Реферат Курсовая Конспект
Методологические вопросы построения эконометрических моделей - раздел Экономика, Курс лекций по дисциплине Эконометрика. В последнее время специалисты В Любой Эконометрической Модели, В Зависимости От Конечных Прикладных Целей Е...
|
В любой эконометрической модели, в зависимости от конечных прикладных целей ее использования все участвующие в ней переменные подразделяются на:
- экзогенные переменные, задаваемые как бы извне, автономно, в определенной степени управляемые (планируемые);
- эндогенные переменные, значения которых формируются в процессе и внутри функционирования анализируемой социально-экономической системы под воздействием экзогенных переменных и во взаимодействии друг с другом, являются предметом объяснения в эконометрической модели;
- предопределенные переменные выступают в роли факторов-аргументов или объясняющих переменных;
- лаговые эндогенные переменные входят в уравнения анализируемой эконометрической системы, но измерены в прошлые моменты, а следовательно, являются уже известными, заданными.
Эконометрическая модель служит для объяснения поведения эндогенных переменных в зависимости от значений экзогенных и лаговых эндогенных переменных.
Весь процесс эконометрического моделирования можно разбить на шесть основных этапов.
1-й этап (постановочный) – определение конечных целей моделирования, набора участвующих в модели факторов и показателей, их роли;
2-й этап (априорный) – предмодельный анализ экономической сущности изучаемого явления, формирование и формализация априорной информации и исходных допущений, в частности относящейся к природе и генезису исходных статистических данных и случайных остаточных составляющих в виде ряда гипотез;
3-й этап (параметризация) – собственно моделирование, т.е. выбор общего вида модели, в том числе состава и формы входящих в неё связей между переменными;
4-й этап (информационный) – сбор необходимой статистической информации, т.е. регистрация значений участвующих в модели факторов и показателей;
5-й этап (идентификация модели) – статистический анализ модели и в первую очередь статистическое оценивание неизвестных параметров модели. Непосредственно связан с проблемой идентифицируемости модели, то есть ответа на вопрос «Возможно ли в принципе однозначно восстановить значения неизвестных параметров модели по имеющимся исходным данным в соответствии с решением, принятым на этапе параметризации?». После положительного ответа на этот вопрос необходимо решить проблему идентификации модели, то есть предложить и реализовать математически корректную процедуру оценивания неизвестных параметров модели по имеющимся исходным данным;
6-й этап (верификация модели) – сопоставление реальных и модельных данных, проверка адекватности модели, оценка точности модельных данных. В ходе верификации модели решаются вопросы о том:
- насколько удачно удалось решить проблемы спецификации, идентифицируемости и идентификации, т.е. можно ли рассчитывать на то, что использование полученной модели в целях прогноза даст результаты, адекватные действительности;
- какова точность (абсолютная, относительная) прогнозных и имитационных расчетов основанных на построенной модели;
Получение ответов на эти вопросы с помощью тех или иных математико-статистических методов и составляет содержание верификации модели.
Проблема спецификации модели решается на 1, 2, 3 этапах моделирования и включает в себя:
- определение конечных целей моделирования (прогноз, имитация сценариев развития анализируемой системы, управление);
- определение списка экзогенных и эндогенных переменных;
- определение состава анализируемой системы уравнений и тождеств и соответственно списка предопределенных переменных;
- формулировка исходных предпосылок и априорных ограничений относительно стохастической природы остатков (рассмотрение проблемы гомоскедастичности).
Этапы 4, 5 и 6 сопровождаются процедурой калибровки модели, которая заключается в переборе большого числа вариантов, обусловленных наличием «нормативных» ограничений, определенных содержательным смыслом анализируемых связей и определенной нечеткостью (неполнотой) статистической информации. Калибровка модели - трудоемкая процедура, что связано с многократными «вычислительными прогонами» модели.
Наиболее распространенными в эконометрическом моделировании являются следующие образующие четыре группы методы:
- классическая линейная модель множественной регрессии (КЛММР) и классический метод наименьших квадратов (МНК);
- обобщенная КЛММР и обобщенный МНК;
- методы статистического анализа временных рядов;
- методы анализа систем одновременных эконометрических уравнений.
