Динамические свойства газоразрядной плазмы Мурадов А. Х., Гусейнов Т. Х.
ДИНАМИЧЕСКИЕ ЭКОНОМЕТРИЧЕСКИЕ МОДЕЛИ .
-
Upload
gage-pierce -
Category
Documents
-
view
58 -
download
6
description
Transcript of ДИНАМИЧЕСКИЕ ЭКОНОМЕТРИЧЕСКИЕ МОДЕЛИ .
ДИНАМИЧЕСКИЕ ЭКОНОМЕТРИЧЕСКИЕ
МОДЕЛИ.
• Опр. Эконометрическая модель является динамической, если в данный момент времени она учитывает значения входящих в нее переменных, относящиеся как к текущему, так и к предыдущим моментам времени.
• Два основных типа динамических эконометрических моделей:
• 1) модели авторегрессии и модели с распределенным лагом (явные модели):
– ARIMA (autoregressive integrated moving average) модели (метод Бокса-Дженкинса)
– ADL (autoregressive distributed lags) модели
2) модели учитывают динамическую информацию в неявном виде.
В эти модели включены переменные, характеризующие ожидаемый или желаемый уровень результата, или одного из факторов в момент времени t:
• неполной корректировки• адаптивных ожиданий• рациональных ожиданий
•
• Опр. Лаговые переменные- временные ряды самих факторных переменных, сдвинутые на один или более моментов времени.
Явные модели
модель авторегрессии p-го порядка AR(p)yt = b0 + b1yt-1 + b2yt-2 + … + bpyt-p + t
модель скользящей средней q-го порядка MA(q)
yt = t + t-1 + t-2 + … + qt-q
авторегрессионная модель скользящей средней порядков p и q соответственно ( ARMA(p,q) модель )
yt = b0 + b1yt-1 + b2yt-2 + … + bpyt-p + t + t-1 + t-2 + … + qt-q
• Такая модель может интерпретироваться как линейная модель
• множественной регрессии, в которой в качестве объясняющих
• переменных выступают прошлые значения самой зависимой
• переменной, а в качестве регрессионного остатка — скользящие
• средние из элементов белого шума.
• Белый шум («чисто случайный временной ряд») – это непрерывный во времени случайный процесс w(t), для которого
выполняются условия Гаусса-Маркова:
• 1) математическое ожидание случайного возмущения равно 0
• 2) дисперсия случайного возмущения постоянна для всех наблюдений ;
• 3) возмущения для разных наблюдений не коррелированы;
4) случайное возмущение и объясняющие переменные не коррелированы
0)( jE
2)( jCov
jiCov jj ,0),(
0),( xCov
модель с распределенным лагом p ( DL(p) ) - модели, содержащие не только текущие, но и лаговые значения факторных переменных
yt = a + b0xt + b1xt-1 + … + bpxt-p + t
авторегрессионная модель с распределёнными лагами порядков p и q ( ADL(p,q) модель )
yt = a + b0xt + b1xt-1 + … + bpxt-p + с1yt-1 + с2yt-2 + … + сqyt-q + t
Схема метода Бокса-Дженкинса
• Выбор исходной модели– анализ графика временного ряда– анализ автокорреляционной функции– анализ частной автокорреляционной функции
• Оценка параметров для экспериментальной проверки (МНК или метод максимального правдоподобия)
• Проверка адекватности модели
• Использование модели для прогнозирования
Преимущества и недостатки моделей ARIMA
• Преимущества– охватывают широкий спектр временных рядов
– не используются независимые переменные
– проверка на адекватность проста и доступна
– прогнозы и интервалы предсказания следуют прямо из модели
• Недостатки– необходимо достаточно большое количество данных
(для несезонных данных более 40 наблюдений)
– при включении новых данных требуется перестройка всей модели
– достаточно большие затраты времени и ресурсов
ИНТЕРПРЕТАЦИЯ ПАРАМЕТРОВ МОДЕЛЕЙ С РАСПРЕДЕЛЕННЫМ
ЛАГОМ • Рассмотрим модель с распределенным
лагом в ее общем виде :
tltlttt xbxbxbay ...110
• Эта модель говорит о том, что если в некоторый момент времени происходит изменение независимой переменной ,то это изменение будет влиять на значения переменной в течение следующих моментов времени.
tx
y l
• Коэффициент регрессии bo - краткосрочный мультипликатор,
характеризует среднее абсолютное изменение yt при изменении xt на 1 ед.своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора x.
• В момент (t+1) совокупное воздействие факторной переменной xt на результат yt составит (bo+b1) усл.ед.,
• в момент (t+2) это воздействие можно охарактеризовать суммой (bo+b1 +b2) и т.д.
• Полученные таким образом суммы называют промежуточными мультипликаторами.
• Введем следующее обозначение:
• Долгосрочный мультипликатор-
показывает абсолютное изменение в долгосрочном периоде t+l результата y под влиянием изменения на 1 ед.фактора x .
....10 bbbb l
• Положим
• полученные величины называются относительными коэффициентами модели с распределенным лагом.
.0,/ ljbb jj
• Если все коэффициенты имеют одинаковые знаки, то для любого
• относительные коэффициенты
являются весами для соответствующих коэффициентов .
