Академический Документы
Профессиональный Документы
Культура Документы
И Г О С У Д А Р С Т В Е Н Н О Й СЛУЖ БЫ
П РИ П Р Е З И Д Е Н Т Е Р О С С И Й С К О Й Ф Е Д Е Р А Ц И И
СЕРИЯ « А К А Д Е М И Ч Е С К И Й У Ч Е Б Н И К »
В .П . Н о с к о
Эконометрика
Книга вторая
Часть 3
Системы одновременных уравнений, панельные данные, модели
с дискретными и огранигенными объясняемыми переменными
Часть 4
Временные ряды: дополнительные главы.
Модель стохастигеской границы
Рекомендовано
федеральным государственным бюджетным угреждением
высшего профессионального образования
«Российская академия народного хозяйства и государственной службы
при Президенте Российской федерации»
в кагестве угебника для студентов высших угебных заведений,
обугающихся по экономигеским специальностям
МОСКВА
И З Д А Т Е Л Ь С К И Й Д О М «ДЕЛО»
2011
УДК 330.43(075.8)
ББК 65в6я73
Н84
Рецензент:
И.И. Елисеева, доктор экономических наук,
профессор, член-корреспондент РАН, заслуженный деятель науки РФ,
зав. кафедрой статистики и эконометрики Санкт-Петербургского
государственного университета экономики и финансов
АВТОР:
Носко Владимир Петрович,
кандидат физико-математических наук,
старший научный сотрудник механико-математического факультета
МГУ им. М.В. Ломоносова, зав. кафедрой эконометрики
и математической экономики РАНХиГС.
Преподает эконометрику с 1994 г., читает курсы лекций
в МГУ им. М.В. Ломоносова, в Российской академии
народного хозяйства и государственной службы при Президенте РФ
и в Институте экономической политики им. Е.Т. Гайдара.
Автор более 60 научных работ
Носко В.П.
Н84 Эконометрика. Кн. 2. Ч. 3, 4: учебник / В.П. Носко. — М.: Изда
тельский дом «Дело» РАНХиГС, 2011. — 576 с. (Сер. «Академиче
ский учебник».)
ISBN 978-5-7749-0655-3
В учебнике излагаются методы эконометрического анализа — от самых простых
до весьма продвинутых. В основе учебника — курсы лекций, прочитанные автором
в Институте экономической политики им. Е.Т. Гайдара, на механико-математическом
факультете Московского государственного университета им. М.В. Ломоносова и на
экономическом факультете РАНХиГС.
Учебник состоит из двух книг (четырех частей): в кн. 1 рассматриваются линейные
модели регрессии; модели стационарных и нестационарных временных рядов, особенности
регрессионного анализа для стационарных и нестационарных переменных; в кн. 2 — модели
одновременных уравнений, модели с дискретными и цензурированными объясняемыми
переменными, модели для анализа панельных данных; модель стохастической границы
производственных возможностей, а также содержится дополнительный материал по ана
лизу временных рядов (прогнозирование, методология векторных авторегрессий и др.).
В каждой части учебника имеется словарь употребляемых в ней терминов.
Для студентов, аспирантов, преподавателей, а также для специалистов по приклад
ной экономике.
УДК 330.43(075.8)
ББК 65в6я73
ISBN 978-5-7749-0655-3 © ФГБОУ ВПО «Российская академия народного
хозяйства и государственной службы
при Президенте Российской Федерации», 2011
Содержание
Предисловие..................................................................................................................6
Предисловие ко второй книге................................................................................... 8
Часть 3
СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ,
ПАНЕЛЬНЫЕ ДАННЫЕ,
МОДЕЛИ С ДИСКРЕТНЫМИ И ОГРАНИЧЕННЫМИ
ОБЪЯСНЯЕМЫМИ ПЕРЕМЕННЫМИ
Р а з д е л 3. ПАНЕЛЬНЫЕ ДАННЫЕ...............................................................................105
Тема 3.1. Панельные данные: модель пула, модель
ковариационного анализа, модель кажущихся
несвязанными регрессий.......................................................................... 105
Тема 3.2. Модели с фиксированными и случайными
эффектами....................................................................................................129
Тема 3.3. Двунаправленные модели........................................................................156
Тема 3.4. Несбалансированные панели, эндогенные объясняющие
переменные, модели с индивидуально-специфическими
переменными.............................................................................................. 163
Тема 3.5. Динамические модели...............................................................................173
4 Содержание
Часть 4
ВРЕМЕННЫЕ РЯДЫ: ДОПОЛНИТЕЛЬНЫЕ ГЛАВЫ.
МОДЕЛЬ СТОХАСТИЧЕСКОЙ ГРАНИЦЫ
Р а з д е л 5. СГЛАЖИВАНИЕ И ПРОГНОЗИРОВАНИЕ
ВРЕМЕННЫХ РЯДОВ................................................................................... 327
Тема 5.1. Адаптивные методы, метод наименьших квадратов........................327
Тема 5.2. Прогнозирование по моделям AR, МА, ARM A, ARIMA...............360
1 Носко В.П. Эконометрика для начинающих: дополнительные главы. М.: ИЭПП, 2005.
Предисловие ко второй книге 9
Р а з д е л 1
СИСТЕМЫ
ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
Ct —сс+/3Y( +£(
Сi —сс+f3Y(+£(
г, = с,+/,
I I t
Рис. 1.1
или
Ct = а + Р I t +£t
Y,= y +д I, +£,,
где
где
р \\т р = р + { \ - р ) — у ------г .
я-»® D(I,) + cr
а Р а 2 Я2
е
Р —~~^~1 а = ~— <т,=
1 + /? 1 + /? (1+ J3)2
а Р Я .
Р = ---Г’ а = -
1+ р 1+ р
использование оценок коэффициентов второго уравнения приведенной фор
мы приводит к оценкам:
Рп = —г—, а* = —
У.
S 8
Полученные этими двумя способами оценки коэффициента /? будут сов-
Qd ~ ао +а\Р
Qs = h + b xP
Qs =Qd,
где Qs— предложение товара {supply)',
Qd— спрос на товар (demand)-,
Р — цена единицы товара (price);
ах <0, Ьх > 0.
Если правила определения объемов предложения и спроса известны, т.е.
известны коэффициенты а0, ах, Ь0 и Ьх, то при отсутствии флуктуаций равно
весное решение для цены Р и спроса Q находится без труда. Здесь в наличии
система двух линейных уравнений с двумя неизвестными P n Q :
\Q ~ a xP = a0
1Q - b xP= b0,
решением которой является пара значений
р ао *о
ь\ ~ а х ’
которые есть координаты точки пересечения прямых спроса и предложения
(прямые d a s на рис. 1.2). При а0 > Ь0 оба эти значения положительны.
Предположим, что спрос подвержен случайным флуктуациям, изменяющим
а0 до значения (а0 + и,) в ?-м наблюдении, а предложение подвержено флук
туациям, изменяющим в /-м наблюдении Ь0 до значения (b0 + v,), так что,
Рис. 1.2
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
1 77.484 13.921 5.556 0.0001
Цена -24.775 29.794 -0.832 0.4219
b\u, - a \v, .
де=
\- а х
Направление сдвига:
AQ _ Ъхи, - а,у,
АР и. - V,
Если имеется только сдвиг спроса (v, = 0), то
АО Ьм, ,
——= = о, — сдвиг вдоль прямой предложения.
АР и,
Если имеется только сдвиг предложения (и, = 0), то
AQ _ аху, _
= а, сдвиг вдоль прямой спроса.
АР
ПРИМЕР 1.1.1
На рис. 1.3 показана реализация следующего процесса порождения данных:
DGP: Q,= 2 0 - 0.5Р, + и„ (спрос)
Q, —10 + 0.5Р, + v,, (предложение)
и„ v, ~ i.i.d. N(0, 1), 1 - 1 ,2 ,..., 100.
Пара уравнений
\Q,=n, +w„
[Р, =K2+Wt2
представляет приведенную форму системы. Заметим, что здесь существует
корреляция между ошибками в разных уравнениях приведенной формы при
одном и том же /, даже если ошибки в структурной системе не коррелиро-
ваны: в последнем случае
ПРИМЕР 1.1.2
На рис. 1.4 показана реализация следующего процесса порождения данных:
DGP: Qt = 2 0 - 0.5Pt + 0.1 Yt + ut, (спрос)
Qt = 10 + 0.5Р, + v„ (предложение)
un vt ~ U .d.N (0,1), Yt = 1000 + ЮО77,, / = 1 , 2 , ..., 100,
где 7 1? /72 ,..., 77100 — случайная выборка из равномерного распределения в
интервале (0, 1).
В этом случае на диаграмме выявляется Q
направление прямой предложения.■ 44
43
'« о V
l l
= 0 Д , Я , ) а2 О + (w ,,v ,),
~b\
О Ь.2 /
а приведенную форму — в виде:
«о Ь0 г 1 ! л-1 ч 1
= 0 Д „ я ,) а2 О + (w„v,) 1 1
~ а\ -Ъ\V а\ ~ Ь \;
о ъ.2 7
1 1
= {\,Yn R,)U + (ut,vt)
,-«1 - ч
где П — матрица коэффициентов приведенной формы,
Ч 1 л-12" ч
г \ IV 1
п= Л"21 ^22 = а2 0
а\ “ V
<^31
у7Г 3 1 ^32
Л Ъ 1у
)
1° 0 2 J
к
Но
1 1 ^ 1 Г-6, -Г
1
, - а 1 ~Ъ\; к а1 1У
так что
Раздел 1. Системы одновременных уравнений 21
р _ ао Ъ0
t * ■Y.—
ь\ ~ а \ Ь\ ~ а \ Ь\ -«1 b y -o t
Поскольку матрица коэффициентов приведенной формы получается как
/
4 i «0 \ )
n =
71 \ 2
- 0
1 1V
*21 U 22 a 2
-а -V
Кп ъ \ *32 J 1° 4
то
7t\ > ao bo)
1
a2 0
- ь,
Л32 У 0 b2j
Это дae^ нам 6 уравнений для восстановления 6 коэффициентов структур
ной формы по коэффициентам приведенной формы:
я-, 0’ Я \\~ Я\Ф\ =
^ 2 1 ” п гга\ ~ а2’ *21 *22^1 “
*31 “ Лъ2а\ ~ *31 — *32^1 = ^2*
Из этих уравнений находим:
_ *31 71.21
ь ,=
7132 7122
71-31 71.21
а0 —* 2 1 *"22 b2 - * 31 32
7t 32 7122
* 12*31 П \ 2 П 2\
Ь0 = 7 Г п ~
71,32 Я-22
{* о ho)
i n
(Q „ p ,) = 0 ,R „ s t) 0 b2 + {u „ vt ).
- b Xj
4
22 Часть 3. Системы одновременных уравнений, панельные данные, модели..
**
*
г= , в =
Ygg j - Pa j
S'
xt =(xn ,...,x tK), u ,= (u n,...,u tg)
(последние три вектора здесь удобнее представлять как векторы-строки). Тогда
система записывается в компактном виде:
у,Т = х,Ъ + ип t = \,...,n .
Предполагая невырожденность матрицы Г, так что для этой матрицы суще
ствует обратная, умножим обе части последнего уравнения на Г-1. Получим
приведенную форму системы:
у, = дг(ВГ-1 + м,Г-1 = х,П + wt.
Здесь
ЯУ я-.•я
п =вгч = wt =utr 1=(w,,,..., wtg),
п К1 п Kg
где wti— случайная ошибка в i-м уравнении приведенной формы в момент t.
Выше уже фактически использовали это представление для получения
приведенных форм систем
Г Q, = ^ o + a ip, +a2Yt +ut
[Qt =b0 + b\P, + b2R, + v ,
1 Как будет продемонстрировано ниже в данном разделе (см. Замечание 1.1.5), коэффици
енты структурной формы могут не восстанавливаться однозначно по одним только коэффици
ентам приведенной формы и в то же время однозначно восстанавливаться при привлечении
дополнительной информации в виде ограничений на элементы ковариационной матрицы оши
бок в правых частях уравнений структурной формы и использовании элементов ковариацион
ной матрицы ошибок в правых частях уравнений приведенной формы.
Раздел 1. Системы одновременных уравнений 27
(а п «12 ^ Г 1 1 '
«21 «22 -«1 -Ь х
А = (а, а 2) =
«31 «32 А ао К
.«41 «42 j V. Ч
30 Часть 3. Системы одновременных уравнений, панельные данные, модели..
1
ио -«1 -Ъх
Г= В= О А= = ао К
-а . в
V
о ъ.2 У а2 0
, 0 ^2 >
Соответственно здесь для каждого столбца матрицы А, помимо норми
рующего ограничения, имеется по одному исключающему ограничению на
экзогенные переменные, так что g* = g 2 = О, К* = К 2 = 1, g ’ + К* = g - 1, и
порядковое условие выполнено.
Ограничение а 51 = 0 в первом столбце можно записать в виде Ф1а 1 = О,
где Ф, = (0 0 0 0 1). Тогда
Ф,А, = (0 ОО О l ) ( l ,- b „ b 0,0 ,b 2f = (b2),
rank (Ф, А) = rank (Ф, А ,) = rank (b2) - 1,
Раздел 1. Системы одновременных уравнений 31
0 0 0 1 0
Ф ,=
0 0 0 0 1
32 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Тогда
Г 1 п
-а , - b,
Ф.А =
"О
,0
0 0
0 0 0
1
,
О"
1
( 1 '4
A — a0 b0
Раздел 1. Системы одновременных уравнений 33
rank (Ф2А) = 1, так что rank (Ф2А) = g - 1, и для второго уравнения также вы
полнено ранговое условие идентифицируемости. Поскольку R2 = 2 > g - 1 = 1,
второе уравнение сверхидентифицируемо.
f 1 1^
"г" =
Г= , В = (ао,0), А= ~ a 1t -Ьх
ь, в
\ У
.а о оJ
На первый столбец матрицы А не накладывается никаких ограничений,
кроме нормировочных, так что g* = О, К* = 0, и для первого уравнения не вы
полнено порядковое условие g * + К * > g - 1. Следовательно, первое уравнение
неидентифицируемо. Однако на второй столбец на этот раз накладывается
исключающее ограничение а 32 = О, т.е. Ф2а 2 = гДе Ф2 = (0 0 1)* При этом
rank (Ф2А) = rank (а0 0) = rank (Ф2А х) = (а0) = 1= g - 1,
так что второе уравнение идентифицируемо. Поскольку g 2 + К 2 = 1 = g - 1,
это уравнение идентифицируемо точно.
Q f ~ 0\Р, ~ а о + а 2 + Ut
Qt ~b\Pt = b o + v t
q ? - q ; = o.
Матрица А имеет вид:
1 0 1
0 1 -1
A = -«1 -Ъ\ 0
ао h 0
°2 0 0
П = ВГЧ = , W, =и,Т 1= ( w , w ) .
к\ п Kg
Пусть
Е(и,) = 0, (Cov(uti, utj )) = !, = (<7у),
(Cov(utj, usj)) = 0 для t Фs,
так что ошибки не коррелированы по времени, но для одного и того же момента
ошибки в разных уравнениях могут быть коррелированными между собой. Тогда
E(W') = 0 и для ковариационной матрицы Q = (<э(.) = Cov(wt) = (Cov(wn; wtj))
вектора w, ошибок в приведенном уравнении имеем:
Уи Уи Ум
Г= = [У\ : Г ,], где ух = г,=
У* rz Ув2 Уggу
i Q, Л 1 У, Л,
1 1 «1 ао а2 0
2 1 Ьх к 0 ь2
i Q, Л 1 R, S,
1 1 «1 «0 0 0
2 1 ьх Ь2 *3
12 0)22
Если предположить дополнительно, что сг12 = сг21 = 0, т.е. что ошибки в раз
ных уравнениях не коррелированы между собой, то из последнего соотноше
ния получаем:
со.12 ахсо22 =0,
КОНТРОЛЬНЫЕ ВОПРОСЫ
1. Какая эконометрическая модель называется системой одновременных уравнений?
2. Что понимается под структурной и приведенной формами системы одновремен
ных уравнений?
3. Что понимается под идентифицируемостью отдельного структурного уравнения
системы одновременных уравнений?
4. Что понимается под идентифицируемостью структурной формы системы одновре
менных уравнений?
5. Могут ли быть в неидентифицируемой системе одновременных уравнений отдель
ные структурные уравнения, являющиеся идентифицируемыми?
6. На какие три типа подразделяются переменные при рассмотрении вопроса об иден
тифицируемости структурных уравнений системы?
7. В чем состоит порядковое условие идентифицируемости отдельного структурного
уравнения?
8. В чем состоит ранговое условие идентифицируемости отдельного структурного
уравнения?
9. Охарактеризуйте три ситуации, возникающие при оценивании отдельного струк
турного уравнения, с привлечением порядкового и рангового условий идентифи
цируемости.
10. Какова роль константы в проблеме идентиф ицируемости структурных урав
нений?
11. Как производится проверка рангового условия идентифицируемости в ситуа
циях, когда на структурные уравнения накладываются только исключающие огра
ничения?
12. Пусть критерий идентифицируемости применяется в отношении выделенного
структурного уравнения, содержащего случайные ошибки в правой части. Зави
сит ли результат применения этого критерия от того, что рассматривается —
полная система вместе с тождествами или система, в которой тождества учтены
и исключены?
13. Может ли помочь в восстановлении коэффициентов структурной формы исполь
зование ковариационной матрицы ошибок в приведенной форме?
14. Может ли введение ограничений на структуру ковариационной матрицы ошибок
в структурной форме системы обеспечить идентификацию уравнений, которые
без таких ограничений неидентифицируемы?
15. В каком случае система одновременных уравнений называется рекурсивной?
16. Останется ли рекурсивная система рекурсивной, если снять условие некоррели
рованности ошибок в разных уравнениях?
42 Часть 3. Системы одновременных уравнений, панельные данные, модели..
или
Уп =Yna \ +x tA
где YtX= (y*tX9 ..-9y*te) — вектор значений g x эндогенных переменных, вклю-
ченных в правую часть первого уравнения;
%t\ = (JC*i> •••9 х *к: ) — вектор значений К х предопределенных переменных,
включенных в правую часть первого уравнения;
а хи в х — векторы коэффициентов при эндогенных и предопре
деленных переменных, включенных в первое уравнение.
Состоятельному оцениванию коэффициентов уравнения мешает эндоген
ность переменных у*Х9 ..., у* . Это затруднение преодолевается за два шага —
отсюда название метода: двухшаговый метод наименьших квадратов
(2SLS — two-stage least squares).
1. Производится оценивание уравнений регрессии каждой из этих пере
менных на все предопределенные переменные, включенные в систему.
В качестве очищенных вариантов переменныхy*l9 ...9y*g берутся пред
сказанные значения y*l9 ...9y*g этих переменных (в этом контексте
предопределенные переменные понимаются как инструменты для очист
ки эндогенных переменных).
44 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Я-,1g
П= -матрица коэффициентов приведенной формы сис
л темы;
К1
ж
W= -матрица значений в п наблюдениях ошибок в
W,п 1 W,”g J
g уравнениях приведенной формы.
ной. Заметим, что rank(Z/Z,) = rankZ/- < rankX Но матрица Z, Z, имеет поря
док, равный (g, + Kj), a rankX = К, так что необходимо, чтобы К > g-t + Кь т.е.
46 Часть 3. Системы одновременных уравнений, панельные данные, модели..
К - К; > gt = (g - g*) - 1. Это есть не что иное, как известное нам порядковое
условие идентифицируемости. Для состоятельности SfSLS требуется еще, что
бы предельная матрица
р lim f —Z j Z j 1 = Qj
У! = Y,a , + Х А + U, = ZA +Ui’ l =
После этого можно вычислить y t = ЛП, и получить 25’15-оценку S fSLS для
Si9 применив OLS к уравнению^ =
Совокупность оценок S fSLS, / = 1, ..., g, в форме вектора
?2SLS"
?2SLS
/ \ о . .. О^
У\ О z2 . ..
=
О
Л ,
VО О . •• Z 'J
в сокращенной форме:
у - ZS + £*,
где
/ *
С \ О . .. О
У\ Го 1 Z2 . .. О
У= , £= £ -
О О .
••
Л ,
V g.
I S 2SLS находится
£2 SLS =( z Tz y xZ Ty.
Эта оценка неэффективна вследствие коррелированное™ ошибок stl9 ..., etg
(имеющей место даже при некоррелированности ошибок ип, ..., utg в струк-
Раздел 1. Системы одновременных уравнений 49
Л 1I g Я ,2 i g ■
•• v . l
у . 'W g • •• W z
Cov(s) = Cov 9
'i g
л л
l g 2 I g .•• A g g lg J
\ £ ngj
ИЛИ
Cov(s) = A ® I g,
где /_ единичная матрица порядка g;
Лу = Cov(£ti,£tJ);
A = (Ay)— ковариационная матрица вектора (stl, ..., stg);
A ® / g — формализованное обозначение матрицы, являющейся кроне-
керовским произведением (Kroneckerproduct) матриц А и Ig.
Уи У\8
где Y = -матрица значений в п наблюдениях всех g эндо
генных переменных, включенных в систему;
Уп\ у,ng J
1
Ри(их,...,ип) = \ {
t=1 (v/2^)SVdetI
- ) ; ± { y tT - x f l W lW - x p f .
^ t=1
Продифференцировав последнее выражение по элементам матрицы 5Г1 и
приравняв найденные производные к нулю, получим:
I = п~1(УГ - ХВ)г (УГ - ХВ).
Подставив данное соотношение для X в правую часть выражения для
In L (Г, В, Е | Y, X) и отбросив слагаемые, не зависящие от неизвестных пара
метров, получим концентрированную логарифмическую функцию прав
доподобия (concentrated log-likelihoodfunction ):
Н = n q T[asCov(q)]~xq,
где asCdv(q) — состоятельная оценка асимптотической ковариационной мат
рицы asCov(q) разности q - в - в, при выполнении доста
точно общих условий она имеет при гипотезе Н0 асимптоти
ческое распределение хи-квадрат.
Некоторые трудности при использовании этой статистики вызывает то
обстоятельство, что компоненты вектора q - в - в в общем случае линейно
зависимы, вследствие чего матрица asCov(q) может быть вырожденной
и не иметь обратной в обычном смысле. В связи с этим в формуле для стати
стики Н следует использовать не обычную обратную, а так называемую
обобщенную обратную матрицу.
Указанные трудности можно обойти, если использовать асимптотически
эквивалентные версии критерия Хаусмана, основанные на оценивании тех
или иных уравнений регрессии. В таких вариантах критерия дело сводится
к проверке значимости оцененных коэффициентов соответствующих урав
нений.
Раздел 1. Системы одновременных уравнений 57
ПРИМЕР 1.2.1
Рассмотрим модель «спрос — предложение» в виде:
JP = a xQ + 6xx + 6 X1DPI + их
[б = а 2 Р + ^21 + @22 Weather + 623Invest + и2,
где Р — розничная цена свежих фруктов, выраженная в постоянных
ценах с использованием индекса розничных цен;
Q — объем потребления свежих фруктов на душу населения;
DPI — располагаемый доход на душу населения, дефлированный на
индекс потребительских цен ( СРГ);
Weather— климатическая характеристика, отражающая размер потенциаль
ных потерь урожая из-за неблагоприятных погодных условий;
Invest — дефлированный на CPI объем на душу населения чистых инве
стиций производителей свежих фруктов, отражающий издерж
ки производства.
Первое уравнение является уравнением спроса, а второе — уравнением
предложения.
Всего имеется 30 наблюдений, все переменные выражены в индексной
форме с одним и тем же базовым периодом (табл. 1.4).
60 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 1.4
Данные 30 наблюдений в модели «спрос — предложение»
®Ъ2; 0 в 22
v 0 в Ъ2 j
i Уп Уп 1 *Г 2 * ,з X t4
1 1 а хх *2 1
0 0
0 1 0 *22 *3 2
*1 2 *1 2
У (2 — ^ 1 2 + ^ 2 2 ^ 7 2 + ^ 3 2 ^ 7 3 + ^ 4 2 ^ 7 4 + ^ t 2 '
В пакете Е Views это дает результаты, приведенные в табл. 1.6 (при расче
тах использовались значения Р и Q с 4 десятичными знаками).
Таблица 1.6
Оценка уравнений с помощью метода наименьших квадратов
Объясняемая переменная Y\
Стандартная
Переменная Коэффициент /-статистика P-значение
ошибка
Объясняемая переменная YI
Стандартная
Переменная Коэффициент Г-статистика P-значение
ошибка
/ г 32 0Г ц 0 # 22
*31 V 1 J
и приводит к уравнениям:
*11 ~~ П\2а \\ * *12 ~ П\\ а \2 ~ ^12 >
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
С( 1) -0.361831 0.081657 -4.431122 0.0000
С(2) 18.16639 9.760145 1.861283 0.0683
С(3) 1.279190 0.126018 10.15089 0.0000
С(4) 0.563994 0.175307 3.217171 0.0022
С( 5) 88.78386 15.06578 5.893080 0.0000
С( 6) -1.128017 0.158217 -7.129565 0.0000
С( 7) 0.561206 0.065442 8.575557 0.0000
^20.638675 16.439387
v16.439387 36.328821
Ей соответствует оцененная корреляционная матрица
' 1 0.600370"
v0.600370 1 J’
указывающая на наличие заметной корреляции между ошибками в разных
уравнениях. Это означает, что потенциально имеется возможность повысить
эффективность оценивания, если учесть такую коррелированность и приме
нить трехшаговый метод наименьших квадратов или метод максимального
правдоподобия с полной информацией.
При применении 3SLS получим результаты, приведенные в табл. 1.8.
Таблица 1.8
Стандартная
Переменная Коэффициент Г-статистика Р-значение
ошибка
Таблица 1.9
Данные, полученные с помощью методов 2 S L S и 3SLS
Таблица 1.10
Оценка уравнений с помощью метода F IM L
Стандартная
Переменная Коэффициент Г-статистика Р-значение
ошибка
C(l) -0.363540 0.097355 -3.734157 0.0005
C( 2) 18.18156 13.65099 1.331886 0.1886
C(3) 1.280771 0.167147 7.662534 0.0000
C(4) 0.593625 0.221715 2.677418 0.0099
C(5) 88.82550 19.84547 4.526248 0.0000
C(6) -1.159160 0.151139 -7.669539 0.0000
C( 7) 0.549823 0.065905 8.342675 0.0000
Таблица 1.11
Оценка уравнений с помощью метода O L S без учета эндогенности переменных
Estimation Method: Two-Stage Least Squares
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
C( 1) -0.213716 0.063693 -3.355431 0.0015
C(2) 18.159740 8.908678 2.038432 0.0465
C(3) 1.130662 0.108276 10.44241 0.0000
C(4) 0.614038 0.159561 3.848293 0.0003
C( 5) 86.61460 14.71164 5.887487 0.0000
C(6) -1.154140 0.153404 -7.523517 0.0000
C( 7) 0.553841 0.064458 8.592225 0.0000
Коэффициент
Переменная
FIML OLS
C( 1) -0.363540 -0.213716
C(2) 18.18156 18.15974
C(3) 1.280771 1.130662
C(4) 0.593625 0.614038
C(5) 88.82550 86.61460
C( 6) -1.159165 -1.154140
C( 7) 0.549823 0.553841
Таблица 1.13
Оценка уравнений с исключенной переменной с помощью метода 3SLS
Estimation Method: Iterative Three-Stage Least Squares (3 SLS);
Convergence achieved after: 1 weight matrix, 2 total coef iterations
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
С(1) -0.393021 0.106679 -3.684137 0.0005
С(2) 18.16779 9.612186 1.890079 0.0641
С(3) 1.310468 0.142630 9.187882 0.0000
С(4) 1.603271 0.324620 4.938909 0.0000
С(5) 68.85896 29.34434 2.346584 0.0226
С(6) -1.469719 0.308619 -4.762247 0.0000
Determinant residual covariance 3322.482
Коэффициент
Переменная
X4 excluded X4 included
C(l) -0.393021 -0.361831
C( 2) 18.16779 18.16639
C(3) 1.310468 1.279190
C(4) 1.603271 0.592909
C(5) 68.85896 89.91484
C(6) -1.469719 -1.159822
70 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 1.15
Оценка уравнений с исключенной переменной с помощью метода 3SLS
Estimation Method: Iterative Three-Stage Least Squares (3 SLS)
Стандартная
Переменная Коэффициент Г-статистика Р-значение
ошибка
Коэффициент
Переменная
АЗ excluded АЗ included
С(1) -0.318323 -0.361831
С(2) 18.16444 18.16639
С( 3) 1.235561 1.279190
С(4) 0.274776 0.592909
С( 5) 16.26065 89.91484
С(6) — -1.159822
С(7) 0.499415 0.550297
ПРИМЕР 1.2.2
Чтобы составить представление о возможности более или менее точного вос
становления параметров структурной формы, сгенерируем 30 новых «наблю
дений», используя процесс порождения данных в виде:
[ytX= - 0 .5 yt2 +80 + 0.7*,2 +ип
\ y t2 =0.75 у п +10-1.5х,з +1.5х,4 + и,2,
где переменные имеют ту же интерпретацию и значения переменных jc,2, xt3
и jc,4 те же, что и в предыдущем примере, а случайные составляющие ип ,
ut2 не коррелированы во времени, имеют нулевые ожидания, одинаковые
дисперсии D(utX) = D(u t2) = 36 и Corr(utU ut2) = 0.7. Полученные «данные»
приведены в табл. 1.17.