Применение этих методов делает возможным построение следующих типов эконометрических моделей:
1. Регрессионные модели с одним уравнением.
В таких моделях зависимая (объясняемая) переменная представляется в виде функции
,
где - независимые (объясняющие) переменные,
- параметры.
В зависимости от вида функции модели делятся на линейные и нелинейные.
Например, можно исследовать уровень дохода семьи как функцию от ряда ее экономических и социально-демографических характеристик (наличие и количество работников в семье, наличие и количество детей и прочих иждивенцев, уровень образования и квалификации главы семьи и т.д.).
2. Модели временных рядов.
К этому классу относятся модели:
· тренда: ,
где t – время,
- временной тренд заданного параметрического вида (например, линейный ),
x - случайная (стохастическая) компонента;
· сезонности: ,
где - периодическая (сезонная) компонента,
- случайная (стохастическая) компонента.
· тренда и сезонности: (аддитивная) или
(мультипликативная)
где - временной тренд заданного параметрического вида,
- периодическая (сезонная) компонента,
- случайная (стохастическая) компонента.
Кроме того, существуют модели временных рядов, в которых присутствует циклическая компонента, формирующая изменения анализируемого признака, обусловленные действием долговременных циклов экономической, демографической или астрофизической природы (волны Кондратьева, циклы солнечной активности и т.д.).
Модели временных рядов могут применяться для изучения и прогнозирования объема продаж туристических путевок, спроса на железнодорожные и авиабилеты, при краткосрочном прогнозировании процентных ставок и т.д.
3. Системы одновременных уравнений.
Эти модели описываются системами уравнений. Системы могут состоять из тождеств и регрессионных уравнений, каждое из которых, кроме объясняющих переменных, может включать в себя объясняемые переменные из других уравнений системы. Системы одновременных уравнений требуют сложного математического аппарата и могут быть использованы для моделей национальной экономики.
Ярким примером системы одновременных уравнений служит модель спроса и предложения. Пусть - спрос на товар в момент времени t, - предложение товара в момент времени t, - цена на товар в момент времени t, Yt – доход в момент t.
Составим систему уравнений "спрос – предложение":
(предложение),
(спрос),
(равновесие).
Цена товара Pt и спрос на товар определяются из уравнений модели, то есть являются эндогенными переменными. Объясняющими переменными в данной модели являются доход Yt и значение цены товара в предыдущий момент времени .
Для эконометрического моделирования используются данные следующих трех типов.
1. Предположим, что мы располагаем результатами регистрации значений переменных на n статистически обследованных объектах. Так что если i – номер обследованного объекта, то имеющиеся исходные статистические данные состоят из n строк вида , где - значение j переменной, зарегистрированное на i обследованном объекте. То есть данные могут быть представлены в виде матрицы n´p:
.
Такой тип данных называется пространственной выборкой или данными поперечного среза (cross-section data). Такие данные не имеют временного параметра, и порядок их следования не существенен. Пример: финансовые показатели работы предприятий за истекший год.
2. Предположим, что данные регистрируются на одном и том же объекте, но в разные периоды времени. Тогда аналогом i будет номер периода времени, к которому привязаны соответствующие данные, а n будет общим числом периодов времени. Такие данные называются временнóй выборкой, или временными рядами данных (time series data), или данными продольного среза. Для таких данных существенен порядок следования значений переменных. Пример: финансовые показатели предприятия за последние несколько лет.
3. Наконец, предположим, что отслеживается каждый из n объектов в течение T периодов времени. То есть имеем последовательность матриц вида X, отнесенных к моментам времени 1,2,…,Т:
.
Такие данные называются панельными, или пространственно-временной выборкой (panel data). Данные сочетают в себе свойства как временных рядов, так и данных поперечного сечения. Как правило, значение T мало. Пример: показатели социально-экономического состояния домохозяйств за три года.
– Конец работы –
Эта тема принадлежит разделу:
Введение... В последнее время специалисты обладающие знаниями и навыками проведения прикладного экономического анализа с...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Методологические вопросы построения эконометрических моделей
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов