Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Спецификация математической модели — определение такой математической функции, которая должна воспроизводить определенное количество закономерностей зависимой переменной.
Определение вида математической функции, которая описывает влияние факторов на зависимую переменную.
Общий вид множественного регрессионного уравнения для выборочных данных можно представить следующим математическим выражением, которое имеет следующую структуру:
,
где Уi — случайная зависимая переменная;
Уpi — расчетные значения зависимой переменной;
f (Х1i, X2i, X3i,...) — математическая функция, отражающая детерминированную составляющую Уi , которая диктуется законодательной, правовой средой общества в сочетании с потребностями членов общества;
Х1i, X2i, X3i — причины, объясняющие переменные (факторы), оказывающие существенное влияние на Уi;
еi = Уi + Уpi — случайная составляющая (остатки) Уi , которая учитывает влияние факторов, не вошедшие в модель;
i — порядковый номер измерения i = 1, …, n;
n — объем выборки.
В зависимости от количества переменных в модели различают парные и множественные модели.
Приводим общий вид линейного парного регрессионного уравнения
,
где а0 — свободный коэффициент, равный Уp при X = 0;
а1 — коэффициент пропорциональности зависимости Уp от X, численно равный приросту Уp при изменении X на 1.
Однако линейная модель парной регрессии не является единственной. Существует несколько видов моделей, которые используются в эконометрике. Для их определения необходимо выявить механизм генерации всех видов эконометрических моделей, которые уже известны и которых еще нет.
Генерация эконометрических моделей. В настоящее время в научной и учебной литературе можно встретить большое количество различных эконометрических моделей, которые необходимо классифицировать, и предсказать появление новых пока неизвестных моделей. Для этой цели необходимо выявить механизм генерации этих моделей.
Располагая механизмом генерации эконометрических моделей можно существенно улучшить известные модели и расширить область их использования в экономических исследованиях, а также может появиться возможность системного изложения видов моделей в учебном процессе.
Генерацию эконометрических моделей можно производить с использованием белого шума δt и регрессионного уравнения следующего вида:
,
где У — зависимая переменная;
X — объясняемая переменная, количество объясняемых переменных может быть разным;
f (Xt) — общий вид математической функции;
t — текущее время, время может быть прошлым и будущим:
(t — м) — прошлое время, сдвинутое на м дат назад от текущего времени t;
(t + м) — будущее время, сдвинутое на м дат вперед от текущего времени t;
Xt-м — лаговая переменная порядка м;
Xt+м — будущее значение объясняемой переменной порядка м (пока не имеет специального названия);
Уt-м — лаговая зависимая переменная порядка м;
Уt+м — будущее значение зависимой переменной порядка м (пока не имеет специального названия);
ε — случайное возмущение или ошибка модели, включающая ошибку уравнения и ошибку измерения;
εt-м — лаговая переменная возмущения порядка м;
εt+м — будущее значение возмущения порядка м (пока не имеет специального названия);
δt — белый шум;
δt-м — лаговые значения белого шума;
δt+м — будущее значение белого шума.
Элементы линейного регрессионного уравнения показаны на рис. 3.5.
Рис.3.5. Структура эконометрических моделей
Над переменными можно проводить различные преобразования, например, по следующим функциям: Z2 , Z1/2 , 1/Z, lnZ, SinZ, CosZ, ∆Zt = Zt – Zt-1 , где Z — условное обозначение любой переменной: Yt , Xt, εt , δt , t.
Предлагаем следующий механизм генерации эконометрических моделей — можно комбинировать элементы регрессионного уравнения и получать различные виды моделей. Некоторые из этих моделей уже известны и хорошо изучены, другие мало изучены, однако могут появиться абсурдные или неизвестные модели, которые представляют особый интерес.
Генерацию эконометрических моделей начнем с определения вида математической функции f(X).
В эконометрике часто используются следующие виды математических функций, отражающие определенный вид тенденции зависимости У от X:
— линейная;
— параболическая;
— гиперболическая;
— логарифмическая;
— периодическая,
где t — время (t = 1, 2, …, n);
T — период колебания.
Все эти функции являются линейными относительно коэффициентов модели, так как коэффициенты находятся в первой степени и сами не стоят в степени к переменной. Можно составлять комбинированную функцию, которая состоит из нескольких функций с различными преобразованиями переменных. Известен пакет прикладных программ "TableCurve2D", который позволяет получить более двух тысяч комбинированных функций, и все они являются линейными относительно коэффициентов, расчет которых можно повторить с помощью Excel.
В эконометрике имеются функции, которые учитывают определенные свойства экономической системы:
— многофакторная линейная аддитивная модель,
где X1, Х2, Х3 — факторы, оказывающие влияние на У.
— многофакторная мультипликативная модель Кобба-Дугласа.
Аддитивность — сложение.
Мультипликативность — умножение.
Построим серии моделей с учетом лаговых переменных.
Xt-м , Уt-м , εt-м ,
— модель распределенного лага второго порядка РЛ(2) — зависимость последующих значений зависимой переменной от двух предыдущих значений объясняемой переменной.
— авторегрессионная модель второго порядка АР(2), учитывающая влияние на У их же двух предыдущих значений.
Скомбинируем эти две модели и получим:
—модель распределенного лага второго порядка и авторегрессии второго порядка РЛАР(2, 2).