72 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 1.17
Сгенерированные данные 30 наблюдений
t Y1 YI XI АЗ Х4
Таблица 1.18
Оценка уравнений с помощью обычного метода наименьших квадратов
Estimation Method: Least Squares (OLS)
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
C(l) -0.363218 0.041816 -8.686139 0.0000
C(2) 88.69833 10.49401 8.452281 0.0000
C(3) 0.476608 0.122697 3.884420 0.0003
C(4) 1.019773 0.297976 3.422330 0.0012
C(5) -11.07961 28.30156 -0.391484 0.6970
C(6) -1.752307 0.214654 -8.163409 0.0000
C( 7) 1.672787 0.127403 13.12991 0.0000
Determinant residual covariance 576.6877
Стандартная
Переменная Коэффициент /-статистика P-значение
ошибка
C(l) -0.424633 0.045795 -9.272577 0.0000
C(2) 83.95884 10.96205 7.659048 0.0000
C(3) 0.585040 0.130033 4.499177 0.0000
C(4) 0.901844 0.420366 2.145379 0.0365
C( 5) -1.113488 37.813630 -0.029447 0.9766
C(6) -1.684157 0.274838 -6.127827 0.0000
C(7) 1.628247 0.169687 9.595614 0.0000
Determinant residual covariance 522.6707
74 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 1.20
Оценка уравнений с помощью трехшагового метода наименьших квадратов
Estimation Method: Iterative Three-Stage Least Squares (3SLS)
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
C( 1) -0.424633 0.043445 -9.774155 0.0000
C(2) 83.95884 10.39951 8.073345 0.0000
0(3) 0.585040 0.123360 4.742549 0.0000
C(4) 0.889189 0.369342 2.407495 0.0196
0(5) -0.653169 34.88671 -0.018723 0.9851
0(6) -1.671481 0.220626 -7.576096 0.0000
0(7) 1.624186 0.152419 10.65606 0.0000
Determinant residual covariance 518.5160
Таблица 1.21
Оценки коэффициентов уравнений с помощью методов OLS, 2 S L S и 3S L S
Коэффициент
Переменная
OLS 2SLS 3SLS True
Первое уравнение
С(1) -0.363218 -0.424633 -0.424633 -0.5
С(2) 88.69833 83.95884 83.95884 80.0
С(3) 0.476608 0.585040 0.585040 0.7
Второе уравнение
С(4) 1.019773 0.901844 0.889189 0.75
С(5) -11.07961 -1.113488 -0.653169 10.0
С(6) -1.752307 -1.684157 -1.671481 -1.5
С(6) 1.672787 1.628247 1.624186 1.5
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Y2 -0.424633 0.023668 -17.94140 0.0000
С 83.95884 5.665468 14.81940 0.0000
XI 0.585040 0.067204 8.705405 0.0000
W1 0.616608 0.074993 8.222165 0.0000
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
71 -0.901844 0.426087 2.116571 0.0444
С -1.113488 38.32829 -0.029051 0.9771
хз -1.684157 0.278578 -6.045545 0.0000
Х4 1.628247 0.171996 9.466768 0.0000
W1 0.238481 0.605917 0.393586 0.6972
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
C(l) -0.412458 0.062834 -6.564206 0.0000
0(2) 53.69121 10.66377 5.034918 0.0000
0(3) 0.955053 0.151915 6.286768 0.0000
0(4) 0.545426 0.213593 2.553572 0.0135
0(5) -56.93625 25.48195 -2.234375 0.0296
0(7) 1.167493 0.064218 18.18025 0.0000
Таблица 1.25
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
C( 1) -2.109257 3.560708 -0.592370 0.5561
C(2) 9.837905 90.42874 0.108792 0.9138
C(3) 3.365924 4.983926 0.675356 0.5020
C(4) 0.940376 0.427263 2.200928 0.0320
C( 5) -82.48076 30.85206 -2.673428 0.0099
C(8) 1.023874 0.193137 5.301291 0.0000
Таблица 1.26
Уравнения, оцененные Z S L S
C( 7) 1.167493 — 0.064218 —
Таблица 1.27
Оценка уравнений приведенной формы
Method: Least Squares
Объясняемая переменная Y\
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
С 61.35073 7.478051 8.204107 0.0000
Х2 0.428163 0.083052 5.155376 0.0000
хз 0.511247 0.060707 8.421559 0.0000
Х4 -0.502120 0.036696 -13.68320 0.0000
Объясняемая переменная Y2
С 54.21529 18.22556 2.974685 0.0063
Х2 0.386136 0.202414 1.907652 0.0675
ХЗ -1.223092 0.147955 -8.266637 0.0000
Х4 1.175413 0.089436 13.14250 0.0000
Переменная Коэффициент
C(l) -0.424633
C(2) 83.95884
CO) 0.585040
C(4) 0.889189
C(5) -0.653169
C(6) -1.671481
C(7) 1.624186
Таблица 1.30
Прогнозные и «истинные» значения
у
140-
120 -
100 -
80-
60-
40
20
0 i i f r i i г
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 t
Z Z 2 Y_PREDICT Н Y1F_TRUE
Рис. 1.5
Рис. 1.6
Раздел 1. Системы одновременных уравнений 85
КОНТРОЛЬНЫЕ ВОПРОСЫ
1. В чем состоит косвенный метод наименьших квадратов, применяемый для оцени
вания коэффициентов структурной формы системы одновременных уравнений?
В каких случаях можно применять этот метод?
2. В чем состоит двухшаговый метод наименьших квадратов, применяемый для оце
нивания коэффициентов структурной формы системы одновременных уравнений?
В каких случаях можно применять этот метод?
3. Как связан двухшаговый метод наименьших квадратов с методом инструменталь
ных переменных?
4. Как можно проверить адекватность модели при использовании двухшагового
метода наименьших квадратов? Какие остатки при этом следует использовать?
5. Можно ли для построения /-статистик и доверительных интервалов использовать
вычисленные (по формулам OLS) на втором шаге двухшагового метода наимень
ших квадратов значения стандартных ошибок коэффициентов?
6. Какой критерий предназначен специально для выявления гетероскедастичности
в отдельном уравнении системы?
7. Как получить трехшаговую оценку наименьших квадратов и почему возникает
необходимость в построении такой оценки? В каких случаях трехшаговая оценка
наименьших квадратов не является состоятельной оценкой коэффициентов?
8. Как используется метод максимального правдоподобия для оценивания систем
одновременных уравнений?
9. Почему может не сходиться итерационный процесс при практической реализации
метода максимального правдоподобия с полной информацией ( FIML)?
10. Как можно получить FIML-оценку в рекурсивной системе с диагональной кова
риационной матрицей?
11. Как получить оценку максимального правдоподобия с ограниченной информацией?
12. Опишите связь между различными оценками отдельного структурного уравнения
системы.
13. Чем определяется выбор того или иного метода оценивания системы одновре
менных уравнений?
14. Как следует поступать при наличии автокоррелированности случайных ошибок
в оцениваемом структурном уравнении системы?
15. На чем основан критерий Хаусмана для проверки правильности спецификации
системы одновременных уравнений?
16. Как проверяется гипотеза экзогенности переменных с использованием критерия
Дарбина — By — Хаусмана? В каких случаях и каким образом можно произвести
проверку пригодности выбранных инструментов?
17. Почему решению об экзогенности переменной не всегда можно доверять?
18. Как производится прогнозирование по оцененной системе одновременных урав
нений?
Р а з д е л 2
Тема 2.1
СТРУКТУРНЫЕ И ПРИВЕДЕННЫЕ ФОРМЫ
ВЕКТОРНЫХ АВТОРЕГРЕССИЙ И МОДЕЛЕЙ КОРРЕКЦИИ ОШИБОК
1 Здесь в подстрочных индексах номер (момент) наблюдения стоит на втором месте — после
номера ряда. Это отличается от системы обозначений, использованной в разд. 1, где номер
наблюдения стоял на первом месте, а за ним следовал номер уравнения.
2 Такое положение называют еще детерминистской коинтеграцией.
Раздел 2. Структурные и приведенные формы моделей коррекции ошибок 87
+ Ц ( Г п , J ДЛ ,- У + • • • + Y i n .1 4 > Ч ,- у ) + * !,.
7=1
+ + Y n n j Ay N , t - j ) + £ Nt9
у = 1
Обозначив
/ л
'A l Гп Г12 а11 а\2
а=
Ai Р 22 /21 ^22 \ а2\ а22)
-<Р\2 ( Си)
ф= С =
v"^21 1 U J
получим для этой структурной ЕСМ компактное выражение:
1 1 0*12
ф-' = .
(\~<Рп (Р2\) 9г\ 1 .
v Г\ \+<РпГг\ v _ Ухг+<РхгГ2г
Уи- § , Гм- 5
а \\ Jt(P\2a 2\
= а12 + 0*12^22
6
а 2\ + (Р 2\а \\
а 22
90 Часть 3. Системы одновременных уравнений, панельные данные, модели..
0 Ргг 0
0 5 0 , . . . , Ргг
Р\,г+\ Рг,г+\ Рг,г+1
P in у 1 Pin ) ^ Pr N
Конечно, при этом предполагается, что переменные занумерованы так, что
«общие тренды» соответствуют переменным с номерами г + 1, ...,7V. Выде
ление из этого множества возможных наборов единственного набора произ
водится в пакете Е Views нормализацией каждого из этих векторов, так что у’-й
вектор нормализуется делением всех его элементов на вследствие чего
получаем набор из г векторов:
1
0
^ f °
1
^
' 0
0
"
0 5 0 , ..., 1
/ С +1 / С +. Pr,r+1
1 0 0 0Л ( 41
9 \
0 1 0 0 (Q )
41 ^21
-1 0 0 0 ^21 ~Ъх
Н х= > ц = Зъх , так что Д =
0 0 1 0 ^31
0 0 0 0 1^41) 0
,0 0 0 к V^41 J
О 0 1 0Л 0 0 10
R2H\ = r 2h 3 =
ООО 1 0 0 0 1
0 1 0 0
R 3H \ =
R H =1° 1 0 0
0 0 1 0 3 2 0 0 0 1
Все 6 матриц имеют ранг 2 > 1, так что первая группа условий выполняется.
Далее:
(\ 0 0 0 1 0 0 0Л
0 1 0 0 0 0 0 0
1 0 1 0 0 0 0 1 0 0 1 0 0
Rl[H2, H } ] = °1
1° 0 0 0 1 oj 0 0 0 1 0 0 0 0
0 0 0 -1 0 0 1 0
lo 0 0 0 0 0 0 b
(I 0 1 0 1 1 0
°1
lo 0 0 -1 0 0 1 o)
rl 0 0 0 1 0 0 0N
0 1 0 0 0 0 0 0
r0 0 0 1 1 0" -1 0 0 0 0 1 0 0
r 2[h 1, h 3] =
u 0 0 0 0 ij 0 0 1 0 0 0 0 0
0 0 0 0 0 0 1 0
v0 0 0 1 0 0 0 ij
0 1 0 0 0 1
(° °1
lo 0 0 1 0 0 0
96 Часть 3. Системы одновременных уравнений, панельные данные, модели..
1 0 0 0 1 0 0 0
0 1 0 0 0 1 0 0
о -1 0 0 0 0 0 1 0
R3[Hl, H 2\ =
о 0 0 1 0 0 0 0 1
0 0 0 0 0 0 0 -1
0 0 0 1 0 0 0 0
о о
о о о о
Ранги всех трех матриц равны 2, так что и эта группа условий выполнена.
Таким образом, коинтегрирующие векторы /?,, /?2, Р3 идентифицируемы.
Если г коинтегрирующих векторов идентифицируемы, то на каждый из них
накладывается не менее (г - 1) линейных ограничений. В случае когда на каж
дый из этих векторов накладывается ровно (г - 1) ограничений, имеем дело
с точной идентифицируемостью. Если же хотя бы для одного из векторов
количество ограничений превышает (г - 1), то речь идет о сверхидентифици
руемости. В последнем случае имеются «лишние» ограничения и возмож
ность проверки гипотезы о том, что заявленные дополнительные ограничения
на векторы /?,, /32, ..., Д действительно выполняются.
В рассмотренном примере можно, следуя работе (Johansen, Juselius, 1994),
наложить следующие — более строгие — ограничения на векторы /?,, Р2, р ъ.
Вектор р хнормализуется на inc„ коэффициенты при т, и р, равны по абсо
лютной величине и противоположны по знаку, а коэффициенты при обеих про
центных ставках равны нулю. Соответствующая равновесная связь интерпре
тируется как прокси для совокупного дохода относительно линейного тренда.
Это дает матрицу вида
1 О
* .= О
О О
У вектора р 2 равны нулю все коэффициенты, кроме коэффициентов при
rf и г*, которые равны по абсолютной величине и противоположны по знаку;
вектор нормализуется на один из них. Интерпретация: стационарность диф
ференциала процентных ставок. Матрица R2 принимает вид:
1 О О О О 0Л
0 1 0 0 0 0
R2 = 0 0 1 0 0 0
0 0 0 1 10
0 0 0 0 0 1;
Раздел 2. Структурные и приведенные формы моделей коррекции ошибок 97
Наконец, у вектора /?3 равны нулю коэффициенты при т„ inc, и г/; вектор
нормализуется на г*. Интерпретация: долгосрочная процентная ставка опре
деляется как функция от цены и временного тренда. Матрица R3 имеет вид:
R} =
Таблица 2.1
Ограничения на коинтегрирующий вектор
Количество Количество
Вектор
ограничений «лишних» ограничений
Р\ 3 1
Рг 5 3
Ръ 3 1
ВСЕГО 11 5
чимости 0.05, равно %*95(5) = 11.07. Таким образом нулевая гипотеза о вы
полнении всех 5 сверхидентифицирующих ограничений не отвергается.
Переменная 01 02 03
mt -0.193 0 0
inct 1 0 0
Pt 0.193 0 -0.488
г; 0 1 0
г', 0 -1 1
t -0.005 0 0.009
Таблица 2.3
Оценки для векторов коэффициентов адаптации
Уравнение для «2 «3
Amt 0.030 0.159 -0.569
Ainct -0.458 -0.001 0.405
Apt 0.325 -0.039 0.054
Ar; 0.337 -0.008 -0.168
Arbt 0.109 0.023 -0.213
Таблица 2.4
Коэффициенты корреляции между переменными
так что в каждом из 5 уравнений (для Атп Aincn Арп Ar st и Аг*) потенциально
может быть 12 коэффициентов, подлежащих оцениванию. Однако при таком
количестве неизвестных (неспецифицированных) коэффициентов уравнения
не могут быть идентифицируемыми. Для их идентифицируемости необходи
мо наложить на коэффициенты каждого уравнения как минимум 4 (5 - 1 = 4)
ограничения. И здесь, в отличие от выбора идентифицирующих ограничений
на коинтегрирующие векторы, ориентирующегося главным образом на эко
номические представления, приходится опираться по большей части на ста
Раздел 2. Структурные и приведенные формы моделей коррекции ошибок 101
Ар, АгЧ Ар , - i
А< Ainct_x 4 p, - i A>-,\
Ar? Ainct Amt Ap , A'-f-i
Amt -1 0 0 0 0 0 0
Ainct -1 0 0 0 0 0 0
Ar’ 0 0 -1 0 0
4P, 0 0 0 -1 0 0 0 0
Ar? 0 0 0 0 -1 0 0 0 0
Таблица 2.7
Специфицированные коэффициенты (продолжение)
Ат( 0
Ainct 0
дг-; 0
Др,
Дг* 0
Таблица 2.9
Результаты оценивания SECM с ограничениями (продолжение)
£chi2,_| ecm3t_l
0.20 -0.55
Amt
(2.3) (3.6)
-0.44 0.28
Ainct
(4.1) (1.3)
0.19 -0.28
Дr ‘
(2.8) (4.7)
0.20 -0.12 0.48
Дp,
(2.2) (1.4) (3.4)
0.12 -0.09
Дr ‘
(3.0) (1.3)
Раздел 2. Структурные и приведенные формы моделей коррекции ошибок 103
Коэффициенты адаптации
Уравнение
для
в приведенной ЕСМ с ограничениями в ЕСМ (для сравнения)
КОНТРОЛЬНЫЕ ВОПРОСЫ
1. Чем отличаются структурные модели VAR и ЕСМ от моделей VAR и ЕСМ, кото
рые были рассмотрены во второй части учебника?
2. Как получается приведенная форма ЕСМ, соответствующая структурной ЕСМ?
3. Означает ли отсутствие некоторой корректирующей составляющей в одном из урав
нений SECM то, что эта составляющая будет отсутствовать и в соответствующем
уравнении приведенной ЕСМ?
4. Когда возникает вопрос об идентифицируемости коинтегрирующих векторов?
В чем состоит порядковое условие идентифицируемости коинтегрирущих векторов?
Гарантирует ли оно идентифицируемость коинтегрирущих векторов?
5. Какую полезную гипотезу можно проверить в ситуации, когда некоторые ограни
чения на коинтегрирующие векторы, имеющие экономическую интерпретацию,
оказываются «лишними» с точки зрения возможности идентификации коинтегри
рующих векторов?
6. Как производятся построение и оценивание структурной ЕСМ? Что является гаран
тией идентифицируемости /-го структурного уравнения?
7. Чем отличается приведенная ЕСМ с ограничениями от «обычной» ЕСМ, которая
была рассмотрена во второй части учебника?
Р а з д е л 3
ПАНЕЛЬНЫЕ ДАННЫЕ
Тема 3.1
ПАНЕЛЬНЫЕ ДАННЫЕ: МОДЕЛЬ ПУЛА,
МОДЕЛЬ КОВАРИАЦИОННОГО АНАЛИЗА,
МОДЕЛЬ КАЖУЩИХСЯ НЕСВЯЗАННЫМИ РЕГРЕССИЙ
ПРИМЕР 3.1.1
Рассмотрим один популярный объект статистических исследований — дан
ные о размере инвестиций (invest), о рыночной цене (mvalue) и об акционер
ном капитале (kstock) 10 крупных компаний США за период с 1935 по 1954 г.
При анализе этих и других данных по большей части используем пакет стати
стического анализа Stata8 и приведем протоколы оценивания, иногда с неко
торыми сокращениями. Оценив по указанным статистическим данным модель
пула, получим результаты, приведенные в табл. 3.1 \
Таблица 3.1
Оценка модели пула по статистическим данным
Cross-sectional time-sehes FGLS regression; Coefficients: generalized least squares;
Panels: homoskedastic; Correlation: no autocorrelation
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
mvalue 0.1155622 0.0057918 19.95 0.00
kstock 0.2306785 0.025284 9.12 0.00
cons -42.71437 9.440069 -4.52 0.00
Таблица 3.2
Оценка с помощью взвешенного метода наименьших квадратов
Cross-sectional time-series FGLS regression; Coefficients: generalized least squares;
Panels: heteroskedastic; Correlation: no autocorrelation
ПРИМЕР 3.1.1 (п р о д о л ж е н и е )
Результаты GLS-оценивания представлены в табл. 3.4. Заметим, что в этом
случае помимо 3 коэффициентов модели приходится оценивать еще 10 дис
персий случайных ошибок в уравнениях для 10 предприятий, а также 45 кова-
риаций <т,у, / Ф j . Если не накладывать никаких дополнительных ограничений
на структуру матрицы ковариаций I = («г,-,-), то оценивание каждой ковариа-
ции (или дисперсии) производится на основе всего 20 наблюдений и потому
может быть весьма неточным.
Таблица 3.4
GLS-оценивание модели пула
Cross-sectional time-series FGLS regression; Coefficients: generalized least squares;
Panels: heteroskedastic with cross-sectional correlation; Correlation: no autocorrelation
Таблица 3.5
O L S - оценивание модели пула
.xtpcse invest т value kstock, casewise;
Linear regression, correlated panels corrected standard errors (PCSEs)
ui t = P i 4 t - \ + €it>
где \р{\ < 1;
еп, ..., s iT — случайные величины, являющиеся гауссовскими иннова
циями, так что они взаимно независимы и имеют одинаковое
распределение N(О, сгД), и, кроме того, s it не зависит от зна
чений ui t_k, к > 1.
Коэффициент p i можно оценить различными способами. Например, можно
оценить (методом наименьших квадратов) модельy it - xjt6 + ии без учета автокор-
релированности ошибок, получить последовательность остатков йп, й/2, йт
вычислить значение статистики Дарбина — Уотсона
a t=2
d ,= --------- f -------------
/=1
ную оценку Pj = 1
- у .
t=2
Pi ~ т '
t=i
Таблица 3.7
OLS-оценивание коэффициента р
.xtpcse invest mvalue kstock, correlation(ar'\) hetonly rhotype(tscorr) casewise
Prais-Winsten regression, heteroskedastic panels corrected standard errors
Таблица 3.8
D W -оценка p при допущении перекрестной коррелированности ошибок
.xtpcse invest mvalue kstock, correlation(ar'\) rhotype(dw)
(note: estimates of rho outside [-1, 1] bounded to be in the range [-1, 1])
Prais-Winsten regression, heteroskedastic panels corrected standard errors;
Panels: heteroskedastic (balanced)
Таблица 3.9
O L S -оценка p при допущении перекрестной коррелированности ошибок
.xtpcse invest mvalue kstock, c o rre la tio n a l) rhotype(tscorr) casewise Prais-Winsten regression,
correlated panels corrected standard errors (PCSEs); Panels: correlated (balanced)
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
mvalue 0.1032102 0.0108656 9.50 0.000
kstock 0.2947986 0.0432809 6.81 0.000
cons -45.78767 15.24513 -3.00 0.003
rho 0.7563511
Таблица 3.10
Оценка р по Дарбину — Уотсону при перекрестной коррелированности ошибок
.xtpcse invest mvalue kstock, correlationfpsart) rhotype(dw) casewise
Prais-Winsten regression, correlated panels corrected standard errors (PCSEs);
Panels: correlated (balanced); Autocorrelation: panel-specific AR( 1)
Таблица 3.11
O L S -оценка p при перекрестной коррелированности ошибок
.xtpcse invest mvalue kstock, correlationfpsar 1) rtiotype(tscorr) casewise
Prais-Winsten regression, correlated panels corrected standard errors (PCSEs);
Panels: correlated (balanced); Autocorrelation: panel-specific AR( 1)
Переменная Стандартная
Коэффициент г-статистика Р-значение
ошибка
mvalue 0.1052613 0.0086018 12.24 0.000
kstock 0.3386743 0.0367568 9.21 0.000
cons -58.18714 12.63687 -4.60 0.000
rhos 0.5135627, 0.8701700, 0.9023497, 0.6336800, 0.8571502, ..., 0.8752707
Стандартная 95%-й
Переменная Коэффициент г-статистика Р-значение
ошибка интервал
Гетероскедастичность — WLS
mvalue 0.112 0.0050 22.41 0.00 0.102 0.122
kstock 0.154 0.0126 12.23 0.00 0.129 0.178
SU R--G L S
mvalue 0.113 0.0022 50.42 0.00 0.108 0.117
kstock 0.223 0.0057 38.90 0.00 0.212 0.234
Стандартная 95%-й
Переменная Коэффициент г-статистика Р-значение
ошибка интервал
SUR&AR(1) — common rho (OLS): est rho = 0.7563511
mvalue 0.103 0.0109 9.50 0.00 0.082 0.125
kstock 0.295 0.0433 6.81 0.00 0.210 0.388
SUR&AR(1) — different rhos (D-W)
mvalue 0.101 0.0109 9.33 0.00
kstock 0.345 0.0478 7.21 0.00
rhos 0.7427231, 0.8831453, 0.9741851, 0.7277056, ..., 0.9343119
SUR&AR(1) — different rhos (TSCORR)
mvalue 0.105 0.0086 12.24 0.00
kstock 0.339 0.0368 9.21 0.00
rhos 0.5135627, 0.8701700, 0.9023497, 0.6336800, ..., 0.8752707
Панельные данные —
модель ковариационного анализа
Обратимся теперь к модели ковариационного анализа (covariance analysis
model):
М 0 :y it = a i + + u it, i = l, . . . , N, t = l,...,T,
где а, и Д — неизвестные постоянные;
x — переменная, для простоты ее будем рассматривать пока как
скалярную переменную;
и„ — случайные ошибки.
Если предполагать, что
ии ~ i.d. N(0, <хм
2), /= 1, ...,N, t = \ , ..., Т,
и что
E(xituJS) = 0 для любых i , j = 1, ..., N, /, s = 1, ..., Г,
так что х является экзогенной переменной, то мы имеем дело с N не свя
занными между собой (unrelated) линейными регрессиями, удовлетворяю
щими предположениям классической нормальной линейной регрессии. Для
получения оценок параметров a t и Д эти регрессии можно оценивать в этом
случае порознь. Таким образом, оценки наименьших квадратов для a t и Д
имеют вид:
116 Часть 3. Системы одновременных уравнений, панельные данные, модели..
]Г(х, - Xi)(yu - у , )
~ xi f
t=1
= J 7, — Д , i = l, . . . , N,
где
J Т | г
У1 = т'ЕУ*> xi = l f L x*'
1 t= \ 1 t=1
0 (N) ЛЮ
yS )
V
о о ••• х(т
или (в очевидных обозначениях)
у - Хв л-и.
^11 12
Sl2 Е22 J 2N
Q = Cov(u) =
^2N “ NN у
0 ст.. ••• 0
, (Ту —Cov(uit, Up ).
0 0
°4J
г~{-
у(-1) у (“ 1) у(“0>\
11 12 IN
7(-1) у(-0 у(-1)
Q = 42 22 2N
Ч " о
у (—1) _ -Г о
у ~
u t x)J
1=
k(JX
n "• ;
Благодаря этому достаточно произвести обращение матрицы размера (N х N).
Учет коррелированности ошибок в различных уравнениях позволяет ожи
дать определенного выигрыша в точности оценивания каждого из #(,) за счет
информации, идущей от других уравнений через указанную коррелирован-
ность. Однако реальный выигрыш зависит от целого ряда факторов. Напри
мер, если (Tjj = а 2р для i * j, то предпочтительность SUR-оценш возрастает
с ростом р -» 1, когда Т велико. В то же время если р = 0, то 5£//?-оценка
и OLS-оценка совпадают. Кроме того, непосредственная реализация SUR-оце
нивания на практике невозможна из-за того, что значения сгу исследователю
не известны. Доступный вариант 5£//?-оценивания предусматривает исполь
зование адаптивной оценки 9FGLS вектора 9, при вычислении которой неиз
вестные значения (т,; заменяются их состоятельными оценками ст1;.
Пусть е{,) = у(,) - Х^1)9(,) — вектор остатков, получаемый при OLS-оценива-
нии уравнения для i-то субъекта. Тогда естественной оценкой для а и является
„ _ ( е (,))ге0)
~ j '
RSS(,>
При j = i это есть просто — -— , и, как известно, такая оценка для диспер
ПРИМ ЕР 3.1.2
В табл. 3.13 воспроизведены приведенные в ( Greene, 2003, р. 335) ежегод
ные данные об объемах инвестиций (у) и прибыли (х) 3 предприятий (N = 3)
за десятилетний период (Т = 10).
Таблица 3.13
Объем инвестиций (у) и прибыль (х) предприятий за 10 лет
t F1 XI Y2 Х2 F3 ХЗ
Х1
У1
Рис. 3.1
Х2
Y2
Рис. 3.2
ХЗ
УЗ
Рис. 3.3
Раздел 3. Панельные данные 121
Таблица 3.14
Результаты раздельного оценивания уравнений регрессии
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Первое предприятие
С -2.468913 0.980426 -2.518205 0.0359
R-squared 0.9805
Второе предприятие
С -1.384797 1.972680 -0.701988 0.5026
R-squared 0.9063
Третье предприятие
С 0.455479 1.491604 0.305362 0.7679
R-squared 0.9350
Таблица 3.15
Результаты GLS-оценивания уравнений регрессии
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Первое предприятие
С -2.857213 0.812548 -3.52 0.002
R-squared 0.9800
Второе предприятие
С -2.11701 1.66034 -1.28 0.214
R-squared 0.9046
Третье предприятие
С 0.721196 1.199687 0.60 0.553
R-squared 0.9346
122 Часть 3. Системы одновременных уравнений, панельные данные, модели..
i=2j=\
(J,
где Гу = —j.^\ — оцененная корреляция между ошибками в i-м и j -м урав-
д/сг//Gjj нениях.
# о : Р\~Рг~ Ръ-
В рамках модели SUR для проверки этой гипотезы используются две формы
критерия Вальда: одна основана на F -статистике и P -значении, рассчитанном
исходя из соответствующего F -распределения, а другая — на статистике qF
(q — количество линейных ограничений) и P -значении, рассчитанном исходя
из асимптотического распределения %2{q) этой статистики. Результаты исполь
зования этих двух форм приведены в табл. 3.16.
Таблица 3.16
Результаты использования двух форм критерия Вальда
Wald Test:
F-statistic 1.342317 Probability 0.278120
Chi-square 2.684634 Probability 0.261240
а,
У\т 1 ххт О О О О *1Т
А
Уг\ О 0 1 лг21 О О 21
а2
Рг
У гт О 0 1 х2Т О О *2т
а.
Уг\ 0 0 0 0 1 31
л:
*31
\Уът у
0 0 0 0 1 х \ и зт
Таблица 3.17
OLS-оценивание с помощью обычного F-критерия
Стандартная
Переменная Коэффициент /-статистика P-значение
ошибка
R-squared 0.950532
Wald Test:
F-statistic 0.592788 Probability 0.560676
м о -Уи = « / + Р;хи + u in i= t=
как о модели без ограничений. Обозначим остаточную сумму квадратов (RSS)
в этой модели как S0:
i=\ t =1
si = Z Z O ' t f - a < - ^ ) 2-
/= 1 t = 1
Раздел 3. Панельные данные 125
л = Ё « Л + £ * * + “»»
;=1
где djj = 1, если j = i, и dfj = 0 в противном случае, так что здесь в правой час
ти имеем N дамми-переменных. Обозначим:
4 = 1,1,...,1,0,0,..„О
V NT-T
Г \т
^2 = о, о ,..„ о , 1,1,...,1,0, о ,. .„ о
NT-2T у
г \т
dN — 0,0,...,0,1,1,...,1
NT-T у
и пусть А" = [J, d2 ... х] — матрица размера (ЛТ х (jV + 1)), столбцами
которой являются векторы dx, d2, ..., dN, х. В этих обозначениях модель М,
принимает вид:
у = Хв +и,
где 0 = (a l, a 2, . . . , a N,j3)T.
в = ( Х тХ у {Х гу.
а,.+/?*,.,+и,„
получим
yi = « ; +/?х, +м,, i = l,...,N .
n = iz l ^ l ________________
г N Т ’
X Z O o -^)2
/= 1 t= 1
Z Z (Ъ-хХУл-У)
р= ' N
' Т
Z Z(**-*)2
/=1 t=1
а = у - fix,
л N Т 1 N T
где 7 = — £ * =^ Z IX -
, = 1 ,= 1 J V i i = 1 , = 1
52=Z Z (Уи-а-Ръ)2-
i =\t=1
Рассмотрим задачу проверки гипотез Н х и Н2 в рамках модели М 0 при сде
ланных ранее предположениях.
Проверка гипотезы Н2. Используем F -статистику
S2 Sq
F _ 2(N - l) ш
2- о
NT-2N
если гипотеза Н2 верна, то F2 ~ F2(^_1)#nt-in -
128 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Т7 _ N- 1 .
1“ S
NT-2N
если гипотеза Н х верна, то F x~ FN_lt NT_2N.
Если значение F x статистически значимо, проверка прекращается. Если же
значение F x статистически незначимо, гипотеза Н х (о совпадении всех Д )
не отвергается.
Можно также применить условный критерий гетерогенности a i9 а именно
проверить гипотезу
Я 3: a, = ... = a N
М 1 -Уи = a i + f t X u + U it.
$2 ~^1
F - N -I .
NT - N -\
которая при гипотезе Н3 имеет распределение FN_X NT-n-\-
П Р И М Е Р 3.1.2 ( п р о д о л ж е н и е )
Продолжим рассмотрение данных об инвестициях и прибыли 3 предприятий.
Выше в рамках модели М0 мы проверили гипотезу Я , : «Д одинаковы для
всех /» и не отвергли ее. В рамках той же модели М0 проверим гипотезу Н 2:
«Д и а, одинаковы для всех г». Эта гипотеза отвергается (табл. 3.18).
Таблица 3.18
Проверка гипотезы Н 2
Wald Test
F-statistic 3.595209 Probability 0.019644
Таблица 3.19
Проверка гипотезы Н3
Wald Test
КОНТРОЛЬНЫЕ ВОПРОСЫ
Фиксированные эффекты
j =1
где d;j= 1, если i - у, и dtJ, = 0 в противном случае, так что в правой части имеем
7V дамми-переменных. Здесь а,- трактуются как неизвестные фиксированные
параметры (фиксированные эффекты — fixed effects). Как и ранее, будем
предполагать1, что в этой модели
X - * № * -Уд
/=1 t=1
при этом
D(PCy) = ^ r ^ ----- •
х i t * » ~хд2
i=1t=1
6ct = yi - p x i, / = 1,..., N.
П РИ М ЕР 3.2.1
в которой а х = 150, а 2 = 250, /3= 0.6, utt ~ i.i.d. N(0, 102). Значения xit заданы
(неслучайны); при i - 1 значения хи меньше 150, а при i = 2 значения х2,
больше 150.
