Из материала предыдущего раздела вытекает, что эконометрические модели, содержащие в правой части лаговые зависимые переменные, неоднородны по своим свойствам. В основном это обусловлено появлением специфических свойств у ошибки модели, выражаемых через особенности ее автокорреляционной функции и корреляционных взаимосвязей с независимыми (лаговыми) переменными. В литературе, посвященной проблемам эконометрического моделирования, выделяют три основных варианта возможных свойств этой ошибки.
Вариант 1. Ошибка модели et по своим свойствам является стационарным процессом второго порядка с нулевым математическим ожиданием, постоянной дисперсией и нулевыми автокорреляциями всех порядков. Это означает, что ее ковариационная матрица удовлетворяет соотношению Cov(e)=se2E.
Как следует из раздела 2.1, это предположение позволяет использовать для оценки параметров модели (5.1) обыкновенный МНК, если только не возникает сложностей с обращением матрицы (X¢X) и возможным появлением смещения у получаемых оценок из-за наличия корреляционных взаимосвязей между некоторыми независимыми факторами – лаговыми переменными и ошибкой. Эти взаимосвязи могут быть обусловлены тем, что переменная уt может иметь сильную автокорреляционную зависимость (может быть даже только первого порядка). В результате этого столбцы матрицы (X¢X), сформированные рядами уt–1 и у t–2, уt–2 и уt–3 и т. д., будут характеризоваться сильной корреляционной взаимозависимостью, следствием которой является плохая ее обратимость. Этот негативный эффект часто проявляется, когда число лаговых переменных не меньше двух. При этом обратимость матрицы (X¢X) ухудшается с ростом числа таких переменных.
Смещенность оценок может иметь место даже при единственной лаговой переменной уt–1. Причем в малых выборках, т.е. при небольшом количестве измерений Т, она усиливается. Дело в том, что поскольку корреляция между зависимой переменной уt и ошибкой et достаточно значительная, то в условиях сильной автокорреляционной зависимости между рядами уt и у t–1 будет наблюдаться и значительная взаимосвязь между рядами уt–1 и et, т. е. Соv(уt–1, et)¹0.
Вместе с тем, оценки коэффициентов модели (5.1), получаемые с помощью обыкновенного МНК, являются эффективными в силу выполнения условия Cov(e)=se2E. Поэтому на практике все же рекомендуется при их получении использовать именно этот метод (или его модификации, позволяющие смягчить проблему плохой обратимости матрицы (Х¢Х)–1), мирясь со смещением оценок параметров, тем более что с ростом числа измерений величина смещения обычно стремится к нулю.
Вариант 2. Ошибка модели является аддитивной функцией текущего и предшествующего значений “белого шума” как это имеет место в выражениях (5.7) и (5.16). Представим такую функцию как и в разделе 5.1 в следующем виде:
иt=et –be t–1, (5.21)
где b – априорно неизвестный коэффициент, 0<b£1, et – значение случайного процесса типа “белого шума” с нулевым средним, конечной дисперсией и нулевыми коэффициентами автокорреляции, начиная с первого.
В разделе 5.1 было отмечено, что в этом случае ковариационная матрица ошибки модели иt отлична от диагональной, т. е. Cov(и)¹sи2E. Ее вид определен выражением (5.11). Вследствие этого применение обыкновенного метода наименьших квадратов при определении параметров такой модели ведет к получению неэффективных оценок.
Вторая проблема, которая также имеет место в этом случае, заключается в том, что обыкновенный МНК дает смещенные оценки параметров модели в силу наличия корреляционной взаимосвязи между переменной у t–1, входящей в правую часть модели, и одновременной составляющей ошибки e t–1. Напомним, что вследствие такой зависимости математическое ожидание ошибки вектора a, определяемой выражением Da=(X¢X)–1X¢и, не равно нулю, а является функцией от ковариации столбца уt–1, входящего в матрицу X, и столбца et–1, поскольку в силу отмеченной зависимости Cov(уt–1, e t–1)¹0 (см. раздел 3.3).
Здесь следует отметить, что величина смещения оценки параметров оказывается тесно связанной с составом и количеством независимых переменных, входящих в правую часть эконометрической модели. Результаты эконометрических исследований этой проблемы подтверждают, что присутствие в модели нескольких лаговых зависимых переменных, т. е. уt–1, уt–2, уt–3,... усиливает смещение оценок ее параметров и, наоборот, присутствие независимых переменных х1t, х2t,... способствует уменьшению абсолютных величин смещений оценок.
В общем случае проблема смещения оценок оказывается более сложной, чем проблема потери этими оценками свойства эффективности. Для ее решения обычно рекомендуется использовать подход, связанный с заменой в матрице Х столбцов значений факторов, вызывающих смещение, на столбцы значений так называемых инструментальных переменных (см. раздел 3.3).
