решением следующих урав нений:

k k -1 - ll Mll al = ll mll, l =1,..., k, l =1 l = - где ll — элемент матрицы -1.

Или в матричной записи:

-1 -1 -1 - 11 M11a1+ · · · +1k M1kak 11 m11+ · · · +1k m1k....

..

......

=, (10.6)..

....

-1 -1 -1 - k1 Mk1a1+ · · · +kk Mkkak k1 mk1+ · · · +kk mkk которая при сравнении с (10.5) оказывается результатом умножения в (10.5) всех - Mll и mll на ll и сложения столбцов в обеих частях этого выражения.

10.1. Невзаимозависимые системы Для доказательства этого утверждения необходимо перегруппировать уравнения си стемы так, чтобы X1 Z1 0 · · · a.

X X =, Z =.

0 Z2., = a2, = 2,....

..

......

..

....

т.е. если забыть об особой структуре матрицы Z, формально имеется одна изучаемая переменная, для которой имеется N · k «наблюдений».

Теперь система (10.4) записывается следующим образом:

X = Z +, и применение простого МНК приводит к получению обычных оценок уравнений в отдельности:

- al = Mll mll.

Однако такой подход неприемлем, надо применять ОМНК, поскольку остатки корре лированы по «наблюдениям», ибо в соответствии со сделанными предположениями E( ) = IN, где — операция прямого умножения матриц (см. Приложения A.1.1 и A.1.2).

Из (8.1) следует, что система нормальных уравнений ОМНК в данном случае выгля дит так:

Z -1 IN Z = Z -1 IN X. (10.7) Легко убедиться, что.

-1 - 11 Z11 12 Z12.

.

.

.

Z -1 IN = -1 -.

21 Z21 22 Z22.

.

..

...

..

.

Умножение этой матричной конструкции справа на Z и деление на N дает блочную - матрицу {ll Mll }, которая является матрицей системы (10.6), а умножение ее - справа на X и деление на N —вектор ll mll, являющийся правой частью l системы (10.6).

Таким образом, (10.7) эквивалентна (10.6). Что и требовалось доказать.

- Эта оценка совпадает с обычной МНК-оценкой al = Mll mll, если матрица диагональна, т.е. ошибки изучаемых переменных не коррелированы.

318 Глава 10. Оценка параметров систем уравнений 10.2. Взаимозависимые или одновременные уравнения. Проблема идентификации Далее в этом разделе уравнения регрессии записываются в форме со скрытым свободным членом.

X — N k-матрица наблюдений за изучаемыми переменными x;

Z — N (n +1)-матрица наблюдений за независимыми факторами z;

B — k k-матрица параметров регрессии при изучаемых переменных;

B = Ik, иначе система была бы невзаимозависимой;

|B| =0 и ll =1 — усло вия нормализации, т.е. предполагается, что, в конечном счете, в левой части l-го уравнения остается только l-я переменная, а остальные изучаемые переменные переносятся в правую часть;

A — (n+1)k-матрица параметров регрессии (последняя строка — свобод ные члены в уравнениях);

— N k-матрица значений случайных ошибок по наблюдениям;

XB = ZA +. (10.8) Такая запись одновременных уравнений называется структурной формой.

Умножением справа обеих частей этой системы уравнений на B-1 она приводится к форме, описанной в предыдущем пункте. Это — приведенная форма системы:

X = ZAB-1 + B-1.

D = AB-1 — (n +1) k-матрица параметров регрессии приведенной формы.

Как показано в пункте 10.1, для их оценки можно использовать МНК:

D =(Z Z)-1Z X.

Таким образом, матрица D оценивается без проблем, и ее можно считать известной. Однако задача заключается в оценке параметров B и A системы в приведенной форме. Эти параметры, по определению, удовлетворяют следую щим условиям:

DB - A =0 (10.9) или WH =0, гд е W — (n +1) (n + k +1)-матрица D In+1, B H — (n + k +1) k-матрица.

-A 10.2 Взаимозависимые или одновременные уравнения Это — условия для оценки параметров структурной формы. В общем случае эти условия достаточно бессмысленны, т.к. они одинаковы для параметров всех уравнений. Они описывают лишь множество допустимых значений параметров (одинаковое для всех уравнений), поскольку для n + k +1 параметров каждо го уравнения структурной формы имеется только n +1 одинаковых уравнений.

Необходимы дополнительные условия, специальные для каждого уравнения.

Пусть для параметров l-го уравнения кроме требования WHl =0 ((Z Z)-1Z XBl - Al =0) (10.10) имеется дополнительно rl условий:

RlHl =0, (10.11) где Rl — rl (n + k +1)-матрица дополнительных условий, Bl Hl — (n + k +1)-вектор-столбец параметров l-го уравнения — -Al l-й столбец матрицы H.

W Hl = WlHl =0 — общие условия для определения структурных пара Rl метров l-го уравнения, где Wl — (n + rl +1) (n + k +1)-матрица.

Они позволяют определить искомые параметры с точностью до постоянного множителя (при выполнении условий нормализации l =1 параметры определя ются однозначно), если и только если ранг матрицы Wl равен n + k. Для этого необходимо, чтобы rl k - 1. (10.12) Однако, это условие не является достаточным. Имеется необходимое и доста точное условие для определения параметров l-го уравнения (более операциональ ное, чем требование равенства n + k ранга матрицы Wl):

rank(RlH) =k - 1. (10.13) Доказательство данного утверждения опускается по причине сложности.

Теперь вводятся определения, связанные с возможностью нахождения пара метров уравнения структурной формы: l-е уравнение не идентифицировано, если rl < k - 1;

оно точно идентифицировано, если rl = k - 1 и ранг Wl равен n + k;

сверхидентифицировано, если rl >k - 1. В первом случае параметры не 320 Глава 10. Оценка параметров систем уравнений могут быть оценены, и, хотя формально, например, используя МНК, оценки можно получить, они никакого смысла не имеют;

во втором случае параметры уравнения оцениваются однозначно;

в третьем — имеется несколько вариантов оценок.

Обычно строки матрицы Rl являются ортами, т.е. дополнительные ограни чения исключают некоторые переменные из структурной формы. Тогда, если kl и nl — количества, соответственно, изучаемых переменных, включая l-ю, и неза висимых факторов в l-м уравнении, то для его идентификации необходимо, чтобы kl + nl n +1. (10.14) (10.12) По определению, rl = n - nl + k - kl k - 1 nl + kl n +1.

В таком случае условие (10.13) означает, что матрица, составленная из ко эффициентов во всех прочих уравнениях, кроме l-го, при переменных, которые исключены из l-го уравнения, должна быть не вырождена. При этом l-й столбец матрицы RlH из (10.13), равный нулю, как это следует из (10.11), исключается из рассмотрения.

Для иллюстрации введенных понятий используется элементарная модель равновесия спроса и предложения на рынке одного товара в предположении, что уравнения спроса и предложения линейны (в логарифмах):

s = b21p + c1 + 1 — предложение, d = -b22p + c2 + 2 —спрос, где p —цена, b21, b22 — эластичности предложения и спроса по цене, s, d и p — логарифмы предложения, спроса и цены.

Наблюдаемой переменной является фактический объем продаж x, и, пред положив, что в действительности рынок находится в равновесии: x = s = d, эту мод ель в структурной форме (10.8) можно записать следующим образом:

1 [ x p ] =[ c1 c2 ] +[ 1 2 ]. (10.15) -b21 b В такой записи условия нормализации не выполнены, т.к. в левой части обоих урав нений находится одна и та же переменная x;

понятно, что принципиального значения эта особенность модели не имеет.

Следует напомнить, что одной из главных гипотез применения статистических ме тодов вообще и МНК в частности является g1: уравнения регрессии представляют истинные зависимости, и речь идет лишь об оценке параметров этих истинных зави симостей. В данном случае это означает, что на спрос и предложение влияет только 10.2 Взаимозависимые или одновременные уравнения x s d p Рис. 10. цена, и линии спроса и предложения в плоскости, абсциссой которой является цена, не меняют своего положения. Поэтому наблюдаемые пары (p, x) сконцентрированы вокруг единственной точки равновесия, облако наблюдений не имеет вытянутостей, и зависимости x от p статистически выявить невозможно (рис. 10.1).

Статистически оба уравнения одинаковы, и нет оснований считать коэффициент регрессии, например, x по p, эластичностью спроса или предложения по цене.

Более того, в данном случае эта регрессия будет не значима. Эти уравнения не идентифицированы. Действительно, k = 2, n = 0, r1 = r2 = 0, и необход имое условие идентификации (10.12) для обоих уравнений не выполнено.

Пусть речь идет о товаре, имеющем сельскохозяйственное происхождение. Тогда его предложение зависит от погодных условий, и в модель следует ввести переменную z1 — некий индекс погоды в течение сельскохозяйственного цикла. В правую часть соотношения (10.15) вводится дополнительное слагаемое:

z1 [ a11 0]. (10.16) Если модель (10.15, 10.16) истинна (гипотеза g3), то подвижной становится линия предложения (погодные условия в разные сельскохозяйственные циклы различны), и облако фактических наблюдений вытягивается вдоль линии спроса. Регрессия x на p дает оценку эластичности спроса по цене (рис. 10.2). В этой ситуации уравнение предложения по-прежнему не идентифицировано, но для уравнения спроса условия идентификации (10.12) выполнены, и это уравнение идентифицировано.

s s x s s s d p Рис. 10. 322 Глава 10. Оценка параметров систем уравнений s x d d d d d d p Рис. 10. Действительно: k =2, n =1, r1 =0, r2 =1 и r1

Матрица H в этих условиях имеет следующий вид:

1 -b21 b H =.

-a11 c1 c Матрица R1 —пустая( rl =0), и условия (10.13) для первого уравнения не выпол няются. Для второго уравнения R2 = [ 0 0 1 0 ], иматрица R2H равна [ -a11 0], т.е. ее ранг равен единице, и условие (10.13) выполнено. А матрица, составлен ная из коэффициентов во всех прочих уравнениях, кроме второго, при переменных, которые исключены из второго уравнения, есть [-a11], т.е. она не вырождена.

Теперь рассматривается другая возможность: изучаемый товар входит в потреби тельскую корзину, и спрос на него зависит от доходов домашних хозяйств. В модель вводится переменная z2 доходов домашних хозяйств, т.е. в правую часть соотноше ний (10.15) добавляется слагаемое z2 [ 0 a22 ]. (10.17) Если истинна модель (10.15, 10.17), то подвижной окажется линия спроса (раз ные домашние хозяйства имеют разные доходы), и регрессия x на p даст оценку эластичности предложения по цене (рис. 10.3). В такой ситуации не идентифициро вано уравнение спроса. Уравнение предложения идентифицировано: k =2, n =1, r1 =1, r2 =0 и r1 = k - 1, r2

Понятно, что можно говорить о модели, в которую входят обе отмеченные пере менные: и z1 и z2. Это — модель (10.15, 10.16, 10.17). В правую часть (10.15) 10.2 Взаимозависимые или одновременные уравнения s s x s3s s d d d d2 d d p Рис. 10. добавляется слагаемое a11 [ z1 z2 ].

0 a В этом случае идентифицированы оба уравнения: k =2, n =1, r1 = r2 =1 =k-1.

Но поскольку подвижны обе линии — и спроса, и предложения — облако наблюде ний не имеет вытянутостей (рис. 10.4), и регрессия x на p опять оказывается не значимой. Для оценки параметров регрессии требуется использовать специальные методы, рассматриваемые ниже. Впрочем, и в двух предыдущих случаях необходимо использование специальных методов оценки параметров взаимозависимых систем, т.к. обычный МНК дает смещенные и несостоятельные оценки.

Пусть теперь на предложение товара влияет еще один фактор z3, показывающий, например, количество удобрений на единицу площади, с которой собирается продукт, принимающий в дальнейшем форму товара. Тогда в правой части уравнения (10.15) возникает слагаемое a11 [ z1 z3 ], a31 и первое уравнение по-прежнему остается не идентифицированным, а второе ока зывается сверхидентифицированным.

Далее ряд утверждений будет иллюстрироваться на примере модели (10.15, 10.16).

В иллюстрациях эту модель удобнее записывать в сокращенном виде:

1 [ x p = 1 [ (10.18) ] 11 0] +[ 1 2 ].