Рис. 3.4
Уи =0.517дг;,,
и на этот раз оценка коэффициента Р оказывается близкой к значению Р = 0.6,
использованному при моделировании.
Если оценивать модель с дамми-переменными
Таблица 3.20
Объясняемая переменная Y
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Случайные эффекты
Запишем модель
y i, = H + a i + p x it +и„,
N
где Y ,a i = °-
1= 1
Уи = И + а ,+ р х к +ии
если i = j,
если i Ф j
E(xit (Xj) = 0, i , j = l , . . . , N , t = l , T
E(uit«,) = 0,
Xi,) = D (vi,\
°(Уи\ xu) = D (vu) = +Uu) = <7l +(Jt-
Таким образом, дисперсия yit складывается из двух некоррелированных
компонент — их называют компонентами дисперсии (variance components).
Саму модель называют
• моделью компонент дисперсии (variance components model);
• стандартной моделью со случайными эффектами (ЛЕ-модель —
random effects model)
yt = iexi] 8 + v„
136 Часть 3. Системы одновременных уравнений, панельные данные, модели..
где
Г*,Л 'к л
м f 1]
Уа 1 хп Уп
yt = , е= , х,= , 8=
А
Jrrj Л \
XiTу \ViTJ
Заметим, что
V = E(vt v j ) = a\lT+cr2
a eeT.
2 2 2
V = СГп а и +°а аа
2 2
<У„ a t +a t
При этом
1=1/=1
-1
N [еV I N I еV 1
$GLS ~ I у~ Ы I г-у.
i =l А . /= 1 А .
И ЧТО
т т
т т т
где 4х =
°2
и +Та2
а
Чтобы не возникало путаницы с другими С/^-оценками, для GLS-o^hkh
в стандартной модели со случайными эффектами используется также обо
значение (АЕ-оценка — random effect estimator). Заметим, что диаго-
1-¥
1- -
1-У
равны
Tcrl
Практически /?ш можно получить следующим образом. Усредняя по t обе
части уравнения
yit= li +pxit+vin
получаем соотношение
yt =M +Pxi +vi.
1=1 t =1
P gls ~ N Т
IK * ;- * * )2
/=1 t=1
138 Часть 3. Системы одновременных уравнений, панельные данные, модели..
где
1 NT 1 NT
у =^г11л.
1У/1 /=11=1
* ^/vy IX
/=1/=1
P g ls ” w Pb + О ” w )P c v >
где
Т
£(*,- -x)(yt -у)
7=1
Д =^ -у
/=1
/=1
w=
Х Х ( * * - * / ) 2+^ Х ( * .- * ) 2
1=1/=1 1=1
N Т
~ х ^Уч - у)
P gls ~ n т = P ols
Х Х ( х,,~ х)2
1= 1 t = 1
N T N
— - -\2
1=1»=1 1=1
В то же время
D{Pcv) = - f r ^ -----'
е -*<)2
i=i t=1
Z Z [ ( л - У‘ ) ~ Pcv ( х п - x i ) 2 ]
Z(*<- - у)
к = — т--------- ,
i=i
D (y,-Mb- k x i) = ^y +vl-
(J2 2
Состоятельной оценкой для + о а является
Х (й _ А - Д * ,)2
>=1___________________________________
7V-2
N
'L ( y i -Vb-PbXi)2 А2
>2 _ /-1 0-„
Л ^ - М ь - Р ь Ъ )2
&1 + Т&1 = Т— -------------
дг_2
N ( V N Т N
Z 2Х =Z2X+
i=1t=1
ZZ
/=1 s*t
A’
m
1= 1 \t=l J
Z Z«. -
Z
/=1
Z-Л
- i =
N Т TV т
ZZ-2
/=1 t=i
Z Z “2
/=1 r=l
z z«*
/=11t=1
—1
N Т
ZZ
/=1 t=\
*1
о “ |2
N ( Т \
NT
Z Z»*
i=i V-1 У NT
г2Z?/=1
ВР = - -1 1—
2(7-1) N Т 2(Т -1) N Т
ZZ *1
1=1 (=1
ZZ
/=1 Г=1
*1
142 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Коэффициенты детерминации,
разложение полной суммы квадратов
У it ~ а + P ols
% =И +Рьх»
где Д, — «между»-оценка для коэффициента Д
К2
Ьеыееп=СОГг2(У п РХ1),
^overall =COrr2(yit,/3xit)
R overall = С О Г Г 2( у и , ^ х 1 ) .
При этом:
• приводимое значение R2
within является коэффициентом детерминации
в обычном смысле, если у3 = fiwithin;
• приводимое значение R2
betwee„ является коэффициентом детерминации
в обычном смысле, если (3 = p between\
• приводимое значение R2
overau является коэффициентом детерминации
в обычном смысле, если J3 = j3OLS.
П Р И М Е Р 3.2.2
R-SQ:
within = 0.9478
between = 0.8567
overall = 0.9209
Таблица 3.22
Оценивание модели с фиксированными эффектами для 3 предприятий
Стандартная P-значение
Переменная Коэффициент /-статистика
ошибка P>t
sigmajxlfa 1.480319
sigmaju 1.745136
Таблица 3.23
R a n d o m -e ffe c ts G L S re g re s s io n
R-SQ:
within = 0.9478
between = 0.8567
overall = 0.9209
Таблица 3.24
Оценивание модели пула для 3 предприятий
Стандартная Р-значение
У Коэффициент г-статистика
ошибка P >z
Таблица 3.25
Оценивание модели с помощью метода максимального правдоподобия
Random -effects ML regression;Random effects: a_i ~ Gaussian; Log likelihood = -61.09837;
Критерий значимости регрессии в целом: LR с/?/2(1) = 121.60, Prob > chi2 = 0.0000
Стандартная P-значение
У Коэффициент г-статистика
ошибка P>z
Таблица 3.26
Бейуееп-регрессия (регрессия на групповые средние)
R-SQ:
within 0.9478
between 0.8567
overall 0.9209
Стандартная Р-значение
Коэффициент /-статистика
ошибка Р>(
в ЛЕ-модели E(yit\
xit) = Е(ц +a , +fixjt +uit|x,., ) = /j +j3xir
MGLS=y~XPb-
Иначе говоря, BLUE-оценкой для Р в этой модели является ковариацион
ная (внутригрупповая) оценка, и из E (aGLS) = a, E(aGLS) = Е(РЬ) - E{ficv)
и E(PCV) = Р получаем:
E(fib) = a+ p.
Как было показано выше, в /?£-модели (предполагающей выполнение усло
вия E(aiXjt) = 0)
p R E = wPb+(x~w)Pcv
Если использовать эту же оценку в модели Мундлака, то для нее получим:
Критерии спецификации
Речь здесь идет о том, совпадает или нет условное распределение a t при за
данном х( с безусловным распределением a t. Если не совпадает — наилуч
шей оценкой является (3CV ( FE ), если совпадает — наилучшей оценкой явля-
ется p GLS (RE).
Раздел 3. Панельные данные 149
D(P gls ) = ~й т й 9
1 1 ( * * - * / ) 2+ * £ ( * / " * ) 2
/=1 t= 1 /= i
D{PcV) = ~~N т ~ *
Z Z fe - x ,.) 2
1=1 t= 1
150 Часть 3. Системы одновременных уравнений, панельные данные, модели..
ч2
т = -тг
т
m = qT[C6v(q)Y'q
e=\-fv=\- 1
(Ги+ТстУ
4i ~ Pgls ~ Рь->
Ъ = Pcv ~А ,
Ч а ~ P gls ~ P o l s -
PGLs=wPb
П РИМ ЕР 3.2.2 {п р о д о л ж е н и е )
Применим критерий Хаусмана (табл. 3.27).
Таблица 3.27
Результаты применения критерия Хаусмана
Коэффициент
Ф -В ) S.E.
{р)fix (В)
1.102192 1.058959 0.0432328 —
Оценка
Переменная
Between FE OLS RE
SCHOOL 0.095 — 0.099 0.101
(8.68) (21.24) (11.32)
EXPER -0.050 0.116 0.089 0.112
(-1.00) (13.81) (8.82) (13.52)
EXPER2 0.005 -0.0043 -0.0028 -0.0041
(1.59) (-7.08) (-4.03) (-6.85)
152 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Оценка
Переменная
Between FE OLS RE
UNION 0.274 0.081 0.180 0.106
(5.82) (4.20) (10.46) (5.96)
MAR 0.145 0.045 0.108 0.063
(3.50) (2.46) (6.86) (3.73)
BLACK -0.139 -0.144 -0.144
(-2.84) (-6.11) (-3.02)
HISP 0.005 0.016 0.020
(0.13) (0.75) (0.46)
PUB -0.056 0.035 0.004 0.030
(-0.52) (0.90) (0.09) (0.83)
Within R2 0.0470 0.1782 — 0.1776
Between R2 0.2196 0.0006 — 0.1835
Overall R2 0.1371 0.0642 — 0.1808
Коэффициент
(b-B) sqrt(diag(V_b - V_B))
(b) (B)
fe re Difference S.E.
EXPER 0.116457 0.1117851 0.0046718 0.0016345
EXPER2 -0.0042886 0.0040575 -0.0002311 0.0001269
UNION 0.081203 0.1064134 -0.0252104 0.0073402
MAR 0.0451061 0.0625465 -0.0174403 0.0073395
PUB 0.0349267 0.0301555 0.0047713 0.0126785
Автокоррелированные ошибки
, 1=1t-2
d = ---- ---------
154 Часть 3. Системы одновременных уравнений, панельные данные, модели...
“ i t = P U u - l + Tl i f
_
I 1 “* 1
/=1 г = 2 ___________
Ptscorr ~~ N Т
II®
/=1 f = l
П Р И М Е Р 3.2.4
Таблица 3.30
Результаты использования D W -оценки
.xtregaryx, fe rhotype(dw) Ib i — FE ( within) regression with AR(1) disturbances;
Number of obs = 27
R-SQ:__________________________________________________________________________________________
within = 0.9569
between = 0.1111
overall = 0.9252
F ( l, 23) = 510.54, Prob > F = 0.0000_____________________________________________________
corr(a_i, Xb) = -0.1625
Раздел 3. Панельные данные 155
Стандартная Р-значение
У Коэффициент /-статистика
ошибка P>t
rho_ar 0.170171
sigmajx 1.423608
sigmaju 1.773845
Таблица 3.31
Результаты использования ts c o rr -оценки
.xtregaryx, fe rhotype(tscorr)\ FE (within) regression with AR(1) disturbances;
Number of obs = 27
RSQ:
within = 0.9540
between - 0.1111
overall = 0.9252
Стандартная Р-значение
У Коэффициент /-статистика
ошибка Р>/
rho_ar 0.09213053
sigmajx 1.4281087
sigmaju 1.7701594
КОНТРОЛЬНЫЕ ВОПРОСЫ
Двунаправленные модели
с фиксированными эффектами
1 г
yt = - 2 > „ И т.д. (средние по времени),
Т ,=i
j N Т
у ---- ^ ^ yit и т.д. (средние по всем наблюдениям),
NT ,■=1 ,=i
получим:
(Уи ~yt ~У,+У) = (х„ ~х, ~х,+ х)р + (мй- м,. -й,+ й).
Раздел 3. Панельные данные 157
На основании соотношений
ai=(yi-y)-Pcv(Xi-x)>
К =(У{-У)-Рсг(х,-х).
Для оценивания двунаправленной модели с фиксированными эффектами
в пакете Stata применяется процедура xtreg, yfe с включением дамми-пере-
менных для временных периодов.
R-SQ:
within = 0.1808, between = 0.0005, overall = 0.0638
F (1 1,3804) = 76.30, Prob>F= 0.0000
corr(a_i, Xb) = -0.1203
Стандартная P-значение
Переменная Коэффициент /-статистика
ошибка P>t
BLACK (<dropped)
EXPER 0.1317361 0.0098356 3.39 0.000
EXPER2 -0.0051704 0.0007047 7.34 0.000
HISP (dropped)
MAR 0.0464781 0.0183123 0.54 0.011
PUB 0.0347278 0.0385989 0.90 0.368
SCHOOL (<dropped)
158 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Стандартная Р-значение
Переменная Коэффициент ^-статистика
ошибка P>t
У80 (<dropped)
sigmajx 0.40078197
sigmaju 0.3509988
\аа , если г = 7 ,
E (ai a j ) = \
[О если i Ф j ,
£(Л ,Л ,) = Н ’ e c m t = s’
[О если t * s,
(сг2, если г = у и t = s,
E b*i,ujs) = j
[О в противном случае,
£ ( а ,Я ,) = 0, £(«,м,.() = 0, £(Я,м,,) = 0,
j(T 2, если i = j , t * s ,
Cov(vit,vjs) = \
[стя , если t = s, 1 Ф j ,
аа если / = j, t * s,
D ( v it)
Corr(vit,vjs) = если t = s, i * j ,
0 (v „ )
1, если t = s, i = j,
0, если t ^.v, 1 Ф j,
£ (* ,- * Х Й - 5 0 п
В . = id ______________ = _ 2 1
Pbi n o ’
^vr
GLS-оцент равна:
P g ls ~ ®\Pcv + ^гРы + Ры>
где
W X X __________________ _
W
г г XX
к х +Ф;вхх+Ф3гс хх та
&В„
со2 = , со3 =-
т
XX
тXX
г2 ^
£ = _2 "т _2 » Г? - 2 ",г_2 ’
(Ju + N a X
Ф1=Ф2
Ъ= 1, а>2= ^ , соъ= ^ , TXX=WXX+B„ +C„,
N Т
/=1 t= 1
т2
NT 1= 1
LMX= ~N Г" — 1
2(Т - 1)
1 1 * 2
1=1 r=l
r
NT f= l
lm 2= -1
2(T -\)
I I * . 2
/=1 *=1
При гипотезе //0 статистика имеет асимптотическое распределение / 2(2).
При гипотезе Я 0“ : crj = О LM ( ~ / 2(1); при гипотезе Я д: сгя2 = О ЬМ2 ~ %2(\).
В качестве альтернативных могут быть использованы F-критерии, как при
проверке гипотез для фиксированных эффектов:
• для проверки гипотезы
Но'- <7^= 0 (при условии Л, = 0)
используем применявшуюся ранее статистику:
N -1
F3 =-
NT-N-l
где S2 — от 015-регрессии (пул);
5, — RSS от однонаправленной «внутригрупповой» регрессии (осно
ванной на однонаправленной СУ-оценке);
для проверки гипотезы
н0.(Xj — ОС2 — (У. у j — 0 , Д] ^
2 * ** ^
Т-1 ^
используем статистику:
5з _ $2w
N +T-2
2-way
2w
(N -\)(Т -\)-\
где S2w— RSS от двунаправленной «внутригрупповой» регрессии;
для проверки гипотезы
Н 0 :« , = а 2 = ••• = a N_| = 0 при Я, Ф 0
используем статистику:
162 Часть 3. Системы одновременных уравнений, панельные данные, модели...
^4 S2w
F N -I
4“ о >
______________ ^ 2 w ______________
_______________ 2 w ______________
(N- 1)(Г-1)-1
Может иметь смысл трактовка как случайных, а Л, как фиксированных
эффектов.
Для рассматриваемого примера. В рамках модели с фиксированными ин
дивидуальными и временными эффектами проверка гипотезы об отсутствии
индивидуальных эффектов дает результат, представленный в табл. 3.34. По
лученное значение F-статистики приводит к отвержению этой гипотезы на
любом разумном уровне значимости.
Таблица 3.34
Проверка гипотезы об отсутствии индивидуальных эффектов
КОНТРОЛЬНЫЕ ВОПРОСЫ
Несбалансированные панели
/= 1 ,..., Т,
так что в каждый из Т моментов времени имеются данные обо всех N субъек
тах, участвующих в анализе. В таких случаях говорят о сбалансированной
панели (balanced panel). Теперь рассмотрим модель
N
Уи = M+a i+ Pxit +uit, / = 1,..., N, t = l,...,Ti, Y ,a i = О,
/=1
в которой количество наблюдений для разных субъектов может быть различ
ным. В этом случае говорят о несбалансированной панели (unbalanced
panel).
Основными результатами для несбалансированных панелей являются сле
дующие:
xl = хи
1 т< 1 т> гг2
где Л = — * / =— £ * * . 2 “ 2
Tit- 1 Ti r-l V <7« +Tia a
j N T j N T j N T
i=i t=i
YlVW - ~N T~
i = 1 t= 1
£У21*1
i= 1
YlVB ~ N
Y,yuzi
i- 1
Раздел 3. Панельные данные 165
где
N Т
X S ((У2и ~ У21) (Уш Уи)У1VW )
!=1 f= l
N T -N
N
Т^У2,-УиУ,уВ)2
.2 _ /=1 ________
ПРИМ ЕР 3.4.1
Таблица 3.36
Результаты применения «внутри»-оценки
.xtreg n_w tenure age age_ 2 not_smsa union south, fe i(idcode)
Fixed-effects ( w ithin) regression
R-SQ:
within = 0.1333, between = 0.2375, overall = 0.2031
F(6, 14867) = 381.19, Prob > F = 0.0000
corr(a_i, Xb) = 0.2074
Стандартная Р-значение
ln_wage Коэффициент z-статистика
ошибка P>z
tenure 0.0176205 0.0008099 21.76 0.000
age 0.0311984 0.0033902 9.20 0.000
agejL -0.0003457 0.0000543 -6.37 0.000
notjsmsa -0.0972535 0.0125377 -7.76 0.000
union 0.0975672 0.0069844 13.97 0.000
south -0.0620932 0.0133270 -4.66 0.000
cons 1.091612 0.0523126 20.87 0.000
Таблица 3.37
Применение «внутри»-оценки (продолжение)
sigmajx 0.3910683
sigmaju 0.25545969
rho 0.70091004 (fraction of variance due to a j)
F test that all alfa_i = 0:
F(4133, 14867) ==8.31, Prob > F = 0.0000
Таблица 3.38
Результаты применения инструментальных переменных
.xtivreg ln_w age age_2 not_smsa (tenure = union south), fe i(idcode)
Fixed-effects ( within) IV regression
R-SQ:
within = 0.1333, between = 0.2375, overall = 0.2031
Wald chil(4) = 147926.58 Prob > chil = 0.0000
corr(a_i, Xb) = -0.6843
Стандартная P-значение
ln_wage Коэффициент ^-статистика
ошибка P> z
tenure 0.2403531 0.0373419 6.44 0.000
Таблица 3.39
Применение инструментальных переменных (продолжение)
sigmajx 0.70661941
sigmaju 0.63029359
rho 0.55690561 (fraction of variance due to a j)
F test that all a lfa j = 0:
F(4133, 14869) =-
-1.44, Prob>F= 0.0000
Instrumented: tenure
Instruments: age age_2 not_smsa union south
168 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 3.40
Применение инструментального GLS-оценивания
.xtivreg ln_w age age2 not_smsa black (tenure = union birth_yr south black), re i(idcode)
G 2SLS random -effects IV regression
R-SQ:
within = 0.0664, between = 0.2098, overall = 0.1463
Wald chi2(4) = 1446.37 Prob > chil = 0.0000
corr{a_i, Xb) = 0 (<assumed)
Стандартная Р-значение
ln_wage Коэффициент z-статистика
ошибка P>z
tenure 0.1391798 0.0078756 17.67 0.000
age 0.0279649 0.0054182 5.16 0.000
age 2 -0.0008357 0.0000871 -9.60 0.000
notjsmsa -0.2235103 0.0111371 -20.07 0.000
black -0.2078613 0.0125803 -16.52 0.000
cons 1.337684 0.0844988 15.83 0.000
Таблица 3.41
Применение инструментального GLS-оценивания (продолжение)
sigmajx 0.36582493
sigmaji 0.63031479
rho 0.25197078 {fraction of variance due to a j)
Instrumented: tenure
Instruments', age age_2 not smsa black union birthyr south
Модели
с индивидуально-специфическими переменными
Z((y,- - у) ~ - - z)
Г = — ------ Л-------------- .
Z ( z<-_ z )2
1= 1
fi = y - x fi- z r.
Таблица 3.42
ВеАлгееп-регрессия (регрессия на групповые средние)
R-SQ:
within = 0.0000
between = 0.2119
overall = 0.1264
Уи = x u P + Z iY + a i + u u ’ i = \,...,N, t = \,...,T,
где X it— строка к наблюдаемых переменных, изменяющихся и от субъекта к
субъекту, и во времени;
Z, — строка g наблюдаемых переменных, инвариантных относительно
времени на периоде наблюдений.
Предполагается, что выполнены обычные предположения ЛБ-модели (в част
ности, что все объясняющие переменные экзогенны в обычном смысле), за
исключением того, что теперь ненаблюдаемые индивидуальные эффекты a t
могут быть коррелированными с одними объясняющими переменными и не
коррелированными с другими объясняющими переменными.
Хаусман и Тейлор предложили в таком случае производить разбиение:
о-2 — RSSCV
u ~ NT-{kx+k2) 9
Только на этот раз в правой части E{Z2ia t) * 0, так что OLS-оценки для
ух и у2, получаемые по этой модели {between-оценки), смещены и несостоя
тельны. Поэтому здесь для получения состоятельных оценок для ух и у2 при
меняем метод инструментальных переменных (.2SLS), используя инструменты
\ZXi X xit\
. При этом количество экзогенных переменных в X xit {кх) должно
быть не меньше числа эндогенных переменных в Z2i (g2). Полученные оценки
для ух и у2 обозначим yXIV и y^iv
Используя все четыре полученные оценки, образуем «остатки»
которая является состоятельной оценкой для суммы (сг2 + 7сг^). Тогда со
стоятельная оценка для сг^получается как
Уи = Уи ~ 9у-, и т.п.
Для реализации этого преобразования в качестве оценки параметра в берется
Замечание 3.4.1
1. В процедуре Хаусмана — Тейлора инструменты берутся внутри
самой модели.
2. X Ul используется как инструмент дважды: как среднее и как от
клонение от среднего.
3. Если < g2, то параметр у неидентифицируем. В этом случае
Рит = Pcv и Унт не существует.
4. Если кх = g2, то Р нт = р су и унт = yIV = (y[lv, y l,v)T (случай точ-
ной идентифицируемости).
5. Если кх > g2, то уравнение сверхидентифицируемо. В этом случае
матрица Cov(J3cv) - Cov{/3HT) положительно определена и оценка
Хаусмана — Тейлора более эффективна, чем «внутри»-оценка.
КОНТРОЛЬНЫЕ ВОПРОСЫ
Динамическая модель:
несостоятельность «внутри»-оценки
Уи=ГУ1.,-1+а1+ии> * = 1.—>#> t=
в которой \
у\<\, uit ~ i.i.d. N(0, £г„2) — инновации (так что E(uit yit,_k) = 0 для
к > 0). Будем предполагать, что значения yit наблюдаются для t = 0, 1, ..., Т.
«Внутри»-оценка (ковариационная оценка) для у имеет вид:
N Т
Е Е о ъ - я Х л м - л - !)
/ = 1 t= 1
Усу - NT
L L O V i -д
" -i)2
'2
/=1 t=1
где
1 т _ 1 т
У i = г Е у * > Д -1 =
1 t= 1 1 t= 1
174 Часть 3. Системы одновременных уравнений, панельные данные, модели..
1 Г
где и; = —^ uit9 так что
Т t=\
У и " Я = Г( Д ,-i - Д -i) + К ~ и,-)
W Г
Z Z ( M* - " , o o v , - д _ ,)
/=1 /=1
NT
Уст - /+
E l o v i - n - i ) 2
1=1 r= l
NT
Такая оценка существует, если знаменатель дроби в правой части послед
него выражения отличен от нуля.
Можно показать (см., например, (Hsiao С , 2003, р. 72)), что предел по веро
ятности числителя дроби в правой части последнего выражения равен:
j NT
р Jim - й , . ) ( д - Д -l) =
j w f T т т Л
= p *im T ^ I - й , 1 д м -5 v . Z M->+7’“13?/,-i
00yVi /=il,=i /=1 /=1
Г - 1 - Г / + ^7
. (i -г)2
а предел по вероятности знаменателя этой дроби равен:
\ N TТ
N _2
р lim -- 1 j)2 = — - ,,1 (Г -1 )-7 > + /
^л^->оо ^
/=1 ^
/=1 1
1 --г Г г 2(1 - /)2
^Т*0,
\-у
так что р lim ycv = у , и является состоятельной оценкой параметра у.
N->оо
Если же значение Т фиксированное, тогда первый предел не равен нулю
и р lim ycv * у, так что оценка уcv несостоятельна.
N->co
Раздел 3. Панельные данные 175
lim G A M — ES TIM
Рис. 3.6
где обозначено:
ДЛ , » = Д г - Уц -\. = и» - И/. ,-1 •
Здесь
C o v ( A y ,.Дм,,) = Соу(д,_, - д ,_ 2, ии -м ,-,_,) = -С о у(д ,_ „ м,-,_,) * 0.
л _ /=1/=2
УIV ~ N Т
Е Е (Д » -1-Д » -г)Д / -2
/=1/=2
Необходимое условие состоятельности этой оценки:
1 w т
Р ш т n Z Е ( “л -Ч,-\ )Уи - 2 = 0
Z Z (д »- д кд ,-2- д ,-з)
1=1/=з
/-1
//Г “ АГГ
1=1/=3
для состоятельности которой необходимо, чтобы
j N Т
рУ дг^оо
lim ------------У
_ 2) “ V , ,)(у,-, 9 - У: t 0 = 0-
“ (и.lt - и ,i,t-\>\Si,t-2
^[(“л - “/.м)Д»-2-у] = °.
Я [(Д ,-1 - Д » - 2 ) Д / - 2 - ;] * ° »
Д 3 - Д 2 = Г (Д 2 - Д | ) + (и 13 - Ui, 2).
то в качестве инструмента для А д , = д , - д 0 опять годится переменная д 0,
а в качестве инструмента для Д д 2 = д 2 - Д i — как д 0, так и д , . Соответст
венно соотношение
£[(И,2-И,1)Д)] = 0
рассматривается как моментное условие для t = 2, а для t = 3 имеем пару
моментных условий:
Е [(ыа - и12) у п ] = О, Е[(иа - ип )у ю ] = 0.
178 Часть 3. Системы одновременных уравнений, панельные данные, модели..
AU: =
Т ( Т - 1)
и ( Г - 1 ) х ------------ матрицу:
о о
О [Ую’ Уп] о
Z,=
о о [У/0...... Д м !
Каждая строка матрицы Z, содержит инструменты, подходящие для соот
ветствующего момента времени. В этих обозначениях указанная совокуп-
Т(Т-1)
ность---------- моментных условии записывается в виде:
E[ZfAUi] = 0.
Если определить еще
/ \ / \
У п -У п Уп - y i о
II
4 v ,=
$
V
Ygmm ~ l A t f - Z , Wn 2 Х Ay £ Ayl _iZ,. WN Ay,:
W i= l /=1 1= 1 1= 1
w °/ =
0 0 0 . . 2 -1
0 0 0 .. . -1 2
1 N
Л"1
wt = — Tj ZjGZi
N tt 1 1
1 N V 1 N Л Y 1 N
р lim J f Z Ау1 - Л - I Z f A M,.(AM,.)r Z,. - I Z f A j,
N—
>оо
у v Nt
Если иjt ~ i.i.d., то средняя составляющая редуцируется к
=°1 — У Z] GZi
NU ' '
Рассмотрим теперь динамическую модель с экзогенными переменными:
А д , = УА Д + Axlp + Auir
Таблица 3.43
Переменные, используемые в качестве инструментов
t Инструменты Количество
3 Уп 1
4 Уп>Уп 2
5 Уп’ Уп’ Уп 3
6 Уп>Уп>Уп>Ун 4
7 Уи* Уа* Уя* У Уis 5
8 Уп>Уп>Уя>Уи>У15>Ух 6
9 Уп*Уц>Уп>Уи>Ук>Ун>>Уп 7
10 Уi 1>Уи >Уп >Л'4 >yiS>У/6>Уп >У/8 8
ВСЕГО 36
Таблица 3.44
Результаты использования взвешивающей матрицы
.xtabond ух /1(х), lags( 1); Arellano-Bond dynamic panel-data estimation
Number of obs -= 24
Number of groups -= 3
Obs per group: min -= 8
One-step results
Стандартная Р-значение
Переменная Коэффициент г-статистика
ошибка P>z
Av-i 0.0830295 0.2100682 0.40 0.693
Д* 1.132349 0.0606134 18.68 0.000
Ax_, -0.0423772 0.2375232 -0 .18 0.858
cons 0.1032841 0.1361505 0.76 0.448
КОНТРОЛЬНЫЕ ВОПРОСЫ
1. Какая проблема возникает при попытке использования «внутри»-оценки для оце
нивания коэффициентов динамической модели с фиксированными эффектами?
Какое преобразование помогает обойти эту проблему?
2. В чем состоит обобщенный метод моментов? Как он используется для оценивания
коэффициентов динамической модели с фиксированными эффектами?
3. Как можно проверить гипотезу о правильности спецификации динамической
модели, оцененной обобщенным методом моментов?
Раздел 4
МОДЕЛИ С ДИСКРЕТНЫМИ
И ОГРАНИЧЕННЫМИ ОБЪЯСНЯЕМЫМИ
ПЕРЕМЕННЫМИ
и условную дисперсию:
D{e,\ х,) = Е(е? \х ,) - {Е{е,\ х,.))2 = Е(е2\х,) =
=(1- х] в)2xf в +(- x f в)2(1- х] в) =
=х]в(\ - х] 0)[xj в +(\-xf в)} =х]в{\- xj в).
Таким образом, здесь возникает также проблема гетероскедастичности,
осложненная еще и тем, что в выражения для дисперсий входит и (неиз
вестный) вектор параметров в.
Предположим, что y t индексирует наличие или отсутствие собственного
автомобиля у /-й семьи, a jcz — средний ежемесячный доход, приходящийся
на каждого члена этой семьи (в условных единицах). Естественно предпола
гать, что вероятность наличия автомобиля увеличивается с ростом xz. Если
использовать линейную модель
У; + +£;, / = 1, ..., И,
то
E{yi\xi) = P{yi =\\xi} = a +p x i .
Таким образом, если значение jcz увеличить на 1, вероятность наличия авто
мобиля увеличится на величину, равную
(а +Р О,. +1)) - (а + /?*,.) = р,
независимо от того, сколь большим или малым является среднедушевой
доход xz.
Между тем такое положение вряд ли можно считать оправданным. Скорее,
можно предположить, что для семей с малыми доходами наличие автомобиля —
большая редкость, и некоторое увеличение среднедушевого дохода лишь
ненамного увеличит вероятность приобретения автомобиля такой семьей.
Для семей с весьма высокими доходами возрастание вероятности наличия
автомобиля также не может быть существенным, поскольку такие семьи, как
правило, уже имеют автомобиль. Большее влияние увеличения дохода на
возрастание вероятности наличия автомобиля должно наблюдаться для семей
со средними доходами, т.е. в «переходной зоне» от доходов, еще не позво
ляющих обзавестись собственным автомобилем, к доходам, у ж е обеспечив
шим возможность приобретения собственного автомобиля.
Возьмем прямоугольную систему координат, в которой по оси абсцисс
будем откладывать размеры среднедушевых семейных доходов. Пусть
х(1) = m i n { x , , . х(п) = ш а х { х , , хп},
так что х(1) < х < х(п) — интервал значений среднедушевых доходов рассмат
риваемых семей. Разобьем этот интервал на некоторое количество т подынтер-
188 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Х(„Л ^(] ^
валов одинаковой длины / = —^ -----—. Над каждым таким подынтервалом
т
построим прямоугольник, нижнее основание которого совпадает с этим подын
тервалом. Пусть в пределыу-го подынтервала (/ = 1, ..., т) попадают средне
душевые доходы rij семей, и при этом лишь у rij х из этих семей имеется авто
мобиль. (Для определенности значения xz-, лежащие на границе двух соседних
подынтервалов, будем относить к подынтервалу, расположенному левее.) Тогда
высоту прямоугольника, построенного надj -м подынтервалом, положим равной
Рис. 4.1
}dz.
2cr
х —jU\
G(x) =-jL= f е~'12Л = Ф
>/2я- _i <
у J
1 Z
где Ф ( г ) -- ,— Jre -t2/2
1 IA dt — функция стандартного нормального распреде
ли2 я ления Д?(0, 1), математическое ожидание кото
рого равно 0, а дисперсия равна 1.
х-/л
Соотношение G(x) = 0 можно записать также в виде:
o’ /
G(x) = ф (а + f ix),
М /?
где а - - —, о =—1.
<7 а
Таким образом, используя для аппроксимации G(x) функцию нормального
распределения, приходим к модели
у,=Ф(а + Рх,) + е^ / = «-
190 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Рис. 4.2
Таблица 4.1
Оценка моделей по смоделированным данным (1000 наблюдений)
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
Пробит-модель
С -3.503812 0.200637 -17.46343 0.0000
X 0.003254 0.000178 18.25529 0.0000
Логит-модель
С -6.357013 0.411837 -15.43576 0.0000
X 0.005892 0.000368 16.01461 0.0000
Гомпит-модель
С -3.022612 0.162178 -18.63764 0.0000
X 0.003344 0.000168 19.93322 0.0000
---- G_N
■- - THEOR
---- ESTIM
Рис. 4.3
G
1.0 ■G_N
• THEOR
0.8 PROBIT
• LOGIT
0.6 GOMPIT
0.4
0 2 4 ........................................... у ^ - ........................................................................................ -j
Рис. 4.4
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 195
У\ =0\ +*/, /= л,
то для такой модели в х =у, y t - в х- у , так что RSS = 0 и R2 = 0. При добав
лении в правую часть модели дополнительных объясняющих переменных
коэффициент R2 возрастает, и этот коэффициент будет тем больше, чем более
выраженной является линейная связь объясняемой переменной с совокупно
стью объясняющих переменных, включенных в правую часть. Своего макси
мального значения (R2 = 1) коэффициент детерминации достигает в предель
ном случае, когда для всех /= 1, п выполняются точные соотношения
у , = в 1хп + - +0рх1р.
Поскольку теперь имеем дело с нелинейными моделями
y i =G(0lxn +--- +e pxip) +s i, i = 1,..., п ,
196 Часть 3. Системы одновременных уравнений, панельные данные, модели..
п»гоЩ, 1= Z к - & I= Z (л - Я ) 2;
/=1 /=1
п
1 т
McFaddenR2 = 1------- L.
In L0
Последний показатель часто обозначают как LRI — индекс отношения
правдоподобий (likelihood ratio index).
Оба показателя изменяются в пределах от 0 до 1. Если для выбранной мо
дели в х= ... = в = 0, то L0 = Lx, и оба показателя равны 0. Второй показатель
может оказаться равным 1, если InLx= 0, т.е. L, = 1. Такая модель дает точное
предсказание, так что у i = у, для всех / = 1, . . . , « . Но при этом для рассмот
ренных выше моделей (пробит, логит и гомпит) оказывается невозможным
доведение до конца итерационной процедуры оценивания вектора парамет
ров в из-за взрывного возрастания абсолютной величины x f в в процессе ите
раций. Это связано с тем, что у таких моделей при конечных значениях xjQ
выполняются строгие неравенства 0 < G{xJв) < 1, поэтому функция правдо
подобия не может достигать значения 1.
ПРИМЕР 4.1.1
Продолжая начатый выше статистический анализ смоделированного множества
данных, вычислим значения альтернативных вариантов коэффициента R2
для трех оцененных моделей бинарного выбора. Величины, необходимые для
вычисления этих значений, приведены в табл. 4.2. (Напомним: в смоделирован
198 Часть 3. Системы одновременных уравнений, панельные данные, модели..
Таблица 4.2
Данные для моделей бинарного выбора
Модель Уwrong, 1 In L x
v wrong, 0 lnZ.0
Rledic = 1 = 1 - Н 2 £ = 0.7470,
W > °-490
pseudoR2 - 1 - = 1- - = 0.4446,
2(ln I, -lnZ,0) 2(-292.6808 +692.9472)
+ п + 1000
j2 lnZ* . -275.4592
McFaddenR1 = 1- -^ 2 - = 1- = 0.5776.
In L ' -692.9472
Сведем полученные значения в общую таблицу (табл. 4.3).
Таблица 4.3
Модели бинарного выбора: разные варианты коэффициента R 2
Модель о2 McFaddenR2
predict pseudoR2
Модель AIC SC HQ
Интерпретация коэффициентов
л т .1 1 ^ 5 Ф ( (9Л 1 + - + 0р х ф) д
&Р{у, = i k } = ----------- г-------- Е- Е- •л% =
dxik
= (р(х]в)вк Ах1к.
dxik
Учитывая явный вид функции Л(z), найдем отсюда:
Проверка выполнения
стандартных предположений
pseudoR 2 -1 1
х | 2(ln Z,, -lnZ,0)
McFaddenR2 = 1 - ^ - .
In Lq
где хП9 ..., xip — значенияр объясняющих переменных для /-й семьи;
е Х9 ..., £п — случайные ошибки, отражающие влияние на полезность нали
чия указанного предмета для /-й семьи каких-то неучтенных
дополнительных факторов.
Пусть /-я семья приобретает этот предмет длительного пользования, если
у\ > yi9 где yt — пороговое значение {threshold value), и индикаторная пере
менная y t отмечает наличие (у,- = 1) или отсутствие (у, = 0) данного предмета
у /-й семьи. Тогда
=ф
/ ~ Y i + P i | P i xn + •••+ Ppxipл
сг а
$ =- h ± J L f 9j=^~, j = 2,...,p,
а а
получим:
P{yt = ф(01*/1 + •••+ e pxtp) = ф(х1 ■
Но именно таким образом и определяется пробит-модель.
Пусть имеются в наличии только значения y i9 хП9 ..., xip9 а значения у*
не доступны наблюдению. В таком случае переменную у* называют латент
208 Часть 3. Системы одновременных уравнений, панельные данные, модели..
то к тем же значениям 6?,, . . <9р приводят оценки /:<т, А/,, . . куп, к/Зх, к/Зр,
где к — произвольное число, -оо <к< оо.
Таким образом, в рассмотренной ситуации для однозначной идентифика
ции коэффициентов Д , ..., (Зр необходима некая нормализация функции по
лезности. В стандартной модели предполагается, что а = 1 и у х = ... = у„ = О,
так что
р х=ёх,.. ., р р =вр,
и именно такую модель будем теперь рассматривать.
Прежде всего заметим, что получение оценок параметров Д , ..., /Зр
в такой модели методом максимального правдоподобия принципиально опи
рается на предположение о нормальности ошибок s l9 s i, ~ N{О, 1). По
этому важной является задача проверки этого предположения, т.е. проверка
гипотезы
Н0: s x, . . . , e „ ~ i.i.d., s,~N( 0, 1).
Наряду со стандартной моделью (модель 1) рассмотрим модель 2, отли
чающуюся от стандартной тем, что в ней
P{ei </} = Ф (t + coxt2 +a>2t3),
так что
Р{у, =1|*,} = Ф{х]9 + сох(х]9)2 +со2{х]в?).
При этом модель 1 является частным случаем модели 2 (при сох = со2 = 0),
таким образом модели 1 и 2 — гнездовые, и в рамках более общей модели 2
гипотеза Н0 принимает вид
Н0: а>х = со2 = 0.
Класс распределений вида P{si■< t) = Ф(/ + (oxt2 + co2t 3) допускает асим
метрию и положительный эксцесс (островершинность) распределения. Гра
фик на рис. 4.6 позволяет сравнить поведение функции стандартного нор
мального распределения Ф(/) (серая линия) и функции Ф(? + 0.5 12 + 0.5/3)
(черная линия).
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 209
Рис. 4.6
Таблица 4.7
Оценка пробит-модели (модели 1)
Стандартная
Переменная Коэффициент z-статистика Р-значение
ошибка
а -3.503812 0.200637 -17.46343 0.0000
Таблица 4.8
Оценка общей модели (модели 2)
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
a -3.851178 0.324895 -11.85359 0.0000
P 0.003540 0.000292 12.11708 0.0000
G>x 0.022954 0.025086 0.915039 0.3602
co2 -0.017232 0.010178 -1.693097 0.0904
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
Модель AIC SC HQ
Модель 1 (пробит) 0.555537 0.565353 0.559268
Модель 2 (Пирсон) 0.557257 0.576888 0.564718
Модель 3 (гетеро) 0.556524 0.571247 0.562120
КОНТРОЛЬНЫЕ ВОПРОСЫ
-------------Тема 4.2________
МОДЕЛИ, В КОТОРЫХ ОБЪЯСНЯЕМАЯ ПЕРЕМЕННАЯ
ПРИНИМАЕТ НЕСКОЛЬКО РАЗЛИЧНЫХ ЗНАЧЕНИЙ
1, если у] <yi{,
К, если у*
где yt ] < ... < yi k< ... < yi K_i — пороговые значения, вообще говоря, нена
блюдаемые.
Предполагая, что ошибки е х, ..., е„ — независимые в совокупности (и неза
висимые от X y , j = 1, . . . , р ) случайные величины, имеющие одинаковое нор
мальное распределение <?, ~ N(0, сг2), получаем порядковую пробит-модель
(<ordered probit model).
Рассмотрим частный случай, когда К = 3 и пороговые значения одинаковы
для всех субъектов исследования, так что у, , = у х, yi 2 = У2 и
1, если у* <ух,
У, = j 2, если у х<у* < у 2,
3, если у* > у 2.
При этом
p {yi =2\x,} = P{yl <У* < y2\xi} = P{y{<pxxn +--- + Ррх1р+£, <y2\xi} =
\ r
= ф y 2 ~P\ PlXi2 +-- + PpXip - Ф
V
Пусть в наличии имеются только значения^, xil9 ..., xip9 i = 1, ..., п. При
менив метод максимального правдоподобия, как и в случае пробит-модели
с двумя исходами, нельзя однозначно восстановить значения параметров
РХ9 ..., Рр, если не известны сг, у х и у2. Поэтому и здесь для однозначной
идентификации коэффициентов Д , Рр необходима какая-то нормализа
ция. В стандартной модели предполагается, что а - 1 и у х = 0, хотя возможны
и другие нормализации.
Используя стандартную нормализацию и обозначив у2 = у , получим в моде
ли с тремя исходами:
Р{у, = 1|х,} - P{yt * 0|дс,} = Ф(- х]р у,
P{yt =2|*,} = />{0 < у] <r \xt) = Ф(Г - xJP) - Ф{- х]РУ,
P{yt =3|х,} = />{7 * >у\х1}= 1 - Ф ( у - х 1 Р ) .
При этом коэффициент ^ допускает двойное истолкование. В соответст
вии с моделью для у* положительное значение этого коэффициента означает,
что переменная у * возрастает с возрастанием j -й объясняющей переменной.
В соответствии с приведенными выражениями для вероятностей получения
значений = 1, y t = 2 и y i? = 3 последнее приводит к возрастанию вероятности
Р{у{ = 3|х,} и к убыванию вероятности P{yt = 1|х;}. Что же касается вероят
ности P{yt = 2\xt}9 то здесь возможно как возрастание, так и убывание этой
вероятности в зависимости от конкретной ситуации.
Прогнозирование по оцененной модели производится в соответствии со
следующим соглашением. Прогнозное значение j), полагается равным к0, если
Р{у, = К\xi } =,к—
max P{yi =к\х,}.
К
1 ,..,,
ПРИМЕР 4.2.1
Рассмотрим выборку, состоящую из 1000 семей со среднедушевым месячным
доходом от 100 до 2100 у.е., среди которых 499 семей не имеют собственного
автомобиля, 369 семей имеет один автомобиль, 132 семьи — два автомобиля.
Выборка получена посредством моделирования. При этом был использован
процесс порождения данных в виде:
y t = x t + e i9 i= 1 ,..., 1000,
где — независимые в совокупности (и независимые от xt) случайные вели
чины, имеющие одинаковое нормальное распределение s i ~N(093002),
т.е. <7=300.
Здесь К = 3 и границы у х и у2 были выбраны равными соответственно:
у х = 1100 и у2 = 1850.
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 215
У*
3000
2500
2000
1500
1000
500
0
“500
—
1000
х
Рис. 4.7
Рис. 4.8
Представим теперь, что имеем только выборочные данные, т.е. пары (х,, у,),
/ = 1, ..., 1000. Оценивание методом максимального правдоподобия порядко
вой пробит-модели с нормализацией <г= 1 (именно такая нормализация исполь
зуется в пакете EViews) дает результаты, представленные в табл. 4.11.
Таблица 4.11
Метод максимального правдоподобия для пробит-модели с нормализацией
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
Границы
Ух 3.693723 0.185109 19.95431 0.0000
Таблица 4.12
Результаты прогнозов по оцененной модели
Количество Количество
У/ Л Ошибка
наблюдений наблюдений
1 499 1 500 -1
2 369 2 387 -18
3 132 3 113 19
Объем группы
су =к
р I I I 2
1
3 к
Рис. 4.9
Таблица 4.13
Результаты прогнозов по тривиальной модели
Количество Количество
Уг Л Ошибка
наблюдений наблюдений
1 499 1 1000 -501
2 369 2 0 369
3 132 3 0 132
218 Часть 3. Системы одновременных уравнений, панельные данные, модели..
ГЪ
Значение 1
II
II
^ =1 438 61 0
у, = 2 62 265 42
II
0 61 71
где
fl, если у.= к,
d ik =' [О, если у {* к .
ПРИМЕР 4.2.2
Рассмотрим смоделированную ситуацию, в которой, как и в последней моде
ли, переменные специфичны только в отношении самих субъектов исследо
вания.
Пусть хп = 1, ха — типичное количество посещений продуктового магази
на в неделю /-й семьей (от 1 до 7), хв — среднемесячный доход на одного
члена i-й семьи (от 50 до 250 у.е.). Выбранная модель порождения данных
имитирует поведение 1000 семей, проживающих в одном и том же много
этажном доме и приобретающих продукты в трех продуктовых магазинах,
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 221
Таблица 4.15
Характеристики магазинов
Щ \ =€ц,
ui2 = -0.8 + xi2 - 0.0032х/э + е й ,
ui3 ——0.4лгг-j + 0.3jc/2 + 0.0032х/э + s i3.
Поведение этих функций иллюстрирует рис. 4.10.
В соответствии с моделью порождения данных i-я семья выбирает альтер
нативу к, если для этой семьи альтернатива к имеет максимальную полез
ность. В этом случае полагаем^, = к .
222 Часть 3. Системы одновременных уравнений, панельные данные, модели..
О 1000
Рис. 4.10
Стандартная Р-значение
Коэффициент Оценка г-статистика
ошибка
Таблица 4.17
Истинные и оцененные значения коэффициентов
Аз 0.0032 0.006283
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 223
P{y.=k}>P{yi=l}9 1*к.
Применив такое правило к нашему примеру, получим результаты, приве
денные в табл. 4.18.
Таблица 4.18
Предсказание предпочтительных альтернатив
Альтернатива (к)
; Показатель
1 2 3
Таблица 4.19
Данные индивидуальных прогнозов
т
Значение А =2
II
Л= 1
у, = 1 48 26 72
У, = 2 11 550 42
U)
II
42 88 121
ПРИМЕР 4.2.3
В следующей ситуации (в отличие от предыдущих примеров) одна из пере
менных специфична только в отношении альтернатив, а другая зависит и от
альтернативы, и от субъекта.
Пусть storesк — количество магазинов в А>м торговом центре, distik — рас
стояние от места проживания /-й семьи до £-го торгового центра. Выбранная
модель порождения данных имитирует поведение 1000 семей, предпочитаю
щих совершать покупки в трех торговых центрах, каждая семья отдает пред
почтение одному из них, так что имеем 3 альтернативы. Альтернативы были
занумерованы 1, 2, 3 произвольным образом.
Здесь переменная storesk специфична только в отношении альтернатив,
тогда как значения переменной distik зависят и от альтернативы, и от конкрет
ной семьи.
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 225
Стандартная
Коэффициент Оценка г-статистика Р-значение
ошибка
Альтернатива (к)
Показатель
1 2 3
Истинный объем группы к 674 275 51
Прогноз объема группы к 688 266 46
Рис. 4.12
{Р{у,=т}
М - ехр (х,(Р -/ ?')) -« P t f w * - r i t .
т.е. отношение вероятностей выбора альтернатив к и т определя
ется только параметрами уравнений для полезностей этих двух аль
тернатив и собственными атрибутами /-го субъекта и не зависит
от параметров уравнений для полезностей остальных (К - 2) альтер
натив.
ехр (х[кР)
Р{У;=к} =
ехр (xJi /?) + ••• + exр (х]Кр ) ’
так что здесь
Р{.У, = k) ехр ( x l p )
- ехр ((xfk- xjm) Р ) ,
P{yi=m} ехр (х]тр )
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 227
4 = (vL ^ ) .
где vjk — вектор значений для z-ro субъекта переменных, которые
зависят от альтернативы;
w j — вектор значений для z-ro субъекта переменных, которые
не зависят от альтернативы.
Соответственно разбивается и вектор коэффициентов:
Р Т=(УТ, 8 Т).
Тогда
ехр (v]kr + wJS) _________ _
Р{у( =к} =
ехр (vfty + w f £) +••• +ехр (vfKy + w j S )
exp (vjky)
exp(vJiy) + ■■■+exp(vfKy ) ,
так что эта вероятность не зависит от значений переменных, специ
фичных только в отношении субъектов.
Чтобы (в рамках модели с постоянным вектором коэффициентов)
учесть возможное влияние таких переменных на вероятности Р{у( = к},
модель надо модифицировать. Одним из возможных способов моди
фикации является создание группы дамми-переменных для альтер
натив {DUMMYдля альтернативы к принимает значение 1, если^ = к,
и значение 0 — в противном случае) и умножение каждой из них
на переменные, не зависящие от альтернатив. Тем самым достига
ется изменение коэффициентов при этих переменных в зависимости
от альтернатив.
228 Часть 3. Системы одновременных уравнений, панельные данные, модели..
КОНТРОЛЬНЫЕ ВОПРОСЫ
Модель тобит-1
Pricejobserved *
у.е
14 ООО--
12 ООО -
10 000 -
8000-
6000-
4000-
2000-
0 -- —i— *
0 600 1200 1800 х
Рис. 4.13
Таблица 4.22
Оценка линейной статистической модели (1000 наблюдений)
Стандартная
Переменная Коэффициент ^-статистика Р-значение
ошибка
С -2427.821 121.0156 -20.06205 0.0000
X 6.915595 0.126948 54.47591 0.0000
R-squared 0.748337
Стандартная
Переменная Коэффициент Г-статистика Р-значение
ошибка
С -10 37 .189 274.4903 -3.778599 0.0002
X 6.119677 0.233812 26.173530 0.0000
у.е
14 000
12 000
10 000
8000
6000
4000
2000
0
-2000
-4000
О PRICE_OBSERVED 9 PRICEF_ 1000 A PRICEF_582
Рис. 4.14
Предположим, что i-я семья покупает автомобиль по цене price*, если по
следняя превышает минимально возможную стоимость ;г автомобиля на рын
ке (первичном и вторичном), т.е. если price* > у.
В такой модели значения переменной price* доступны лишь для части на
блюдений — только для семей, имеющих автомобиль. Для остальных семей
известно только, что price* < у . Такие данные называют цензурированными
(<censored data). В данном случае данные цензурированы слева на уровне у,
а модель получения этих данных называют цензурированной линейной
моделью {censored linear model). При этом наблюдается цензурированная
переменная
I p ric e* если price* > у ,
price _censoredt =< *
[у если p ricet < у.
Диаграмма рассеяния переменных xi9 price_censoredt в нашем примере
представлена на рис. 4.15.
Рис. 4.15
У, У-е.
14 000
12 000
10 000
8000
6000
4000
2000
0
О 600 1200 1800 х
Рис. 4.16
У* = е \х п + • • • + e px ip + £ i> » = 1,.... И,
где, как и ранее, обозначено jc, = (дгп, ..., xipf , в - {в х, вр)Т. В нашем при-
мере значение коэффициента 6? определяет изменение ожидаемой суммы
расходов на (возможную) покупку автомобиля для семьи с вектором показа
телей Xj = (хп, ..., xip)T при увеличении на единицу значения j - го показателя.
Если для оценивания коэффициентов использовать только наблюдения
с у { > 0, получим усеченную модель регрессии (truncated regression):
1 P {yt >0}
где
* n l ~ XI@ y*i~x]Q W-xJe\
Р{0< y ,< w } = р \ — \=
<т (т а
'-х Т в Л
=Ф ф
■х] в ( х ]в Л
Р{у]>Щ = \- Р - ф =ф
dP{yt < w}
Если взять производную — —----- - , получим функцию плотности рас-
dw
пределения случайной величины y t (условного при заданном дгг):
234 Часть 3. Системы одновременных уравнений, панельные данные, модели..
E(yi\xi) > x T
i e.
Рассмотрим теперь другой подход к оцениванию коэффициентов исход
ной модели
У* = в\хп + •••+ ОрХф + е п »= 1 , . . п,
при котором неполные наблюдения не отбрасываются, а учитываются при
оценивании. В рамках этого подхода в качестве объясняемой берем пере
менную
Iх ] в + £,, если x f в + Sj > О,
У1 =■
О, если х ] в + s i < 0.
В этом случае
х!вЛ ( х ]в Л
Р{У, = 0| х,} = P {st < - x j в) = Ф = 1 -Ф
а для w > 0
fv. - г ТЙ f W—X;тв/Л
Р{у, < w| X,.} = р \ У( Х‘ в .<< W Х' 6>^ =
- ф
<7 <7
V tfY l , ( х!вл
xfO + аЛ •ф
УУ У
х ]в
E(yt\xt)= xle<b + <тА
° J * У V У
'х ! в Л х ]в
= х!вФ + <т<р
У
Предельный эффект изменения переменной ху равен:
ж < л к ) =(, ф №
Эх,, 1 1 сг
dE (y\xt)
- в , [ \ - zA(z) - Я2(z)],
дху
х ]в
где Л(г) = Ф )
Ф( z ) ’
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
Error Distribution
Таблица 4.25
Оценка цензурированной модели
Стандартная
Переменная Коэффициент г-статистика Р-значение
ошибка
Error Distribution
-2000 -
-4000 -
-6000 -
iPf
<тр о
оо
о
-8000 -
1800
О PRICE STAR 9 PRICE_STARF_CENS • PRICE STARF TRUN
Рис. 4.17
О Y Ш YF TRUNC ▲ YFJOENSORED
Рис. 4.18
Таблица 4.26
Оценка линейной модели (1000 наблюдений)
Переменная Стандартная
Коэффициент Г-статистика Р-значение
ошибка
С -2075.806 104.7679 -19.81338 0.0000
X 5.130473 0.109904 46.68158 0.0000
Таблица 4.27
Оценка линейной модели (582 наблюдения)
Переменная Стандартная
Коэффициент Г-статистика Р-значение
ошибка
С -3037.189 274.4903 -11.06483 0.0000
6.119667 0.233812 26.17353 0.0000
Рис. 4.19
МАРЕ = - У 1 0 0 ^ ^ Z± .
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 239
х ]в х ]в ( х]в^
£(>>,• к ) = X, в + СТА ф = В Д * ,) - Ф
G У о У
дФ
m y \ X i) х ]в d E iy h i) У
=Ф
дху V У
дху дху
Первое слагаемое отражает изменение в ожидаемых значениях у ( > О,
г хт9 \
взвешенное с весом Ф = Р {у1 > 0}, а второе — изменение вероятности
у
Р{у/ > 0}, взвешенное с весом, равным £(у,|х,). Заметим в связи с этим, что
/
х!вЛ
ЭФ
дР{У/ > 0} У
1 г х!вЛ
= —<Р <>Г
дху дху а
В нашем примере изменение Е(у(\х,) показано на рис. 4.20 (по оси абсцисс
на этом и следующих 5 графиках откладываются значения среднемесячного
дохода на одного члена семьи).
Изменение производной > 0} показано на рис. 4.21.
dx»
д Е (у \х )
Входящие в разложение д л я ------ слагаемые изображены на рис. 4.22
дху
и 4.23.
240 Часть 3. Системы одновременных уравнений, панельные данные, модели..
1800 х
Рис. 4.20
ф D_PROB
Рис. 4.21
Рис. 4.22
х!вЛ
В сумме они дают функцию =в Ф которая представлена
дху
на рис. 4.24.
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 241
Рис. 4.23
Рис. 4.24
Рис. 4.25
Модель тобит-И
у* = хТ
и в \ + е и, 1 = 1 ,...,и,
= ХТ
уД +^Ц-Е{£2\ s 2i > - x T
2ie2} = х(А + ст12Л(х2/02),
a2
Если сг12 = 0, то
Е{у,\!г,=1} = х!Д.
У1 =4<?i+o-,2A,.+v,.,
где А, — переменная, определяемая соотношением:
0 (4 * 2 )
Если е и не коррелирована с х1;- и x2l, то v, не коррелирована с хи и А,-, так
что эту модель регрессии можно оценивать методом наименьших квадратов.
Проблема, однако, в том, что значения А, не наблюдаются, поскольку неиз
вестен вектор коэффициентов в2 в модели выбора.
Оценивание вектора в2 производится в рамках пробит-модели бинарного
выбора. При этом получаем оцененные значения А,- = А(х21в 2) (первый шаг
процедуры Хекмана). Эти оцененные значения используются затем на втором
шаге процедуры вместо А,-. Модель у,- = хт
ив х+ cr12i ( + v, оценивается методом
наименьших квадратов, в результате получаем состоятельные (хотя и неэф
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 245
Е{у,\хи,х21} = х'[Д.
4 f i2 + 4 ( y ,- x fA )
Р{Ь;=1\у,}=Ф
1- -
2Л
ехр (У /-х[А У
А у ,) = -
2сг.
246 Часть 3. Системы одновременных уравнений, панельные данные, модели..
ПРИМЕР 4.3.1
Пусть в примере с автомобилями наличие у семьи собственного автомобиля
определяется условием w ■> 2000, где
w* = -3600 + 8*г + 1800^2/, ^ 21? •••> ^2 ,юоо ~ !)•
Обозначив h* = w* - 2000, запишем это условие в виде h* > 0, где
hj ——5600 + 8*г + 1800%,
и нормализуем функцию полезности, разделив обе части последнего равен
ства на 1800:
/*/ =-3.111 +0.00445*, + % ,
Пусть «потенциальная цена» автомобиля для /-й семьи определяется урав
нением:
price■= 4000 + 6*г + е и, е 1{9 ..., £j,iooo ~ ^ ^(0> ЮОО2).
В смоделированной выборке пары (е П9 е2Х), (^ 1, 1000? ^ 2, 1000) взаимно неза
висимы, но C ov{sXi, s 2i) = 707, так что коэффициент корреляции случайных
величин s Vl9 s 2i равен: р Х2 = 0.707.
В принятых выше общих обозначениях модели тобит-Н получаем:
У* = euxw,i + #12* 12,; +£т К = в2]х21>1 + в22 x22 i + s 2i,
г д е * ,,, = х21, = 1, xl2J- x 22J = xif #,,= 4000, #12 = 6, 021 =-3.111, 622 = 0.00445.
При этом <т, = 1000, <т2 = 1, <7,2 = 707.
Применив к смоделированным данным двухшаговую процедуру Хекмана,
получим на первом шаге оцененное уравнение:
А/ = -3.450 + 0.00476*,,
а на втором шаге — оцененное уравнение:
price' = 3936.2 + 5.995х,.
Используя полученные оценки параметров в качестве стартовых значений
итерационной процедуры максимального правдоподобия, приходим к уравнениям:
А,* = -3.483 + 0.00480*,.,
price] = 4159.3 + 5.828х;.
При этом получим также <т, = 1010.7, р х2 = 0.598.
Как видим, оцененные значения параметров достаточно близки к значени
ям, при которых производилось порождение данных. Графики, иллюстри
рующие полученные результаты, приведены на рис. 4.26 — 4.30.■
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 247
О H _ST A R
Ш Н STAR F
Рис. 4.26
о н
9 Н F
Рис. 4.27
У. У-е.
18 000-
о У
16 00 0 -
■ У S T A R F582
14 000
12 000
10 000-
8000-
6000-
4000-
2000 -
0 ---1— — I--------1—
100 300 500 700 900 1100 1300 1500
Рис. 4.28
248 Часть 3. Системы одновременных уравнений, панельные данные, модели..
У. У-е-
18 000
О Y_STAR
16 000
и Y_STAR_F
14 000
4 У STAR F582
12 000
10 000
8000
6000
4000
2000 Н |
о -\-------- 1-------- 1-------- 1-------- 1-------- 1-------- 1-------- 1— L-►
100 300 500 700 900 1100 1300 1500 х
Рис. 4.29
У, У-е-
18 000
16 000
14 000
12 000
10 000
8000
6000
4000
2000
О
100 300 500 700 900 1100 1300 1500 х
Рис. 4.30
ПРИМЕР 4.3.2
В условиях примера 4.3.1 смоделируем данные с измененной функцией полез
ности, полагая теперь
hi = -4 + 0.003*, + 2((4а»)/ + £и>
где dman = 1, если главой семьи является мужчина, и dman = 0, если главой семьи
является женщина.
Применив к новым смоделированным данным двухшаговую процедуру
Хекмана, получим на первом шаге оцененное уравнение:
h* = -4.280 + 0.00297*, + 2.3 4 7 (4 ^),,
а на втором шаге — оцененное уравнение:
price* = 3879.97 + 6.124*,.
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 249
Рис. 4.31
КОНТРОЛЬНЫЕ ВОПРОСЫ
Выше уже рассматривались модели такого рода, но только для данных, отно
сящихся к одному-единственному моменту (периоду) времени {cross-section
data — данные в сечениях).
Перейдем теперь к панельным данным. И здесь модель бинарного выбора
обычно связывается с наличием некоторой ненаблюдаемой (латентной) пере
менной y it и наблюдаемой индикаторной переменной y in такой, что
250 Часть 3. Системы одновременных уравнений, панельные данные, модели..
[ 1, если y l > О,
[О, если у* < 0.
Уи = x l P + a i + £и> i = t=
где x T
it— вектор-строка значений объясняющих переменных для /-го субъекта
в период t.
Предположим, что случайные ошибки sit независимы, одинаково распре
делены в обоих направлениях и имеют симметричное распределение с функ
цией распределения G и что объясняющие переменные строго экзогенны.
Если трактовать a t как фиксированные неизвестные параметры, то это соот
ветствует включению в модель N дамми-переменных. Логарифмическая функ
ция правдоподобия тогда принимает вид:
laL(fi,al, . . . , a N) = ^ y ulnG(ai + xlfi) + ^ ( l - y a) ln ( l - G i a l + x T
ufi)).
i, t i, t
P m ) \ y ii+yi2 = l a i, P} = \,
m /n ,ч! . 1 ^ Р{ФЛ)\хи, а „ р \
p m l) д'л+уп =ьх* > ps =-z.—-— ^=
Р {ух+ у 2 =1\хи, а п Р}
Уи = 4 f i + uu>
и„ =<*,+£и,
где а, — случайные индивидуальные эффекты, a i ~ i.i.d. /V(0, ст~):
eit — случайные ошибки, eit ~ i.i.d. N{0, <т£2),
и предполагаем, что индивидуальные эффекты и ошибки статистически неза
висимы. В этих условиях совместное распределение случайных величин
ип, ..., uiT нормально, причем E(uit) = 0, D(ujt) = + о ; , Cov{uit, uis) =
= Cov(al + ejn a + sis) a „ для s Ф t, так что значение коэффициента корре-
i -
Cov(uit,u is) о 2а .
ляции р = , .... = — между ошибками и„ и иh внутри одной
-\ Y lP iy u V in ^ P ) p (a t)d a ,
t=1
где
/■
ф XJ ,P +а , если y it = 1,
Р (« /) =
4 27Г(71
Итоговый интеграл вычисляется численными методами. Соответствующие
программы имеются в некоторых пакетах (например, в Stata).
При гипотезе Н0 об отсутствии индивидуальных эффектов р = а 2 = О,
так что проверка отсутствия индивидуальных эффектов сводится к проверке
гипотезы р = 0.
ПРИМЕР 4.4.1
Рассмотрим результаты исследования панельных данных по Германии {German
Socio-Economic Panel) за 5-летний период с 1985 по 1989 г., проводившихся
с целью выяснения влияния состояния безработицы на степень удовлетво
ренности жизнью {well-being) (см.: {Winkelmann L., Winkelmann 7?., 1995)).
Исходные данные были представлены в порядковой шкале и индексирова
лись от 0 до 10. Ввиду сложности построения порядковых логит- и пробит-
моделей для панельных данных данные были сжаты до бинарных. Индивиды,
у которых удовлетворенность жизнью индексировалась от 0 до 4, считались
неудовлетворенными жизнью, тогда как индивиды с индексом 5 и выше счи
тались более или менее удовлетворенными жизнью.
В качестве объясняющих переменных первоначально были привлечены
следующие характеристики индивидов:
• непрерывная переменная:
LOGINCOME — логарифм (располагаемого) дохода (см. ниже);
• дамми-переменные:
UNEMP (безработный), NOPARTIC (не включен в рынок труда), SELFEMP
(самозанятый), PARTTIME (частично занятый) — указывают текущий
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 255
Sit = х1 Р + £и>>
и наблюдаемое значение индекса удовлетворенности определяется соотно
шениями:
0, если S*t < 0,
если0 < 5 ^ < у х,
Таблица 4.29
Оценка порядковой пробит-модели (объединенная выборка)
Таблица 4.30
Оценка порядковой пробит-модели (раздельные выборки)
Мужчины Женщины
Переменная Стандартная Стандартная
Коэффициент Коэффициент
ошибка ошибка
Constant 2.273 (0.246) 1.259 (0.234)
UNEMP -0.402 (0.063) -0.118 (0.089)
UNEMP *AGE<29 -0.321 (0.105) -0.064 (0.126)
UNEMP*AGE3Q-49 -0.245 (0.085) -0.175 (0.109)
UNEMPDUR -0.003 (0 .010) - 0.010 (0.018)
UNEMPDURSQ *1O'2 -0.013 (0.028) 0.042 (0.064)
PREVDUR - 0.010 (0 .001) -0.008 (0 .001)
258 Часть 3. Системы одновременных уравнений, панельные данные, модели...
Мужчины Женщины
Переменная Стандартная Стандартная
Коэффициент Коэффициент
ошибка ошибка
NOPARTIC -0.273 (0.035) 0.056 (0.024)
SELFEMP -0.087 (0.038) -0.155 (0.069)
PARTTIME -0.180 (0.129) - 0.001 (0.031)
MARRIED 0.133 (0.024) 0.110 (0.026)
OKHEALTH 0.409 (0 .021) 0.426 (0 .021)
AGE -0.063 (0.006) -0.049 (0.006)
AGESQ* lO'2 0.078 (0.007) 0.062 (0.007)
VOCATIONAL D. 0.066 (0.019) 0.093 (0.019)
UNIVERSITY D. 0.086 (0.040) 0.174 (0.059)
LOGINCOME 0.165 (0.024) 0.253 (0.025)
CHANGEINC 0.014 (0.030) 0.015 (0.031)
1986 -0.018 (0.028) -0.037 (0.029)
1987 -0.104 (0.028) -0.152 (0.030)
1988 -0.175 (0.028) -0.206 (0.030)
1989 -0.178 (0.029) -0.258 (0.030)
Observations 12605 11450
Таблица 4.31
Оценка RE пробит-модели и FE логит-модели (мужчины)
Таблица 4.32
Оценка RE пробит-модели и FE логит-модели (женщины)
КОНТРОЛЬНЫЕ ВОПРОСЫ
1. Какие проблемы возникают при оценивании моделей бинарного вывода для панель
ных данных?
2. Какие модели бинарного вывода со случайными эффектами можно оценить мето
дом максимального правдоподобия?
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 261
_ J 1, если y l > О,
[о, если у*, < 0.
где
P ia,) =
P (yu V u ,ai,P ) =
если y it = 0.
ПРИМЕР 4.5.1
Аукционы репо (кредит под залог ценных бумаг) являются основным инст
рументом управления рынком со стороны Европейского центрального банка
(ЕЦБ). На этих аукционах банки подают заявки — биды {bids) на получение
кредита на определенный срок {maturity), в которых указываются величина
кредита и проценты по кредиту, по которым покупатель кредита предпола
гает получить соответствующий кредит. Центральный банк на каждом
аукционе выделяет для предоставления кредитов некоторую сумму и после
довательно удовлетворяет полученные заявки банков, начиная с тех, в кото
262 Часть 3. Системы одновременных уравнений, панельные данные, модели..
In а ] = со + /? In сгДj + а €t-1
+у ——
1 См., например, ( Verbeek, 2000, ch. 8: sect. 8.10.1 (русский перевод: Вербик М. Путеводи
тель по современной эконометрике. М.: Научная книга, 2008)).
264 Часть J. Системы одновременных уравнений, панельные данные, модели..
Эмпирические результаты
Решение банка об участии в аукционе. Здесь объясняемая переменная
у и равна 1, если /-й банк участвует в t-м аукционе, проводимом в течение рас
сматриваемого периода, и равна 0 — в противном случае. В табл. 4.33 приве
дены результаты оценивания панельной логит-модели
Таблица 4.33
Оценка панельной логит-модели
Size dummies
large 2.51 (1.57)
medium -8.98 (-3.43)
small -12.70 (-4.82)
чаще, чем малые. Большие банки используют аукционы репо не только для
своей потребности в ликвидности, но и для перепродажи и активной торговли
резервами на вторичном рынке.
Влияние переменной reserve fulfillment не выявлено: оцененный коэффи
циент при этой переменной статистически незначим. Что касается перемен
ной volatility, то для нее значение /-статистики лишь ненамного превосходит
5%-й критический уровень.
Для выяснения вопроса о том, зависит ли отклик банка на изменение того
или иного фактора от размера банка, в правую часть уравнения добавляются
взаимодействия факторов с размером банка, т.е. переменные, которые явля
ются произведениями объясняющих переменных на дамми, соответствующие
возможным размерам банка. Результаты оценивания расширенной ЛЕ-модели
приведены в первой графе табл. 4.34. Во второй графе этой таблицы —
P -значения статистик критерия для проверки гипотезы об отсутствии эффек
та размера для отдельных объясняющих переменных.
Отметим значимое влияние размера банка на отклик банка в отношении
ожидаемых процентных ставок (term spread) и ожидаемой альтернативной
стоимости (spread). Для обеих переменных влияние оказывается наиболее
слабым для банков среднего размера. Коэффициенты при переменной maturing
allotment показывают, что сезонный характер участия в аукционах более выра
жен для банков малого и среднего размера.
Что касается остальных объясняющих переменных, то здесь не обнаружи
вается значимого влияния размера банка.
В последней графе табл. 4.34 приведены P -значения критериев совместной
значимости для каждой группы переменных. Отметим, что расширенная
модель подтверждает сомнения в значимости волатильности для принятия
банком решения об участии в аукционе.
Размер заявки отдельного банка. Исследуем теперь, каким образом
перечисленные выше факторы влияют на размер заявки отдельного банка.
Поскольку эту переменную можно наблюдать только в том случае, если банк
принимает решение об участии в аукционе, она цензурирована слева (при
неучастии банка в аукционе размер его заявки считаем равным нулю), и игно
рирование этого обстоятельства может выразиться в смещении получае
мых оценок. Соответственно исследование здесь проводится с привлечением
панельной тобит-модели.
Предельный эффект к-й объясняющей переменной в тобит-модели вычис
ляется по формуле:
дЕ{у„\хи) _ ф |"дгI p
А-
дхк,и
В табл. 4.35 приведены оцененные коэффициенты и вычисленные значения
предельных эффектов. Для сравнения в последней графе таблицы приведены
результаты GLS-оценивания ЛЕ-модели, которая пренебрегает информацией,
содержащейся в нулевых заявках.
Раздел 4. Модели с дискретными и ограниченными объясняемыми переменными 267
Таблица 4.34
Оценивание логит-модели и размер банка
Term spread
large banks 20.36 (0.98)
medium banks 0.74 (0.31) 0.0002 0.0000
small banks 14.02 (6.45)
Underbidding
large banks 0.19(0.08)
medium banks 0.12(0.26) 0.7285 0.5392
small banks 0.60(1.45)
Spread
large banks -20.71 (-0.92)
medium banks -4.65 (-1.84) 0.0018 0.0000
small banks -16.81 (-7.17)
Volatility
large banks -1.24 (-1.06)
medium banks -0.13 (-0.96) 0.5788 0.1260
small banks -0.24 (-1.92)
Reserve fulfillment
large banks 1.60 (0 . 12)
medium banks -1.23 (-0.67) 0.3998 0.5626
small banks 2.17(1.26)
Maturing allotment
large banks 0.02 (0.40)
medium banks 0.12(13.67) 0.0187 0.0000
small banks 0.15(17.27)
End o f period
large banks 1.07 (0.71)
medium banks 0.66 (3.59) 0.8521 0.0000
small banks 0.78 (5.00)
Size dummies
large banks -6.23 (-0.40)
medium banks -1.75 (-0.79) 0.1123 0.0000
small banks -8.12 (-3.89)
Pseudo-R1 0.1094
No. o f observations 8525
No. o f groups 275
Таблица 4.35
Оценка панельной тобит-модели и GLS-оценивание ЯЕ-модели
Size dummies
large 3.95 (1.50) —
medium -8.98 (-3.43) -3.46 (-5.10)
small -12.70 (-4.82) -4.80 (-7.14)
Constant — 21.01 (28.61)
Таблица 4.36
Оценивание расширенной тобит-модели и размер банка
Pseudo-R2 0.228
No. o f observations 8525
No. o f groups 275
Примечание. В скобках приведены значения ^-статистик. При оценивании учитывались все 5900
цензурированных слева наблюдений.
270 Часть 3. Системы одновременных уравнений, панельные данные, модели..
КОНТРОЛЬНЫЕ ВОПРОСЫ
К разделу 1
2. Рассмотрите модель:
j Pt = aSt +bXt + etl9
[St - cSt-1+ £ t 2 »
/„ \ ( 2 \
£ t\ Gx CTn
~ LLd. N(0, Z), Z = 2
\ £ t2 j Ка \2 G2 J
где Pt — объем производства некоторого товара;
St — объем продаж этого товара;
Xt — некоторая переменная, важная для принятия решений об объемах
производства, экзогенная по отношению к рассматриваемой сис
теме одновременных уравнений.
• Как характеризуется каждое из двух уравнений системы (недоиденти-
фицировано, точно идентифицируемо, сверхидентифицируемо)?
• Как можно оценить коэффициенты структурной формы и проверить ги
потезу # 0: 6 = 0?
• Влияет ли решение, принятое на основании этой проверки, на иденти
фицируемость модели? Как характеризуется каждое из двух уравнений
новой системы (недоидентифицировано, точно идентифицируемо, сверх
идентифицируемо)?
• Как можно проверить гипотезу Н0: с = 0 в исходной модели? Влияет ли
решение, принятое на основании этой проверки, на идентифицируе
мость модели?
Предположим, что переменная Xt связана с переменными Pt и St
тождеством Xt - Xt_x = Pt - St, так что переменную Xt можно рассмат
ривать как инвентарные запасы товара, a Xt - Xt_x — как изменение
запасов по сравнению с предыдущим периодом.
• Влияет ли эта информация на выводы относительно идентифицируемо
сти модели?
• Влияет ли эта информация на выбор процедуры оценивания?
У п + * 1 2 ^ 2 + * 1 3 ^ 3 = a l 4X tl + * 1 5 * / 2 +
< У а + а 2 ъ У я = а 24 X t\ + a 25X t2 + S t2 ’
У п = a u x t\ + a 15X t2 + * , 3 .
274 Часть 3. Системы одновременных уравнений, панельные данные, модели...
в которой
<Г\ 0 0
2 О <А 0
\ 6* J О 0 °3
1 В этом и остальных заданиях к разделам данной части учебника даются ссылки на При
ложение, содержащее необходимые статистические данные и их описание, помещенное после
задания 45.
276 Часть 3. Системы одновременных уравнений, панельные данные, модели..
К разделу 2
Series List
OK Cancel
Pool Estimation
Specification o p tio n s
Estimation method
Fixed and Random Effects
Cross-section specific coefficients:
Cross-section: 1None
Period: None
Period specific coefficients:
Weights: No weights
Estimation settings
r—| Balance
Sample: 110 LJ Sample
OK Cancel
280 Часть 3. Системы одновременных уравнений, панельные данные, модели..
t Инструменты Количество
3 Уп 1
4 Уп’Уп 2
5 Уп’Уп’Уя 3
6 Уп>Уп>Уп>У14 4
7 Уп>Уп>Уп>У14>Н5 5
8 Уп>Уп>Уя>У14>У15>У'б 6
9 УП’Уг2’УП’У,4’У15’У16’Уп 7
10 yi 1>Уи >У,-3>Я4 >У/5 >У/б’Уп >Ун 8
ВСЕГО 36
Используйте команду
xtabond у х 11(х), lags{ 1)
Здесь /1(х) указывает на включение в правую часть уравнения запаздывающего
значения переменной х; lags( 1) указывает на включение в правую часть уравне
ния запаздывающего значения переменной у. В протоколе оценивания приведены
оценки коэффициентов в продифференцированном уравнении и соответствую
щие им P -значения, значение статистики критерия Саргана для проверки гипоте
зы о выполнении избыточных ограничений и соответствующее ему P-значение, а
также (в версии Stata 8) значения статистик критериев Ареллано — Бонда для
проверки гипотезы об отсутствии в ряде остатков автокорреляций первого и вто
рого порядков и соответствующие им Р-значения.
В протоколе:
DI — разность первого порядка;
LD — запаздывающая разность первого порядка.
Sargan test of over-identifying restrictions:
chi2(35) = 21.81 Prob > chi2 = 0.9600
Arellano-Bond test that average autocovariance in residuals of order 1 is 0:
HO: no autocorrelation z = -2.56 P r > z = 0.0106
Arellano-Bond test that average autocovariance in residuals of order 2 is 0:
HO: no autocorrelation z = 0.77 Pr> z = 0.4427.
На правильность выбора инструментов указывает P-значение для статистики
Саргана.
На правильность сделанных предположений об ошибках указывают отклоне
ние гипотезы об отсутствии автокоррелированности первого порядка и неоткло-
нение гипотезы об отсутствии автокоррелированности второго порядка.
Задания для семинарских занятий... и для самостоятельной работы 291
Количественные переменные
Мужчины Женщины
Переменная
OLS FE RE OLS FE RE
Окончание таблицы
Мужчины Женщины
Переменная
OLS FE RE OLS FE RE
К разделу 3
Количественные переменные
age возраст
education количество лет, затраченных на образование
exper стаж работы (в годах)
Дамми-переменные
Стандартная
Переменная Коэффициент ^-статистика P-значение
ошибка
constant -1.046900 0.40957 -2 .5 5 6 0.0106
sex -0.218060 0.13225 -1.649 0.0993
age -0.002385 0.0084483 -0.282 0.7777
province 0.388170 0.13191 2.943 0.0033
education -0.081989 0.024224 -3.385 0.0007
exper -0.042591 0.011483 -3 .7 0 9 0.0002
public 0.154820 0.14011 1.105 0.2693
unemS9 3.211500 0.12310 26.087 0.0000
logl = -908.2405471.
Проверка значимости регрессии в целом: LR = 1068.5493.
McFaddensR2 = 0.3704.
Задания для семинарских занятий... и для самостоятельной работы 299
Стандартная
Переменная Коэффициент ^-статистика P-значение
ошибка
logl = -905.6507406.
Проверка значимости регрессии в целом: LR = 1073.7290.
McFadden’s R2 = 0.3722.
• Как можно проверить нулевую гипотезу о равенстве нулю коэффициентов
при переменных age и public (одновременно)?
Высокая статистическая значимость оценок коэффициентов при переменной
ипет89 указывает на наличие определенной перманентности пребывания в по
ложении безработного.
• Как можно проверить предположение о том, что перманентный харак
тер пребывания в состоянии безработного в большей степени выражен
у женщин?
Приложение
СТАТИСТИЧЕСКИЕ ДАННЫЕ К ЗАДАНИЯМ
Таблица П-1
Объем продаж Y и цена Р товара
Y Р X Z W1 Z1 Y Р X Z W1 Z1
97.5 105.5 90.36711 101.8214 101 101 108.5 100.5 107.1181 101.8458 106 109
99.0 106.0 92.04135 100.3622 102 102 109.5 100.5 108.6194 105.2693 103 110
97.5 102.5 95.36486 92.32723 105 102 101.5 91.5 108.0453 88.30700 102 109
101.0 103.0 97.14663 95.13061 105 104 100.0 92.0 108.3275 88.62322 101 107
102.5 103.5 97.68223 101.1366 102 105 108.5 102.5 104.7296 108.9392 100 105
100.5 98.5 100.2795 93.70041 103 108 105.5 102.5 102.2678 104.1693 103 106
102.5 98.5 102.9282 96.34262 104 106 99.0 97.0 100.2017 92.02088 102 107
101.5 96.5 103.7268 90.63259 106 107 107.0 105.0 99.28349 108.0477 101 109
106.5 103.5 100.6989 100.3094 107 105 107.0 100.0 105.7602 100.4600 104 110
103.0 99.0 102.0795 90.93913 108 104 107.0 99.0 107.7204 98.20371 106 108
101.5 95.5 104.0013 90.13066 105 106
Задания для семинарских занятий... и для самостоятельной работы 307
Таблица П-2
Финансовые показатели 66 предприятий
Y XI Х2 ХЗ Х4 Х5 Y XI Х2 ХЗ Х4 Х5
0 5.7 -118.3 -34 .2 21.7 1.5 1 56.9 35.3 4.2 240.3 0.9
0 72.4 -185.9 -280 .0 12.5 6.7 1 43.8 49.5 25.1 115.0 2.6
0 17.0 -3 4 .6 -1 9 .4 35.5 3.4 1 20.7 18.1 13.5 63.1 4.0
0 -3 1 .2 -2 7 .9 6.3 7.0 1.3 1 33.8 31.4 15.7 144.8 1.9
0 14.1 -48.2 6.8 16.6 1.6 1 35.3 21.5 -1 4 .4 90.0 1.0
0 -6 0 .6 -4 9 .2 -1 7 .2 7.2 0.3 1 24.4 8.5 5.8 149.1 1.5
0 26.2 -1 9 .2 -3 6 .7 90.4 0.8 1 48.9 40.6 5.8 82.0 1.8
0 7.0 -18.1 -6 .5 16.5 0.9 1 49.9 34.6 26.4 310.0 1.8
0 -53.1 -9 8 .0 - 20.8 26.6 1.7 1 54.8 19.9 26.7 239.9 2.3
0 -1 7 .2 -129.0 -14 .2 267.9 1.3 1 39.0 17.4 12.6 60.5 1.3
0 32.7 -4 .0 -1 5 .8 177.4 2.1 1 53.0 54.7 14.6 771.7 1.7
0 26.7 -8 .7 -36.3 32.5 2.8 1 20.1 53.5 20.6 307.5 1.1
0 -7 .7 -59.2 - 12.8 21.3 2.1 1 53.7 35.9 26.4 289.5 2.0
0 18.0 -13.1 -1 7 .6 14.6 0.9 1 46.1 39.4 30.5 700.0 1.9
0 2.0 -3 8 .0 1.6 7.7 1.2 1 48.3 53.1 7.1 164.4 1.9
0 -35.3 -5 7 .9 0.7 13.7 0.8 1 46.7 39.8 13.8 229.1 1.2
0 5.1 - 8.8 -9.1 100.9 0.9 1 60.3 59.5 7.0 226.6 2.0
0 0.0 -6 4 .7 -4 .0 0.7 0.1 1 17.9 16.3 20.4 105.6 1.0
0 25.2 -1 1 .4 4.8 7.0 0.9 1 24.7 21.7 -7 .8 118.6 1.6
308 Часть 3. Системы одновременных уравнений, панельные данные, модели..
19. Vella F., Verbeek М. (1998). Whose Wages Do Unions Raise? A Dynamic Model of
Unionism and Wage Rate Determination for Young Men // Journal of Applied Econo
metrics. Vol. 13. P. 163— 183.
20. Verbeek M. (2000). A Guide to Modem Econometrics. Chichester: Wiley.
21. Winkelmann L., Winkelmann R. (1995). Unemployment: where does it hurt? Centre for
Economic Policy Research Discussion Paper, 1093.
Интернет-ресурсы
http://www.feweb.vu.nl/econometriclinks/
На этом сайте имеется большое количество ссылок на различные интернет-
ресурсы, посвященные изучению, разработке и применению эконометрических ме
тодов.
http://www.stanford.edu/~clint/bench/
На этом сайте выложено большое количество статистических данных, которые
можно использовать для практического освоения эконометрических методов анализа
моделей одновременных уравнений, панельных данных, моделей с дискретной объяс
няющей переменной (Probit, Logit и др.).
Глоссарий
К разделу 1
\Ух =^i«i + «„
{Yl = m l +wl,
Глоссарий 315
К разделу 2
+ Z ( r « . j AVi,/ - , + • • • + Y n n , j АУ м , , - j ) + £ n <>
y=i
это коэффициенты a n , ..., a lr, ..., a Nl, ..., a Nr.
Модель коррекции ошибок без ограничений (UECM — unrestricted error cor
rection model) — обычное представление векторной авторегрессии (VAR)
в форме ЕСМ (модели коррекции ошибок).
Неявная форма линейных ограничений (indirect restrictions) — представление
rt линейных ограничений на /-й коинтегрирующий вектор Д в виде: = О,
где Rt — матрица размера (rt х N) ранга rt.
318 Часть 3. Системы одновременных уравнений, панельные данные, модели..
К разделу 3
нениях.
Критерий Бройша — Пагана в двунаправленной модели (Breusch-Pagan test
in a two-way model) — критерий для проверки в рамках двунаправленной
модели с фиксированными индивидуальными и временными эффектами
гипотезы об отсутствии индивидуальных и временных эффектов, т.е. воз
можности сведения такой модели к модели пула.
Критерий Бройша — Пагана в ЛЕ-модели (Breusch — Pagan test in RE-model) —
критерий для проверки в рамках ЛЕ-модели (со стандартными предполо
жениями)
Уи = / ' + «, + Рх„ + и,,
гипотезы об отсутствии индивидуальных эффектов, Н0: а 2 - 0, т.е. воз-
можности сведения такой модели к модели пула.
320 Часть 3. Системы одновременных уравнений, панельные данные, модели..
a, ~ i V ( 0 , a I ) , i = \,...,N,
К разделу 4
Гнездовые модели (nested models) — две модели, одна из которых вложена
в другую, является частным случаем другой модели.
Гомпит-модель (gompit model) — модель бинарного выбора
y t =G( 0ixn +••• + 9pxip) + s t =G( xf e ) + i = 1,..., n,
в которой в качестве функции связи G(z) используется функция стандарт
ного распределения экстремальных значений (минимума) I типа (распре
деление Гомпертца): G(z) = 1 - e x p (-e z).
Глоссарий 323
A{z) = - 62
l + ez
Лямбда Хекмана {Heckman’s lambda) — величина, пропорциональная смеще
нию оценки детерминированной составляющей линейной модели, возни
кающему при игнорировании уравнения выбора.
Модель бинарного выбора {binary choice model) — нелинейная регрессионная
модель зависимости значений индикаторной переменной у { от линейной
комбинации объясняющих переменных:
y t =G( 6ix,i +--- + epxip) + s i =G{ x] e ) + s i, i = l,...,n.
Мультиномиальная логит-модель {multinomial logit model) — модель с К аль
тернативами, для которых не существует естественного упорядочения.
Субъект выбирает альтернативу к, если для него эта альтернатива имеет
максимальную полезность. Объясняющие переменные специфичны только
в отношении самих субъектов исследования, значения коэффициентов в К
уравнениях полезности различны:
Р{>, _ * } _ ___________ е х р ___________
1+ ехр(х;г ( р 2 - р х)) + ••• + ехр(х,г ( р к - р ]))
Оценка условного максимального правдоподобия {conditional maximum likeli
hood estimator) — оценка, используемая при оценивании моделей бинарно
го выбора для панельных данных, в которых значения латентной функции
порождаются моделью y*t =x]tP + at + s it. Оценка получается максимиза
цией функции правдоподобия, условной относительно некоторого множе
ства статистик ti9 которое достаточно для эффекта a t.
Пороговое значение {threshold value) — значение, при превышении которого
латентной переменной объясняемая индикаторная переменная принимает
значение 1.
Порядковая пробит-модель {ordered probit model) — модель с К различными
исходами, в основе которой лежит ненаблюдаемая переменная, представ
ляющая сумму линейной комбинации объясняющих переменных и слу
чайной ошибки, имеющей нормальное распределение.
Предельный эффект переменной {marginal effect) — в модели бинарного выбора
y i = G( e xxn +--- + epxip) + s i =G{ x] e ) + Ei, i = l ,...,n,
предельный эффект непрерывной переменной xik определяется как произ-
дР{ у, =\ \ х, } d Gt f f f )
водная
8xik дх,к
Глоссарий 325
у* = ХТ
ивх + £ и, /=
Раздел 5
СГЛАЖИВАНИЕ И ПРОГНОЗИРОВАНИЕ
ВРЕМЕННЫХ РЯДОВ
Во второй части учебника уже говорилось о том, что под временным рядом
Оtime series) в экономике понимается ряд значений некоторой переменной,
измеренных в последовательные моменты времени. Для многих рядов изме
рения производятся через равные промежутки времени (годовые, кварталь
ные, недельные, дневные данные). Если принять длину такого промежутка
за единицу времени (год, квартал, неделя, день), то можно считать, что по
следовательные наблюдения х х, . . . , х тпеременной х произведены в моменты
t = 1, ..., Т. Для некоторых экономических и финансовых показателей произ
водить измерения через равные промежутки времени не удается. Например,
значения биржевых индексов на момент закрытия фиксируются только в те дни,
когда биржа работает. В последнем случае наблюдения х,, ..., х т соответст
вуют Т последовательным рабочим дням биржи.
В динамике уровней ряда могут наблюдаться «систематические эффекты»:
• некоторая основная тенденция (тренд — trend)',
• циклические колебания (cyclicity);
• сезонная изменчивость {seasonality).
После учета этих систематических эффектов остается некоторая флуктуа
ция, которая носит нерегулярный характер (irregularity). В связи с этим уро
вень рядах, часто представляется в виде:
• суммы тренда, циклической, сезонной и нерегулярной компонент (адди
тивная модель):
xt Tt + Ct + St + 11\
—
Скользящие средние
xi - m + xi - m+i + - - - + xi+m
smat = -
К
Разумеется, значения smat определяются только для i = т + 1, Т - т.
В частном случае К = 3 имеем:
+ X t + X i +l
smat = -------------------, i = 2, . ..,Т -1;
если К = 5, то
*i-2 + Xi-\ + X i + Xi +\ +Xi +2
smQj --------------------------------------,
. , rr
i = 3,...,T-2.
л
ПРИМЕР 5.1.1
Рассмотрим динамику значений индекса ММВБ (М осковской межбанков
ской валютной биржи) на периоде с 18 сентября 2007 г. по 14 февраля 2008 г.
(ряд IND — рис. 5.1).
Сгладим этот ряд, используя трехпериодное скользящее среднее. Резуль
тат сглаживания приведен на рис. 5.2. Для наглядности на рис. 5.3 приведены
графики исходного (IND) и сглаженного (SMA_3) рядов.
На рис. 5.4 приведен график разности DELTA_3 = IND - SMA_3, динамика
этой разности не имеет систематического тренда.
Раздел 5. Сглаживание и прогнозирование временных рядов 329
Рис. 5.1
Рис. 5.2
Рис. 5.3
330 Часть 4. Временные ряды... Модель стохастической границы
DELTAJS
Рис. 5.4
SMA 5
Рис. 5.5
DELTA_5
Рис. 5.6
Раздел 5. Сглаживание и прогнозирование временных рядов 331
* S m ai - 0 .5 + Sm ai + 0 .5
sm at =
2
которую называют центрированным скользящим средним (<centered moving
average). Заметим, что при этом
ПРИМ ЕР 5.1.2
Рассмотрим временной ряд AGRO, представляющий квартальные данные об
индексе реального объема сельскохозяйственного производства (1993:01 = 100)
за 12-летний период — с I квартала 1994 г. по IV квартал 2005 г. Динамика
этого ряда имеет ярко выраженный сезонный характер (рис. 5.7).
Сгладим этот ряд, используя центрированное среднее с периодом 4. Полу
чим сглаженный ряд SMA_4_CENTERED (рис. 5.8), не определенный для пер
вых двух и для последних двух наблюдений исходного ряда.
На графике разности DELTA = AGRO - SMA_4_CENTERED (рис. 5.9) видно,
что динамика этой разности не имеет систематического тренда, который взял
на себя сглаженный ряд.И
332
рис. 5.9
Раздел 5. Сглаживание и прогнозирование временных рядов 333
ПРИМ ЕР 5.1.3
------- IMP
Рис. 5.10
РИС. 5.11
334 Часть 4. Временные ряды... Модель стохастической границы
-------- DELTA
Рис. 5.12
ПРИМЕР 5.1.4
т- см СМ СМ см см см
AGRO -------- SMA_4_CENTERED
Рис. 5.13
ПРИМ ЕР 5.1.5
Применяя фильтр Ходрика — Прескотта с Л = 1600 к ряду IMP, выделяем
из этого ряда «долговременный тренд» HPTREND. Графики рядов IMP
и HPTREND представлены на рис. 5.14.И
Рис. 5.14
ПРИМ ЕР 5.1.6
Применим фильтр Ходрика — Прескотта к ряду IND. Здесь данные дневные,
с пропусками на выходные дни. Попробуем использовать различные значе
ния параметра сглаживания: 100 (как для годовых данных), 1600 (как для
квартальных данных), 14 400 (как для месячных данных) и 100 000. Получим
результаты, отраженные на графиках, приведенных на рис. 5.15 (я, б, в, г ) Л
336 Часть 4. Временные ряды... Модель стохастической границы
Рис. 5.15
Сглаживание ряда
и прогнозирование будущих значений ряда
£ - X i - K +1 + X i - K +2 ~| Xi
к
(т.е. среднее арифметическое К последних значений ряда).
Раздел 5. Сглаживание и прогнозирование временных рядов 337
_ т _ Х Т -К + \ + Х Т -К + 2 *" Х Т
Х Т+И - - £
ПРИМ ЕР 5.1.7
В табл. 5.1:
• Sum o f Squared Residuals — сумма квадратов расхождений между зна
чениями исходного и сглаженного рядов:
RMSE = ^ £ ( x , - s, )2 ;
IND
INDSM01
Рис. 5.16
IN D (- 1)
INDSMOI
Рис. 5.17
IN D {- 1)
INDSM02
Рис. 5.18
Раздел 5. Сглаживание и прогнозирование временных рядов 341
Таблица 5.2
Простое сглаживание ряда с некритическим выбором значения а
Sample: 1 100; Included observations: 100;
Method: Single Exponential; Original Series: IND\ Forecast Series: INDSM02
ПРИМ ЕР 5.1.8
На периоде с I квартала 1994 г. по IV квартал 1997 г. количество безработных
в Российской Федерации (в млн. человек) (ряд UNEMP) изменялось следую
щим образом (рис. 5.19).
Ряд имеет выраженный линейный тренд. Применим двойное экспоненци
альное сглаживание для получения прогнозных значений этого ряда на 1997 г.
по наблюдениям этого ряда за 1994— 1996 гг. Сначала положим а = 0.2.
Результаты отражены на рис. 5.20 и в табл. 5.3.
342 Часть 4. Временные ряды... Модель стохастической границы
------- UNEMP
Рис. 5.19
Рис. 5.20
Таблица 5.3
Двойное экспоненциальное сглаживание ряда
Sample: 1994:1 1996:4; Included observations: 12;
Method: Double Exponential; Original Series: UN E M P ; Forecast Series: UNEM P_DESM _02
РИС. 5.21
Таблица 5.4
Двойное сглаживание ряда с подбором оптимального значения а
Sample: 1994:1 1996:4; Included observations: 12;
Method: Double Exponential; Original Series: UNEMP ; Forecast Sehes: UNEMP_DESM_EST
Как видно на рис. 5.23, здесь прогнозы на один шаг вперед практически
совпадают с текущими значениями ряда; прогнозы на несколько шагов впе
ред не отличаются от прогнозов на один шаг вперед. ■
344 Часть 4. Временные ряды... Модель стохастической границы
Рис. 5.22
4,5 -| | | | | | | | | | | | | | | I ►
1994:1 1994:3 1995:1 1995:3 1996:1 1996:3 1997:1 1997:3 Год
Рис. 5.23
Иначе говоря:
• «текущий уровень» для периода i есть взвешенное среднее значения
ряда xt в этом периоде и (Lt_x + Tt_x) — прогноза этого значения по ло
кальному тренду, оцененному по предыдущим наблюдениям;
• «текущий угловой коэффициент» для периода i есть взвешенное сред
нее приращения «текущего уровня» (X, - Li_l) и значения «текущего
углового коэффициента» для периода (/ - 1).
*/+* = A + T,h-
ПРИМ ЕР 5.1.9
Применим метод Хольта к ряду данных о безработице в России, предоставив
компьютеру возможность выбора оптимальных значений параметров а и /?
(название сглаженного ряда UNEMP_HW_EST9 предпрогнозный период
1994:1 — 1996:4). Результаты приведены в табл. 5.6. На рис. 5.24 изображены
график ряда UNEMP в интервале 1994:1 — 1997:4, а также график сглажен
ного ряда UNEMP_HW_EST на предпрогнозном периоде и сделанные по нему
прогнозы на 4 квартала 1997 г.
Таблица 5.6
Метод Хольта с выбором оптимальных значений сг и р
Sample: 1994:1 1996:4; Included observations: 12;
Method: Holt-Winters No Seasonal; Original Series: UNEMP ;
Forecast Series: UNEMP_HW_EST
Рис. 5.24
Таблица 5.7
Прогноз, полученный с помощью метода Брауна
Таблица 5.8
Прогноз, полученный с помощью метода Брауна
Рис. 5.25
Раздел 5. Сглаживание и прогнозирование временных рядов 347
S,.=r(x;.-L;.)+(l-r)S,._s, 0<r<U
где s = 4 для квартальных данных и s = 12 для месячных данных.
o<r <i .
*/+ * = ( 4 + T i h ) S i+ h - s W 1» /г = 1 , 2 , . . . , 5 ,
ПРИМ ЕР 5.1.10
Вернемся к ряду AGRO, имеющему ярко выраженный сезонный характер
(рис. 5.26). Применим к нему алгоритм Хольта — Винтерса с оцениваемыми
параметрами. Оценивание проведем по данным до IV квартала 2003 г. вклю
чительно, а прогнозные значения вычислим на период с I квартала 2004 г.
по IV квартал 2005 г. В табл. 5.9 приведены результаты применения алгоритма
с аддитивной сезонностью, а в табл. 5.10 — результаты применения алгоритма
с мультипликативной сезонностью.
ч - т - ч - С Ч С М С Ч С М С М С М
Рис. 5.26
Таблица 5.9
Применение метода Хольта — Винтерса с аддитивной сезонностью
Sample: 1994:1 2003:4; Included observations: 40;
Method: Holt-Winters Additive Seasonal; Original Series: AGRO ;
Forecast Series: AGRO_HW_AD
Таблица 5.10
Применение метода Хольта — Винтерса с мультипликативной сезонностью
Sample: 1994:1 2003:4; Included observations: 40;
Method: Holt-Winters Multiplicative Seasonal; Original Series: AGRO:
Forecast Series: AGRO_HW_MU
240-•
I i i I I i i I
2004:1 2004:2 2004:3 2004:4 2005:1 2005:2 2005:3 2005:4 Год
Рис. 5.27
ПРИМЕР 5.1.11
Ряд UNEMP — ряд данных о безработице в Российской Федерации на периоде
с I квартала 1994 г. по IV квартал 1997 г. (квартальные данные) имеет выра
женный линейный тренд (рис. 5.28).
Рис. 5.28
Таблица 5.11
Наблюдаемые и прогнозные значения ряда на 1997 г.
8,2-- I UNEMP
UNEMPF
8 ,0 -
7,8
7,6
7,4 щ
1997:1 1997:2 1997:3 1997:4 Год
Рис. 5.29
Таблица 5.12
Характеристики качества прогноза на 1997 г.
Forecast: UNEMPF; Actual: UNEMP',
Forecast sample: 1997Q1 1997Q4; Included observations. A
В этой таблице:
• Root Mean Squared Error (RMSE) корень из среднего квадрата ошибки
прогноза ряда у t на прогнозном периоде:
352 Часть 4. Временные ряды... Модель стохастической границы
МАЕ = - £ | У ,- У ,
h t=r+\
• Mean Absolute Percent Error (МАРЕ) — средняя абсолютная процентная
ошибка прогноза ряда^ на прогнозном периоде:
1 T+h у _ у
МАРЕ = — У —— — -100%;
yt
• Theil Inequality Coefficient (TIC) — нормированный коэффициент Тейла:
| T+h
~ У ^ 2 = ( У - У ) 2 + ( sy - s y ) 2 + 2 ( l - r ) S } S y ,
ПРИМЕР 5.1.12
Рассмотрим статистические данные о размерах совокупной прибыли нефи
нансовых корпораций США (до уплаты налогов, в млрд долл., квартальные
данные) за период с I квартала 1985 г. по I квартал 1989 г. — ряд PROFITS.
График этого ряда изображен на рис. 5.30.
------- PROFITS
Рис. 5.30
Таблица 5.13
Оценивание модели квадратичного тренда
Dependent Variable: PROFITS; Method: Least Squares; Sample: 1985:1 1988:1;
Included observations: 13
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Рис. 5.31
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
С 181.9888 13.33670 13.64572 0.0000
Т -12.20401 7.943962 -1.536263 0.1588
ТЛ2 2.285490 1.293811 1.766479 0.1111
Тлз -0.082925 0.060904 -1.361579 0.2064
Рис. 5.32
Рис. 5.33
ПРИМЕР 5.1.13
Применив фильтр Ходрика — Прескотта с Л = 1600 к ряду AGRO, получили
ряд HPTREND, интерпретируемый как «долговременный тренд» (рис. 5.34).
Рис. 5.34
356 Часть 4. Временные ряды... Модель стохастической границы
см см см см
Рис. 5.35
240 -■
200-
160 -
120 -
80-
40
2004:1 2004:2 2004:3 2004:4 2005:1 2005:2 2005:3 2005:4 Год
AGRO AGROF
Рис. 5.36
20-
RESID_EQ‘\ RESID_EQ2
Рис. 5.37
358 Часть 4. Временные ряды... Модель стохастической границы
Год Год
а б
Рис. 5.38
см см см см см см
Рис. 5.39
Раздел 5. Сглаживание и прогнозирование временных рядов 359
------- TREND_PLUS_CYCUC
------- SEASONAL_CENTERED
......... RESID_0 1_IRREG ULA R
Рис. 5.40
КОНТРОЛЬНЫЕ ВОПРОСЫ
a(L )xt = s t.
Если нас интересует прогноз значения ряда на момент (Т + И), h = 1,2, ...,
то оптимальный прогноз имеет вид:
то тогда
E(xT+h |Q r ) = E ( f ( T + h) + e T+h \ Q T) = f ( T + h),
(l + a x+ a x + ... + a f l ) a 0 — ^
— = //,
l-^i
По той же причине
е Т, 1 = Х Т +1 ~ fr, 1 = £ Т +1•
X T+h = а 0 + a \ X T + h -\ + • • • + a p X T + h - p + S T + h »
е т, 1 = Х Т+ 1 ~ / г , 1 = £ Т + 1 •
тогда при том же выборе £0 = е_х = ... = s x_q - 0 получаем естественное на
чальное значение / 0х - /и. В этом случае прогноз на большее, чем q , количе
ство шагов вперед равен ju, т.е. математическому ожиданию процесса хг
0'=А J i=h
О
)
II
D (eT, 1) = Ое •
Если инновации s t имеют нормальные распределения, то
А-1 Л
2
j
7=0 у
так что
frj.
M o, 1),
41 с,2
368 Часть 4. Временные ряды... Модель стохастической границы
м '— К)
2 > ,! ’ fl+h ^ or
W=° j
О
II
/
D(eT,h+\) - D ( eT,h\
так что точность прогноза убывает с удалением в будущее.
3. Если устремить h —> оо, то получим:
lim D (eTh) = a ; Y ^ c 2
h-*° М>
В то же время если использовать М А (оо) представление для хп то из него
следует:
D(xt ) = Е
J=о
Раздел 5. Сглаживание и прогнозирование временных рядов 369
fr,h = 0 - ^ ) /г ,А ’
где оператор L действует на индекс /*, так что, например, при d = 1 имеем:
fr,h “ 0 ” £ ) /г ,А ~ / г ,Л “ /г ,Л -1 »
/r % = /r V i+ /^ -
Таким образом, прогнозирование может осуществляться в два этапа: на
первом — производится прогноз для стационарного ряда а на втором —
находится прогноз для нестационарного ряда хг
Впрочем, можно обойтись и без двухшаговой процедуры. Пусть рассмат
риваемый процесс удовлетворяет соотношению
a { L ) ( \ - L ) dxt = b (L )sn
где a(L) и b(L) — многочлены степеней р и q соответственно.
xt - Z a j xt - j = Y . bj et-j » v =1>
7=1 7=0
так что
p q
xt = Z Ai xt - j +X bj £t - j . = 1.
y=l 7=0
и можно производить прогнозирование, используя эту модель непосредст
венно, как и в стационарном случае.
Дисперсия прогноза на h шагов вперед на этот раз равна:
П РИМ ЕР 5.2.1
Рис. 5.41
П РИМ ЕР 5.2.2
Рассмотрим квартальные данные об объеме валового национального продук
та СШ А за период с I квартала 1947 г. по IV квартал 1960 г. (рис. 5.42). Ряд
имеет выраженный тренд, так что для идентификации модели порождения
ряда его надо остационарить, рассматривая его как TS- или DS-ряд.
Рис. 5.42
Таблица 5.15
Оценивание ряда в уровнях
Dependent Variable: GNP; Convergence achieved after 3 iterations
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Рис. 5.43
-------GNP_DIF
Рис. 5.44
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
С 4.999118 1.367270 3.656278 0.0006
AR(1) 0.502369 0.121622 4.130578 0.0001
ПРИМ ЕР 5.2.3
------- TKANI
Рис. 5.45
Таблица 5.17
Оценка редуцированной модели
Dependent Variable: X; Convergence achieved after 6 iterations
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
------- X .......... XF
Рис. 5.46
ПРИМ ЕР 5.2.4
Уровни безработицы в США в период 1987— 1990 гг. (месячные данные) об
разуют ряд USAUNEMP, график которого показан на рис. 5.47. Обозначив для
краткости X = USAUNEMP и очистив этот ряд от сезонности (с помощью дам-
ми-переменных), получим ряд X DES, для которого производим проверку
гипотезы единичного корня. Гипотеза единичного корня не отвергается.
Поэтому следует подбирать модель не к самому ряду X, а к ряду его разно
стей D(X). На коррелограмме этого ряда имеется значимая автокорреляция
на лаге 5, поэтому в качестве первоначального варианта подбираем модель
AR(5). Диагностика оцененной модели не выявляет нарушений стандартных
предположений. Поэтому можно перейти к редукции оцениваемой модели,
в ходе которой из ее правой части исключаются константа и составляю
щая AR(2). На результатах диагностики это не отражается, но в редуцирован
ной модели все оцененные коэффициенты статистически значимы. Следова
тельно, можно использовать последнюю модель для прогнозирования. Построим
прогноз уровней безработицы на первые 10 месяцев 1991 г. Совместный гра
фик наблюдаемых и прогнозных значений приведен на рис. 5.48. Здесь зна
чение Covariance Proportion достаточно велико (0.582832), но велико и зна
чение Bias Proportion (0.404464).
------- USAUNEMP
Рис. 5.47
------- X .......... XF
Рис. 5.48
Рис. 5.49
ПРИМ ЕР 5.2.5
При рассмотрении примера 5.1.7 (в рамках темы 5.1) применяли процедуру
простого экспоненциального сглаживания к ряду xt = Indn не задавая заранее
значение параметра а , а предоставляя программе самой выбрать оптимальное
значение этого параметра. Это привело к значению а = 0.914. Там же мы обра
тили внимание на то, что прогнозные значения x t+l на один шаг вперед ока-
378 Часть 4. Временные ряды... Модель стохастической границы
Стандартная
Переменная Коэффициент f-статистика Р-значение
ошибка
Д - 1) 0.999930 0.001852 540.0148 0.0000
Изменение DGP в направлении «другой» модели (DS или TS) может при
водить при небольших значениях Т к тому, что прогнозы по статистической
модели, соответствующей DGP (т.е. по «своей» модели), оказываются менее
точными. Это особенно важно для практических ситуаций, в которых разли
чение между TS- и ^-моделью бывает довольно затруднительным.
В работе (Diebold, Kilian , 2000) проводится систематическое исследование
того, до какой степени предварительное тестирование на наличие единичного
корня влияет на качество прогноза при различных степенях инерционности
процесса, различных горизонтах прогнозирования и различных объемах выбо
рок. Внимание концентрируется на случае одномерного процесса авторегрес
сии с трендом и высокой инерционностью, особенно интересном для эконо
мики и финансов. Под инерционностью {persistence) процесса понимается
сохранение влияния реализованного значения инновации в момент t на после
дующие значения ряда. Для невзрывного AR(1) процесса
xt = p x t_i + £„ 0 < р < \ ,
степень инерционности возрастает при увеличении значения р от 0 до 1. При
р - 0 инерционность отсутствует вовсе. При 0 < р < 1 влияние реализован
ного значения инновации в момент t на последующие значения ряда убывает
с продвижением в будущее. При р - 1 (случайное блуждание) влияние реали
зованного значения инновации в момент t на последующие значения ряда
сохраняется неизменным.
В работе исследуется AR(1) процесс с трендом, представляемый в компо
нентной форме как сумма линейного тренда Г, и процесса AR(1):
y , = Tt + x, ’
где Tt = а +bt , xt = p x t_x +s t.
g ( x „ x i,) ^ g ( e it),
где eit — ошибка прогноза, eit = x t - x i n i = 1,2.
o,i),
xt = jcf +Cr
DT ST
Рис. 5.50
A(L)Zt = B (L )s „ t = 1,2,...,
где A(L ) и B(L) — полиномы порядков р и q соответственно, причем полином
A(L) имеет единичный корень, так что A(L) = (1 - L)A'(L),
и все корни полинома A*(L) лежат за пределами единичного
круга на комплексной плоскости.
Тогда
( \- L ) A ' ( L ) Z , = A \ L ) ( \ - L ) Z t = A \ L ) A Z „
= ^ (1)Х л = STt + с г
386 Часть 4. Временные ряды... Модель стохастической границы
Передифференцированные одномерные
временные ряды
где <°°-
y=i
Если с ростом j коэффициенты bj достаточно быстро убывают по абсо
лютной величине, то процесс xt можно аппроксимировать процессом сколь
зящего среднего конечного (хотя, может, и достаточно большого) порядка q :
При этом если все q корней уравнения b(z) - 0 лежат вне единичного круга
И < 1 (условие обратимости), то существует эквивалентное представление
МА(д) процесса xt в виде процесса авторегрессии бесконечного порядка AR(oo):
00
=Х dj x, - j + e „
7=1
ИЛИ
d{L)x, = €,,
Раздел 5. Сглаживание и прогнозирование временных рядов 387
где
(быть может, достаточно высокого порядка р). Прогноз значения хт+1 по на
блюдениям х 19х29 . . хтопределяется в таком случае как условное ожидаемое
значение хт+{ для аппроксимирующей модели AR(7):
т
Е (.xT+l |хг , xr_, , . . . , x x) = Y 4dj xT+x_j
j =i
и является линейной проекцией случайной величины хт+1 на линейное под
пространство случайных величин, порожденное случайными величинами
X j , Х>2 j •••j X ^ >
В качестве примера рассмотрим процесс МА(1)
X, = £, + = (1 +bxL)et , (5.1)
(1 4-b xL)~Xxt = £n
так что
( l - b xL + bxt f -- )xt = £ n
откуда
Xf = 14- Ь \ X f _ x —bxX t_2 +***+ £ t .
(заметим, что правая часть равна s 0 - s T), то такой прогноз не будет опти
мальным. Ошибка этого прогноза равна:
Х Т+ 1 “ К- ( * 1 + Х 2 “* Х Т ) ] = (&Т+1 ~ £т)~ (^ 0 S T ) = £ Т+ 1 ~ ^ 0 9
D ( £ T+\ - £ 0 ) = 2 f T 2 >
(Т -l Т -2 Т -3 1 ^
1 -h Jl
rjП Xj1 1 1
X*r 1 “Ь fj"! Х'г
1 Xл“Ь *** “Ь Jl Хл1 .
Т +2
Дисперсия ошибки оптимального прогноза равна сг2—— - и стремится к
Стандартная
Переменная Коэффициент ^-статистика Р-значение
ошибка
МА(1) -0.844299 0.078206 -10.79589 0.0000
Таблица 5.20
Оценка модели при г, = О
Dependent Variable: ХО; Sample (adjusted): 2 50; Included observations: 49 after adjusting
endpoints; Convergence achieved after 9 iterations; Backcast: OFF
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Таблица 5.21
Оценка модели при = 1.540
Dependent Variable: Х\ Sample (adjusted): 2 50; Included observations: 49 after adjusting
endpoints; Convergence achieved after 7 iterations; Backcast: 1
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
КОНТРОЛЬНЫЕ ВОПРОСЫ
МЕТОДОЛОГИЯ
ВЕКТОРНЫХ АВТОРЕГРЕССИЙ
так что дополнительная информация о значениях хг, хт_Х9 ... не улучшает оп
тимальный прогноз для y T+h — для его построения достаточно использовать
только значенияу т, у т_l9 ... . Если же такая информация улучшает оптималь
ный прогноз, то переменная х является причиной по Грейнджеру для
переменной у (х Granger-causes у).
Раздел 6. Методология векторных авторегрессий 393
Г гЛ t-p л fe л
+п, +---+П ,
Vс~2
>у Л -J уУ'- p j v^2f у
ViP'-'=с, +»(]’*,
-(l1— +*цу, +-+x;zy,-p>
— <rt-
Ар>i
Л+2 | У ~ С2 + ^2 1 ^ + 1 + + ^А2 р\ >Xt-p+2
)л + ^22 У t+l + ^ 2 2 }У t-p+2
если h > p . Если h < р , то вместо x t+h_p n y t+h_p следует использовать действи
тельные значения xt+h_p n y t+h_p.
При этом:
0 1 Лt~ p +
V V X } (г Л
— 4- 01V." (я {р)
11
У г\ 4 ’; J t - u V
7Г{Р)
21 *22 \У ‘~р ; KS 2 t ;
Я 0: Д = ... = 4,=0 .
[V
("1Г1(1)
1
_( 1>
" 12 л-(1Л
"13 ' Уг - \ ( тт
" 1{р)
1 7Г{Р)
12 "13
/
yt-p
Л
(£ь и }
м = + жт п 22
т я-(1) 7Г{Р) п 22
{р) Л-(р) +
С2 21 23 Zt - 1 21 23 z <-p S 21
_а> ж(Х 7Г{Х) ) п {р) ж{р) /г(р)
, сз, 1^"31 32) "33 ^"31 32 "33 УW p ) K£ 31;
= с 2 4- *<i>Z к
*33^,
T t^ lf n {$ L p
К z* 4- г 2(
<£ 3f ,
или
/ \
(У ,л Cl 4 w Л 12 ( E ) rv
Z, = c 2 + * 2 ,( 1 ) ^22 Ш л"2з (Z,) + £ Zt
в случае 4:
Я \\Щ 7Г12( Ь ) щ 3(Ь)]
П(1) = О Л22С^) О
7Г31( Ь ) П 32 ( L ) л 33( Ь )
О О n 33(L)
В подобных случаях говорят о блочной экзогенности (block exogeneity)
одной группы переменных (или некоторой переменной) в отношении
другой группы переменных (или другой переменной). Блочная экзоген
ность означает, что запаздывающие значения второй группы переменных не
входят в уравнения для переменных первой группы.
В рассмотренных выше четырех ситуациях (при выполнении соответст
вующих четырех пар условий) получаем:
• в с л у ч а е 1: переменная у блочно экзогенна в отношении переменных
z и х (переменные z и х не участвуют в ее формировании);
• в с л у ч а е 2: пара (у , z) блочно экзогенна в отношении переменной х
(переменная х не участвует в формировании;; и z);
• в с л у ч а е 3: пара (z, х) блочно экзогенна в отношении переменной^
(переменная у не участвует в формировании х и z);
• в с л у ч а е 4: переменнаяz блочно экзогенна в отношении переменных
у и х (переменныеу и х не участвуют в ее формировании).
Пусть теперь имеется N переменных (N временных рядов) у 1п у ь , ..., y Nt,
составляющих векторный ряд^,^ = (уи, ^ ^ y Nj)T (верхний индекс Т означает
транспонирование вектора). Рассмотрим разбиение вектора^, на две части:
yt = ( 2)
Xt
где y}l) = (yu, ...,ylfl,t)T, y f l>= (ylfl+l,l, - ,У ы ,,) Т, 1 < N X<N.
Пусть:
(1) — информационное множество, содержащее значения y iT, >’,■т_ ,, ...
1
= det или = det
* t Т-Р,
Статистика LR имеет асимптотическое распределение хи-квадрат с числом
степеней свободы, равным количеству зануляемых коэффициентов.
Нестационарные VAR
y t ~ n \y t- 1 -■■■~ПрУ1-р = а + е„
или
П { L ) y , = a + s t,
где
U(L) = I N - U lL - . . . - n pLp.
Во второй части учебника (разд. 8, тема 8.2) уже говорилось о том, что усло
вие стабильности такой VAR состоит в следующем:
V Замечание 6.1.2
• Если VAR рассматривается на всей оси времени, то из стабиль
ности VAR вытекает ее стационарность как векторного процесса
(стационарность в широком смысле).
• Если VAR рассматривается только с некоторого момента времени
при заданных начальных условиях, то из стабильности V AR вы
текает ее асимптотическая стационарность.
• Существуют (не рассматриваемые обычно) стационарные модели
VAR, для которых условие стабильности не выполнено.
• Если VAR, рассматриваемая на всей оси времени, нестационарна,
то она нестабильна.
Некоинтегрированная VAR
и проверяли гипотезу
Н 0: Ali = Л2/ = ... = Api = 0.
н 'о: Г и = Г 2 1 = — = Г р - 1, 1 = Ъ = 0 >
Коинтегрированная VAR
+ (£ \\ ) A V i , t - p + 1 + • • • + C \ PN )А У л ;t - p + 1 ) +
2и = У и - И - У 2Уь-ГъУъ1 - — -ГмУкп
имеющей нулевое среднее.
Так построенную переменную z u подставляют вместо z u в правую часть
уравнений системы в форме модели коррекции ошибок и производят OLS-
оценивание коэффициентов последней. К оценкам всех коэффициентов этой
системы, кроме коэффициента прn z Xt_l9 применимы стандартные асимптоти
ческие выводы, поскольку это коэффициенты при стационарных переменных.
Вследствие наличия коинтеграции оценки а, у 2, Яз> •••> Yn суперсостоятель-
ны, и это приводит к тому, что получаемая в итоге оценка для коэффициента
при z xt_x имеет ту же асимптотику, что и оценка коэффициента при стацио
нарной переменной z x t_x в уравнении ЕСМ с известной zlr Таким образом,
при наличии единственной (с точностью до нормировки) коинтегрирую-
щей линейной комбинации компонент вектора y t стандартные асимптотиче
ские результаты остаются в силе для всех коэффициентов ЕСМ, оцениваемой
на втором шаге процедуры.
+ (£п Р *А У 1 , г - р + 1 + )А ^ 2 , t - p + 1 ) +
АУ2г = ^2 ^21Zl,r-l +
+ £ 2.2 ^ 2, t - 1 + ^ 2 2 ^А У 2 , t - 2 + • • • + <^22 ^А У 2 , f - / ? + l + S 2t 9
где
ZU-1 = Д н ~ №~У2У2,1-\9 У2
Поскольку хотя бы один из коэффициентов 5 П или 5 21 должен быть отли
чен от нуля (иначе не было бы коинтеграции), это означает, что в правую
часть хотя бы одного из двух уравнений ЕСМ входит в качестве объясняю
щей переменная z xt_x = y Xj- X- j u - y2y 2bt_ 1. И, следовательно, в таком уравне
нии имеет место причинность по Грейнджеру. Например, если в уравнении
для AyXt отличен от нуля коэффициент В и , то значение^ , t- 1 помогает в про
гнозировании значения y Xt наряду со значением y Xt _ j и запаздывающими раз
ностями Aylf,_j, АУи-2>•••> АУи-p+i-
Поскольку причинность по Грейнджеру в коинтегрированной двумерной
VAR существует по крайней мере в одном направлении, фактически вопрос
может стоять только о том, существует ли G-причинность в выбранном
направлении — например, в направлении от ряда^2, к ряду у Хг В последнем
случае гипотеза об отсутствии такой причинности сводится к гипотезе:
Н В -О Л(1) _ / ' ( 2 ) _ _/'(/>-1)_л
0* 11 ’ ь\2 ~ь\2 “ •••” Ь12 -и’
которую можно проверить стандартными методами, даже если использовать
вместо значений z x t_x значения z x t_x = y ^ t_x - /и - y 2y 2j- Xс /2, у 2, получен
ными на первом шаге процедуры Энгла — Грейнджера.
Раздел 6. Методология векторных авторегрессий 405
т.е. гипотезу о невхождении в DGP лагов более высокого порядка, чем /. Если
эта гипотеза верна, то статистика Вальда для проверки этой гипотезы имеет
асимптотическое распределение х \ п2(Р ™0)? если I'Z-d.
Заметим, что если k > d, то / > к > d. Следовательно, если порядки ин
тегрированности рядов не превышают истинного количества запаздыва
ний в D G P , то применима обычная процедура выбора количества лагов
в VAR.
В частности, если d - 1, то процедура выбора порядка модели всегда
асимптотически обоснованна. Если же d = 2, то она асимптотически обосно
ванна только при к > 1.
При выборе порядка модели можно использовать также информационные
критерии.
Резюмируем сказанное: при подозрениях на возможную интегрирован
ность или коинтегрированность рядов в составе y t гипотезу # 0 можно прове
рять, не производя собственно проверки рядов на интегрированность и коин
тегрированность, а лишь позаботившись о том, чтобы SM в виде V AR имела
порядок (к + flfmax).
Используя стандартную асимптотическую теорию, можно проверять
и другие линейные (и многие нелинейные) ограничения на первые к матриц
коэффициентов.
J Замечание 6.1.4
• Добавление лишних лагов может значительно понизить мощ
ность критериев, если количество рядов N велико.
• В модель можно также включать сезонные дамми-переменные.
АУи - а \+ <
Гп)АУ1,г-1 +С\\ ^АУи-2 + в*-'+‘ ^пР *АУ1,г-р+1 +
А У 2г = а 2 + ^ 2 1 )Д Д / - 1 + ^ 2 1 )А У и - 2 + - - ' + £ l\ ^ А У 1, / —/? + 1 +
+ 4 и ) д Л г - 1 + £ п ) д - У и - 2 + --- + С п ^Д г-р +1 +
+ С \ 2 ^ У 2 , Г -1 ■*" ^ 1 2 ^ А У 2 , г - 2 + * * * + С\2 )А У 2, t - p + 1 + ^ lr ’
АУ2 г = а 2 + ^ 2 1 Z l , r - l +
Н 0:В п = 0, ^1(21)=^12) = ” - = ^ (Г 1 )= 0-
Именно в таком виде гипотеза об отсутствии G-причинности
в направлении от у2 к у х рассматривалась ранее, при обсуждении
коинтегрированных VAR.
