Главная страница Случайная страница КАТЕГОРИИ: АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Введение в эконометрику
Эконометрика – раздел математики, позволяющий описывать экономические процессы и явления с использованием статистического моделирования. Эконометрика рассматривает стохастические процессы, в которых рассматриваемые переменные могут принимать случайные значения. Важным частным случаем стохастической зависимости служит регрессионная, ставящая в соответствие множеству входных переменных среднестатистическое значение выходной случайной переменной. Эконометрическое моделирование позволяет проанализировать зависимость между переменными в экономической системе: экзогенные переменные эндогенные переменные ----------------------------------> экономическая система ------------------------------> Х (входные) У (выходные) Таким образом, эконометрика позволяет строить математические модели на базе реальных фактических данных экономической системы. В эконометрии могут быть следующие задачи: 1) по заданным эмпирическим данным построить функциональную зависимость между переменными; 2) определить параметр этих уравнений. Сложность экономических процессов и явлений приводит к различным формам эконометрической зависимости: · линейная или нелинейная регрессия; · множественная регрессия. Совокупность методов, позволяющих находить зависимость между статистическими данными, получила название регрессионного анализа. Например, эконометрическую модель зависимости текущей и форвардной цен на валюту можно представить следующим образом: pt + 1 = a0 + a1 ft + ε t+1, где a0 –автономный параметр, a1 – параметр спроса на валюту, pt – цена валюты на рынке в текущий момент, ft –цена на валюту в будущий период. Особую роль эконометрический анализ играет в макроэкономике. Рассмотрим модель Лоренса Клейна. Модель, придавая планируемые значения трем экзогенным переменным, которые задаются вне модели: Gt – государственные расходы в период t, Mt – денежная масса (кассовые остатки), Nt – население страны, позволяет получать прогнозные значения девяти эндогенных переменных: Yt – валовый национальный доход; Kt – валовый объем основного капитала; Lt – численность рабочей силы; It – объем валовых инвестиций; Ct – объем валового потребления; Ut – численность безработных; wt – уровень заработной платы; rt – уровень ставки %; pt – уровень цен. Уравнения поведения, содержащие случайную переменную ε, составляют систему уравнений (*): 1. Потребительская функция: Ct = a0 + a1 Yt + ε t(C), 0 < a1< t; 2. Инвестиционная функция: It = b0 + b1 Yt + b2 rt + b3 Kt-1 + ε t(I); 3. Монетарная функция: Mt = C0 + C1 Yt + C2 rt + ε t(M); 4. Производственная функция: Yt = d0 Ktd1 Ltd2 ε t(Y); 5. Инфляционная функция dln pt = k0 + k1 dln wt + ε t(p); 6. Функция динамики заработной платы: dln wt = l0 + l1 dln pt + l2 dln Yt + l3 / Ut + ε t(w); Балансовые тождества: 7. Yt = Ct + It + Gt; 8. Ut = Nt – Lt; 9. Kt = Kt-1 + It. Примечание: в ряде случаев коэффициенты могут иметь как положительный, так и отрицательный знаки. Система (*) – это пример модели множественной регрессии. Полученные прогнозные значения эндогенных переменных дают информацию для проведения государством рациональной стабилизационной экономической политики. Данная модель позволяет осуществлять прогнозирование макроэкономических показателей в краткосрочном исреднесрочном периодах.