-21 Поскольку - 1 1 1 - =, 21 + -21 22 21 324 Глава 10. Оценка параметров систем уравнений приведенная форма модели имеет следующий вид:

[ x p = 1 [ d11 d12 ] +[ 1 2 ] = ] = (1 [ 1122 - 11 ] +[ 122 + 221 2 - 1 ]). (10.19) 21 + Из этого соотношения видно, как d и связаны с и.

Дальнейшее изложение ведется в предположении, что строки матрицы Rl — орты.

10.3. Оценка параметров отдельного уравнения Вводятся дополнительные обозначения:

Xl — N kl-матрица наблюдений за изучаемыми переменными xl, вход ящи ми в l-е уравнение;

Xl — N -вектор-столбец наблюдений за l-й переменной xl;

Xl — N (kl - 1)-матрица Xl без столбца Xl наблюдений за xl ;

- l — kl-вектор-столбец параметров при изучаемых переменных в l-м урав нении;

l — (kl - 1)-вектор-столбец l с обратным знаком и без l-го элемента ll =1;

Zl — N (nl+1)-матрица наблюдений за независимыми факторами zl,входя щими в l-е уравнение, включая единичный столбец, соответствующий свободному члену;

l — (nl +1)-вектор-столбец параметров при этих факторах вместе со сво бодным членом;

l — N-вектор-столбец остатков в l-м уравнении по наблюдениям.

Тогда l-е уравнение регрессии можно записать следующим образом:

Xll = Zll + l (10.20) или Xl = Xl l + Zll + l. (10.21) Применение обычного МНК к этому уравнению дает в общем случае смещен ные и несостоятельные оценки, прежде всего потому, что остатки l скорее всего коррелированы с регрессорами Xl, которые к тому же недетерминированы и на блюдаются с ошибками (гипотеза g2 нарушена).

10.3. Оценка параметров отдельного уравнения Для иллюстрации справедливости этого утверждения используется модель (10.15, 10.16). Пусть эта модель истинна, и тогда регрессия x на p даст оценку -22:

xipi -bмнк =. (10.22) p i Это выражение можно преобразовать, используя (10.18, 10.19) (чтобы не загро мождать записи, обозначено через P ):

p i xi=-22pi+i2 pi=i1d12+i - bмнк = P xipi = - 22 + P i2pi = i2-i i2= 21 + = -22 + P d12 i1i2 + i2i2 = - 22 + + P d12 i1i2 + 2 - i1i2.

21 + 22 i Очевидно, что -bмнк по математическому ожиданию никак не может равняться -22, поскольку в правой части полученного выражения имеется 2, т.е. д испер i сия (в математическом ожидании) остатка в уравнении по спросу, которая не равна нулю и к тому же не будет уменьшаться с ростом N. Эта оценка смещена и несосто ятельна.

Если данное уравнение точно идентифицировано, то для оценки его параметров можно использовать косвенный метод (КМ) наименьших квадратов: с помощью МНК оцениваются параметры приведенной формы системы уравнений, через ко торые однозначно выражаются структурные параметры данного уравнения.

В качестве примера можно использовать оценку параметров второго уравнения мо дели (10.15, 10.16), которое точно идентифицировано. Действительно, параметры приведенной формы модели однозначно определяют оценку -22, как это следует из (10.19):

d -bKM =. (10.23) d Поскольку xii1 pii d11 =, d12 =, 2 i1 i то соотношение (10.23) означает, что xii -bKM =, pii т.е. что (ср. с (10.22)) используется метод инструментальных переменных с z1 вка честве инструментальной переменной.

326 Глава 10. Оценка параметров систем уравнений Можно записать уравнения для оценки косвенным методом в общем случае.

Сначала следует обратить внимание на то, что условия (10.11) эквивалентны требованиям TlBl = Bl, TlAl = Al, (10.24) где TlB — k kl-матрица, полученная из Ik вычеркиванием столбцов, соответ ствующих тем изучаемым переменным, которые исключены из l-го уравнения;

TlA –аналогичная (n +1) (nl +1)-матрица для Al.

Bl и Al имеют нулевые компоненты, соответствующие исключенным из l-го уравнения переменным.

Далее необходимо учесть, что параметры структурной формы, удовлетворяю щие условиям (10.24), должны для своей идентификации еще удовлетворять со отношениям (10.10). Тем самым получается система уравнений для нахождения параметров структурной формы:

DTlBbl - TlAal =0, или по определению матрицы TlB:

Dlbl - TlAal =0, где Dl – оценки параметров приведенной формы уравнений для изучаемых пере менных, вошедших в l-е уравнение, или, наконец, Dl = Dl bl + TlAal, (10.25) где Dl — оценки параметров l-го уравнения в приведенной форме, Dl — оценки параметров приведенной формы уравнений для изучаемых пе ременных, вошедших в правую часть l-го уравнения.

Эти матрицы коэффициентов приведенной формы представляются следующим образом:

Dl =(Z Z)-1Z Xl, Dl =(Z Z)-1Z Xl, Dl =(Z Z)-1Z Xl.

- Система уравнений (10.25) может быть также получена умножением обеих частей системы (10.21) слева на (Z Z)-1Z, т.к. третье слагаемое правой части отбрасывается (МНК-остатки должны быть ортогональны регрессорам), а во 2-м слагаемом (Z Z)-1Z Zl заменяется на TlA (т.к. по определению этой матрицы Zl = ZTlA).

В общем случае, матрица этой системы Dl TlA имеет размерность (n +1) (kl + nl). Первый ее блок имеет размерность (n +1) (kl - 1), второй — (n +1) (nl +1).

10.3. Оценка параметров отдельного уравнения В случае точной идентификации и строгого выполнения условий (10.14) эта матрица квадратна и не вырождена. Система (10.25) дает единственное реше ние — оценку параметров структурной формы l-го уравнения косвенным методом наименьших квадратов.

В структурной форме со скрытым свободным членом модель (10.15+10.16) записы вается следующим образом:

1 1 a11 X P =[ Z1 1N ] +[ e1 e2 ], -b21 b22 c1 c а ее второе, точно идентифицированное уравнение в форме (10.21) — X = P (-b22) +[ Z1 1N ] +[ e1 e2 ]. (10.26) c Как это было показано выше, обе части (10.26) умножаются на матрицу - Z Z 1 Z1 1N :

1 N N d11 d = (-b22) +, d21 d22 c или A A D1 = D2(-b22) +T2 c2, где T2 =.

Непосредственно в форме (10.25) при учете условий нормализации эта система записалась бы в виде:

A D2b22 = -D1 + T2 c2.

Из решения этой системы -bKM получается таким же, как в (10.23), кроме того, получается оценка свободного члена:

d cKM = d21 - d22.

d 328 Глава 10. Оценка параметров систем уравнений Если уравнение не идентифицировано, переменных в системе (10.21) оказы вается больше, чем уравнений, и эта система представляет бесконечное множе ство значений параметров структурной формы. Чтобы выбрать из этого множе ство какое-то решение, часть параметров структурной формы надо зафиксировать, т.е. сделать уравнение идентифицированным.

Для сверхидентифицированного уравнения система (10.21) является переопре деленной, и ее уравнения не могут выполняться как равенства. Различные методы оценки такого уравнения реализуют различные подходы к минимизации невязок по уравнениям этой системы.

Одним из таких методов является двухшаговый метод (2М) наименьших квад ратов.

На первом шаге с помощью МНК оцениваются параметры приведенной формы для переменных Xl :

l Xl = ZDl + V, - l где V — N (kl-1)-матрица остатков по уравнениям;

и определяются расчетные значения этих переменных уже без ошибок:

Xlc = ZDl.

- На втором шаге с помощью МНК оцениваются искомые параметры структур ной формы из уравнения:

Xl = Xlc bl + Zlal + el. (10.27) Для этого уравнения гипотеза g2 выполняется, т.к. регрессоры не имеют ошибок, и поэтому применим обычный МНК.

Можно определить единый оператор 2M-оценивания. Поскольку Xlc = FXl, - где F = Z(Z Z)-1Z, уравнение (10.24) записывается как:

bl Xl = FXl Zl + el, (10.28) al а оператор, входящий в него, как:

- bl Xl FXl Xl Zl Xl FXl - - - - =. (10.29) al Zl Xl Zl Zl Zl Xl 10.3. Оценка параметров отдельного уравнения Оператор в такой форме получается как результат применения МНК к уравнению (10.25), т.е. результат умножения обеих частей этого уравнения слева на транспо нированную матрицу регрессоров и отбрасывания компоненты остатков:

l l F F X- X- Xl = FXl Zl bl. (10.30) Zl Zl al l Откуда следует оператор 2М-оценивания в указанной форме, т.к. F — симметрич ная идемпотентная матрица и FZl = FZTlA = ZTlA = Zl.

Такой оператор оценивания сверхидентифицированного уравнения можно по лучить, если МНК применить к системе (10.21) (в этом случае она переопределена и в ее уравнениях возникают невязки), умножив предварительно обе ее части слева на Z.

Система нормальных уравнений для оценки (10.21), умноженной на Z, записыва ется следующим образом:

l l D- D- Z ZDl = Z Z Dl TlA bl, TlA TlA al и, учитывая, что Dl Z ZDl = Xl FXl, TlA Z ZDl = Zl Xl и т.д., - она преобразуется к виду (10.29).

Отсюда, в частности, следует, что для точно идентифированного уравнения 2М-оценка совпадает с КМ-оценкой, т.к. параметры структурной формы урав нения, однозначно определяемые соотношениями (10.21), удовлетворяют в этом случае и условиям (10.25).

Соотношения (10.29) — первая форма записи оператора 2М-оценивания. Ес c l ли в (10.24) учесть, что Xl = Xl - V, этот оператор можно записать в более - прозрачной второй форме:

- l l l bl Xl Xl - V V Xl Zl (Xl - V )Xl - - - - =. (10.31) al Zl Xl Zl Zl Zl Xl 330 Глава 10. Оценка параметров систем уравнений l Это доказывается аналогично с учетом того, что остатки V ортогональны регрес сорам Z и, соответственно, l l l l l Z V =0, Xl V = V V, Xl cV =0.

- Попытка применить оператор 2М-оценивания для не идентифицированного уравнения не имеет смысла, т.к. обращаемая матрица в данном операторе вырож дена.

В этом легко убедиться, т.к.

FXl Zl = Z Dl TlA, - т.е. матрица наблюдений за регрессорами в (10.25) получается умножением на Z слева матрицы системы (10.21). В последней, если уравнение не идентифицирова но, — столбцов больше, чем строк. Следовательно, регрессоры в (10.25) линейно связаны между собой, а матрица системы нормальных уравнений (матрица операто ра оценивания) вырождена.

Для сверхидентифицированного уравнения можно использовать также метод наименьшего дисперсионного отношения (МНДО). Строгое обоснование его применимости вытекает из метода максимального правдоподобия.

Пусть bl в уравнении (10.20) оценено, и Xlbl рассматривается как единая эндогенная переменная. В результате применения МНК определяются:

al =(Zl Zl)-1Zl Xlbl, l l (10.32) el =(IN - F )Xlbl, где F = Zl(Zl Zl)-1Zl, l l l e el = bl W bl, где W = Xl (IN - F )Xl.

l Теперь находится остаточная сумма квадратов при условии, что все экзогенные переменные входят в l-е уравнение. Она равна bl Wbl, гд е W = Xl (IN - F )Xl.

Тогда bl должны были бы быть оценены так, чтобы l bl W bl = min!

bl Wbl Иначе было бы трудно понять, почему в этом уравнении присутствуют не все экзо генные переменные.

Решение этой задачи приводит к следующим условиям:

l (W - W )bl =0. (10.33) 10.4. Оценка параметров системы идентифицированных уравнений Действительно, из условия равенства нулю первой производной:

l l 2W bl(bl Wbl) - 2Wbl(bl W bl) l = = (W bl - W bl) =0, bl (bl Wbl)2 bl Wbl сразу следует (10.33).

Следовательно, находится как минимальный корень характеристического уравнения (см. Приложение A.1.2) l W - W =0, а bl определяется из 10.33 с точностью до постоянного множителя, т.е. с точностью до нормировки bll =1.

В общем случае min > 1, но при правильной спецификации модели min - 1.

N Оператор - l l l bl Xl Xl - kV V Xl Zl (Xl - kV )Xl - - - - = al Zl Xl Zl Zl Zl Xl позволяет получить так называемые оценки k-класса (не путать с k —количе ством эндогенных переменных в системе).

При k =0, они являются обычными МНК-оценками для l-го уравнения, что легко проверяется;

при k = 1, это — 2М-оценки;

при k = min — МНДО оценки (принимается без доказательства). 2М-оценки занимают промежуточное положение между МНК- и МНДО-оценками (т.к. min > 1). Исследования пока зывают, что эффективные оценки получаются при k <1.

10.4. Оценка параметров системы идентифицированных уравнений Из приведенной формы системы уравнений следует, что x =(B-1) A z +(B-1).

Как и прежде, в любом наблюдении E() =0, E( ) =2, и ошибки не корре лированы по наблюдениям. Тогда E(x ) =(B-1) E( ) =2(B-1), 332 Глава 10. Оценка параметров систем уравнений т.е. в общем случае все эндогенные переменные коррелированы с ошибками во всех уравнениях. Это является основным препятствием для применения обычного МНК ко всем уравнениям по отдельности.

Но в случае, если в матрице B все элементы, расположенные ниже глав ной диагонали, равны нулю, т.е. в правой части l-го уравнения могут появлять ся только более младшие эндогенные переменные xl, l < l, и последней компонентой любого вектора xl является xl, а матрица диагональна, то l не коррелирует с переменными xl при любом l. Это — рекурсивная систе ма, и для оценки ее параметров можно применять МНК к отдельным уравне ниям.

Для оценки параметров всех идентифицированных уравнений системы можно применить трехшаговый метод (3М) наименьших квадратов.

Первые два шага 3М совпадают с 2М, но представляются они по сравнению с предыдущим пунктом в несколько иной форме.

Предполагается, что идентифицированы все k уравнений:

Xl = Xl l + Zll + l = Qll + l, l =1,..., k, где Ql =[Xl, Zl], l =[ l l ]. Учитывая указанные выше свойства остатков:

E(l ) =2llIN, E(l ) =2l lIN.

l l Теперь обе части l-го уравнения умножаются слева на Z :

Z Xl = Z Qll + Z l, (10.34) и Z Xl рассматривается как вектор n +1 наблюдений за одной эндогенной пе ременной, а Z Ql — как матрица n +1 наблюдений за nl + kl экзогенными пе ременными, включая свободный член. Так как все уравнения идентифицированы, и выполнено условие (10.14), во всех этих новых регрессиях количество наблю дений не меньше количества оцениваемых параметров. Для сверхидентифициро ванных уравнений количество наблюдений в новой регрессии будет превышать количество оцениваемых параметров. Это более естественный случай. Поэтому 3М-метод обычно применяют для всех сверхидентифицированных уравнений си стемы.

Матрица ковариации остатков по уравнению (10.34) равна 2llZ Z. Она от лична от 2IN, и для получения оценок cl параметров l этого уравнения нужно использовать ОМНК:

cl =(Ql Z(Z Z)-1Z Ql)-1Ql Z(Z Z)-1Z Xl, или cl =(Ql FQl)-1Ql FXl.

10.4. Оценка параметров системы идентифицированных уравнений Сравнив полученное выражение с (10.29), легко убедится в том, что cl — 2М-оценка.

Если 2М на этом заканчивается, то в 3М полученные оценки cl используются для того, чтобы оценить el, и затем получить оценки W матрицы 2:

1 wll = e el, wl l = e el.

l l N N Теперь все уравнения (10.34) записываются в единой системе (подобная запись использовалась в п.10.1 при доказательстве одного из утверждений):

Z X1 Z Q1 0 · · · 0 1 Z Z X2 0 Z Q2 · · · 0 2 Z = +, (10.35)......

.

.......

.

......

Z Xk 0 0 · · · Z Qk k Z k или Y = Q +, где Y — соответствующий k · (n +1)-вектор-столбец наблюдений за изучаемой переменной;

k Q — k(n +1) (kl + nl)-матрица наблюдений за экзогенными перемен l= ными;

k — (kl + nl)-вектор-столбец параметров регрессии;

l= — k(n +1)-вектор-столбец остатков по наблюдениям.

Легко проверить, что матрица ковариации остатков удовлетворяет следую щему соотношению:

E( ) =2 (Z Z).

Для нее имеется оценка: k(n +1) (n +1)-матрица =W (Z Z). Эта матрица отлична от 2Ik(n+1), поэтому на третьем шаге 3М-оценивания к единой системе (10.35) применяется ОМНК и получается окончательная оценка c параметров :

c =(Q -1Q)-1Q -1Y.

334 Глава 10. Оценка параметров систем уравнений 10.5. Упражнения и задачи Упражнение Рассматривается простая Кейнсианская модель:

Таблица 10. c = 1N + y +, i c y 1 = y = c + i, 2.00 18.19 20.19 0. 2.00 17.50 19.50 –0. где c, i и y — объем потребления, инве стиции и доход соответственно, 1N — стол 2.20 16.48 18.68 –2. бец, состоящий из единиц. Пусть каждый век 2.20 19.06 21.26 0. тор имеет размерность 20 1, E() = 0 и E( ) =2IN =0.22I20. Система уравнений 2.40 21.38 23.78 1. приведенной формы следующая:

2.40 21.23 23.63 1. 2.60 21.11 23.71 0. c = 1N + i +, 1- 1- 1 2.60 22.65 25.25 2. 1 y = 1N + i +, 1- 1- 1 2.80 20.74 23.54 –0. Ошибки в приведенной форме для c и y та 2.80 19.85 22.65 –1. ковы:

3.00 22.23 25.23 0. 1 1 1 = 2 = = =, 3.00 22.23 25.23 0. 1 - 1 - 0.8 0. т.е. в модели в приведенной форме ошибки 1 3.20 23.43 26.63 0. и 2 распределены как N(0, I). В таблице 3.20 23.04 26.24 0. 10.1 на основе заданных 20-ти гипотетических 3.40 23.03 26.43 –0. значений для i (первая колонка) и нормаль но распределенных ошибок (последняя колон 3.40 24.45 27.85 0. ка) получены данные для c и y из уравнений 3.60 26.63 30.23 2. приведенной формы, используя значения па раметров =2 и =0.8.

3.60 24.47 28.07 0. В реальной ситуации существуют только 3.80 24.67 28.47 –0. значения i, c и y. Значения ошибки в модели 3.80 26.00 29.80 0. и значения и неизвестны.

1.1. Используя данные таблицы 10.1, оцените уравнения приведенной формы для объема потреблении и дохода.

10.5. Упражнения и задачи 1.2. Используя данные таблицы 10.1, посчитайте косвенные МНК-оценки для и из а) уравнения приведенной формы для объема потребления и б) уравнения приведенной формы для дохода.

Идентичны ли косвенные МНК-оценки, полученные из обоих уравнений приведенной формы?

1.3. Используя данные таблицы 10.1, посчитайте простые МНК-оценки для и и сравните их с косвенными МНК-оценками из упражнениия 1.2.

1.4. Используя данные таблицы 10.1 для i и используя значения параметров =2 и =0.8 составьте 100 выборок для c и y.

1.5. Примените простой МНК к каждому структурному уравнению системы для 100 выборок. Посчитайте среднее 100 оценок и. Проверьте степень эмпирического смещения.

1.6. Посчитайте косвенные МНК-оценки для и для 100 выборок. Посчитай те среднее 100 оценок и. Посчитайте степень смещения в маленьких выборках — размером по 20 наблюдений. Сравните смещение косвенных МНК-оценок со смещением обычных МНК-оценок.

1.7. Объедините пары выборок так, чтобы получились 50 выборок по 40 наблю дений. Посчитайте косвенные МНК-оценки для и для этих 50 выборок.

Посчитайте среднее и проверьте смещение оценок. Будут ли эмпирические смещения в этом случае меньше, чем рассчитанные из 100 выборок по 20 на блюдений?

Упражнение Таблица 10.2 содержит векторы наблюдений z1, z2, z3, z4, z5 и x1, x2, x которые представляют выборку, полученную из модели:

x1 = 12x2 + 13x3 + 11z1 + 1, x2 = 21x1 + 21z1 + 22z2 + 23z3 + 24z4 + 2, x3 = 32x2 + 31z1 + 32z2 + 35z5 + 3, 336 Глава 10. Оценка параметров систем уравнений Таблица 10. z1 z2 z3 z4 z5 x1 x2 x 1 3.06 1.34 8.48 28.00 359.27 102.96 578. 1 3.19 1.44 9.16 35.00 415.76 114.38 650. 1 3.30 1.54 9.90 37.00 435.11 118.23 684. 1 3.40 1.71 11.02 36.00 440.17 120.45 680. 1 3.48 1.89 11.64 29.00 410.66 116.25 642. 1 3.60 1.99 12.73 47.00 530.33 140.27 787. 1 3.68 2.22 13.88 50.00 557.15 143.84 818. 1 3.72 2.43 14.50 35.00 472.80 128.20 712. 1 3.92 2.43 15.47 33.00 471.76 126.65 722. 1 4.15 2.31 16.61 40.00 538.30 141.05 811. 1 4.35 2.39 17.40 38.00 547.76 143.71 816. 1 4.37 2.63 18.83 37.00 539.00 142.37 807. 1 4.59 2.69 20.62 56.00 677.60 173.13 983. 1 5.23 3.35 23.76 88.00 943.85 223.21 1292. 1 6.04 5.81 26.52 62.00 893.42 198.64 1179. 1 6.36 6.38 27.45 51.00 871.00 191.89 1134. 1 7.04 6.14 30.28 29.00 793.93 181.27 1053. 1 7.81 6.14 25.40 22.00 850.36 180.56 1085. 1 8.09 6.19 28.84 38.00 967.42 208.24 1246. 1 9.24 6.69 34.36 41.00 1102.61 235.43 1401. 10.5. Упражнения и задачи или в матричной форме: XB = ZA +, гд е i — нормально распределенные векторы с E(i) =0 и 1 E = E = IN.

2 3 Гипотетические структурные матрицы коэффициентов B, A и ковариационная матрица следующие:

-40 0 0.2 0 0 4 - B =, A =, -10 -1 2 0 6 2.5 0 -1 0 -1.5 0 0 - 227.55 8.91 -56. = 8.91 0.66 -1. -56.89 -1.88 15. Матрица коэффициентов в приведенной форме для гипотетической модели следу ющая:

-142.50 11.50 13. 110.00 18.00 116. D = AB-1 = 15.00 -3.00 -6. -3.75 0.75 1. 6.25 1.25 7. В реальной ситуации B, A,, D были бы неизвестны, доступны были бы только наблюдения в таблице 10.2.

2.1. Используя данные таблицы 10.2, проверьте каждое структурное уравнение системы на идентифицируемость.

338 Глава 10. Оценка параметров систем уравнений 2.2. Оцените матрицу параметров приведенной формы D =(Z Z)-1Z X.

2.3. Примените простой МНК к каждому структурному уравнению системы и оце ните матрицы B и A.

2.4. Рассчитайте - l l l bl Xl Xl - kV V Xl Zl (Xl - kV )Xl - - - - = (10.36) al Zl Xl Zl Zl Zl Xl при k =0 и сравните с результатом упражнения 2.3.

2.5. Используя косвенный МНК, оцените параметры второго строго идентифи цированого уравнения.

A 2.6. Найдите b2 и a2, решая систему D2 = D2 b2 + T2 a2, и сравните с резуль татом упражнения 2.5.

l 2.7. Найдите минимальный корень из уравнения W - W =0 и, используя формулу метода наименьшего дисперсионного отношения (10.36) при k =, оцените параметры в каждом из трех структурных уравнений.

2.8. Используя формулу двухшагового метода наименьших квадратов (10.36) при k =1, сравните оценки матрицы D, полученные на основе оценок простым МНК, МНДО и 2МНК, с исходными гипотетическими матрицами парамет ров приведенной формы.

2.9. Используя формулу 3МНК, оцените параметры первого и третьего структур ных уравнений совместно.

Упражнение Имеем модель Клейна, в которой C = P + (W + V ) +P-1 + + 1 — функция потребления, I = P + P-1 + K-1 + + 2 — функция инвестиционного спроса, W = µ(Y + T - V ) +(Y-1 + T-1 - V-1) +t + + 3 — функция спроса на труд.

Выполняются следующие макроэкономические соотношения:

Y + T = C + I + G, Y = W + V + P, K = K-1 + I, 10.5. Упражнения и задачи где C — потребительские расходы, I — инвестиционные расходы, G —госу дарственные расходы, P — прибыль, W — спрос на труд негосударственного сектора, V — спрос на труд государственного сектора, K — капитал, T —на логи, t —время, Y — чистый доход от налогов.

На основе данных из таблицы 10.3 оценить параметры модели Клейна простым методом наименьших квадратов и двухшаговым методом наименьших квадратов.

Показать величину смещения оценок.

Задачи 1. Эконометрическая модель описана следующими уравнениями:

x1 = 10 + 11z1 + 12x2 + 1, x2 = 20 + 21x1 + 2, где x1 и x2 — эндогенные переменные, z1 — экзогенная переменная, 1 и 2 — случайные ошибки. Определите направление смещения оценки для 21, если для оценивания второго уравнения используется метод наи меньших квадратов.

2. Дана следующая макроэкономическая модель:

y = c + i + g — макроэкономическое тождество;

c = 10 + 11y — функция потребления, i = 20 + 21y - 22r — функция инвестиций, (m/p) =31y - 32r — уравнение денежного рынка, где эндогенными переменными являются доход y, потребление c, инвестиции i и процентная ставка r. Переменные g (государственные расходы) и (m/p) (реальная денежная масса) — экзогенные. Проверьте, является ли данная система идентифицируемой, и перепишите модель в приведенной форме.

3. Дана следующая модель краткосрочного равновесия для малой открытой эко номики (модель Манделла—Флеминга):

y = c + i + nx — макроэкономическое тождество, c = 11 + 11y + 1 — функция потребления, i = 21 - 21r + 21y + 2 — функция инвестиций, nx = 31 - 31y - 32ec + 3 — функция чистого экспорта, (m/p) =41y - 41r + 4 — уравнение денежного рынка, 340 Глава 10. Оценка параметров систем уравнений Таблица 10.3. (Источник: G.S. Maddala(1977), Econometrics, p. 237) t C P W I K- V G T 1920 39.8 12.7 28.8 2.7 180.1 2.2 2.4 3. 1921 41.9 12.4 25.5 -0.2 182.8 2.7 3.9 7. 1922 45 16.9 29.3 1.9 182.6 2.9 3.2 3. 1923 49.2 18.4 34.1 5.2 184.5 2.9 2.8 4. 1924 50.6 19.4 33.9 3 189.7 3.1 3.5 3. 1925 52.6 20.1 35.4 5.1 192.7 3.2 3.3 5. 1926 55.1 19.6 37.4 5.6 197.8 3.3 3.3 1927 56.2 19.8 37.9 4.2 203.4 3.6 4 6. 1928 57.3 21.1 39.2 3 207.6 3.7 4.2 4. 1929 57.8 21.7 41.3 5.1 210.6 4 4.1 1930 55 15.6 37.9 1 215.7 4.2 5.2 7. 1931 50.9 11.4 34.5 –3.4 216.7 4.8 5.9 7. 1932 45.6 7 29 –6.2 213.3 5.3 4.9 8. 1933 46.5 11.2 28.5 –5.1 207.1 5.6 3.7 5. 1934 48.7 12.3 30.6 –3 202 6 4 6. 1935 51.3 14 33.2 –1.3 199 6.1 4.4 7. 1936 57.7 17.6 36.8 2.1 197.7 7.4 2.9 8. 1937 58.7 17.3 41 2 199.8 6.7 4.3 6. 1938 57.5 15.3 38.2 –1.9 201.8 7.7 5.3 7. 1939 61.6 19 41.6 1.3 199.9 7.8 6.6 8. 1940 65 21.1 45 3.3 201.2 8 7.4 9. 1941 69.7 23.5 53.3 4.9 204.5 8.5 14 10.5. Упражнения и задачи где эндогенными переменными являются доход y, потребление c, инвести ции i, чистый экспорт nx ивалютныйкурс ec. Переменные r (процентная ставка, значение которой формируется на общемировом уровне) и (m/p) (реальная денежная масса) — экзогенные;

1,..., 4 — случайные ошиб ки. Запишите общие условия для определения структурных параметров каж дого уравнения модели. Какие уравнения модели точно идентифицируемы?

Перепишите модель Манделла—Флеминга в приведенной форме.

4. Приведите пример системы одновременных уравнений, к которой можно при менить косвенный МНК (с объяснением обозначений).

5. Приведите пример сверхидентифицированной системы одновременных урав нений (с объяснением обозначений).

6. Рассмотрите модель:

x1t = 12x2t + 11z1t + 12z2t + 13z3t + 14z4t + 1t, x2t = 21x1t + 21z1t + 22z2t + 23z3t + 24z4t + 2t, где вектор z — экзогенные переменные, а вектор — случайные после довательно некоррелированные ошибки с нулевыми средними. Используя исключающие ограничения (т.е. обращая в нуль некоторые коэффициенты), определите три альтернативные структуры, для которых простейшими состо ятельными процедурами оценивания являются соответственно обыкновен ный метод наименьших квадратов, косвенный метод наименьших квадратов и двухшаговый метод наименьших квадратов.

7. Имеется следующая макроэкономическая модель:

c = 10 + 11y + 1, i = 20 + 21y + 22y-1 + 2, y = c + i + g, где c, i и y — объем потребления, инвестиции и доход, соответственно, а y-1 — доход предыдущего периода, g — государственные расходы.

а) Определите типы структурных уравнений;

б) классифицируйте типы переменных;

в) представьте структурные уравнения в матричной форме;

г) запишите модель в приведенной форме;

д) проверьте идентифицируемость и метод оценки параметров каждого уравнения в структурной форме модели;

342 Глава 10. Оценка параметров систем уравнений 8. Пусть дана простая Кейнсианская модель:

c = y +, y = c + i, где c, i и y — объем потребления, инвестиции и доход, соответственно.

Пусть каждый вектор имеет размерность N 1, E() =0 и E( ) =2IN.

а) Запишите модель в приведенной форме;

б) найдите оценку для параметра дохода для приведенной формы;

в) получите косвенную МНК-оценку для из результатов (б);

г) найдите оценку для параметра потребления для приведенной формы;

д) получите косвенную МНК-оценку для из результатов (г);

е) покажите, что результаты (в) и (д) совпадают;

ж) определите направление смещения МНК-оценки для.

9. Известны МНК-оценки параметров регрессии (угловые коэффициенты) аг регированного объема продаж продовольственных товаров и цены на них от индекса погодных условий:

а) 0.3 и -0.6;

б) 0.3 и 0.6.

Определить коэффициенты эластичности спроса и предложения от цены.

10. Пусть система одновременных уравнений имеет вид:

x1 = 10 + 12x2 + 11z1 + 1, x2 = 20 + 21x1 + 22z2 + 2.

Получены следующие оценки приведенной формы этой системы:

x1 =1 +2z1 +3z2, x2 = -2+1z1 +4z2.

Найдите оценки параметров исходной системы.

11. Рассматривается следующая модель краткосрочного равновесия типа IS-LM:

yt = ct + it + gt + nxt, ct = 11 + 11yt + 1t, it = 21 + 21rt + 2t, nxt = 31 + 31yt + 32rt + 3t, mt = 40 + 41yt + 41rt + 4t, 10.5. Упражнения и задачи где эндогенными переменными являются валовой доход (выпуск) y, объем личных потребительских расходов c, объем инвестиций i, чистый экспорт nx и ставка процента r. Экзогенные переменные: g — совокупные госу дарственные расходы и m — предложение денег. Опишите процедуру оце нивания модели с помощью двухшагового метода наименьших квадратов.

12. Дано одно уравнение x1t = 12x2t + 13x3t + 11z1t + 1t модели, состоящей из трех уравнений. В нее входят еще три экзогенные переменные z1, z2 и z3.

Наблюдения заданы в виде следующих матриц:

20 15 -5 2 2 4 Z Z =, Z X =, 15 60 -45 0 4 12 - -5 -45 -70 0 -2 -12 1 0 0 0 2 0 X X =.

0 0 4 0 0 0 Получите оценки двухшаговым методом наименьших квадратов для парамет ров этого уравнения и оцените их стандартные ошибки.

Рекомендуемая литература 1. Айвазян С.А. Основы эконометрики. Т.2. — М.: «Юнити», 2001. (Гл. 4).

2. Бриллинджер Д. Временные ряды. Обработка данных и теория. — М.:

«Мир», 1980. (Гл. 10).

3. Джонстон Дж. Эконометрические методы. — М.: «Статистика», 1980.

(Гл. 12).

4. Доугерти К. Введение в эконометрику. — М.: «Инфра-М», 1997. (Гл. 11).

5. Кейн Э. Экономическая статистика и эконометрия. Вып. 2. — М.: «Стати стика», 1977. (Гл. 13).

344 Глава 10. Оценка параметров систем уравнений 6. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс. — М.: «Дело», 2000. (Гл. 10).

7. (*) Маленво Э. Статистические методы эконометрии. Вып. 2. — М., 1975.

(Гл. 17–20).

8. Тинтер Г. Введение в эконометрию. — М.: «Статистика», 1965. (Гл. 6).

9. Baltagi, Badi H. Econometrics, 2nd edition, Springer, 1999. (Ch. 11).

10. Davidson, Russel, Mackinnon, James. Estimation and Inference in Econo metrics, No. 9, Oxford University Press, 1993. (Ch. 7, 18).

11. Greene W.H. Econometric Analysis, Prentice-Hall, 2000. (Ch. 15, 16).

12. Judge G.G., Hill R.C., Griffiths W.E., Luthepohl H., Lee T. Introduction to the Theory and Practice of Econometric. John Wiley & Sons, Inc., 1993.

(Ch. 14, 15).

13. Maddala G.S. Introduction to Econometrics, 2nd ed., Prentice Hall, 1992.

(Ch. 9).

14. Ruud Paul A. An Introduction to Classical Econometric Theory, Oxford University Press, 2000. (Ch. 26).

15. William E., Griffiths R., Carter H., George G. Judge Learning and Practicing econometrics, N 9 John Wiley & Sons, Inc., 1993. (Ch. 17).

Часть III Эконометрия — I:

Анализ временных рядов Это пустая страница Глава Основные понятия в анализе временных рядов 11.1. Введение В каждой сфере экономики встречаются явления, которые интересно и важ но изучать в их развитии, т.к. они изменяются во времени. С течением времени изменяются цены, экономические условия, режим протекания того или иного про изводственного процесса. Совокупность измерений подобного рода показателей в течение некоторого периода времени и представляет временной ряд.

Цели анализа временных рядов могут быть различными. Можно, например, стремиться предсказать будущее на основании знаний прошлого, пытаться выяс нить механизм, лежащий в основе процесса, и управлять им. Необходимо уметь освобождать временной ряд от компонент, которые затемняют его динамику. Часто требуется сжато представлять характерные особенности ряда.

Временным рядом называют последовательность наблюдений, обычно упо рядоченную во времени, хотя возможно упорядочение и по какому-либо другому параметру. Основной чертой, выделяющей анализ временных рядов среди других видов статистического анализа, является существенность порядка, в котором про изводятся наблюдения.

Различают два вида временных рядов. Измерение некоторых величин (темпера туры, напряжения и т.д.) производится непрерывно, по крайней мере теоретически.

При этом наблюдения можно фиксировать в виде графика. Но даже в том случае, 348 Глава 11. Основные понятия в анализе временных рядов когда изучаемые величины регистрируются непрерывно, практически при их об работке используются только те значения, которые соответствуют дискретному множеству моментов времени. Следовательно, если время измеряется непрерыв но, временной ряд называется непрерывным, если же время фиксируется дис кретно, т.е. через фиксированный интервал времени, то временной ряд дискретен.

В дальнейшем мы будем иметь дело только с дискретными временными рядами.

Дискретные временные ряды получаются двумя способами:

– выборкой из непрерывных временных рядов через регулярные промежутки времени (например, численность населения, величина собственного капита ла фирмы, объем денежной массы, курс акции), — такие временные ряды называются моментными;

– накоплением переменной в течение некоторого периода времени (например, объем производства какого-либо вида продукции, количество осадков, объем импорта), — в этом случае временные ряды называются интервальными.