408 Часть 4. Временные ряды... Модель стохастической границы
П РИ М ЕР 6.1.1
Рис. 6.1
Таблица 6.1
Наличие причинности по Грейнджеру в краткосрочном плане
VAR Granger Causality/Block Exogeneity Wald Tests;
Sample: 1974M01 1980M03; Included observations: 73
L M 1 D IF 2.577506 2 0.2756
Dependent variable: LY D IF
L P D IF 1.196085 2 0.5499
L M 1 D IF 4.693268 2 0.0957
Dependent variable: L M 1 D IF
L P D IF 4.931841 2 0.0849
L Y D IF 16.29977 2 0.0003
Таблица 6.2
Сравнение критериев выбора порядка модели
VAR Lag Order Selection Criteria; Endogenous variables: LP LY LM2\
Exogenous variables: C; Sample: 1974M01 1980M03; Included observations: 67
Таблица 6.3
Результаты оценивания VAR
Vector Autoregression Estimates; Sample (adjusted): 1974M04 1980M03;
Included observations: 72 after adjustments; Standard errors //?()& t-statistics in [ ]
Переменная LP LY LM2
L P (- 1) 1.349954 0.297779 -0 .2 1 4 9 7 6
(0.12593) (0.26738) (0.11509)
[10.7201] [1.11369] [-1 .8 6 7 9 1 ]
L P (- 2) -0 .2 5 6 4 9 5 -0 .3 7 1 9 5 0 0.198518
(0.21100) (0.44800) (0.19284)
[-1 .2 1 5 6 3 ] [-0 .8 3 0 2 4 ] [1.02947]
Переменная LP LY LM2
L Y(- 2) 0.012690 -0 .3 3 1 2 8 9 -0 .3 1 2 6 3 3
(0.09186) (0.19504) (0.08395)
[0.13815] [-1 .6 9 8 6 0 ] [-3 .7 2 4 0 3 ]
L Y (- 3) 0.012322 -0 .0 1 4 6 9 8 0.117330
(0.06004) (0.12747) (0.05487)
[0.20524] [-0 .1 1 5 3 0 ] [2.13838]
LM l(-\) -0 .0 3 9 6 8 7 -0 .1 4 8 9 9 5 1.505572
(0.13372) (0.28393) (0.12221)
[-0 .2 9 6 7 8 ] [-0 .5 2 4 7 6 ] [12.3191]
L M l{-2) -0 .0 7 4 5 1 0 0.520952 -0 .5 8 0 9 5 0
(0.21708) (0.46092) (0.19840)
[-0 .3 4 3 2 3 ] [1.13024] [-2 .9 2 8 2 3 ]
С -2 0 .3 7 1 9 4 72.28857 25.01767
(14.1050) (29.9487) (12.8909)
[-1 .4 4 4 3 1 ] [2.41375] [1.94072]
П Р И М ЕР 6.1.2
Таблица 6.4
Оценка долгосрочного соотношения
SALES(- 1) 1.000000
ADVER{- 1) -0 .9 3 3 2 8 7
(0.11309)
[-8 .2 5 2 9 1 ]
С -1 .1 4 1 3 9 2
Таблица 6.5
Оценка модели коррекции ошибок
D(SALES(-2)) -0 .0 0 0 2 6 3 -0 .4 8 1 9 8 2
(0.19063) (0.32131)
[-0 .0 0 1 3 8 ] [-1 .5 0 0 0 6 ]
D(ADVER(- 1)) 0.054991 0.107971
(0.11379) (0.19179)
[0.48327] [0.56296]
D(ADVER(- 2)) -0 .1 2 9 4 4 5 -0 .1 2 3 0 7 7
(0.10104) (0.17031)
[-1 .2 8 1 0 8 ] [-0 .7 2 2 6 8 ]
С 0.003458 0.001031
(0.01633) (0.02752)
[0.21180] [0.03746]
Таблица 6.6
Наличие G-причинности в краткосрочном плане
VEC Granger Causality/Block Exogeneity Wald Tests; Sample: 1907 1960;
Included observations: 51
шений Adver -> Sales, Sales -> Adver (в смысле причинности по Грейнджеру)
с дополнительным включением в тестовые уравнения совокупного распола
гаемого личного дохода Income.
Применим к этой тройке рядов подход Тода — Ямамото. Порядок VAR
для этих рядов определяется как р - 2, так что проверку соответствующих
гипотез производим в рамках расширенной VAR(3). Гипотеза об одновре
менном равенстве нулю коэффициентов при запаздывающих на 1 и 2 шага
значениях переменной Adver в уравнении для Sales отвергается (Р-значение
F -статистики равно 0.014, асимптотическое P -значение статистики Вальда
равно 0.007). Тем самым делается вывод о наличии связи Adver —> Sales, под
тверждающий вывод, сделанный в (Lee, Shin, Chang, 1996).И
КОНТРОЛЬНЫЕ ВОПРОСЫ
В 1932 г. Альфред Коулс (Alfred Cowles), президент фирмы Cowles and Com
pany, занимавшейся консультациями в области инвестиций и заинтересован
ной в развитии фундаментальных исследований в экономике, учредил комис
сию Коулса ( The Cowles Commission for Research in Economics). Эта комиссия
состояла (и состоит) из экономистов, математиков и статистиков, деятель
ность которых связана с применением количественных методов в экономике
и смежных дисциплинах. В том же 1932 г. было принято решение об издании
журнала Econometrica (его первый номер вышел в январе 1933 г.), который
должен был следовать двум принципам: 1) экономика — это наука; 2) в этой
науке очень важен количественный аспект.
Значительный этап в деятельности комиссии начался в 1943 г. с приходом
к руководству Якоба Маршака (Jacob Marschak). Было отмечено, что методы
исследования должны быть обусловлены следующими характеристиками эко
номических данных и экономической теории:
1) теория есть система одновременных уравнений, а не отдельное урав
нение;
2) некоторые из этих уравнений включают «случайные» составляющие,
отражающие многочисленные неустойчивые причины, в дополнение
к нескольким «систематическим»;
3) многие данные представлены в виде временных рядов, причем после
дующие события зависят от предыдущих;
4) многие опубликованные данные относятся, скорее, к агрегатам, а не
к отдельным субъектам.
А у,=С (Ь )уы + г ;,= С ху,_х + ... + Сру,_р + £ ', у , =(,У х„...,У ь)Т,
Щ Ь )у ,= и „ U(L) = Ik - U lL - . . . - U pLp.
Л = П 1Л-1+^>
У и ~ п \\Уи-\ + п п У и - 1 + и \t>
(1--L) --L
8 2 'У и ' Ч '
II
корни уравнения:
1
1-’ , ----- z
8 у 2
det = 0
1
----- z 1- ’ .
4 8 J)
5 ^
1- - L -'L
'У у Л 8 J 2
кУ ъ; 1 ,
1 -h
л 5 л
1- - L '-L
8 2
л( IT) \ ( 5 ^ \UltJ
<N OO
Г 5 + 2л/2 Т 1 U 1- - L
1- 1- 1T
^1 4
ОО
к 8 j
J
\ f
5 + 2л/2 5 + 2 V2
1+ L+
/ V
r, 5 ^ 1
л2 л 1— L —L
1+
5-2V2V
I j “f"
(5 - 2-У2
L2 + ...
8 J 2
8 1 ( 5 \ U 2tJ
-L 1 ---- L
4 I 8 .
1 -1 . -U / \
2 и1
л 5 л
I l 1- - L
4 8
5 1
1+ - L + . / \
2 1 (Л 8 2 “ 1 ,М
+
О 1 1 5 Ч«2.М У
-L + . 1 + —L + .. \ U 2t J
8 4 8
ИЛИ
5 1
где = 8 2 и т.д.
1 5
4 8
У, = п Л -i +Ds„
УU= (ЯиУн-1 +Kl2y2,,-l) + (dU£b +d\2£2t)’
УIt = (Л2\Уи-\ + Я22У2,1-1) + (d2\SU+ d22S2,)■
Отсюда видно, что изменение ии на одно стандартное отклонение склады
вается из изменений е и и slt9 которые, в свою очередь, вызывают одновре
менное изменение и2г
С точки зрения экономической теории первоочередной интерес представ
ляют реакции значений yu+s, y2tt+s на единичные импульсные изменения
отдельных фундаментальных инноваций еш ..., skt при фиксированных значе
ниях всех остальных фундаментальных инноваций во все моменты времени.
Именно на построение таких функций импульсного отклика (impulse
response function — IRF) нацелены алгоритмы, реализуемые в пакетах стати
стических программ.
/ л
а хх а Х2
Если матрица I = Cov(ut) = известна, то как найти матрицу D1
V°21 a 2 2j
Заметим, что:
<j xx — D(uXt) — d xx + d X29 <т22 — D(u2t) — d 2X + d 22 ,
так что для нахождения четырех неизвестных d n , d xl9 d 2X9 d 22 имеется всего
три уравнения. Следовательно, матрицу D идентифицировать невозможно,
если не накладывать априорных ограничений на ее структуру.
Симс предложил упорядочивать инновации в системе. Поясним это на
примере двумерной V A R (l). Пусть в этой VA R фундаментальная инновация
s2t воздействует только над^* а фундаментальная инновация s Xt воздействует
и на y Xt9 и ш у 2г Тогда фундаментальная инновация s2t воздействует только
на и2п а фундаментальная инновация s Xt — и на uXt9 и на u2t (рис. 6.2).
420 Часть 4. Временные ряды... Модель стохастической границы
Рис. 6.2
При этом dX2 = 0, и есть три уравнения для нахождения dXX9dl b d21\
D = P В,
где
1 Ол
dn О
Р* = ^21 j В=
О d 22 /
V^II J
1 ол
( Р Т 1= ^21 j
dn
Ayt =C (L)yt_l + e „
в которой - Bst .
Раздел 6. Методология векторных авторегрессий 421
г\ О У уУи
.Л (\ 0W /Г,, ЯХ2 n Л
Уи- .
vl К ХУ2'У V*2i пгг) Уг,г-1 \ £ 2t J
\/ N / _ \
'1 0 Л Л» ^11 12 ^lf
+
1 1/ ^ 2 „ V*ll + ;г21 *12 +;Г22> ^2,/-l, ye 2tj
т.е.
Д “ ^ п Д м + я иУи-\ +
(6.5)
Д + Д = (*11 +*21)Д м + (*12 ^ 2 2 )Л ,М + *2Г
Изменим теперь упорядочение инноваций (рис. 6.3).
Рис. 6.3
При этом d2X- О,
| U\t = dn£lt Jtd n £ln
\U2t = d22£2t>
и есть три уравнения для нахождения d u, d l2, d22:
Г 1 2 ^
G\2 а 12
-^ 1
D= Г " 2 2
^
v 0 л/°"22 у 1 0 V^J
1 ( 1 ^ ( 1 }
y\t + r>y 2 t - + ~ п 2\ Уи-\+ п \2 + ~ п 22 У2,Г-1
(6 .6)
Уъ = П2\Уи-\ +*22 Уи-Л + ^ £Ъ-
В обоих случаях выбранная форма матрицы А приводит к рекурсивной
системе, так как при соответствующей нумерации переменных:
• в первое уравнение с текущим значением входит только одна перемен
ная у Хп т.е. у и объясняется только запаздывающими значениями пере
менных у u,y 2t;
• во второе уравнение с текущими значениями входят обе переменные
у и и y2t, так что>>2, объясняется с помощью у и n y t_u yt_29 ...
5 1
j£-1 ( + l ДЛЯ t = \,
£и =«
If. Д Л Я / > 1,
Уи=-^Ух,,-\+^У2,,-х+£\п
У п = £ х\’ Уп = £ п + 1 = Д +1»
~ 1~ 5~ ~ 3
Угг - 4 Д 1 + g - Д 1 + е 22 Е\2~У22 g-
Таблица 6.7
Отклик переменных на шок инновации (первое упорядочение)
t 1 2
Imp(yXt\eu ) 1 0.125
Imp(y2t\eu ) -1 -0 .3 7 5
5 1 л/2 л/2
Д = g Д м + j Д.м ~ ~ £lr
4 2 4 ________________ Часть 4. Временные ряды... Модель стохастической границы
При t - 1:
y2X= 4 l e 2X, y2l = 4 2 s 2X = y 2l,
л/2 л/2 л/2
Уи ~ 2 £и 2 Elx' ^п ~ .Уп"*" 2 '
При t - 2 :
~ 1 ~ 5~ пг л/2
У22 = + g >>2,1 + V 2 f 22 = ^ 2 2 + — ,
Таблица 6.8
Отклик переменных на шок инновации (второе упорядочение)
t 1 2
Imp(y2t\s n ) 0 0.17675
Рис. 6 .4
Раздел 6. Методология векторных авторегрессий 425
Рис. 6.5
Таблица 6.9
Оценки коэффициентов при первом упорядочении
Vector Autoregression Estimates; Первый вариант упорядочения Y1 -» Y2
Переменная Y1 Y2
щ - 1) 0.610340 0.206764
(0.04187) (0.06525)
[14.5766] [3.16883]
Щ - 1) 0.497220 0.664915
(0.04764) (0.07425)
[10.4360] [8.95554]
426 Часть 4. Временные ряды... Модель стохастической границы
Таблица 6.10
Импульсные отклики при первом упорядочении
Отклик Y l Отклик Y2
t
Оценка Точное значение Оценка Точное значение -
5 -0 .2 3 6 2 2 2 -0 .1 8 3 3 4 9 6 -0 .1 8 1 9 7 4 -0 .1 3 8 9 1 6 0
6 -0 .2 3 4 6 5 7 -0 .1 8 4 0 5 1 5 -0 .1 6 9 8 3 9 -0 .1 3 2 6 6 0 0
7 -0 .2 2 7 6 6 8 -0 .1 8 1 3 6 2 1 -0 .1 6 1 4 4 7 -0 .1 2 8 9 2 5 3
8 -0 .2 1 9 2 2 9 -0 .1 7 7 8 1 4 0 -0 .1 5 4 4 2 2 -0 .1 2 5 9 1 8 9
9 -0 .2 1 0 5 8 6 -0 .1 7 4 0 9 3 2 -0 .1 4 8 0 0 6 -0 .1 2 3 1 5 3 0
10 - 0.202121 -0 .1 7 0 3 8 5 0 -0 .1 4 1 9 5 3 -0 .1 2 0 4 9 4 0
11 -0 .1 9 3 9 4 4 -0 .1 6 6 7 3 8 0 -0 .1 3 6 1 7 8 -0 .1 1 7 9 0 4 8
12 -0 .1 8 6 0 8 2 -0 .1 6 3 1 6 3 2 -0 .1 3 0 6 4 7 -0 .1 1 5 3 7 4 0
Таблица 6.11
Импульсные отклики при втором упорядочении
Отклик Y I Отклик Y2
t
Оценка Точное значение Оценка Точное значение
Таблица 6.12
Значения переменных при втором упорядочении
Vector Autoregression Estimates; Первый вариант упорядочения Y2 -» /1
Переменная Y1 YI
щ - 1) 0.677859 0.154110
(0.03880) (0.06036)
[17.4726] [2.55303]
Y 2 (- 1) 0.418677 0.734929
(0.04350) (0.06769)
[9.62382] [10.8573]
Отклики Y1
ЕИ Оценки
Рис. 6.6
I Оценки
| Точные
значения
Рис. 6.7
428 Часть 4. Временные ряды... Модель стохастической границы
Отклики Y1
0.8 □ Оценки
0.7 -
^ Точные
0.6- значения
0 .5 -
0 .4 -
0 .3 -
0.2
IR I
■
iB iiB iB iB il
0.1 -
0-
1 2 3 4 5 6 7 8 9 10 11 12
Рис. 6.8
Отклики Y2
0.25 —
[ J Оценки
■II ill ■I ■ ■I
0 .2 0 -
ш ^ Точные
значения
0.15
0.10 —
0.05
0-
4 5 6 7 8 9 10 11 12
Рис. 6.9
т.е. £ = Be , ,
Рис. 6.10
Рис. 6.11
и, = A~lBs, = D s n
так что
A y ,= A U \ L )y t_x+ B s r (6.7)
Можно без труда оценить VAR в приведенной форме, используя OLS. Од
нако, получив оценки матриц П ,, ..., Пр, не всегда можно получить через
них оценку представления (6.7), поскольку не известны матрицы А и В. Это
430 Часть 4. Временные ряды... Модель стохастической границы
Ч 1 0 0 •• 0 "
d2X d22 0 •• 0
D= dJ{ d32 d33 ■• 0
0 о un 0 0 0
d'2x 1 0 0 d22 0 0
D = d ;x d ;2 1 0 c/33 0
,0 0 0 •' dbk;
Приравняем:
(d
A =D , B=
0 4k J
f 1 0 0 ••• 0"
a2l 1 0 ••• 0
A= «31 a32 1 ••• 0
то уравнение I = А~Х
В{А~ХВ)Т имеет единственное решение, т.е. имеет место
точная идентифицируемость матриц А и В:
1 0 0 ••• 0
О о
a2l 1 0 ••• 0
О Ь.22 о
А = «31 °32 1 ••• 0 В=
О о bkkj
akl ak2 ak3 ' •• 1
432 Часть 4. Временные ряды... Модель стохастической границы
У, = + ... + П ру,-р + и, ,
П (L )y ,= u t, U(L) = Ik - U lL - . . . - U pLp.
Рис. 6.13
DDT - dxd\ + d 2d l ,
где dj — /-Й столбец матрицы D.
При этом
dx2
dx = , dx —(dxx d2x\ d2 — d2 —(dl2 d22).
\d22j
так что дисперсия ошибки прогноза на один шаг вперед р яда^ равна:
D(eit+\\t) = dn +d\2’
а дисперсия ошибки прогноза на один шаг вперед ряда^2 равна:
Аналогично получаем:
• D(d2xs x t+х + d22e2 t+x) = d 2x+ d\2 — дисперсия ошибки прогноза на один
шаг вперед ряда^2;
• D(dlxe x ,+1) = d\x — составляющая дисперсии ошибки прогноза на один
шаг вперед рядау2, обусловленная фундаментальной инновацией s xj+x;
• D(d22s2 t+X) = d\2 — составляющая дисперсии ошибки прогноза на один
шаг вперед ряда^2? обусловленная фундаментальной инновацией s2 t+x;
1 5
Уь=-^У\,,-\ + - 7 2 ,г-1 +«2, •
При упорядочении 71 —» Y2
( 1
D=
l-i и
так что
• доля дисперсии ошибки прогноза на один шаг вперед ряда у {, обуслов-
• доля дисперсии ошибки прогноза на один шаг вперед ряда >>2, обуслов
J =i
где dj — j -й столбец матрицы £>.
Variance Decomposition
Рис. 6.14
Таблица 6.13
Декомпозиции дисперсий ошибок прогнозов (первое упорядочение)
Variance Decomposition
Рис. 6.15
Таблица 6.14
Декомпозиции дисперсий ошибок прогнозов (второе упорядочение)
КОНТРОЛЬНЫЕ ВОПРОСЫ
Рис. 6.16
Таблица 6.15
Декомпозиции дисперсий ошибок прогнозов 3 переменных (по Симсу)
IW AW IW AW IW AW
М\ 92 91 4 2 4 1
IP 66 37 28 44 6 18
Р 38 14 19 7 43 80
Таблица 6.16
Декомпозиции дисперсий ошибок прогнозов 4 переменных (по Симсу)
IW AW IW AW IW AW IW AW
R 63 50 28 19 1 4 1 28
М\ 39 56 58 42 1 1 1 1
Р 1 2 54 32 43 60 3 6
IP 16 30 58 4 7 14 18 52
1.6
.................
1.2 i - i -
0.8
................. .....................;
.................... ;
0.4 .................. ........ i .
• ......... 1
------- ------------------ ;
0 1
***•• •
5 10 15 20 25 30 35 40 45 50 5 10 15 20 25 30 35 40 45 50 5 10 15 20 25 30 35 40 45 50
t
Рис. 6.17
444 Часть 4. Временные ряды... Модель стохастической границы
Variance Decomposition
80 4
60
40-
20-
11 11 1111111 n |n il 1111 ^ттттуттттуттттутттт^ тртртмртци! I " " ! " " ! " " ! " T'"! 1 1 1 1 1 1 II1 1 II1111111 Tin |III 11 1 1 1 1 1 1 II11 1 II 11 11 111>
5 10 15 20 25 30 35 40 45 50 5 10 15 20 25 30 35 40 45 50 5 10 15 20 25 30 35 40 45 50
t
Рис. 6.18
Раздел 6. Методология векторных авторегрессий 445
Variance Decomposition
10 15 20 25 30 35 40 45 50 10 15 20 25 30 35 40 45 50 10 15 20 25 30 35 40 45 50
Рис. 6.19
446 Часть 4. Временные ряды... Модель стохастической границы
Variance Decomposition
Рис. 6.20
Раздел 6. Методология векторных авторегрессий 447
LP LY LM2
1.000000 -0 .0 8 6 9 6 2 -0 .0 9 4 1 4 7
-0 .0 8 6 9 6 2 1.000000 - 0.002022
-0 .0 9 4 1 4 7 - 0.002022 1.000000
.......
.............. i
0.4 - i
*•••[
..... ............ ......—j—
Рис. 6.21
Раздел 6. Методология векторных авторегрессий 449
........... ; ....................... .
,,..... ;
♦ [
'*••• 1
......... !
•!
...........
............ •
.................... 1
' ................ ................i ' ............... .
................ . .
.......... :
................... :
................. :
....................... j - i
Рис. 6.22
450 Часть 4. Временные ряды... Модель стохастической границы
Response of LP to LP Response of LP to LY
Ц I I I I I I I I I [ I I . I I I I I I I I I I'I TT1 ГТ|"ГГТ |'[ I I I I I —0.2 11 1 111111111111111Ц гтгтуп 1111111'T'i 111111111 и 11'|
10 15 20 25 30 35 40 45 50 t 5 10 15 20 25 30 35 40 45 50 t
Response of TBILL3 to LP
Response of LP to LM2
IIIl'|IIII|IIII|IIII|IIII|II IIIInIInIIIIIIIIIIIII
5 10 15 20 25 30 35 40 45 50 t
Response of LY to TBILL3
0.8
0.4
-0.4
- 0.8 I I I |I I I I |I I I I |I I I I [ П Г Г| I М ф Т П [ IM I |П 1Г |I I г Г)----- ►
5 10 15 20 25 30 35 40 45 50 t
11111111111111111111111111111111111111111111111111
5 10 15 20 25 30 35 40 45 50 t
Variance Decomposition
•IifjlTlI|IIII|1III|IIII|IIH11III|1ТПIIIII|II|||
5 10 15 20 25 30 35 40 45 50 t
I [ I I И |H I I |I I I I |П I I |I I I I } 1 I I Ц 111 I |H 11j И Щ
5 10 15 20 25 30 35 40 45 50 t
I I I I |I I I I |I I I I [1TT I j l I I 11 I I I I |I I I I |I I I I |I I I » |I I I I |
5 10 15 20 25 30 35 40 45 50 t
Рис. 6.25
Рис. 6.26
Рис. 6.27
Рис. 6.28
Рис. 6.29
Рис. 6.30
Раздел 6. Методология векторных авторегрессий 457
Таблица 6.18
Декомпозиции дисперсий ошибок прогнозов для цен (4 переменные)
Таблица 6.19
Декомпозиции дисперсий ошибок прогнозов для цен (5 переменных)
Таблица 6.20
Декомпозиции дисперсий ошибок прогнозов (по периоду 1959:7—1989:12)
Таблица 6.21
Декомпозиции дисперсий ошибок прогнозов (по периоду 1959:7—1979:9)
Блочно-треугольная матрица
(А и О ... СИ
St = f ( ^ t) + crs sf,
где / — линейная функция (функция отклика), обеспечивающая обратную
связь — реакцию на состояние экономики;
Q, — информационное множество ЦБ;
crss ts — шок денежной политики, не объясненный реакцией ЦБ на состоя
ние экономики;
€? — случайная величина, имеющая единичную дисперсию;
<
js — стандартное отклонение шока денежной политики.
Предположение рекурсивности
Случайная величина ef не коррелирована со всеми элементами Qt (ортогональна
всем элементам Clt).
yf = s,
\X 2 tJ }к2
здесь:
Х и содержит переменные, текущие значения которых входят в Q,;
St — упомянутый ранее инструмент денежной политики ЦБ;
X2t содержит переменные, входящие в Qt только с запаздывающими зна
чениями;
кх > 0 , к2 > 0; если кх = 0, то к2 > 1; если к2 =0,т окх > 1.
Ч О О ' к\
1
А = Л 21 Л 22 О 1 , А*22 <7 S > 0 . (6.9)
vAi Л 32 ^33 j к 2
1 к2
St =NBRn
используя упорядочение:
Долговременные ограничения
У ,= П 1Уы+ ип
являются линейными комбинациями фундаментальных инноваций,
и.t - D s t,
где D - А~Х
В.
Яп,/ ^ /
©/ = У- 0 ,1 ,2 ,...,
\6г\J 022,j j
\ fF \ в 12,1 V £
O '/ ^11,0 6\2,0 Л 1,1 ьи-\ \
Уг,. ^^21,0 ft22,0 \ S 2t) у^21,1 ^22,1) 4*2, Г-1)
Это не что иное, как разложение Вольда ( Wold decomposition) для дву
мерного ковариационно-стационарного процесса.
Предположим, что шок £lt не оказывает немедленного влияния пауи. Это
означает, что 6 Х1,ъ = 0 в SMA, так что:
11,0 0 ^
v^21,0 ^22,0)
12
Но 0 О — не что иное, как А В = D. Если D = то принятое
21 * 22 )
предположение записывается в виде d {2 = 0.
Для определения остальных 3 элементов матрицы D и восстановления
матриц А и В можно использовать 3 элемента ковариационной матрицы
Cov(ut) = Е, как мы уже делали раньше.
Раздел 6. Методология векторных авторегрессий 465
4 (1 ) о '
U .0 ) 022o )J
\j=0 7=0 У
Но поскольку y t =(Ik - Y \xL) lut - ( I k - Y lxL) lA lBst = Q(L)st, то:
Если полагать, что это стабильная VAR, то для нее получаем представле
ние Вольда:
КОНТРОЛЬНЫЕ ВОПРОСЫ
Рис. 6.31
468 Часть 4. Временные ряды... Модель стохастической границы
ПРИМ ЕР 6.3.1
------- Y1 .......... Y2
Рис. 6.32
Таблица 6.22
Оценка VAR без ограничений (UVAR(1))
Vector Autoregression Estimates; Standard errors in () & t-statistics in [ ]
Переменная Yl Y2
Таблица 6.23
Оценивание модели коррекции ошибок (ЕСМ)
Vector Error Correction Estimates; Standard errors in () & t-statistics in [ ]
r i(-l) 1.000000
Y 2 (-1) -1.243561
(0.08927)
[-13.9303]
Таблица 6.24
Коэффициенты приведенной формы, соответствующие оцененной ЕСМ
Переменная Y1 Y2
щ - 1) 0.610 0.270
У2( - 1) 0.484 0.664
Response of Y1 to УЛ
1.5 —
1.0 -
0 .5 -1
-0 .5 - —i--- 1--- 1--- 1--- 1--- 1--- 1--- 1--- 1--- 1—►
5 10 15 20 25 30 35 40 45 50 t
Response of Y2 to Y2
I I I i г
5 10 15 20 25 30 35 40 45 50 t
Рис. 6.33
Response of Y1 to Y2
1. 2 -
0 .8 -
0 .4 -
-0.4 “I— I— I— I— I— I— I— I— Г
10 15 20 25 30 35 40 45 50 t
Рис. 6.34
Рис. 6.35
Рис. 6.36
Раздел 6. Методология векторных авторегрессий 473
ПРИМЕР 6.3.2
Смоделируем реализации 3 рядов, следуя DGP :
АУ1/=*и> У2 ,= У у +£2 ' ’ Уз,=Уи+е*> t = l,...,500,
где е и, е2„ е3, — не коррелированные между собой гауссовские инновации
с нулевыми средними и единичными дисперсиями, у 10 - 0.
Получаемые /(1)-ряды коинтегрированы, ранг коинтеграции равен 2.
Построим функции импульсного отклика (при упорядочении Y\ —» YI —» УЗ),
соответствующие оцененной модели UVAR (рис. 6.37), оцененной модели
ЕСМ с рангом коинтеграции 1 (рис. 6.38) и оцененной модели коинтеграции
с рангом коинтеграции 2 (рис. 6.39). (В обе модели ЕСМ не включаются кон
станта и тренд).
Как видно, использование при оценивании ЕСМ различных предположе
ний о ранге коинтеграции приводит к разным результатам в отношении функ
ций импульсного отклика. Это весьма затрудняет интерпретацию результатов
VAR-анализа при обращении к данным экономической статистики. ■
Рис. 6.37
Раздел 6. Методология векторных авторегрессий 475
Рис. 6.38
476 Часть 4. Временные ряды... Модель стохастической границы
Рис. 6.39
Раздел 6. Методология векторных авторегрессий 477
1 —z 0 '
Уравнение det = 0 принимает вид
0.5 z l- 0 .5 z ,
( l-z )(l-0 .5 z ) = 0
и имеет два корня: z = 1 и z = 2. Наличие единичного корня означает необра
тимость рассматриваемой УМА-модели.
478 Часть 4. Временные ряды... Модель стохастической границы
' з '
= + —
,- 3 J ,0.51 1 - 0 .5 1 ,
/
' 3л r 1 0" -1 о N V Л
+
ч-Зу К V0.5 -0 .5 \ S 2t J
Таблица 6.25
Импульсные отклики переменных на шоки инноваций
t 1 2 3 4 5 6
1тр(хи \б и ) 1 -1 0 0 0 0
Imp(x2t\ e u ) 0 0.5 0 0 0 0
Im p(xu \e 2 l) 0 0 0 0 0 0
Imp(xlt\s2\) 1 -0.5 0 0 0 0
Раздел 6. Методология векторных авторегрессий 479
С0 = у, сГ1 = с U
0 + с ,1= ’> с J,= для j = 2, 3 ,...
,0 К
,0.5 0-5у V
J 1 2 3 4 5
Су, п 1 0 0 0 0
Су» 12 0 0 0 0 0
Рис. 6.40
Рис. 6.41
--------X1 ...........X2
Рис. 6.42
Раздел 6. Методология векторных авторегрессий 481
Причинность по Грейнджеру,
функции импульсного отклика
и декомпозиция дисперсий
Выше было исследовано влияние текущих и прошлых значений изучаемых
переменных, а также их инноваций на будущие значения переменных.
Тесты на наличие причинности по Грейнджеру/блочную экзогенность фак
тически только выявляют наличие G-причинности в рамках имеющейся
выборки, но не указывают ни на знак и силу выявленной связи, ни на дина
мику усиления/ослабления влияния одних переменных на другие с течением
времени. Функции импульсного отклика и декомпозиции дисперсий позво
ляют проследить динамику влияния шоковых воздействий на будущие значе
ния переменных. Свойство отсутствия G-причинности между переменными
двух групп является исключительным свойством двух подмножеств перемен
ных данного процесса. В то же время декомпозиция дисперсий ошибок про
гнозов не единственна: она зависит от матрицы, приводящей к фундамен
тальным инновациям.
Важно отметить, что если набор переменных в составе y t разбивается на
две части:
ПРИМЕР 6.3.3
Ранее рассматривалась модель, в которой были использованы переменные
LP = 100In(CPIJSA), LY - 100\n(RGDP_MON), LAG = 1001n(Afi_&4), и оцени
вание модели производилось на периоде 1974:01 — 1980:03. Там было выяв
лено наличие G-причинной связи в направлении от LY к LM2. Построим
482 Часть 4. Временные ряды... Модель стохастической границы
Рис. 6.43
Рис. 6.44
484 Часть 4. Временные ряды... Модель стохастической границы
ПРИМЕР 6.3.4
Рассмотрим опять данные по фармацевтической фирме Lydia Pinkham. Ранее,
привлекая к исследованию связей между переменными Sales и Adver дополни
тельную переменную Income, был сделан вывод о том, что Adver— Sales
и Sales— >Adver. Построение функций импульсного отклика и декомпо
зиций дисперсий ошибок прогнозов проведем на основе оцененной модели
коррекции ошибок для этих 3 переменных (значения всех переменных
взяты в логарифмах уровней). При построении используем упорядочение
Income —>Adver —>Sales.
