Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Модели с распределенными лагами бывают двух типов:
· с конечным числом лагов:
;
· с бесконечным числом лагов:
.
Практическое применение чаще всего имеют модели с конечным числом лагов, т.е. модели, в которых число лагов экспериментально определено.
Предположим рассматривается модель, в которой , т.е. . Данная модель означает, что изменение во времени объясняющей переменной будет влиять на значения результативного признака в течении 4 следующих моментов времени.
Коэффициент называют краткосрочным мультипликатором, так как он характеризует среднее изменение результата при изменении на 1 единицу своего измерения в фиксированный момент времени .
В момент времени воздействие объясняющей переменной на результат составит единиц, а в момент времени общее изменение составит единиц.
Любую сумму коэффициентов , где называют промежуточным мультипликатором, а сумму всех коэффициентов регрессии - долгосрочным мультипликатором, который характеризует общее изменение через интервалов времени под воздействием изменения в момент на 1 единицу.
При долгосрочный мультипликатор составит . Он характеризует общее среднее изменение через 4 временных интервала при увеличении в момент времени на 1 единицу, а промежуточные мультипликаторы:
- изменение в момент времени ;
- изменение в момент времени ;
- изменение в момент времени .
Если все коэффициенты регрессии имеют одинаковые знаки, т.е. характеризуются однонаправленным изменением в исследуемые моментов времени, то можно определять относительные коэффициенты модели , т.е. , где , а . Иными словами, характеризует долю общего изменения в момент времени .
Модель с конечным числом лагов при правильной ее спецификации может быть оценена обычным МНК. В этом случае в уравнении:
переменные рассматриваются как объясняющие переменные обычной множественной регрессии.
Вместе с тем применение МНК к моделям с конечным числом лагов может быть реально затруднено ввиду следующих причин:
1) при наличии тенденции переменные тесно связаны между собой, что вызывает мультиколлинеарность факторов, которая может привести к неинтерпретируемым знакам у коэффициентов регрессии и к снижению их точности;
2) возможна автокорреляция остатков, так как МНК применяется к временным рядам с тенденцией.
Поэтому нередко для оценки параметров модели с распределенным конечным числом лагов используются специальные методы преобразования, как и для модели с бесконечным числом лагов. Разработаны разные методы оценивания параметров моделей с распределенными лагами, которые учитывают характер распределения коэффициентов регрессии при лаговых объясняющих переменных. Иными словами, методы оценивания параметров модели с распределенными лагами основаны на изучении структуры лага. Так, предполагая полиномиальное распределение лаговых коэффициентов, используется метод Алмон, а при гипотезе геометрической прогрессии для лаговых коэффициентов применяется преобразование Койка.
Дата публикования: 2014-11-18; Прочитано: 1650 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!