В эконометрии принято моделировать временной ряд как случайный про цесс, называемый также стохастическим процессом, под которым понимается статистическое явление, развивающееся во времени согласно законам теории ве роятностей. Случайный процесс — это случайная последовательность. Обычно предполагают, что эта последовательность идет от минус до плюс бесконечно сти: {Xt}t=-,..., +. Временной ряд— это лишь одна частная реализация тако го теоретического стохастического процесса: x = {xt}t=1,..., T = (x1,..., xT ), где T — длина временного ряда. Временной ряд x =(x1,..., xT ) также часто неформально называют выборкой1. Обычно стоит задача по данному ряду сделать какие-то заключения о свойствах лежащего в его основе случайного процесса, оценить параметры, сделать прогнозы и т.п. В литературе по временным рядам существует некоторая неоднозначность, и иногда временным рядом называют сам случайный процесс {Xt}t=-,..., +, либо его отрезок {xt}t=1,..., T, а иногда ста тистическую модель, которая порождает данный случайный процесс. В дальнейшем мы не будем в явном виде посредством особых обозначений различать случайный процесс и его реализацию. Из контекста каждый раз будет ясно, о чем идет речь.

Возможные значения временного ряда в данный момент времени t описы ваются с помощью случайной величины xt и связанного с ней распределения вероятностей p(xt). Тогда наблюдаемое значение xt временного ряда в момент t рассматривается как одно из множества значений, которые могла бы принять случайная величина xt в этот момент времени. Следует отметить, однако, что, как правило, наблюдения временного ряда взаимосвязаны, и для корректного его описания следует рассматривать совместную вероятность p(x1,..., xT ).

Хотя, по формальному определению, выборка должна состоять из независимых, одинаково рас пределенных случайных величин.

11.1. Введение Для удобства можно провести классификацию случайных процессов и соот ветствующих им временных рядов на детерминированные и случайные процессы (временные ряды). Детерминированным называют процесс, который принимает заданное значение с вероятностью единица. Например, его значения могут точно определяться какой-либо математической функцией от момента времени t, как в следующем примере: xt = R cos(2t - ). Когда же мы будем говорить о случай ном процессе и случайном временном ряде, то, как правило, будем подразумевать, что он не является детерминированным.

Стохастические процессы подразделяются на стационарные и нестационар ные. Стохастический процесс является стационарным, если он находится в опре деленном смысле в статистическом равновесии, т.е. его свойства с вероятностной точки зрения не зависят от времени. Процесс нестационарен, если эти условия нарушаются.

Важное теоретическое значение имеют гауссовские процессы. Это такие про цессы, в которых любой набор наблюдений имеет совместное нормальное распре деление. Как правило, термин «временной ряд» сам по себе подразумевает, что этот ряд является одномерным (скалярным). Часто бывает важно рассмотреть совместную динамику набора временных рядов xt =(x1t,..., xkt), t =1,..., T.

Такой набор называют многомерным временным рядом, или векторным вре менным рядом. Соответственно, говорят также о многомерных, или векторных, случайных процессах.

При анализе экономических временных рядов традиционно различают разные виды эволюции (динамики). Эти виды динамики могут, вообще говоря, комбини роваться. Тем самым задается разложение временного ряда на составляющие, которые с экономической точки зрения несут разную содержательную нагрузку.

Перечислим наиболее важные:

– тенденция — соответствует медленному изменению, происходящему в неко тором направлении, которое сохраняется в течение значительного проме жутка времени. Тенденцию называют также трендом или долговременным движением.

– циклические колебания — это более быстрая, чем тенденция, квазиперио дическая динамика, в которой есть фаза возрастания и фаза убывания. Наи более часто цикл связан с флуктуациями экономической активности.

– сезонные колебания — соответствуют изменениям, которые происходят ре гулярно в течение года, недели или суток. Они связаны с сезонами и ритмами человеческой активности.

350 Глава 11. Основные понятия в анализе временных рядов – календарные эффекты — это отклонения, связанные с определенными предсказуемыми календарными событиями — такими, как праздничные дни, количество рабочих дней за месяц, високосность года и т.п.

– случайные флуктуации — беспорядочные движения относительно большой частоты. Они порождаются влиянием разнородных событий на изучаемую величину (несистематический или случайный эффект). Часто такую состав ляющую называют шумом (этот термин пришел из технических приложений).

– выбросы — это аномальные движения временного ряда, связанные с редко происходящими событиями, которые резко, но лишь очень кратковременно отклоняют ряд от общего закона, по которому он движется.

– структурные сдвиги — это аномальные движения временного ряда, связан ные с редко происходящими событиями, имеющие скачкообразный характер и меняющие тенденцию.

Некоторые экономические ряды можно считать представляющими те или иные виды таких движений почти в чистом виде. Но бо льшая часть их имеет очень слож ный вид. В них могут проявляться, например, как общая тенденция возрастания, так и сезонные изменения, на которые могут накладываться случайные флуктуа ции. Часто для анализа временных рядов оказывается полезным изолированное рассмотрение отдельных компонент.

Для того чтобы можно было разложить конкретный ряд на эти состав ляющие, требуется сделать какие-то допущения о том, какими свойствами они должны обладать. Желательно построить сначала формальную статисти ческую модель, которая бы включала в себя в каком-то виде эти состав ляющие, затем оценить ее, а после этого на основании полученных оце нок вычленить составляющие. Однако построение формальной модели явля ется сложной задачей. В частности, из содержательного описания не все гда ясно, как моделировать те или иные компоненты. Например, тренд мо жет быть детерминированным или стохастическим. Аналогично, сезонные ко лебания можно комбинировать с помощью детерминированных переменных или с помощью стохастического процесса определенного вида. Компонен ты временного ряда могут входить в него аддитивно или мультипликатив но. Более того, далеко не все временные ряды имеют достаточно про стую структуру, чтобы можно было разложить их на указанные составляю щие.

Существует два основных подхода к разложению временных рядов на компонен ты. Первый подход основан на использовании множественных регрессий с факто рами, являющимися функциями времени, второй основан на применении линейных фильтров.

11.2. Стационарность, автоковариации и автокорреляции 11.2. Стационарность, автоковариации и автокорреляции Статистический процесс называется строго стационарным, если взаимное рас пределение вероятностей m наблюдений инвариантно по отношению к общему сдвигу временного аргумента, т.е. совместная плотность распределения случайных величин xt1, xt2,..., xtm такая же, как для величин xt1+k, xt2+k,..., xtm+k при любых целых значениях сдвига k. Когд а m =1, из предположения стационарности следует, что безусловное распределение величины xt, p(xt), одинаково для всех t и может быть записано как p(x).

Требование стационарности, определенное этими условиями, является доста точно жестким. На практике при изучении случайных процессов ограничиваются моментами первого и второго порядка, и тогда говорят о слабой стационарно сти или стационарности второго порядка2. В этом случае процесс имеет по стоянные для всех t моменты первого и второго порядков: среднее значение µ = E(xt), определяющее уровень, относительно которого он флуктуирует, дис персию 2 = E(xt - µ)2 и автоковариацию k = E(xt - µ)(xt+k - µ). Ко вариация между xt и xt+k зависит только от величины сдвига k и не зависит от t. Автокорреляция k-го порядка стационарного процесса с ненулевой диспер сией E(xt - µ)(xt+k - µ) k = E(xt - µ)2E(xt+k - µ) сводится к простой формуле k k =.

Следует иметь в виду, что два процесса, имеющие одинаковые моменты первого и второго порядка, могут иметь разный характер распределения.

Автоковариационной функцией стационарного процесса называют последо вательность автоковариаций {k}k=-,..., +. Так как автоковариационная функ ция симметрична относительно нуля: k = -k, то достаточно рассматривать k =0, 1, 2, 3,...

Aвтокорреляционной функцией (АКФ) называют последовательность авто корреляций {k}k=-,..., +. Автокорреляционная функция также симметрична, причем 0 =1, поэтому рассматривают k =0, 1, 2, 3,...

В русскоязычной литературе строгую стационарность также называют стационарностью в узком смысле, а слабую стационарность — стационарностью в широком смысле.

352 Глава 11. Основные понятия в анализе временных рядов Автоковариационная матрица T для стационарного ряда x1,..., xT имеет вид:

0 1 · · · T -1 1 1 · · · T - 1 0 · · · T -2 1 1 · · · T - T =, =......

..

........

..

......

T -1 T -2 · · · 0 T -1 T -2 · · · T = 0PT.

Особенность автоковариационной матрицы T и соответствующей автокор реляционной матрицы PT в случае стационарности состоит в том, что они имеют одни и те же элементы на любой диагонали. Матрицы такого вида принято называть тёплицевыми матрицами.

Как известно, любая ковариационная матрица является симметричной и по ложительно полуопределенной. Кроме того, если компоненты рассматриваемого случайного вектора x линейно независимы в том смысле, что не существует нену левой вектор коэффициентов, такой что x — детерминированная величина, то ковариационная матрица является положительно определенной. Напомним, что, по определению (см. Приложение A.1.1), симметричная T T матрица A назы вается положительно полуопределенной, если для каждого вектора выполняет ся неравенство A 0;

матрица A называется положительно определенной, если для каждого ненулевого вектора выполняется неравенство A > 0.

Автоковариационная и автокорреляционная матрица являются ковариационными матрицами, поэтому они обладают указанными свойствами. С другой стороны, если матрица обладает указанными свойствами, то она может быть автоковариационной матрицей некоторого временного ряда.

Из этих рассуждений следует, что условие слабой стационарности процесса, компоненты которого линейно независимы в указанном выше смысле, налагает рядограничений на видавтокорреляционной и автоковариационной функций. Они вытекают из того, что главные миноры положительно определенной матрицы, в том числе ее определитель, должны быть положительны.

В частности, положительная определенность главного минора второго порядка дает 1 =1 - 2 > 0, или - 1 <1 < 1, 1 11.3. Основные описательные статистики для временных рядов А для третьего порядка:

22 - 1 <2 < 1.

Среди стационарных процессов в теории временных рядов особую роль игра ют процессы типа белый шум. Это неавтокоррелированные слабо стационарные процессы { t } с нулевым математическим ожиданием и постоянной дисперсией:

µ = E(t) =0, (11.1) 2, k = k = 0, k = Следовательно, для белого шума T = 2IT, гд е IT — единичная матрица поряд ка T.

Название «белый шум» связано с тем, что спектральная плотность такого про цесса постоянна, то есть он содержит в одинаковом количестве все частоты, по добно тому, как белый цвет содержит в себе все остальные цвета. Если белый шум имеет нормальное распределение, то его называют гауссовским белым шумом.

Аналогичные определения стационарности можно дать и для векторного стоха стического процесса {xt}. Слабо стационарный векторный процесс будет харак теризоваться уже не скалярными автоковариациями k и автокорреляциями k, а аналогичными по смыслу матрицами. Вне главной диагонали таких матриц стоят, соответственно, кросс-ковариации и кросс-корреляции.

11.3. Основные описательные статистики для временных рядов Предположим, у нас имеются некоторые данные в виде временного ряда {xt}t=1,..., T. Среднее и дисперсия временного ряда рассчитываются по обычным формулам:

T T x = xt и s2 = (xt - x)2.

T t=1 t= Выборочная автоковариация k-го порядка вычисляется как T -k ck = (xt - x)(xt+k - x).

T t= 354 Глава 11. Основные понятия в анализе временных рядов Если временной рядслабо стационарен, то эти описательные статистики являются оценками соответствующих теоретических величин и при некоторых предположе ниях обладают свойством состоятельности.

Заметим, что в теории временных рядов при расчете дисперсии и ковариаций принято сумму квадратов и, соответственно, произведения делить на T. Вместо этого при расчете дисперсии, например, можно было бы делить на T -1,чтодалобы несмещенную оценку, а при расчете ковариации k-го порядка — на T -k по числу слагаемых. Оправданием данной формулы может служить простота расчетов и то, что в таком виде это выражение гарантирует положительную полуопределенность матрицы выборочных автоковариаций CT :

c0 c1 · · · cT - c1 c0 · · · cT - CT =.

...

.

....

.

...

cT -1 cT -2 · · · c Это отражает важное свойство соответствующей матрицы T истинных автоко вариаций.