Инструментальная переменная zt, замещающая в эконометрической модели фактор, коррелирующий с ошибкой, должна обладать следующими двумя свойствами. Во-первых, она должна иметь сильную корреляционную связь с заменяемым ею фактором, и, во-вторых, быть слабо связанной с ошибкой модели иt. Для моделей типа (5.7) и (5.16), например, необходимо найти инструментальную переменную, замещающую лаговый фактор у t–1, т. е. переменную zt–1, обладающую двумя отмеченными свойствами.
Проблемы использования инструментальных переменных при оценке коэффициентов эконометрических моделей рассмотрены в разделе 3.3, а также в главе VIII.
Проблема получения эффективных оценок коэффициентов моделей с лаговыми зависимыми переменными типа (5.7) и (5.16) при известном значении коэффициента b, а, следовательно, и корреляционной матрице вектора ошибки иt, определенной, исходя из выражения (5.11), как
W=
могла бы быть решена с использованием обобщенного МНК.
Однако на практике значения b, а, следовательно, и значение , характеризующее коэффициент автокорреляции ошибки иt, является неизвестным. Очевидно, что для модели (5.7) и (5.16) оно удовлетворяет соотношению –1/2<l<0.
В этом случае для оценки параметров этих моделей можно предложить один из подходов, связанных с использованием двухшагового МНК, которые были рассмотрены в главе III.
Вариант 3. Значение ошибки модели в момент t оказывается связанным со значением в момент t–1. Иными словами, ряд ошибки модели et удовлетворяет следующему соотношению:
et=re t–1+xt , (5.23)
где½r½<1 и xt ~N(0, se2).
Этот вариант не вытекает из рассмотренных в главе V моделей. Однако он достаточно часто встречается в практических исследованиях (см. раздел 3.1).
Проблемы оценки параметров моделей с лаговыми зависимыми переменными при условии (5.23) возникают вследствие совместного действия двух причин – наличия корреляционной связи между независимым фактором уt–1 и ошибкой иt и автокорреляционной зависимостью самой ошибки.
Как показано в разделе 3.1 (см. выражение (3.27)), корреляционная матрица вектора ошибки при выполнении условия (5.23) определяется следующим выражением:
S=
Даже при известном значении коэффициента автокорреляции r с помощью процедур, основанных на использовании обобщенного МНК, можно было бы получить достаточно качественные (эффективные) оценки параметров эконометрической модели (см. раздел 3.2). Однако использование этого метода напрямую приводит к получению смещенных оценок.
Наоборот, использование, например, инструментальных переменных (речь идет о замене независимого фактора yt–1 на инструментальную переменную zt–1) , как это было показано выше в этом разделе, могло бы уменьшить или вообще устранить смещение в оценках параметров модели. Но полученные с их помощью оценки не будут эффективными.
В сложившихся условиях для получения несмещенных и эффективных оценок параметров эконометрической модели с лаговыми зависимыми переменными в качестве универсального подхода рекомендуется достаточно громоздкая трехэтапная процедура, которая сочетает в себе подходы, связанные с использованием и инструментальных переменных, и обобщенного МНК. Не снижая общности, рассмотрим особенности ее применения на примере достаточно простой модели с одной лаговой переменной уt–1 и независимым фактором хt. Она может быть записана в следующем виде:
1. На первом шаге этой процедуры с использованием вместо у t–1 инструментальной переменной zt можно получить несмещенные оценки коэффициентов уравнения (5.24) на основе следующего выражения:
a=(Z¢X)–1Z¢y, (5.25)
где матрицы Z и Х имеют следующий вид:
Z = Х =
z t–1 – значения инструментальной переменной, замещающей лаговую переменную у t–1, t=1,2,... Т.
2. На втором шаге процедуры определяются экспериментальные значения остатков модели (5.24)
На основании ряда et, t=1,2,... Т можно получить оценку коэффициента автокорреляции ошибки первого порядка r1. Для ее расчета рекомендуется использовать формулу, учитывающую поправку на смещение оценки:
3. На основании значений r формулируют корреляционную матрицу остатков модели (5.24), которая в данном случае будет иметь следующий вид:
S=
Вектор оценок коэффициентов модели (5.24) в этом случае определяется на основании обобщенного метода наименьших квадратов
a=(Х¢S–1X)–1Х¢S–1y, (5.28)
где матрица Х имеет тот же вид, что и в выражении (5.25).
Изложенная процедура позволяет получить состоятельные оценки параметров модели с лаговыми зависимыми переменными в правой части. Однако нельзя утверждать, что они будут “абсолютно” эффективными, поскольку при формировании матрицы Z использовалась оценка r истинного значения первого коэффициента автокорреляции остатков r, которая, в свою очередь, определялась на основе оценок значений ошибки et .