WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 15 |

отклонение C -2.271 0.0363 -62.64 0.m1(-1) 0.419 0.0049 84.73 0.R-squared 0.Adjusted R-squared 0.§ 6. Метод оценки модели Анализ стационарности переменных выявил наличие переменных с отличным от нуля порядком интегрированности – это логарифмы цен (p) и денежной массы М1 (m1). Поскольку в уравнение модели входят также стационарные переменные (темп прироста обменного курса рубля к доллару dkurs и логарифм индекса выпуска y), оценивание уравнения будем проводить методом МНК с учетом долгосрочного соотношения между нестационарными переменными, т.е. будем оценивать модель коррекции ошибок. Все переменные, не входящие в коинтеграционное соотношение, приводим к одному порядку интегрированности. Для учета детерминированной сезонности в модели добавлены дамми-переменные.

Уравнение регрессии будет выглядеть следующим образом:

(13) где t – коинтеграционное соотношение.

В соответствии с теоретическими предпосылками монетарного подхода к изучению спроса на деньги следует ожидать отрицательный коэффициент при переменной объема выпуска (дохода) и положительный коэффициент – при переменной, отражающей альтернативную стоимость хранения денег (dkurs). В первом случае увеличение дохода в экономике должно приводить к повышению спроса на реальные денежные остатки, §7. ОЦЕНКА МОДЕЛИ МНК С КОРРЕКЦИЕЙ ОШИБОК или при неизменной номинальной денежной массе – к замедлению инфляции. В то же время увеличение доходности активов, альтернативных хранению денег (в нашем случае – увеличение темпов прироста валютного курса рубля), уменьшает величину желаемых реальных денежных остатков у экономических агентов. Объем денежной массы и авторегрессионная составляющая должны оказывать положительное влияние на темп роста цен.

§ 7. Оценка модели МНК с коррекцией ошибок Поскольку ряд инфляции в первом приближении совпадает с разностями логарифмов цен1, изменение разностей логарифмов цен может интерпретироваться как изменение инфляции, а влияние на инфляцию денежной массы происходит за счет изменения темпов роста денежной массы, равных разности логарифмов денежной массы в текущий и предыдущий моменты времени. Анализ коррелограммы первых разностей логарифма цен свидетельствует о значимом влиянии 13 лагов этого показателя на его текущее значение, следовательно, в модели будем учитывать 13 лагов разностей логарифмов цен.

Результаты оценивания модели ECM приведены в табл. 38.

Таблица Результаты оценки модели ECM Зависимая переменная: dp Стандартное Переменная Коэффициент t-статистика Prob.

отклонение c 0.008 0.002 4.795 0.ce(-1) -0.023 0.007 -3.408 0.d1 0.011 0.001 9.349 0.d8 -0.007 0.001 -6.451 0.d9 -0.003 0.001 -2.397 0.dp(-1) 0.525 0.060 8.816 0.dp(-11) 0.133 0.054 2.469 0.dp(-13) -0.182 0.055 -3.320 0.dm1(-5) 0.010 0.005 2.003 0.dkurs(-4) 0.088 0.033 2.682 0.ГЛАВА 4. МОДЕЛИРОВАНИЕ ДИНАМИКИ ИНФЛЯЦИИ В РОССИЙСКОЙ ЭКОНОМИКЕ окончание Таблицы Зависимая переменная: dp Стандартное Переменная Коэффициент t-статистика Prob.

отклонение y(-8) -0.006 0.002 -2.581 0.R-squared 0.Akaike info criterion -8.Adjusted R-squared 0.Schwarz criterion -8.Как видно из табл. 38, коэффициент при первой разности логарифмов денежной массы значим на 5%-м уровне с лагом пять месяцев и положителен, что соответствует теоретическим моделям.

Коэффициенты при авторегрессионных составляющих значимы на уровне 5% с лагами в 1, 11 и 13 месяцев. Это не противоречит нашему предположению о том, что на значение инфляции в данном периоде оказывают влияние значение инфляции в предыдущем периоде и сезонный фактор. При этом коэффициент при авторегрессионной составляющей с лагом в один месяц положителен, что говорит в пользу предположения о том, что увеличение темпов роста цен в текущем периоде вызывает их более быстрый рост и в будущем. Таким образом, эмпирические данные говорят в пользу гипотезы о том, что инфляционный процесс в российской экономике обладает высокой степенью инерционности, ценовые ожидания экономических агентов в значительной мере адаптивны.

Как и ожидалось, коэффициент при темпах роста курса доллара (с лагом четыре месяца) имеет положительный знак, т.е. ускорение темпов обесценения рубля повышает альтернативную стоимость хранения денег (в рублевой форме), и спрос на деньги снижается.

Коэффициент при индикаторе выпуска с лагом 8 месяцев оказался значимым на 5%-м уровне и имеет отрицательный знак, что согласуется с теоретическими предположениями.

Оценка коэффициента при коинтеграционном соотношении имеет отрицательный знак, что отражает наличие тенденции возвращения логарифмов цен к долгосрочному соотношению между этим показателем и денежной массой. Иными словами, между ценами и денежной массой существует долгосрочная положительная связь, отклонения от которой могут наблюдаться в краткосрочном периоде в результате действия различных внешних шоков. Отрицательный коэффициент при коинтеграционном соотношении свидетельствует в пользу того, что краткосрочные §8. АНАЛИЗ ПРОГНОЗНЫХ СВОЙСТВ МОДЕЛИ отклонения от долгосрочного тренда не приводят к нарушению долгосрочной зависимости.

Остатки являются нормальными, белошумными (об этом свидетельствуют коррелограмма и статистика Люнга – Бокса), отсутствуют автокорреляция (ARCH LM тест проведен для максимального количества лагов, равного 12) и гетероскедастичность (согласно тесту Уайта). Результаты тестов представлены в Приложении K, рис. 1 и табл. 1–3.

§ 8. Анализ прогнозных свойств модели Исследуем полученную модель динамики цен на прогнозные свойства. Были построены внутривыборочные статический и динамический прогнозы1 и вневыборочный прогноз на 6 месяцев (август 2008 г. – январь 2009 г.), проведено сопоставление прогнозов с фактическими темпами роста ИПЦ в этот период (см. рис. 22–24 и Приложение K, табл.

4). Оценка прогнозных свойств осуществлялась с помощью показателей MAE (mean absolute error, средняя абсолютная ошибка) и MAPE (средняя абсолютная ошибка, выраженная в процентах):

Значения этих показателей приведены в Приложении K, табл. 4. Как можно заметить из приведенных в таблице данных, средняя абсолютная ошибка прогноза превосходит 0,2 п.п. и практически достигает 38%.

Таким образом, ошибка при прогнозировании с помощью построенной модели может достигать +/– 38%, что является достаточно большим показателем. В то же время из рис. 22 видно, что фактические и прогнозные значения ИПЦ лежат достаточно «близко».

В целом мы считаем, что такая модель может быть использована для прогнозирования, однако отметим, что прогнозирование не являлось целью ее построения. Основной задачей, которую мы пытались решить при ее построении, было изучение закономерностей инфляционных процессов в РФ. По всей видимости, для целей прогнозирования возможно построить более подходящую авторегрессионную модель, однако ее ценность для понимания причин инфляции была бы меньше.

1 При построении динамического прогноза для прогнозирования каждого следующего значения используются предыдущие спрогнозированные значения, а статического прогноза – фактические значения ряда в предыдущие моменты времени.