Любую положительно определенную матрицу B можно представить в виде B = A A, гд е A — некоторая матрица (см., например, Приложения A.1.2 и A.1.2).

В нашем случае A = X, поскольку матрица CT выражается в виде произве T дения:

CT = X X, T где X — T -диагональная матрица, составленная из центрированных значений ряда xt = xt - x:

x1 0 · · · x2 x1 · · ·..

..

....

..

..

.

X =.

xT xT -1. x1.

0 xT · · · x...

.

....

.

...

0 0 · · · xT 11.3. Основные описательные статистики для временных рядов Статистической оценкой автокорреляции k-го порядка для стационарных про ck c цессов является выборочный коэффициент автокорреляции: rk =. При ана лизе изменения величин ck и rk в зависимости от значения k обычно пользуются выборочными автоковариационной и автокорреляционной функциями, определя емыми как последовательности {ck} и {rk}, соответственно. Выборочная авто корреляционная функция играет особую роль в анализе стационарных временных рядов, поскольку может быть использована в качестве инструмента для распозна вания типа процесса. При этом обычно анализируют график автокорреляционной функции, называемый коррелограммой.

Заметим, что по ряду длиной T можно вычислить автокорреляции вплоть до rT -1. Однако «дальние» автокорреляции вычисляются неточно. С ростом по рядка k количество наблюдений, по которым вычисляется коэффициент автокор реляции rk, уменьшается. Для расчета rT -1 используется два наблюдения. Таким образом, с ростом k выборочные автокорреляции rk становятся все менее надеж ными оценками теоретических автокорреляций k. Таким образом, при анализе ряда следует принимать во внимание только самые «ближние» автокорреляции, например, первые [T/5] автокорреляций.

По аналогии с автоковариациями и автокорреляциями для анализа совместной динамики нескольких рядов можно использовать выборочные кросс-ковариации и кросс-корреляции.

Выборочная кросс-ковариация двух временных рядов, {xt} и {yt}, рассчиты вается по формуле:

T -k k = (xt+k - x)(yt - y).

T t= Она характеризует взаимосвязи двух рядов во времени с различной величиной сдвига k. Следует помнить, что, в отличие от автоковариации, кросс-ковариация не является симметричной по k, поэтому ее следует рассматривать и при положи тельных, и при отрицательных k.

Выборочная кросс-корреляция определяется как:

T -k (xt+k - x)(yt - y) t=.

T T (xt - x)2 (yt - y) t=1 t= 356 Глава 11. Основные понятия в анализе временных рядов 11.4. Использование линейной регрессии с детерминированными факторами для моделирования временного ряда Сравнительно простой моделью временного ряда может служить модель вида:

xt = µt + t, t =1,..., T, (11.2) где µt — полностью детерминированная последовательность или систематическая составляющая, t — последовательность случайных влеичин, являющаяся белым шумом. Если µt зависит от вектора неизвестных параметров : µt = µt(), томо дель (11.2) является моделью регрессии, и ее параметры можно оценить с помощью МНК.

Детерминированная компонента µt, как правило, сама моделируется как состо ящая из нескольких компонент. Например, можно рассмотреть аддитивную модель, в которой временной ряд содержит три компоненты: тренд t, сезонные движе ния vt и случайные флуктуации t:

xt = t + vt + t.

Зачастую изучаемый экономический ряд ведет себя так, что аддитивной схеме следует предпочесть мультипликативную схему:

xt = tvt exp(t).

Однако, если это выражение прологарифмировать, то получится аддитивный ва риант:

ln(xt) =ln(t) +ln(vt) +t = t + vt + t, что позволяет оставаться в рамках линейной регрессии и значительно упрощает моделирование.

11.4.1. Тренды Существует три основных типа трендов.

Первым и самим очевидным типом тренда представляется тренд среднего, ко гда временной ряд выглядит как колебания около медленно возрастающей или убывающей величины.

Второй тип трендов — это тренд дисперсии. В этом случае во времени меняется амплитуда колебаний переменной. Иными словами, процесс гетероскедастичен.

11.4 Использование линейной регрессии Часто экономические процессы с возрастающим средним имеют и возрастающую дисперсию.

Третий и более тонкий тип тренда, визуально не всегда наблюдаемый, — изме нение величины корреляции между текущим и предшествующим значениями ряда, т.е. тренд автоковариации и автокорреляции.

Проводя разложение ряда на компоненты, мы, как правило, подразумеваем под трендом изменение среднего уровня переменной, то есть тренд среднего.

В рамках анализа тренда среднего выделяют следующие основные способы аппроксимации временных рядов и соответствующие основные виды трендов сред него.

– Полиномиальный тренд:

t = a0 + a1t +... + aptp. (11.3) Для p =1 имеем линейный тренд.

– Экспоненциальный тренд:

p t = ea0+a1t+...+apt. (11.4) – Гармонический тренд:

t = R cos(t + ), (11.5) где R — амплитуда колебаний, — угловая частота, — фаза.

– Тренд, выражаемый логистической функцией:

k t =. (11.6) 1+be-at Оценивание параметров полиномиального и экспоненциального трендов (по сле введения обозначения zi = ti, i =1,..., p, — в первом случае и логарифми рования функции во втором случае) производится с помощью обычного МНК.

Гармонический тренд оправдан, когда в составе временного ряда отчетливо прослеживаются периодические колебания. При этом если частота известна (или ее можно оценить), то функцию (11.5) несложно представить в виде линейной комбинации синуса и косинуса:

t = cos(t) + sin(t) и, рассчитав векторы cos(t) и sin(t), также воспользоваться МНК для оцени вания параметров и.

Логистическая кривая нуждается в особом рассмотрении.

358 Глава 11. Основные понятия в анализе временных рядов 11.4.2. Оценка логистической функции Проанализируем логистическую функцию:

k t =, (11.7) 1+be-at где a, b, k — параметры, подлежащие оцениванию. Функция ограничена и имеет горизонтальную асимптоту (рис. 11.1):

lim t = k.

t В этом преимущество логистической функ ции перед полиномиальной или экспонен t циальной функциями, которые по мере ро k ста t стремятся в бесконечность и, следо вательно, не всегда годятся для прогнози рования.

Логистическая кривая наиболее часто используется при изучении социальных и, в частности, демографических процессов.

Особенностью логистической кривой t является нелинейность по оцениваемым Рис. 11.1. Логистическая кривая параметрам a, b, k, поэтому система уравнений, получаемая с помощью МНК, нелинейна относительно неизвестных параметров и для ее решения могут приме няться только итеративные численные методы.

ГарольдГоттелинг (H. Hotteling) предложил интересный методдля оценки этих параметров, основанный на использовании дифференциального уравнения логи стической функции. Дифференцирование функции t по времени t дает первую производную:

dt kabe-at =.

dt (1 + be-at) Поскольку t2 k k = и be-at = - 1, k (1 + be-at)2 t то, подставляя эти выражения в формулу первой производной, получаем диффе ренциальное уравнение, выражающее зависимость темпа прироста исследуемой 11.4 Использование линейной регрессии переменной от абсолютного уровня показателя в момент времени t:

dt/dt a = a - t. (11.8) t k Исходя из этого соотношения, можно предположить, что в реальности абсо лютный прирост показателя xt связан с фактическим его уровнем xt следующей статистической зависимостью:

a xt = axt + - x2 + t, t k где t —белыйшум.

К этому уравнению теперь можно применить непосредственно метод наимень a ших квадратов, получить оценки параметров a и - и, следовательно, найти k.

k Оценка параметра b методом моментов впервые предложена Родсом. Так как k k be-at = - 1, то ln b = at +ln - 1 и с помощью метода моментов получаем:

t t T 1 T (T +1) k ln b = a · + ln - 1, T 2 t t= или фактически после замены t на xt имеем:

T k ln - a(T +1) xt t= ln b = +. (11.9) 2 T Описанный выше методГоттелинга имеет ограниченную сферу применения, его использование оправдано лишь в том случае, если наблюдения в исходном времен ном ряду представлены через равные промежутки времени (например, ежегодные или еженедельные данные).

11.4.3. Сезонные колебания Для моделирования сезонной составляющей t можно использовать формулу:

vt = 11t +... + hht, где jt — сезонные фиктивные переменные, соответствующие h сезонам:

jt =1, когда наблюдение относится к сезону j, и jt =0 в противном случае.

360 Глава 11. Основные понятия в анализе временных рядов Использование в линейной регрессии полного набора таких переменных свя зано с одной особенностью. В сумме они дают единицу:

1t +... + ht =1.

Поэтому, коль скоро в регрессии имеется константа, то будет иметь место ли нейная зависимость, и 1,..., h нельзя будет оценить однозначно. Таким об разом, требуется наложить на коэффициенты 1,..., h какое-либо нормирую щее ограничение. В частности, можно положить один из коэффициентов равным нулю, что эквивалентно неиспользованию соответствующей переменной при по строении регрессии. Однако более удачная нормировка состоит в том, чтобы по ложить 1 +... + h =0. При этом сезонная компонента центрируется, то есть в среднем влияние эффекта сезонности на уровень ряда оказывается равным нулю.

Подставим это ограничение в сезонную компоненту, исключив коэффициент 1:

vt = -(2 +... + h)1t + 22t +... + hht = = 2(2t - 1t) +... + h(ht - 1t).

Новые переменные 2t - 1t,..., ht - 1t будут уже линейно независимыми, и их можно использовать в линейной регрессии в качестве факторов, а также получить и оценку структуры сезонности 1,..., h. Трактовать ее следует так: в j-м сезоне сезонность приводит к отклонению от основной динамики ряда на величину j.

Если для описания тренда взять полиномиальную функцию, то, используя ад дитивную схему, можно представить временной ряд в виде следующей линейной регрессии:

xt = a0 + a1t +... + aptp + 11t +... + hht + t, где 1 +... + h =0.

В этой регрессии ai и j являются неизвестными коэффициентами. При менение МНК дает оценки p + h +1 неизвестных коэффициентов и приводит к выделению составляющих t, vt и t.

11.4.4. Аномальные наблюдения При моделировании временного ряда часто отбрасываются аномальные на блюдения, резко отклоняющиеся от направления эволюции ряда. Такого рода выбросы, вместо исключения, можно моделировать с помощью фиктивных пе ременных, соответствующих фиксированным моментам времени. Предположим, 11.5. Прогнозы по регрессии с детерминированными факторами что в момент t в экономике произошло какое-нибудь важное событие (напри мер, отставка правительства). Тогда можно построить фиктивную переменную t t, которая равна нулю всегда, кроме момента t = t, когда она равна едини t це: t =(0,..., 0, 1, 0,..., 0).

Такая фиктивная переменная пригодна только для моделирования кратковре менного отклонения временного ряда. Если же в экономике произошел структур ный сдвиг, вызвавший скачок в динамике ряда, то следует использовать фиктив ную переменную другого вида: (0,..., 0, 1,..., 1). Эта переменная равна нулю до некоторого фиксированного момента t, а после этого момента становится равной единице.

Заметим, что последние два вида переменных нельзя использовать для про гнозирования, поскольку они относятся к единичным непрогнозируемым собы тиям.

11.5. Прогнозы по регрессии с детерминированными факторами.

Экстраполирование тренда Предположим, что данные описываются линейной регрессией с детерминиро ванными регрессорами, являющимися функциями t, и получены оценки парамет ров регрессии на основе данных x =(x1,..., xT ) и соответствующей матрицы факторов Z. Это позволяет построить прогноз на будущее, например на период T + k. Вообще говоря, прогноз в такой регрессии строится так же, как в любой классической линейной регрессии. Отличие состоит только в том, что значения факторов zT +k, необходимые для осуществления прогноза, в данном случае всегда известны.

Рассмотрим прогнозирование на примере, когда временной ряд моделирует ся по упрощенной схеме — тренд плюс шум: xt = t + t, гд е t = zt, zt — вектор-строка значения факторов регрессии в момент t, — вектор-столбец ко эффициентов регрессии.

Такое моделирование имеет смысл, если циклические и сезонные компоненты отсутствуют или мало значимы. Тогда выявленный тренд t может служить осно вой для прогнозирования. Прогноз величины xT +k строится по формуле условного математического ожидания xT (k) =zT +ka,где a — оценки параметров, получен ные с помощью МНК, т.е. a =(Z Z)-1 Z x. Известно, что такой прогноз обладает свойством оптимальности.