8) Линейная регрессионная модель: простая регрессия, модель множественной регрессии. В статистическом анализе различают два типа регрессионных моделей: простую и множественную. Простая регрессия y = f(x; a) + ε (1) y – эндогенная переменная, x – экзогенная переменная, a – неизвестный вектор параметров модели, ε – случайная «шоковая» переменная. Под термином «шоковая» переменная в регрессии понимают не только случайные(переменные погрешности) модели, но и экзогенные(факторные) переменные, которые считаются несущественными(незначимыми)и по степени влияния на эндогенную переменную. В эконометрике наиболее подробно изучен частный случай простой линейной регрессии, в которой линейность означает пропорциональную зависимость y от x посредством неизвестных параметров: y = a0 + a1x + ε (2), где a0 и a1 – неизвестные параметры модели. Примером модели (2) является модель макроэкономики, отражающая закон А.Оукена об обратной зависимости темпа роста ВНП от темпа роста уровня безработицы: ∆ Yt / Yt = ã 0 + ã 1 * ∆ Ut / Ut , где ∆ Yt и ∆ Ut –абсолютные приросты объема ВНП (Yt) и уровня безработицы (Ut) за определенный период времени t. Оценки параметров по данным американской статистики составили: ã 0 = 3%, ã 1 = - 2. Модель множественной регрессии y = f(x1, x2, …, xm; a) + ε (3), где описывается зависимость одной эндогенной переменной от m (m> 1) экзогенных переменных. Случайные отклонения ε связаны с влиянием неучитываемых факторов. Т.к. ε – случайная величина, то и y – случайная величина. Поэтому задача восстановления зависимости y от x1, x2, …, xm может быть решена лишь при многократных наблюдениях этих переменных, полученных в различные моменты времени t = 1, 2, …, T. Результаты статистических наблюдений помещают в специальную таблицу исходных данных: В общем случае уравнения множественной регрессии решаются при условии задания статистических данных во времени. Основная задача состоит в определении коэффициентов множественной регрессии и в определении адекватности модели. Рассмотрим задачу определения параметров уравнения регрессии. Существует несколько методов, позволяющих дать приближенное описание экономического явления или процесса. К ним относятся: · метод максимального правдоподобия (ММП); · байесовский метод; · метод моментов; · метод наименьших квадратов (МНК). На практике наибольшее применение нашел МНК, в частности, для отыскания коэффициентов линейного приближения уравнения регрессии. y = f(x; a) + ε (1); y = a0 + a1x + ε (2). Однако МНК обеспечивает оптимальные свойства МНК-оценкам лишь при выполнений следующих условий: 1) Отсутствие систематических ошибок наблюдений уравнения регрессии: M [ε t] = 0, t = 1, 2, …, T. 2) Наблюдения производятся с одинаковой точностью, т.е. дисперсии случайных переменных одинаковы во все моменты измерения: D [ε t] =σ t2, t = 1, 2, …, T. 3) Наблюдения организованы так, что случайные ошибки не коррелированны между собой: M [ε t*ε r ] = 0, t ≠ r, t = 1, 2, …, T. 4) Случайные ошибки должны удовлетворять нормальному закону распределения вероятностей случайных величин.
5) Теорема Гаусса-Маркова МНК дает наиболее оптимальное уравнение линейной регрессии, т.к. параметры регрессии обладают наименьшими дисперсиями среди всех несмещенных оценок и линейно-зависимых от эндогенных переменных оценок с учетом условий 1)- 4). Пример. Пусть существует yiф, xiф, yiт = a0 + a1xi (3) Рассмотрим линейное приближение и возможность минимизации квадрата отклонений теоретических значений от экспериментальных. S = ∑ (yт – yiф)2 → min (4). i Решаем задачу для линейного приближения. S = ∑ (a0 + a1xi – yiф)2 = 0 (5). i Для определения коэффициентов линейной регрессии возьмем частные производные: ∂ S / ∂ a0 = 2 ∑ (a0 + a1xi – yiф)2 = 0 (6), i ∂ S / ∂ a1= 2 ∑ (a0 + a1xi – yiф)2 xi = 0 (7). i Решая (6) и (7) совместно, находим коэффициенты a0 и a1: na0 + a1∑ xiф – ∑ yiф = 0, I (8) a0∑ xi + a1∑ xi2– ∑ xi yi = 0. I i i В системе (8) известны xi и yi. Решая данную систему, получаем a0 и a1.
|