ГЛАВА 4. МОДЕЛИРОВАНИЕ ДИНАМИКИ ИНФЛЯЦИИ В РОССИЙСКОЙ ЭКОНОМИКЕ Рис. 22. Динамический (inf1) и статический (inf2) прогнозы инфляции (inf – фактические значения инфляции) Рис. 23. Динамический прогноз инфляции Рис. 24. Cтатический прогноз инфляции §9. АНАЛИЗ СТАБИЛЬНОСТИ КОЭФФИЦИЕНТОВ § 9. Анализ стабильности коэффициентов Тестирование линейной модели на стабильность коэффициентов с помощью теста рекурсивных коэффициентов по МНК позволяет проследить динамику коэффициентов при объясняющих переменных с января 2000 г. по июль 2008 г. Мы оценивали следующую спецификацию регрессионного уравнения:

(14) Такая спецификация позволяет проследить изменения коэффициентов при объясняющих переменных. Графики рекурсивных коэффициентов для объясняющих переменных (цены, денежная масса, обменный курс, выпуск, коинтеграционное соотношение, дамми-переменные) показаны на рис. 25.

Общим для всех коэффициентов является их неустойчивость на начальном периоде наблюдений. Иными словами, примерно до середины 2003 г. наблюдаются сильные колебания математического ожидания коэффициентов при всех объясняющих переменных при широких доверительных интервалах. Данный результат может объясняться как формальными техническими, так и качественными причинами. С одной стороны, неустойчивость оценок может быть вызвана особенностями вычисления рекурсивных оценок по МНК: на начальном отрезке временного ряда оценивание идет на малом числе наблюдений и статистическая значимость оценок крайне низка, велико влияние каждой новой точки. С другой стороны, на данном периоде (1999–2003 гг.) наблюдались в среднем более высокие темпы инфляции, чем в последующем периоде, с более широкой амплитудой колебаний темпов роста цен. Соответственно взаимосвязи между переменными могли быть более неустойчивыми, и характер процессов мог меняться.

Тест Чоу не отвергает гипотезу о равенстве объясненных долей дисперсии зависимой переменной на 5%-м уровне при разделении выборки в том случае, когда точка разделения выборки принадлежит временному интервалу от марта 2003 г. до конца выборки. На более раннем периоде тест Чоу отвергает эту гипотезу. Следовательно, на начальном периоде уравнение инфляции не является стабильным, но в дальнейшем стабилизируется. Поскольку нашей задачей было изучение закономерностей динамики инфляции именно на периоде между двумя экономическими криГЛАВА 4. МОДЕЛИРОВАНИЕ ДИНАМИКИ ИНФЛЯЦИИ В РОССИЙСКОЙ ЭКОНОМИКЕ Рис. 25. Динамика рекурсивных коэффициентов для линейной модели МНК §9. АНАЛИЗ СТАБИЛЬНОСТИ КОЭФФИЦИЕНТОВ зисами (1998 и 2008 гг.), разделение анализируемого временного периода на два подпериода для оценивания модели не представляется нам целесообразным. Отказ от оценки модели в 1999–2003 гг., возможно, улучшил бы статистические свойства модели, но так как разработка прогноза не является целью данной работы, включение большего числа наблюдений позволило нам получить более состоятельные и эффективные оценки.

Тесты на стабильность модели – такие, как Recursive residuals, CUSUM, CUSUMSQ – не позволяют нам отвергнуть гипотезу об устойчивости оцененной модели инфляции. (Подробнее см. Приложение K, рис. 2–4.) В данных тестах уравнение регрессии оценивается несколько раз, при этом каждый раз увеличивается число используемых наблюдений. Если необходимо оценить k коэффициентов, то для первой оценки вектора коэффициентов b используется k наблюдений. Затем к набору данных добавляют одно наблюдение и используют (k + 1) наблюдение, чтобы посчитать вторую оценку вектора b. Этот процесс продолжается до тех пор, пока не будут использованы все имеющиеся наблюдения. При этом получается (T – k + 1) оценок вектора b. На каждом шаге последняя оценка b может быть использована, чтобы предсказать следующее значение зависимой переменной. Ошибки такого прогноза представляют собой рекурсивные ос(yt - xt 'b) татки: wt =, где Xt – матрица t k регрессоров за пе(1+ xt '(Xt ' Xt )-1 xt )1/ риоды с 1-го до t; yt – соответствующий вектор наблюдений зависимой переменной; bt – оцененный на этих данных вектор коэффициентов; xt’b – прогноз зависимой переменной в период t.