Предположим, что для описания тренда выбран многочлен:

t = 0 + 1t + 2t2 +... + ptp, t =1,..., T.

362 Глава 11. Основные понятия в анализе временных рядов В такой модели матрица факторов имеет следующий вид:

10 11 · · · 1p 20 21 · · · 2p Z =.

...

.

....

.

...

0 1 p T T · · · T Вектор значений факторов на момент T + k известен определенно:

zT +k = 1, (T + k), (T + k)2,..., (T + k)p.

Точечный прогноз исследуемого показателя в момент времени T на k шагов вперед равен:

xT (k) =zT +ka = a0 + a1(T + k) +a2(T + k)2 +... + ap(T + k)p.

Возвратимся к общей теории прогноза. Ошибка прогноза равна:

d = xT +k - xT (k) =xT +k - zT +ka.

Ее можно представить как сумму двух отдельных ошибок:

d =(xT +k - zT +k) +(zT +k - zT +ka) =T +k + zT +k( - a).

Первое слагаемое здесь — это будущая ошибка единичного наблюдения, а вто рое — ошибка, обусловленная выборкой и связанная с тем, что вместо неизвест ных истинных параметров используются оценки a.

Прогноз будет несмещенным, поскольку E(d) =E(T +k) +zT +kE( - a) =0.

Величина xT (k) представляет собой точечный прогноз. Поскольку точечный прогноз всегда связан с ошибкой, то важно иметь оценку точности этого прогно за. Кроме того, вокруг точечного прогноза желательно построить доверительный интервал и, тем самым, получить интервальный прогноз.

Точность прогноза измеряется, как правило, средним квадратом ошибки про гноза, т.е. величиной E(d2), или корнем из нее — среднеквадратической ошибкой прогноза. Поскольку E(d) =0, то средний квадрат ошибки прогноза равен диспер сии ошибки прогноза. Полезным показателем точности является корень из этой 11.5. Прогнозы по регрессии с детерминированными факторами дисперсии — стандартная ошибка прогноза. В предположении отсутствия автокор реляции ошибок t дисперсия ошибки прогноза, подобно самой ошибке прогноза, является суммой двух дисперсий: дисперсии T +k и дисперсии zT +k( - a), а именно:

d = var(d) =var(T +k) +var (zT +k( - a)).

Найдем эту дисперсию, исходя из того, что ошибки гомоскедастичны:

2 d = 2 + zT +kvar( - a)zT +k = 2 + zT +kvar(a)zT +k.

Как известно, при отсутствии автокорреляции и гетероскедастичности, оценки МНК имеют дисперсию - var(a) =2 Z Z.

Поэтому -1 d = 2 1+zT +k Z Z zT +k.

Для того чтобы построить доверительный интервал прогноза, следует пред положить нормальность ошибок. Более конкретно, предполагаем, что ошибки регрессии, включая ошибку наблюдения, для которого делается прогноз, имеют многомерное нормальное распределение с нулевым математическим ожиданием и ковариационной матрицей 2I. При таком предположении ошибка прогноза имеет нормальное распределение с нулевым математическим ожиданием и диспер сией d:

d N(0, d).

Приводя к стандартному нормальному распределению, получим d N(0, 1).

d Однако, эта формула еще не дает возможности построить доверительный ин тервал, поскольку истинная дисперсия прогноза d неизвестна. Вместо нее следует использовать оценку -1 s2 = 2 1+zT +k Z Z zT +k, d e где 2 — несмещенная оценка дисперсии ошибок регрессии, или остаточная дис e персия.

364 Глава 11. Основные понятия в анализе временных рядов d Оказывается, что получающаяся величина имеет распределение Стью sd дента с (T -p-1) степенями свободы (см. Приложение A.3.2), где p — количество d факторов в регрессии (без учета константы): tT -p-1.

sd Построим на основе этого вокруг прогноза xT (k) доверительный интервал для xT +k, учитывая, что d = xT +k - xT (k):

xT (k) - sdtT -p-1,1-q;

xT (k) +sdtT -p-1,1-q, где tT -p-1,1-q — (1 - q)-квантиль t-распределения Стьюдента с (T - p - 1) степенями свободы.

Рассмотрим прогнозирование на примере линейного тренда. В этом случае zT +k =(1, T + k), С учетом того, что 1 1 · · · Z =, 1 2 · · · T произведение Z Z имеет вид:

T T t t= Z Z =, T T t t t=1 t= T T 1 t2 - t t=1 t= (Z Z)-1 =, T T 2 T T t2 - t - t T t=1 t= t= T T t2 - 2(T + k) t + T (T + k) t= zT +k (Z Z)-1 zT +k = = T t= T T t2 - t t=1 t= T t2 T (T + k)2 - 2(T + k)t + t2 + - t t=1 T = = T T (t - t) t= T T ((T + k) - t)2 t2 - T t2 ((T + k) - t)2 t= = T + T = T + T.

T (t - t)2 T (t - t)2 (t - t) t=1 t=1 t= Тогда:

1 ((T + k) - t) d = 2 1+ + T.

T (t - t) t= 11.6. Критерии, используемые в анализе временных рядов Соответственно, 1 ((T + k) - t) sd = e 1+ + T.

T (t - t) t= Из этой формулы видно, что чем больше горизонт прогноза k, тем больше дисперсия прогноза и шире прогнозный интервал.

11.6. Критерии, используемые в анализе временных рядов В анализе временных рядов наиболее разработанными критериями являют ся критерии случайности, которые призваны определить, является ли ряд чисто случайным, либо в его поведении проявляются определенные закономерности, которые позволяют делать предсказания. «Чисто случайный ряд» — это в дан ном случае неформальный термин, подчеркивающий отсутствие закономерностей.

Здесь может, например, подразумеваться ряд, состоящий из независимых и одина ково распределенных наблюдений (что соответствует понятию выборки в обычной статистике), либо белый шум, в том смысле, который указан ранее.

Среди экономических временных рядов редко встречаются такие, которые под ходят под это описание3. Типичный экономический ряд характеризуется сильной положительной корреляцией. Очень часто экономические ряды содержат тенден цию, сезонность и т.д. В связи с этим применение критериев случайности по пря мому назначению не имеет особого смысла. Тем не менее, критерии случайности играют очень важную роль в анализе временных рядов, и существуют различные способы их использования:

1) Критерий может быть чувствительным к определенным отклонениям от «слу чайности». Тогда большое значение соответствующей статистики может указывать на наличие именно такого отклонения. Таким образом, статистика критерия мо жет использоваться просто как описательная статистика. При этом формальная проверка гипотезы не производится.

Так, например, автокорреляционная функция, о которой речь пойдет ниже, очень чувствительна к наличию периодичностей и трендов. Кроме того, по автокор реляционной функции можно определить, насколько быстро затухает временна я зависимость в рядах4.

Близки к этому, видимо, только темпы прироста курсов ценных бумаг.

При интерпретации автокорреляционной функции возникают сложности, связанные с тем, что соседние значения автокорреляций коррелированы между собой.

366 Глава 11. Основные понятия в анализе временных рядов 2) Критерий можно применять к остаткам от модели, а не к самому исход ному ряду. Пусть, например, была оценена модель вида «тренд плюс шум». После вычитания из ряда выявленного тренда получаются остатки, которые можно рас сматривать как оценки случайной компоненты. Наличие в остатках каких-либо закономерностей свидетельствует о том, что модель неполна, либо в принципе некорректна. Поэтому критерии случайности можно использовать в качестве диа гностических критериев при моделировании.

Следует помнить, однако, что распределение статистики, рассчитанной по остаткам, и распределение статистики, рассчитанной по исходному случайному шуму, вообще говоря, не совпадают. В некоторых случаях при большом количе стве наблюдений это различие несущественно, но часто в результате критерий становится несостоятельным и критические значения в исходном виде применять нельзя5.

Существует большое количество различных критериев случайности. По-види мому, наиболее популярными являются критерии, основанные на автокорреляци онной функции.

11.6.1. Критерии, основанные на автокорреляционной функции Для того чтобы сконструировать критерии, следует рассмотреть, какими ста тистическими свойствами характеризуется автокорреляционная функция стацио нарного процесса.

Известно, что выборочные автокорреляции имеют нормальное асимптотиче ское распределение. При большом количестве наблюдений математическое ожи дание rk приближенно равно k. Дисперсия автокорреляции приближенно равна + var(rk) [2 + i-ki+k - 4kii+k +222]. (11.10) i k i T i= Для ковариации двух коэффициентов автокорреляции верно приближение cov(rk, rl) (11.11) + [i+ki+l + i-ki+l - 2kii+l - 2lii+k +2kl2] i T i= Эти аппроксимации были выведены Бартлеттом.

Так, Q-статистика, о которой идет речь ниже, в случае остатков модели ARMA(p, q) будет распределена не как 2, а как 2. Применение распределения 2 приводит к тому, что m m-p-q m нулевая гипотеза о «случайности» принимается слишком часто.

11.6. Критерии, используемые в анализе временных рядов В частности, для белого шума (учитывая, что k = 0 при k = 0) получаем согласно формуле (11.10) var(rk). (11.12) T Это только грубое приближение для дисперсии. Для гауссовского белого шума известна точная формула для дисперсии коэффициента автокорреляции:

T - k var(rk) =. (11.13) T (T +2) Кроме того, из приближенной формулы (11.11) следует, что автокорреляции rk и rl, соответствующие разным порядкам ( k = l), некоррелированы.

Эти формулы позволяют проверять гипотезы относительно автокорреляцион ных коэффициентов. Так, в предположении, что ряд представляет собой белый шум, можно использовать следующий доверительный интервал для отдельного ко эффициента автокорреляции:

T - k T - k rk - 1-, rk + 1-, T (T +2) T (T +2) где 1- — квантиль нормального распределения. При больших T и малых k оправдано использование более простой формулы 1- 1 rk -, rk +, T T Вместо того чтобы проверять отсутствие автокорреляции для каждого отдель ного коэффициента, имеет смысл использовать критерий случайности, основанный на нескольких ближних автокорреляциях. Рассмотрим m первых автокорреляций:

r1,..., rm. В предположении, что ряд является белым шумом, при большом коли честве наблюдений их совместное распределение приближенно равно N 0, Im.

T На основе этого приближения Бокс и Пирс предложили следующую статистику, на зываемую Q-статистикой Бокса—Пирса:

m Q (r) =T rk.

k= Она имеет асимптотическое распределение 2.

m При дальнейшем изучении выяснилось, что выборочные значения Q-статис тики Бокса—Пирса могут сильно отклонятся от распределения 2. Для улучшения m 368 Глава 11. Основные понятия в анализе временных рядов аппроксимации Льюнг и Бокс предложили использовать точную формулу диспер сии (11.13) вместо (11.12). Полученная ими статистика, Q-статистика Льюнга— Бокса:

m rk Q (r) =T (T +2), T - k k= тоже имеет асимптотическое распределение 2, однако при малом количестве m наблюдений демонстрирует гораздо лучшее соответствие этому асимптотическому распределению, чем статистика Бокса—Пирса.

Было показано, что критерий не теряет своей состоятельности даже при невы полнении гипотезы о нормальности процесса. Требуется лишь, чтобы дисперсия была конечной.

Нулевая гипотеза в Q-критерии заключается в том, что рядпредставляет собой белый шум, то есть является чисто случайным процессом. Используется стандарт ная процедура проверки: если расчетное значение Q-статистики больше заданного квантиля распределения 2, то нулевая гипотеза отвергается и признается нали m чие автокорреляции до m-го порядка в исследуемом ряду.

Кроме критериев случайности можно строить и другие критерии на основе ав токорреляций. Пусть, например, i =0 при i k, т.е. процесс автокоррелирован, но автокорреляция пропадает после порядка k. Тогда по формуле 11.10 получаем k- var(rk) 1+2 2.

i i= Если в этой формуле заменить теоретические автокорреляции выборочными, то по лучим следующее приближение:

k- var(rk) 1+2 ri.

i= На основе этого приближения (приближения Бартлетта) с учетом асимптотиче ской нормальности можно стандартным образом построить доверительный интер вал для rk:

rk - 1- var(rk), rk + var(rk).

1 Это предположение выполнено для процессов скользящего среднего MA(q) при q < k (см. п. 14.4).