— модель авторегрессии возмущения второго порядка АР(2), где v t— случайная составляющая. Модель авторегрессии возмущения первого порядка принято называть автокорреляцией возмущения.
— модель автокорреляции возмущения АК или авторегрессии возмущения первого порядка АР(1), где ρ — параметр автокорреляции первого порядка.
Если в линейную модель
вставить модель авторегрессии остатков второго порядка, то получится следующая математическая запись
— линейная модель с учетом АР(2) возмущения (авторегрессия возмущения второго порядка).
Если во временном ряду наблюдаются регулярности изменений остатков, то в качестве переменной для изучения может выступать дисперсия остатков , численные значения которой можно получить следующим образом:
• приведем временной ряд к стационарному виду, например с помощью линейной функции
;
• вычислим остатки
;
• разобьем временной ряд на равные участки, в которых квадраты остатков будут примерно одинаковыми, вычислим для каждого участка дисперсию остатков , где i - номер участка.
Построим модель зависимости дисперсии остатков от своих прошлых значений
— модель авторегрессии дисперсии остатков второго порядка АР(2) или авторегрессия гетероскедастичности (при условии неравенства дисперсий остатков между собой, что является признаком наличия гетероскедастичности).
Рассмотрим модели с участием белого шума.
Авторегрессию возмущения первого порядка можно представить с помощью белого шума δt
,
которую называют моделью скользящего среднего СС бесконечного порядка [1, с. 262].
Важно отметить, что с помощью белого шума δt можно воспроизвести стационарные возмущения εt.
В эконометрике могут использоваться комбинации этих моделей.
— модель распределенного лага, авторегрессии и автокорреляции возмущения РЛАРАК(1,1,1).
Для моделирования временных рядов можно использовать в качестве фактора белый шум. Например, в модель распределенного лага, авторегрессии вместо автокорреляции возмущения поставим авторегрессию белого шума dt.
.
Если монотонную тенденцию исключить разностями определенного порядка и использовать их как зависимую переменную, которую воспроизведем ее авторегрессией с интегрированной (суммирование) авторегрессией белого шума, то получится модель Бокса-Дженкинса.
Модель Бокса-Дженкинса авторегрессии первого порядка, интегрированной первого порядка, скользящей средней первого порядка АРИСС(1, 1, 1) имеет следующий вид:
.
— модель взвешенной регрессии, устраняющая гетероскедастичность остатков.
Если экономический процесс описывается линейной моделью
, в которой X зависит от У и эту связь можно выразить уравнением
,
то получается система одновременных уравнений.
Класс моделей систем одновременных уравнений хорошо изучен, имеются эффективные алгоритмы определения коэффициентов модели, а также методы определения прогнозных значений эндогенных переменных.
Примечание. Если в качестве факторов использовать будущие значения объясняемой переменной то получается класс моделей сосредоточенного и распределенного будущего (пока этот класс моделей не получил специального названия).
Например, модель сосредоточенного будущего порядка м имеет следующий вид —
.
Обсудим модель сосредоточенного будущего.
Во-первых, нет принципиальных трудностей в составлении базы данных с переменными Уt, Xt, Xt+м, с помощью которой методом наименьших квадратов (МНК) можно определить коэффициенты модели.
Во-вторых, порядок м сосредоточенного будущего не должен быть слишком большим, так как при прогнозировании придется прогнозировать объясняемую переменную на большую глубину, с увеличением прогнозного доверительного интервала.
В-третьих, представляет особый интерес влияние будущих выбросов объясняемой переменной на выбросы зависимой переменной, а также влияние будущего выброса на все значения зависимой переменной.
В-четвертых, известно, что адаптивные и авторегрессонные модели обладают недостатком, который заключается в том, что расчетные значения этих моделей плохо воспроизводят выбросы. Включение в модель будущих значений факторов способно учитывать будущие значения выбросов.
Модель распределенного будущего второго порядка имеет следующий вид:
,
в которой численные значения Xt не должны изменяться с равным интервалом. Для определения коэффициентов этой модели используется МНК.
Если в качестве факторов использовать лаговые переменные зависимой переменной, то получается класс авторегрессионных моделей.
Например, модель авторегрессии порядка м имеет следующий вид:
.
Если в качестве факторов использовать будущие значения зависимой переменной, то получается класс моделей авторегрессии сосредоточенного и распределенного будущего (пока этот класс моделей не получил специального названия).
Например, модель авторегрессии сосредоточенного будущего порядка м имеет следующий вид:
.
Модель авторегрессии распределенного будущего второго порядка имеет следующий вид:
, в которой измерения У не должны равняться между собой. Для определения коэффициентов этой модели в первом приближении можно использовать МНК.
Если в качестве факторов использовать будущие значения остатков, то получается класс моделей сосредоточенного и распределенного будущего остатков (пока этот класс моделей не получил специального названия).
Например, модель сосредоточенного будущего остатков порядка м имеет следующий вид:
.
Модель распределенного будущего остатков второго порядка имеет следующий вид:
.
Для определения коэффициентов этой модели в первом приближении можно использовать МНК.
Выбор вида функции производится на основе экономической теории изучаемого процесса при соблюдении основных принципов построения модели: простота и ясность экономической интерпретации.
Параметры модели оцениваются методом наименьших квадратов или обобщенным методом наименьших квадратов.
Если выбранная функция не соответствует экономическому процессу, то ее заменяют другой [11].
Дата публикования: 2015-01-23; Прочитано: 898 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!