• Каждый из них измеряет долю общего изменения результативного признака в момент времени ( t + j ).
jbj
10 j
l
jj
0
.1
j
jb
• Средний лаг
представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t
• Медианный лаг-это величина лага,для которого
l
jjjl
0
l
jj
0
.5,0
ИЗУЧЕНИЕ СТРУКТУРЫ ЛАГА И ВЫБОР ВИДА МОДЕЛИ
С РАСПРЕДЕЛЕННЫМ ЛАГОМ
• График зависимости коэффициентов bj от j- величины лага, позволяет выявить структуру лага:
линейнаягеометрическая
V – образнаяперевернутая V – образная
jb
ja
jb
jб
jb
jв
jb
jг
ЛАГИ АЛМОН • лаги Алмон –это лаги, структуру которых
можно описать с помощью полиномов. • зависимость коэффициентов от величины
лага в форме полинома k- ой степени:
....2210
kkj jcjcjccb
• Процедура применения метода Алмон для расчета параметров модели с распределенным лагом выглядит следующим образом.
• 1. Определяется максимальная величина лага .
• 2. Определяется степень полинома, описывающего структуру лага.
• 3. По соотношениям рассчитываются значения переменных zi
....
...................................................................................
;...
;...
l
jjt
klt
kt
kt
ktk
l
jjttttt
l
jjtltttt
xjxlxxxz
xjxlxxxz
xxxxxz
1321
113211
0210
32
32
• 4. Определяются параметры уравнения линейной регрессии
• 5. рассчитываются параметры исходной модели с распределенным лагом по следующим формулам
....221100 tkkt zczczczcay
;...
;
101
00
kcccb
cb
..............................................
;...
;...
kk
kk
ccccb
ccccb
393
242
2103
2102
Преимущества Метода Алмон .
• он достаточно универсален и может быть применен для моделирования процессов, которые характеризуются разнообразными структурами лагов;
• при относительно небольшом количестве переменных, с помощью метода Алмон можно построить модели с распределенным лагом любой длины;
• мультиколлинеарность факторов z0,…,zk сказывается на оценках параметров b0,...,bl в меньшей степени, чем при применении стандартного МНК к исходной модели.
Метод Койка для бесконечномерной модели
• Предположение: существует некоторый постоянный темп
уменьшения во времени лаговых воздействий фактора на результат.
ttttt xbxbxbay ...22110
10
• Если в период t результат изменялся под воздействием изменения фактора в этот же период времени на b0 ед., то под воздействием изменения фактора, имевшего место в период (t-1), результат изменится на b0 ед.;
• в период (t-2)-на b0 2 ед., и т.д.
• Таким образом, лаг имеет геометрическую структуру:
.10
,...,2,1,0;0
jbb jj
• Ограничение обеспечивает одинаковые знаки для всех коэффициентов .
• Ограничение означает, что с увеличением лага значения параметров модели убывают в геометрической прогрессии.
00jb
1
• Чем ближе к 0, тем выше темп снижения воздействия фактора на результат во времени и тем большая доля воздействия на результат приходится на текущие значения фактора .
tx
• Выразим все коэффициенты в модели через и :
• Тогда для периода (t-1):
jb0b
ttttt xbxbxbay ...22
0100
.... 132
020101 ttttt xbxbxbay
• Умножим обе части на и вычислим
1tt yy
• Отсюда получим модель Койка:
.1101 ttttt xbaayy
,1 10 tttt uyxbay
.1 tttu
• Метод преобразования Койка позволяет перейти от модели с бесконечными распределенными лагами к модели авторегрессии,содержащей две независимые переменные и tx 1ty
• Средний лаг:
• Медианный лаг:
.1
l
.ln
5,0ln
meI
• МОДЕЛИ АДАПТИВНЫХ ОЖИДАНИЙ
• модель вида (1)
• где фактическое значение результативного признака;
• ожидаемое значение факторного признака.
,1 ttt xbay
ty
1tx
• Механизм формирования ФАКТОРОВ в этой модели следующий:
• или
• где - коэффициент ожиданий
)(1
tttt xxxx
;)1(1
ttt xxx
10
Утверждение. Модель адаптивных ожиданий сводится к модели авторегрессии.
Док-во:
ttt
tttttt
xbxba
xxbaxbay
)1(
))1((1
11
ttt xbay
11 )1()1()1()1(
ttt xbay
Вычитаем
или
где
11 )1()1()1( ttttt xbaaayy
)2()1( 1 tttt uyxbay
1)1( tttu
• Модель (1) называется долгосрочной функцией модели адаптивных ожиданий.
• Модель (2) называется краткосрочной функцией модели адаптивных ожиданий.
Пример. Модель гиперинфляции Кейгана
Yt = log (Mt/Pt)
M - номинальное количество денег в обращении,
P - уровень цен,
M/P - реальные денежные остатки,
Модель адаптивных ожиданий:
Ytd = + xt+1
w + t
xt+1w = (xt - xt
w)
Ytd - спрос на реальные денежные остатки,
xw - ожидаемый уровень инфляции
Модель потребления Фридмена
Сtp
= Ytp
• где• Yt = Yt
p + Yt
T
Ytp - постоянный доход,
YtT – переменный доход
Сt = Сt
p + Сt
T
Сtp - постоянное потребление,
СtT – переменное потребление
Регрессионная модель
Сt = Ytp + Сt
T
• Модель адаптивных ожиданий
Сt = Yt + (1- ) Yt-1 + t