11.6. Критерии, используемые в анализе временных рядов 0. Автокорреляции 0. 95%-е доверительные 0. интервалы 0. 0. -0. 0 10 20 30 Рис. 11.2. Коррелограмма с доверительными интервалами, основанными на формуле Бартлетта.

На рисунке 11.2 представлена коррелограмма некоторого ряда с доверитель ными интервалами, основанными на формуле Бартлетта7. Для удобства довери тельные интервалы построены вокруг нуля, а не вокруг rk.

11.6.2. Критерий Спирмена Критерий Спирмена принадлежит к числу непараметрических8 критериев про верки случайности временного ряда и связан с использованием коэффициента ран говой корреляции Спирмена. Он позволяет уловить наличие или отсутствие тренда в последовательности наблюдений за исследуемой переменной.

Идея критерия состоит в следующем. Допустим, что имеется временной ряд, представленный в хронологической последовательности. Если ряд случайный, то распределение отдельного наблюдения не зависит от того, в каком месте ря да стоит это наблюдение, какой номер оно имеет. При расчете критерия Спирмена в соответствие исходному ряду ставится проранжированный ряд, т.е. полученный в результате сортировки изучаемой переменной по возрастанию или по убыванию.

Новый порядок, или ранг t, сравнивается с исходным номером t, соответству При использовании нескольких доверительных интервалов следует отдавать себе отчет, что они не являются совместными. В связи с этим при одновременном использовании интервалов вероят ность ошибки первого рода будет выше В отличие от параметрических, непараметрические критерии не имеют в своей основе априорных предположений о законах распределения временного ряда.

370 Глава 11. Основные понятия в анализе временных рядов ющим хронологической последовательности. Эти порядки будут независимы для чисто случайного процесса и коррелированы при наличии тенденции.

В крайнем случае, если ряд всегда возрастает, то полученная ранжировка совпадает с исходным порядком наблюдений, т.е. t = t для всех наблюдений t =1,..., T. В общем случае тесноту связи между двумя последовательностя ми 1,..., T и 1,..., T можно измерить с помощью обычного коэффициента корреляции:

T xtt = t=1, (11.14) T T x2 t t=1 t t= заменяя xt на t и yt на t. Такой показатель корреляции между рангами наблю дений (когда xt и yt представляют собой перестановки первых T натуральных чисел) в статистике называется коэффициентом ранговой корреляции Спирмена:

T =1 - (t - t)2. (11.15) T (T - 1) t= Для чисто случайных процессов имеет нулевое математическое ожидание и дисперсию, равную. В больших выборках величина приближенно имеет T - нормальное распределение N(0, ). Для малых выборок предпочтительнее T - T - использовать в качестве статистики величину, которая приближенно 1 - имеет распределение Стьюдента с T - 2 степенями свободы. Если искомая рас четная величина по модулю меньше двусторонней критической границы распре деления Стьюдента, то нулевая гипотеза о том, что процесс является случайным, принимается и утверждается, что тенденция отсутствует. И наоборот, если искомая величина по модулю превосходит табличное значение, т.е. значение коэффициента существенно отлично от нуля, то нулевая гипотеза о случайности ряда отверга ется. Как правило, это можно интерпретировать как наличие тенденции.

11.6.3. Сравнение средних Кроме критериев случайности можно использовать различные способы про верки неизменности во времени моментов первого и второго порядков. Из всего многообразия подобных критериев рассмотрим лишь некоторые.

В статистике существует ряд критериев, оценивающих неоднородность выбор ки путем ранжирования наблюдений с последующим разбиением их на группы 11.6. Критерии, используемые в анализе временных рядов и сравнением межгрупповых показателей. Эти критерии применимы и к времен ным рядам. При анализе временных рядов нет необходимости в ранжировании наблюдений и поиске адекватного способа сортировки — их порядок автоматиче ски закреплен на временном интервале. Например, можно проверять, является ли математическое ожидание («среднее») постоянным или же в начале ряда оно иное, чем в конце.

Разобьем ряд длиной T на две части примерно равной длины: x1,..., xT и xT1+1,..., xT. Пусть x1 — среднее, s2 — выборочная дисперсия (несмещен ная оценка), T1 — количество наблюдений по первой части ряда, а x2, s2 и T2 = = T - T1 — те же величины по второй части.

Статистика Стьюдента для проверки равенства средних в двух частях ряда равна T1 + T2 - t =(x1 - x2). (11.16) (1/T1 +1/T2) (T1 - 1)s2 +(T2 - 1)s 1 В предположении, что ряд является гауссовским белым шумом, данная стати стика имеет распределение Стьюдента с T1 + T2 - 2 степенями свободы. Если статистика t по модулю превосходит заданный двусторонний квантиль распреде ления Стьюдента, то нулевая гипотеза отвергается.

Данный критерий имеет хорошую мощность в случае, если альтернативой яв ляется ряд со структурным сдвигом. С помощью данной статистики также мож но обнаружить наличие тенденции в изучаемом ряде. Для того чтобы увеличить мощность критерия в этом случае, можно среднюю часть ряда (например, треть наблюдений) не учитывать. При этом T1 + T2

Рассчитать статистику при T1 + T2 = T можно с помощью вспомогательной регрессии следующего вида:

xt = zt + +, где zt — фиктивная переменная, принимающая значение 0 в первой части ряд а и 1 во второй части ряда. Статистика Стьюдента для переменной zt совпадает со статистикой (11.16).

Критерий сравнения средних применим и в случае, когда ряд xt не являет ся гауссовским, а имеет какое-либо другое распределение. Однако его использо вание в случае автокоррелированного нестационарного ряда для проверки неиз менности среднего неправомерно, поскольку критерий чувствителен не только Формула (11.16) намеренно записана без учета того, что T1 + T2 = T, чтобы она охватывала и вариант использования с T1 + T2

372 Глава 11. Основные понятия в анализе временных рядов к структурным сдвигам, но и к автокоррелированности ряда. Поэтому в исход ном виде критерий сравнения средних следует считать одним из критериев случай ности.

В какой-то степени проблему автокорреляции (а одновременно и гетероске дастичности) можно решить за счет использования устойчивой к автокорреляции и гетероскедастичности оценки Ньюи—Уэста (см. п. 8.3). При использовании этой модификации критерий сравнения средних перестает быть критерием случайности и его можно использовать как критерий стационарности ряда.

Легко распространить этот метод на случай, когда ряд разбивается более чем на две части. В этом случае во вспомогательной регрессии будет более одной фик тивной переменной и следует применять уже F -статистику, а не t-статистику. Так, разбиение на три части может помочь выявить U-образную динамику среднего (например, в первой и третьей части среднее велико, а во второй мало).

Ясно, что с помощью подобных регрессий можно также проверять отсутствие неслучайной зависящей от времени t компоненты другого вида. Например, пере менная zt может иметь видлинейного тренда zt = t. Можно также дополнительно включить в регрессию t2, t3 и т.д. и тем самым «уловить» нелинейную тенденцию.

Однако в таком виде по указанным выше причинам следует проявлять осторож ность при анализе сильно коррелированных рядов.

11.6.4. Постоянство дисперсии Сравнение дисперсий Так же как при сравнении средних, при сравнении дисперсий последователь ность xt разбивается на две группы с числом наблюдений T1 и T2 = T - T1, д ля каждой из них вычисляется несмещенная дисперсия s2 и строится дисперсионное i отношение:

s F =. (11.17) s Этот критерий представляет собой частный случай критерия Голдфельда— Квандта (см. п. 8.2).

Если дисперсии однородны и выполнено предположение о нормальности рас пределения исходного временного ряда (более точно — ряд представляет со бой гауссовский белый шум), то F -статистика имеет распределение Фишера FT2-1, T1-1 (см. Приложение A.3.2).

Смысл данной статистики состоит в том, что, когда дисперсии сильно отли чаются, статистика будет либо существенно больше единицы, либо существенно 11.7. Лаговый оператор меньше единицы. В данном случае естественно использовать двусторонний крите рий (поскольку мы априорно не знаем, растет дисперсия или падает). Это, конечно, не совсем обычно для критериев, основанных на F -статистике. Для уровня можно взять в качестве критических границ такие величины, чтобы вероятность попадания и в левый, и в правый хвост была одной и той же — 2.

Нулевая гипотеза состоит в том, что дисперсия однородна. Если дисперсионное отношение попадает в один из двух хвостов, то нулевая гипотеза отклоняется.

Мощность критерия можно увеличить, исключив часть центральных наблюде ний. Этот подход оправдан в случае монотонного поведения дисперсии временного ряда, тогда дисперсионное отношение покажет больший разброс значений.

Если же временной ряд не монотонен, например имеет U-образную форму, то мощность теста в результате исключения центральных наблюдений существенно уменьшается.

Как и в случае сравнения средних, критерий применим только в случае, когда проверяемый процесс является белым шумом. Если же, например, ряд является стационарным, но автокоррелированным, то данный критерий применять не сле дует.

11.7. Лаговый оператор Одним из основных понятий, употребляемых при моделировании временных ря дов, является понятие лага. В буквальном смысле в переводе с английского лаг — запаздывание. Под лагом некоторой переменной понимают ее значение в преды дущие периоды времени. Например, для переменной xt лагом в k периодов бу дет xt-k.

При работе с временными рядами удобно использовать лаговый оператор L, т.е. оператор запаздывания, сдвига назад во времени. Хотя часто использование этого оператора сопряжено с некоторой потерей математической строгости, однако это окупается значительным упрощением вычислений.

Если к переменной применить лаговый оператор, то в результате получится лаг этой переменной:

Lxt = xt-1.

Использование лагового оператора L обеспечивает сжатую запись разностных уравнений и помогает изучать свойства целого ряда процессов.

Удобство использования лагового оператора состоит в том, что с ним можно об ращаться как с обычной переменной, т.е. операторы можно преобразовывать сами по себе, без учета тех временных рядов, к которым они применяются. Основное 374 Глава 11. Основные понятия в анализе временных рядов отличие лагового оператора от обычной переменной состоит в том, что оператор должен стоять перед тем рядом, к которому применяется, т.е. нельзя переставлять местами лаговый оператор и временной ряд.

Как и для обычных переменных, существуют функции от лагового оператора, они, в свою очередь, тоже являются операторами. Простейшая функция — сте пенная.

По определению, для целых m Lmxt = xt-m, т.е. Lm, действующий на xt, означает запаздывание этой переменной на m пери одов.

Продолжая ту же логику, можно определить многочлен от лагового оператора, или лаговый многочлен:

m (L) = iLt-k = 0 + 1L + · · · + mLm.

i= Если применить лаговый многочлен к переменной xt, то получается (L)xt =(0 + 1L + · · · + mLm)xt = 0xt + 1xt-1 + · · · + mxt-m.

Нетрудно проверить, что лаговые многочлены можно перемножать как обыч ные многочлены. Например, (0 + 1L)(0 + 1L) =00 +(10 + 01)L + 11L2.

При m получается бесконечный степенной рядот лагового оператора:

iLi xt =(0 + 1L + 2L2 + · · · )xt = i= = 0xt + 1xt-1 + 2xt-2 + · · · = ixt-i.

i= Полезно помнить следующие свойства лаговых операторов:

1) Лаг константы есть константа: LC = C.

2) Дистрибутивность: (Li + Lj)xt = Lixt + Ljxt = xt-i + xt-j.

3) Ассоциативность: LiLjxt = Li(Ljxt) = Lixt-j = xt-i-j. Заметим, что:

L0xt = xt, т.е. L0 = I.

11.8. Модели регрессии с распределенным лагом 4) L, возведенный в отрицательную степень, — опережающий оператор:

L-ixt = xt+i.

5) При || < 1 бесконечная сумма (1 + L + 2L2 + 3L3 +... )xt =(1 - L)-1xt.

Для доказательства умножим обе части уравнения на (1 - L):

(1 - L)(1 + L + 2L2 + 3L3 +... )xt = xt, поскольку при || < выражение nLnxt 0 при n.

Кроме лагового оператора в теории временных рядов широко используют раз ностный оператор, который определяется следующим образом:

=1 - L, так что xt =(1 - L)xt = xt - xt-1.

Разностный оператор превращает исходный ряд в ряд первых разностей.

Pages:     | 1 |   ...   | 3 | 4 || 6 | 7 |   ...   | 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.