Чтение онлайн

L=c0+Lc1+L2c2+…+LPcP.

Подставим полученные выражения для коэффициентов i в модель (1):

yt=0+c0xt+( c0+c1+…+cP)xt–1+…+( L=c0+Lc1+L2c2+…+LPcP)xt–L+t.

3) в полученном выражении перегруппируем слагаемые:

Обозначим слагаемые в скобках при коэффициентах

как новые переменные:

С учётом новых переменных модель примет вид:

yt=0+c0z0+c1z1+…+cPzP+t. (2)

4) оценки неизвестных коэффициентов модели (2) можно рассчитать с помощью традиционного метода наименьших квадратов. Далее на основе полученных оценок коэффициентов

5) найдём оценки коэффициентов

модели (1), используя соотношения, полученные на первом шаге.

К основным недостаткам метода Алмон относятся:

1) необходимо заранее знать величину максимального временного лага L, однако на практике это невозможно. Определить величину лага L можно с помощью вычисления показателей тесноты связи, например, линейных парных коэффициентов корреляции, между результативной переменной у и лаговым значением факторной переменной х. Если показатель тесноты связи является значимым, то данную переменную необходимо включить в модель с распределённым лагом. Порядок максимального значимого показателя тесноты связи принимается в качестве максимальной величины лага L;

2) порядок полиномиальной функции Р также заранее неизвестен. При выборе порядка полинома обычно исходят из того, что на практике не используются полиномы более второго порядка, а выбранная степень полинома должна быть на единицу меньше числа экстремумов в структуре лага;

3) если между факторные переменные коррелируют друг с другом, то новые переменные

которые являются линейной комбинацией факторных переменных x, будут также коррелировать между собой. Поэтому проблема мультиколлинеарности в преобразованной модели (2) устранена не полностью. Однако мультиколлинеарность новых переменных zi в меньшей степени отражается на оценках неизвестных коэффициентов i исходной модели (1), чем при использовании традиционного метода наименьших квадратов к данной модели.

Основным преимуществом метода Алмон является то, что данный метод является универсальным и может быть использован при моделировании процессов, которые характеризуются различными структурами лагов.

Если модель с распределенным лагом характеризуется бесконечной величиной максимального лага L, то для оценивания неизвестных параметров данной модели применяются нелинейный метод наименьших квадратов и метод Койка. При этом исходят из предположения о геометрической структуре лага, т. е. влияние лаговых значений факторной переменной на результативную переменную уменьшается с увеличением величины лага в геометрической прогрессии.

Если в модель включена только одна объясняющая переменная, то её можно представить в виде:

В модели с распределённым лагом (1) неизвестными являются три параметра: 0, 1 и . Найти оценки данных параметров с помощью традиционного метода наименьших квадратов невозможно по нескольким причинам, поэтому в данном случае используются нелинейный метод наименьших квадратов и метод Койка

Суть нелинейного метода наименьших квадратов заключается в том, что для параметра

определяются значения в интервале [-1;+1] с определённым шагом, например, 0,05 (чем меньше шаг, тем точнее будет результат).

Для каждого значения рассчитывается переменная z:

zt=xt+xt–1+2xt–2+3xt–3+…+Lxt–L,

с таким значением лага L, при котором дальнейшие лаговые значения переменной x не оказывают существенного влияния на z.

На следующем этапе с помощью традиционного метода наименьших квадратов оценивается модель регрессии вида:

yt=0+1zt+t (2)

и рассчитывается коэффициент детерминации R2. Данный процесс осуществляется для всех значений из интервала [-1;+1]. Оценками коэффициентов 0, 1 и будут те, которые обеспечивают наибольшее значение R2 для модели регрессии (2).

В основе метода или преобразования Койка лежит предположение о том, что если модель регрессия (1) справедлива для момента времени t, то она справедлива и для момента времени (t–1):

yt–1=0+1xt–1+1xt–2+12xt–3+13xt–4+…+t,

Умножим обе части данного уравнения на и вычтем их из модели регрессии (1). В результате получим выражение вида:

yt– yt–1= 0(1– )+1xt+t– t–1,

или

yt= 0(1– )+1xt+yt–1+t, (2)

где t= t– t–1.

Полученная модель (2) является моделью авторегрессии, что позволяет проанализировать её краткосрочные и долгосрочные динамические свойства.

Значение переменной yt–1 в краткосрочном периоде (в текущем периоде) рассматривается как фиксированное, а воздействие переменной х на переменную у характеризует коэффициент 1.

Если xtв долгосрочном периоде (без учёта случайной компоненты модели) стремится к некоторому равновесному значению 

то yt и yt–1 также будут стремиться к своему равновесному значению, которое вычисляется по формуле:

из чего следует:

Долгосрочное влияние переменной х на переменную у характеризуется коэффициентом

Несмотря на то, что метод Койка очень удобен в вычислительном отношении (оценки параметров 0, 1 и можно рассчитать с помощью традиционного метода наименьших квадратов), оценки, полученные с его помощью, будут смещёнными и несостоятельными, т. к. нарушается первое условие нормальной линейной модели регрессии.

Моделью адаптивных ожиданий называется динамическая эконометрическая модель, которая учитывает предполагаемое (или желаемое) значение факторной переменной

в момент времени (t+1).

Общий вид модели адаптивных ожиданий:

Предполагаемое (ожидаемое) значение переменной

в момент времени (t+1) рассчитывается на основании значений фактических (реальных) переменных в предшествующий момент времени t.