Если модель верна, то рекурсивные остатки независимы и имеют нормальное распределение с нулевым средним.

Используя тест Recursive residuals, получаем график рекурсивных остатков и границы доверительных интервалов, которые представляют собой рекурсивные остатки +/- 2 стандартных отклонения. Если график рекурсивных остатков выходит за границу этих доверительных интервалов, то гипотеза о стабильности коэффициентов отвергается.

Тест CUSUM основан на кумулятивной сумме рекурсивных остатков.

Используя этот тест, мы получаем график кумулятивной суммы рекурсивных остатков и 95%-е доверительные интервалы. Согласно данному тесту нестабильность параметров наблюдается, если накопленная сумма выходит за область, ограниченную двумя критическими границами, расстояние между которыми растет с ростом t. Эти линии соединяют две точки: - 0,948(T - k)1/ 2] [T, ±3*0,948(T - k)1/ 2]. Тест CUSUM [k, ± и ГЛАВА 4. МОДЕЛИРОВАНИЕ ДИНАМИКИ ИНФЛЯЦИИ В РОССИЙСКОЙ ЭКОНОМИКЕ основан на следующей статистике:, для t = k + 1,…,T, где w – рекурсивные остатки, определенные выше; s – стандартная ошибка регрессии. Если вектор оцененных коэффициентов не изменяется от периода к периоду, то E(Wt)=0, если же этот вектор изменяется, то Wt отклоняется от нулевого среднего. Тест CUSUM of squares (CUSUMSQ) осноt T 2 St = ( wr ) /( wr ) ван на статистике. Если справедлива гипотеза о ста r=k +1 r=k +бильности параметров модели, то математическое ожидание E(St)=(t–k)/(T–k). Используя этот тест, получаем график зависимости St от t и 95%-е доверительные интервалы. Аналогично тесту CUSUM движение статистики за критические линии означает нестабильность параметров.

Как можно видеть из рис. 2–4, при анализе стабильности коэффициентов нашей модели статистики тестов практически никогда не выходят за критические границы. Следовательно, гипотеза о стабильности коэффициентов модели не отвергается.

Заключение В ходе исследования спроса на деньги в России нам удалось найти аргументы в пользу гипотезы о существовании стабильной функции спроса на денежный агрегат М1 в период с I квартала 1999 г. по II квартал 2008 г.

Мы показали, что спрос на денежную массу М1 положительно зависит от реального ВВП. Отметим, что полученная нами эластичность спроса на деньги по выпуску крайне высока и составляет 3,15%. Для сравнения: соответствующая эластичность спроса на деньги в развитых странах близка к единице. Такой результат может быть объяснен тем, что начало исследуемого периода характеризуется крайне низким уровнем монетизации ВВП, вызванным длительным периодом макроэкономической нестабильности, последовавшим за либерализацией экономики в 1990-х годах. Поэтому столь высокое значение эластичности спроса на деньги, вероятно, вызвано тем, что в течение 2000–2007 гг. в России происходило насыщение экономики деньгами. Оцениваемый период характеризовался растущим уровнем доверия экономических агентов к денежной политике властей вследствие стабильного экономического роста. Соответственно отношение денежных агрегатов к ВВП на протяжении всего рассматриваемого периода устойчиво росло.

В работе найдены свидетельства в пользу существования отрицательной взаимосвязи между процентом и спросом на денежный агрегат М1.

Этот результат согласуется с теорией и объясняется тем, что с ростом процентной ставки агенты стремятся разместить имеющиеся у них более ликвидные, но менее доходные активы в менее ликвидные, но более доходные, например, разместить деньги на срочных счетах, которые не входят в агрегат М1. Таким образом, с ростом процента спрос на деньги М1 сокращается.

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 15 |



© 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.