Рис. 6.45
0 PT I I I I I I I Г I I I I"'I I I I Г
2 4 6 8 10 12 14 16 18 20 t
Variance Decomposition
Рис. 6.46
Пусть
У, = (zn х,)Т,
z„x, — переменные — интегрированные первого порядка;
(1, -1 )г — коинтегрирующий вектор, так что z , - x , — стационарный ряд,
'а , л а. -а ,
а= Р= п= О -D =
\ a 2\J V«21, а 2Х - а 21 У
-i i¥ (i-i) о (zt - x t)
0 1 0 1 Ax,
aw (z,_i d
v«21 1 Ax,t-1 J \di\ ln ) \ S 2 t J
что, в свою очередь, можно записать в виде:
( -1 1 (1- L ) 0 a nL 0 d\\ dx2 Л
0 1 0 1 ya 2xL 0 уА d2\ d22r \ 6 2t J
Долговременные отклики можно вычислить отсюда, полагая формально
в стоящей первой слева матрице L = 1 и умножая обе части равенства на обрат
ную к полученной матрице:
-1,
(zt ~ x t) 1 Ч , d l2 ЧЛ
Ах, ^d2i d22 VS21)
что в ранее использованных обозначениях записывается как
/
■<ш а д )'
V ,
v021(i)
V а д ). \ S 2tJ
d\ \ ~ d 2l d i2 —d22
^2\^\ 1 ^11^21 &2\d\2 Ot\\d22
то это сводится к линеиному ограничению:
a 2\d\2 ~ a \\d22 = 0.
Наличие такого ограничения обеспечивает идентификацию матрицы Д
если параметры сг21, сгп известны (оценены при проведении коинтеграцион-
ного анализа). Заметим, что если а хх = 0, то данный метод идентификации
равносилен применению схемы Холецкого (в этом случае указанное линей
ное ограничение сводится к условию d12 = 0).
Изложенная здесь схема применялась в работе (.Favero, Giavazzi, Spaventa,
1997). В ней рассматривался вопрос о том, чем объясняется наличие в не
которых странах Европы высокого спреда доходности государственных
облигаций по отношению к доходности государственных облигаций Гер
мании. При этом сам спред (SP t) представлялся в виде суммы двух состав
ляющих:
SP( —ERt + DRt,
где ERt — составляющая, связанная с риском изменения обменного курса
валюты;
DRt— составляющая, связанная с риском дефолта.
Соответственно здесь ЕСМ имеет вид:
AERt = ссхj (SPt_x —ERt_x) + uXt —ссхх(*S7^_j —ERt_x) + dxxs xt + dx2s 2t *
ASPt = a 2l(SPt_x —ERt_x) + u2t = a 2X(SPt_x —ERt_x) + d2xs u + d22s 2t.
КОНТРОЛЬНЫЕ ВОПРОСЫ
Тема 7.1
ТЕСТЫ НА ЕДИНИЧНЫЕ КОРНИ
И НЕЛИНЕЙНЫЕ ПРЕОБРАЗОВАНИЯ
^ 1 Т \ 2
а - lim Т \Е = lim 7" £(м ^),
Т —юс ?1 2t=1> ' Г—»х
ТЕ(й?) = ТЕ
V* <= Ь = 1 у
г2 =
так что в этом случае сг2 =
Var(ut) — долговременная дисперсия ряда равна
его обычной дисперсии.
Если процесс ut стационарный (в широком смысле) и последовательность
его автоковариаций ^ = Cov(un ut_j) абсолютно суммируема, т.е.
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 491
< 00,
j = -cc
тогда
а 2 = lim Т E (u j ) = УV-
Г-*00 7
1+И . СТ.
< 00.
I - / ? 2 1 - |р | J 1 - /7 2 1 -|/? | (1 -|/?|):
т.е.
(1 -Р Г
ГТ Л2
Заметим еще, что в силу условия а) Е(у,) = 0 и в условии в) &
t =1
так что
Т->0о Г—
>00
Т у, у ,-1
t=1
р т—•
1 ^ -.
?=1
так что
'E y ,-iut
t =1
*=i
Обозначим частичные суммы ряда ut как
=
/=1
Т С \2
1 1 — тI 1 1 1 2
- Т - + 27осгГ — + — Уо-
Г=1 сгл/г 1 t =1 V T 5'-1
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 493
При этом:
t_
т т .1 т т
T-2l y U = * 2l \ x 2T{r)dr + 2y0c r f i X Jxr(r)^ +- j 02-
r= l t =\t-\ t = lUt -- \1 1
T T
Т-2^ у и ^ ^ а 2) т г ) ) 2с1г.
t =1 о
t =1
Рт -1 = - т
I уЬ
t =1
Имеем:
=Т~1^ 5,_, и, + у 0й =
t=1 t=\ t=1
т
= Т~Х - SU - ) + Уой = (2Г )-1S 2 - (2Г)-1X и 2 + =
t =1^ Г=1
,=
= ^ ( Х Г(1))2 - ( 2 Г Г 1Хм,2 + ^ - ^ ^ ( ^ ( 1 ) ) 2
2 1 2 2
т.е.
2^
(^(1))2 ---- у
t=i *■ а J
Т 1
Отсюда и из соотношения Т 2^ у 2_х— ><т2 ^(W(r))2dr , полученного
t=i
ранее, находим:
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 495
Г гг2 л
(Г(1))2 — I
t=\ V_____________ < L У
П р Т - !) = • 1
T-2^ y U |( Г ( г ) ) 2^г
t=1
Заметим, что этот результат был получен ранее в работе (White, 1958),
только в предположении, что и, ~ i.i.d. N( О, cr,j).
Обратимся теперь к проверке гипотезы Н0: р = 1 в рамках статистической
модели SM: у, = pyt-\ + u„t = 1, ..., Т. Используемая для проверки этой гипо
тезы /-статистика имеет вид:
'E y ,-iu,
t =1
*р = '
I * 2- w -
t =l
где 52 ~ Рт У,-i)2-
1 ~ 1 r= l
(\
\(W (X)fdr
Vo
, „ v (W (\)f-\
1
I
\(W (r))2dr
VO
так что в общем случае нет никаких оснований полагать, что для ряда y t все
условия Филлипса выполнены.
Заметим, что в условии в):
& = Ут>
V' =l J
и рассмотрим некоторые конкретные нелинейные преобразования:
• преобразование у , - х 2.
В этом случае fj, = у , - у ,-Х= x j - х,2_, = (х,_, + е,)2 - х(2_, = 2х,_хе, + ef,
так что нарушаются все 4 условия а) — г);
• преобразование y t = xf.
Здесь 7jt = х,3 - х(3_, = (х,_! + £,)3 - х,3_, = 3x2_jSt + Ъх,_хе} + е?, и опять
нарушены все 4 условия;
преобразование у, = sgn (х,).
-1, х, < 0
( т Л
Здесь sgn(x,) = < 0, х, = 0. В этом случае & = y j = 1, так что
. 1, х, > 0 J
с г-0 ;
преобразование у, = sin х,.
Грейнджер и Холлман ( Granger, Hallman, 1988) показали, что в этом
случае процесс у, стационарный и что предел в условии в ) равен 0;
Таблица 7.1
Эмпирическое распределение статистики D F
Эмпирические квантили, %
Преобразование
1 5 10 25 50 75 90 95 99
Таблица 7.2
Эмпирическое распределение статистики A D F ( 4)
Эмпирические квантили, %
Преобразование
1 5 10 25 50 75 90 95 99
Рис. 7.1
У SIN X
Рис. 7.2
Y SGN X
Рис. 7.3
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 499
Рис. 7.4
ACF sgn(x)
Рис. 7.11
Рис. 7.10
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 501
X, =M + E £i’ (7.2)
/ =1
t
х, =ct + ii + E ei' (7.3)
/= 1
/( * ,) = /( * ,_ ,) + £ + ( 4 - 4 - ,) .
502 Часть 4. Временные ряды... Модель стохастической границы
/( * ,) = / ( * , _ , ) + £ + ( 4 - 4 - i ) .
где обладает сильным перемешиванием, а разность (At - At_x) всегда боль
ше нуля и не обязательно обладает сильным перемешиванием.
Таким образом, первые разности преобразованных рядов не удовлетво
ряют обычным предположениям функциональной центральной предельной
теоремы, поэтому асимптотические распределения статистик критериев Дики —
Фуллера для преобразованных рядов перестают быть определенными.
В работе (Kramer, Davies, 2002) авторы, обращаясь к работе Грейнджера
и Холлмана, выделяют ситуацию с экспоненциальным преобразованием слу
чайного блуждания zt. По результатам моделирования (Грейнджера и Холл
мана), в этой ситуации D F-критерий, примененный не непосредственно
к ряду z,, а к ряду y t = ехр (zt), ошибочно отвергал нулевую гипотезу о нали
чии единичного корня более чем в 75% случаев.
Пусть
zt =д + zt_x +et, / = 1,2,..., Г,
где st ~ i.i.d. N( 0, а 2) и z0 = a 2- constant.
Рт(O’) = l z L J -------------------
t =1
при <72 —» 0 и <т2 оо. Показано, что в обоих случаях р т(сг) —> 1, так что
условная вероятность отвержения нулевой гипотезы DF-критерием (при усло
вии отсутствия неотрицательных значений zt) стремится к нулю при приме
нении DF-критерия к ряду логарифмов случайного блуждания. Иначе говоря,
тест в логарифмах является чрезмерно консервативным.
КОНТРОЛЬНЫЕ ВОПРОСЫ
Тема 7.2
ДИНАМИЧЕСКИЙ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ
ДЛЯ ОЦЕНИВАНИЯ КОИНТЕГРИРУЮЩЕГО ВЕКТОРА
СИСТЕМЫ ИНТЕГРИРОВАННЫХ РЯДОВ
В этом случае:
C o v ( S u , У 2г) = C 0 V ( £ U , £ 2 l + £ 2 2 + . . . + £ 2 t ) = (Tl 2 ,
а 12______ _ °~12
р ( £ ь ) 7 tD(£2t) а ха 2л/7
Если выборка невелика, то оценки могут быть заметно смещены, и тем
в большей степени, чем меньше объем выборки. Поскольку переменные
нестационарны, оценки коэффициентов не являются асимптотически нор
мальными, что не позволяет использовать их для статистических выводов
о коэффициентах коинтегрирующего вектора. Если система состоит из 3 рядов
и более, она может иметь несколько линейно независимых коинтегрирую
щих векторов, и в этом случае возникают проблемы с экономической интер
претацией.
Указанные трудности привели к развитию альтернативных процедур,
среди которых предложенная в работе (Johansen, 1991) и рассмотренная
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 505
так что
( СГ\2 <гХ2
Л
*и ~W (0,E ), где Е =
£■>, J к<7п 0>2 )
Если обозначить:
V1, = £и - E[ext\{e2,,t = Q,±\,±2,...}~\
f \
0 0.4027 0.4027
1 0.3853 0.4343
|** 2 0.2529 0.2802
**| 3 -0.1517 -0.0670
*1
**| 4 -0.2302 -0.0530
*1
*1 1 5 -0.1328 0.0020
**| 10 -0.2370 -0.0514
*1
508 Часть 4. Временные ряды... Модель стохастической границы
y t = a + f i z , + Y j j te,-] + v,.
j =- 2
Ч = аМ -\+ а2Ч-2+11г
Полученные оценки а } и а 2 используются для оценивания а(Ь):
Таблица 7.3
Проверка гипотезы о коэффициентах коинтеграционного соотношения
Wald Test
Null Hypothesis: C( 1) =1
C(2) = 5
F-statistic 1.661326 Probability 0.221017
Chi-square 3.322652 Probability 0.189887
V, = a \V,-\ + «2 V/ - 2 + — + a p Vl - p + 6 ’ (7.4)
2•
( l - о , ~ . . . - а р)
Для этого оценивается уравнение (7.4), находятся оценки ах, а2, ..., ар и ряд
остатков ^ , и в качестве оценки для Л2 берется
<72
Л 2=-
(1 - а {- . . . - а р)2
1 П Л
где <т| = ------- У £ 2 — оценка дисперсии ряда с,-
п ~ Р ,=Р+1
При проверке гипотезы # 0: /? = /?° стандартное выражение для /-статис
тики имеет вид
/=■
Syj(X TX )-' '
Р -Р °
Лу1(ХТХ)-2±, я
510 Часть 4. Временные ряды... Модель стохастической границы
F ~ F ^
adJ Я2 '
В нашем примере оценивание уравнения v, = а хv,_, + a2v,_2 + tj„ дает резуль
таты, приведенные в табл. 7.4. Соответственно отсюда находим:
Таблица 7.4
Оценивание динамическим обобщенным методом наименьших квадратов
Dependent Variable: RES_DOLS
Стандартная
Переменная Коэффициент ^-статистика Р-значение
ошибка
0.113386
Fadj = 6.826679 = 6.826679-0.20439 = 1.3953;
0.2508
ему соответствует Р-значение 0.271, при этом гипотеза Н0: а= 5, /?= 1 уже
не отвергается.
Раздел 7. Тесты на единичные корни... Динамический метод наименьших квадратов 511
Дdy,= P + F(L)s„
где Ad = (1 - L)d, компоненты s, не коррелированы между собой;
512 Часть 4. Временные ряды... Модель стохастической границы
в ) у ? = ^з, 1А у , + \у ) + 2 4 у ,2 + и] •
/ 0Л
0\. 1= 9 \\= в р = (* gnp Вг\
чО/
Иначе говоря:
а) А2р, =и)\
/ \
gnp,
б) Д = и,
rt J
Третья спецификация:
pt ~ 7(2), реальная ставка (г, - Apt) ~ 7(0).
Тогда имеем 7(2)-систему, в которой
у',=Рп у: = У, = Щ
Го
0\л = , 0\Л =вг, e l= 9 p, в 1( 2 =(в>
gnp
0).
vly
514 Часть 4. Временные ряды... Модель стохастической границы
Иначе говоря,
а) А2р,=и};
/ \
ё пР, "0"
U - '- J Л
в) т, = erApt +врр,+ 0gnpgnp, + и].
МОДЕЛЬ
СТОХАСТИЧЕСКОЙ ГРАНИЦЫ
! ( * , - / ( * „ / О ) 2.
(=1
Но такой подход приводит к функции q = f(z, /?), которая выражает
не максимальный, а «средний» объем выпуска. Началу серьезных усилий
в направлении преодоления разрыва между теорией и практикой положила
516 Часть 4. Временные ряды... Модель стохастической границы
Е к *- /( * /,£ ) I
/= 1
или сумму
1 > , - / ( ^ / ? ) ) 2-
Ы1
Если функция f(z, р) линейна, то в первом случае это — задача линейного
программирования, во втором — квадратичного программирования.
Существенным осложнением при реализации этого подхода явилась край
няя чувствительность получаемых оценок к наличию выбросов в данных. Это
привело — начиная с работ ( Timmer, 1971) и (Dugger, 1974) — к разработке
моделей стохастической границы производственных возможностей. В ука
занных двух работах использовались те же методы математического про
граммирования, однако допускалось, что из-за возможных ошибок измерений
некоторая определенная доля наблюдений может находиться выше границы,
описываемой функцией q = /(z , р). Выбор этой доли был, по существу, про
извольным и не опирался на какое-либо экономическое или статистическое
обоснование. Статистические свойства получаемых при этом оценок оста
вались неизвестными. Чтобы дать этим оценкам статистическое обоснова
ние, Шмидт (Schmidt, 1976) рассматривает модель с аддитивной случайной
составляющей:
y i = f( z i,P )+ ei, i = \,...,N ,
где et < 0.
Задавая (с точностью до неизвестных параметров) распределение случай
ной составляющей, можно применить для оценивания модели метод макси
Раздел 8. Модель стохастической границы 517
ПРИМЕР 8.1.1
Таблица 8.1
Оценка модели стохастической границы производственных возможностей
Стандартная Р-значение
Inoutput Коэффициент z-статистика [95% Conf. Interval]
ошибка P > \z\
Incapital 0.6029056 0.5703415 1.06 0.290 -0.5149432 1.720754
Inlabor 0.6739399 0.2417019 2.79 0.005 0.2002130 1.147667
_cons 0.1262186 3.2968780 0.04 0.969 -6.3355440 6.587981
Стандартная Р-значение
Inoutput Коэффициент z-статистика [95% Conf. Interval]
ошибка P>\z\
Incapital 0.6279162 0.5645756 1.11 0.660 -0.4786316 1.734464
Inlabor 0.6741655 0.2413587 2.79 0.005 0.2011112 1.147220
cons 0.0952752 3.2880660 0.03 0.977 -6.3492160 6.539766
Раздел 8. Модель стохастической границы 519
Таблица 8.3
Оценка редуцированной модели по количеству труда
Стандартная Р-значение
Inoutput Коэффициент г-статистика [95% Conf. Interval]
ошибка P>\z\
Inlabor 0.6716777 0.2422926 2.77 0.006 0.1967929 1.146562
_cons 3.6225380 0.8626296 4.20 0.000 1.9318150 5.313261
и, = Е{и,\е,\ I = £(ехр(и,.)|е,).
Для последней из 3 оцененных моделей получаем картину, изображенную
на рис. 8.1, где наблюдаемые значения логарифма выпуска представлены
ромбами, а оцененная детерминированная граница — кружками. Для срав
нения на рис. 8.2 проведена прямая, подобранная методом наименьших квад
ратов. На рис. 8.3 показаны результаты для наблюдений 87 — 100, где име
ются наблюдения, в которых выпуск превышает оцененную детерминиро
ванную границу. На этом рисунке стохастическая граница представлена
квадратами. ■
ПРИМЕР 8.1.2
Для анализа качества оценивания параметров модели и ее технической
эффективности смоделируем 500 наблюдений, следующих модели стохасти
ческой границы
Inoutputt = lnlabort + v, - ui9 vf ~ i.i.d N(090.52), ut ~ i.i.d. N +(0, 1).
Результаты оценивания модели по этим данным приведены в табл. 8.4.
Угловой коэффициент и обе дисперсии оценены очень хорошо. Соответст
венно, ряд остатков et (E_F) весьма похож на ряд et (EPS). (На рис. 8.4 пока
заны первые 20 значений этих рядов).
520 Часть 4. Временные ряды... Модель стохастической границы
4-
2
0-
-2 -
-4 -
- 6 - пг i ч
2,8 3,0 3,2 3,4 3,6 3,8 4,0 Inlabor
Рис. 8.1
o n
6 -
4■
2H
0- » » 0 I* * О 0----
о
-2- Оv о
- 6 - I ~Г т
2,8 3,0 3,2 3,4 3,6 3,8 4,0 Inlabor
Рис. 8.2
Рис. 8.3
Раздел 8. Модель стохастической границы 521
Таблица 8.4
Оценка параметров модели стохастической границы
Стандартная Р-значение
Inoutput Коэффициент ^-статистика [95% Conf. Interval]
ошибка P>\z\
1 —
-2 -
-Ц i i | i | i | i i i i i i i i | | i i ►
2 4 6 8 10 12 14 16 18 20 t
Ш E_F Я EPS
Рис. 8.4
70 -
Series: EPS
Sample 1 500
60 -
Observations 500
50 - Mean -0.826175
Median -0.737294
40 Maximum 0.963463
Minimum -3.380840
30 Н Std. Dev. 0.815750
Skewness -0.393573
20 Kurtosis 2.854037
Jarque-Bera 13.35214
10 Probability 0.001261
0 ц
-1 О EPS
Рис. 8.5
70 -■
Series: E_F
Sample 1 500
60 - Observations 500
50 - Mean -0.852332
Median -0.763932
40 - Maximum 0.937528
Minimum -3.408057
30 - Std. Dev. 0.815777
Skewness -0.393333
20 -
Kurtosis 2.853973
Jarque-Bera 13.33685
10 -
Probability 0.001270
0 f= F = f-t--
-1 0 1 E F
Рис.8.6
70 -■
Series: U_F
Sample 1 500
60 - Observations 500
50 - Mean 0.852889
Median 0.702115
40 - Maximum 2.786265
Minimum 0.187941
30 - Std. Dev. 0.515049
Skewness 1.099873
20 Kurtosis 3.728475
Jarque-Bera 111.8658
10 - \ Probability 0.000000
0 14- -T fl-l= F F H
0.5 1.0 1.5 2.0 2.5 U F
Рис. 8.7
Раздел 8. Модель стохастической границы 523
Series: U
Sample 1 500
Observations 500
Mean 0.840616
Median 0.735205
Maximum 3.481793
Minimum 0.009501
Std. Dev. 0.630195
Skewness 1.008873
Kurtosis 3.898905
Jarque-Bera 101.6527
Probability 0.000000
Рис. 8.8
Series: ТЕ
Sample 1 500
Observations 500
Mean 0.507359
Median 0.479407
Maximum 0.990544
Minimum 0.030752
Std. Dev. 0.251899
Skewness 0.187222
Kurtosis 2.028030
Jarque-Bera 22.60276
Probability 0.000012
Рис. 8.9
Series: TE_F
Sample 1 500
Observations 500
Mean 0.475700
Median 0.495536
Maximum 0.828664
Minimum 0.061651
Std. Dev. 0.192354
Skewness -0.206006
Kurtosis 2.029556
Jarque-Bera 23.15658
Probability 0.000009
Рис. 8.10
524 Часть 4. Временные ряды . . . Модель стохастической границы
Таблица 8.5
Корреляция между истинным рядом EPS и оцененным
EPS E _F
EPS 1 0.9999996
Е F 0.9999996 1
Таблица 8.6
Корреляция между истинным рядом NU и оцененным
NU N U _F
NU 1 0.6841711
N U _F 0.6841711 1
Таблица 8.7
Корреляция между истинным рядом U и оцененным
U U_F
U 1 0.8237624
U F 0.8237624 1
Таблица 8.8
Корреляция между истинным рядом ТЕ и оцененным
ТЕ TE_F
ТЕ 1 0.7589305
ТЕ F 0.7589305 1
Таблица 8.9
Результаты OLS-оценивания для р = 3
Dependent Variable: У; Method: Least Squares', Sample: 1 200;
Included observations: 200
Стандартная
Переменная Коэффициент ^-статистика Р-значение
ошибка
Таблица 8.10
Результаты MLE-оценивания для р = 3
Стандартная Р-значение
У Коэффициент z-статистика
ошибка P > \z \
Series: Residuals
Sample 1 200
Observations 200
Mean -4.27E-14
Median 0.242989
Maximum 4.385242
Minimum -7.662473
Std. Dev. 2.491704
Skewness -0.618137
Kurtosis 3.047218
Jarque-Bera 12.75501
Probability 0.001699
Residuals
Таблица 8.11
Результаты OLS-оценивания для fj = 6
Dependent Variable: Y; Method: Least Squares; Sample: 1 200; Included observations: 200
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
Таблица 8.12
Результаты MLE-оценивания для р = 6
Стандартная Р-значение
У Коэффициент z-статистика
ошибка P>\z\
X 0.2476226 0.0025763 96.12 0.000
cons 51.6534 1.862753 27.73 0.000
Таблица 8.13
Результаты OLS-оценивания для у = 9
Dependent Variable: Y\ Method: Least Squares; Sample: 1 200; Included observations: 200
Стандартная
Переменная Коэффициент /-статистика Р-значение
ошибка
16 - Series: Residuals
Sample 1 200
Observations 200
12 - Mean 2.57E-14
Median -0.084047
Maximum 7.548453
Minimum -8.985781
8 - Std. Dev. 3.128357
Skewness -0.104441
Kurtosis 2.759528
Jarque-Bera 0.845491
Probability 0.655245
Щ Д т
-8 -6 -2 2 4 8 Residuals
Рис. 8.12
Таблица 8.14
Результаты MLE-оценивания для // = 9
Стандартная Р-значение
У Коэффициент г-статистика
ошибка P>\z\
_cons 42.41768 — — —
Series: Residuals
Sample 1 200
Observations 200
Mean -5.61E-14
Median -0.086624
Maximum 8.296465
Minimum -8.422672
Std. Dev. 3.195802
Skewness -0.048526
Kurtosis 2.825867
Jarque-Bera 0.331179
Probability 0.847394
-8 -6 -2 8 Residuals
Рис. 8.13
528 Часть 4. Временные ряды ... Модель стохастической границы
Таблица 8.15
Результаты OLS-оценивания для р = 12
Dependent Variable: У; Method: Least Squares; Sample: 1 200; Included observations: 200
Стандартная
Переменная Коэффициент f-стати сти ка Р-значение
ошибка
Таблица 8.16
Результаты MLE -оценивания для р = 12
Стандартная Р-значение
У Коэффициент z-статистика
ошибка P>\z\
!ти -0.000011 — — —
Series: Residuals
Sample 1 200
Observations 200
Mean -3.75E-14
Median 0.026718
Maximum 9.558507
Minimum -8.300408
Stef. Dev. 3.298448
Skewness 0.034727
Kurtosis 2.873755
Jarque-Bera 0.173013
Probability 0.917130
Рис. 8.14
КОНТРОЛЬНЫЕ ВОПРОСЫ
Яit = /U ,,, А )£ ,,
где git — уровень эффективности фирмы i в период времени /, 0 < < 1.
шах «, = а , ы, - а - а п = ехр(-м,).
i = l,...,N
Уи = « + Р ТХ н + £». s u = vit - и ,.
У it - ( а - и ) + р тX i t + ( s it + /*)•
Если обозначить:
a-ju = a \ £it+ / i = £*t ,
то тогда
У ь = а + 0 тХ и + е 1 E(s*t ) = 0.
1 т 1 т
= - Х еи — оценка для - £ vrt - и, + ц ( - > / / - и, при Г - > оо);
1 t =1 1 t =1
Раздел 8. Модель стохастической границы 533
Для i-й фирмы базовым является уровень в период Тг Если т] > 0, то уро
вень неэффективности фирмы убывает во времени к базовому уровню. Если
7 < 0 , то уровень неэффективности возрастает до базового уровня.
Таблица 8.17
Оценка модели, инвариантной по времени
Стандартная Р-значение
Inwidgets Коэффициент г-статистика [95% Conf. Interval]
ошибка * > |г |
Стандартная P-значение
Inwidgets Коэффициент г-статистика [95% Conf. Interval]
ошибка P>\z\
Таблица 8.19
Оценка эффективности фирм по разным моделям
ПЭ ИЭ ПЭ ИЭ ПЭ ИЭ
КОНТРОЛЬНЫЕ ВОПРОСЫ
К разделу 1
Forecast [XJ
I Forecast of .. .. .....
Equation; Ш Ш Ш ) Series: X
J i " Ж 1 Cancel j
Задания для семинарских занятий... и для самостоятельной работы 541
К разделу 2
к)
"0 .6 Л
О
ГУи' | V
Уг , м = . п 1=
v0.2 0.7,
, £, =
<У2'у ,0-4, yS2t;
или
Л(Ь)у, = / л + е „
где
rl 0" '0.71 0.2Z," "1-0.71 - 0 .2 1 '
A{L) = I 2 - T \ xL =
,0 к ч0.2L 0.71, ч -0 .2 L 1-0.7Z,,
так что
\ Гб 4 ^
0.3 -0 .2
г
А(1) =
II
-0 .2 0.3 ,4 6>
Задания для семинарских занятий... и для самостоятельной работы 543
Т -к
Вычислите скорректированное значение Irstat = 2(1х-1 2)—- — и при
мените LK-критерий с этим значением статистики, ориентируясь на асим
птотическое хи-квадрат распределение этой статистики с числом степеней
свободы, равным количеству зануляемых коэффициентов.
В рамках объекта Var для VAR(2) произвести проверку рассматривае
мой гипотезы можно, используя цепочку
View —» Lag Structure —> Lag Exclusion Tests.
В появляющейся таблице указано значение скорректированной стати
стики LK-критерия и соответствующее ему P-значение, рассчитанное по
распределению хи-квадрат.
Для выбора глубины запаздываний (порядка VAR) можно использовать
также сопоставление значений информационных критериев для оцененных
VAR различных порядков. Для этого следует использовать цепочку
View —> Lag Structure —> Lag Length Criteria;
при этом следует указать максимально возможную глубину запаздываний.
6. Оцените уравнение
Yxt = cx+ axYXt_x + bxY2t_x+ e Xt,
и проверьте гипотезу Ъх = 0.
Оцените уравнение
Y 2t = C2 + a 2 Y \ , t - l + ^ 2 * 2 , t - 1 + S 2t
и проверьте гипотезу а2 = 0 .
Сравните результаты оценивания этих уравнений с результатом оцени
вания модели VAR( 1). Почему полученные результаты совпадают?
Создайте группу из рядов у \ и у2. Нажмите кнопку View и выберите:
Granger Causality. В открывшемся окне установите количество запаздыва
ний, равное порядку авторегрессии, и нажмите ОК. Получите протокол,
имеющий вид таблицы (табл. 3-1).
546 Часть 4. Временные ряды... Модель стохастической границы
Таблица 3-1
Pairwise Granger Causality Tests
Sample: 1 100
Lags: 1
Null Hypothesis'. Obs F-Statistic Prob.
YI does not Granger Cause Y\ 98 14.0588 0.0003
YI does not Granger Cause YI 9.57407 0.0026
1-0.61 0 -0 .5 L
0 1-0.61 -0.25 L
0 -0.25 L 1-0.6 L
det A(L) - (1 - 0.6LY - (1 - 0.61)0.252/,2 (1 - 0.6L)(1 - 0.85Z)(1 - 0.35Z)
1
*уравнение detA(z) = 0 имеет корни — соответственно
0.6 0.85 0.35
*модель стабильна.
Задания для семинарских занятий... и для самостоятельной работы 547
п ,= 0 ^22,1 0 , п 2 — 0 * 2 2 ,2 0
V
0 ^32,1 0
J ^ 3 1 ,2 0 * 3 3 ,2 ;
548 Часть 4. Временные ряды... Модель стохастической границы
X 2t = 0 . 5 ^ t_ i + £ 4t9 X 2 l = 0,
"0.1 0 "
о
о
B(L) = B0 + BXL. + L=
(N
о
,0 0.4, V
0.2 0.4 L
так что
0.1 0.2
В(1) = В0 + В , =
,0.2 0.4,
Матрица долгосрочных мультипликаторов равна:
"б 4" "0.1 0 .2 " "1.4 2.8"
С(\) = А ~1(1)5(1) =
,4 6, ,0.2 0.4, ,1.6 3.2,
/ Xj \
''5.2^ "1.4 2.8"
= +
4^2, ,4.8, ,1.6 3.2, VХ 2л у
т.е.
у х= 5.2 + 1.4*! + 2.8jc2,
у 2 = 4.8 + 1.6*! + 3.2х2.
Смоделируйте реализации этой открытой системы в случае, когда хи
и x2t — независимые друг от друга Л/?(1 )-ряды,
xXt = 0.1xxt_x+ vXp x2 t = 0.5x2j _x+ v 2n vlr и v2t~ i.i.d N(0, 1).
В качестве начальных значений при моделировании возьмите:
х \ 1 = х 2\ ~ У\\ = 5-2, У2\ = 4.8.
3. Создайте объект System под именем sj^Ol и специфицируйте ее как модель
VAR( 1) с 4 переменными Х хп Х2п Ущ У*-
XI = С( 1)+с(2)*х 1(-1 )+с(3)*х2( - 1 )+с(4)*у 1(-1 )+с(5)*у2(-1)
XI = С(6)+с(7)*х 1(-1 )+с(8)*х2(-1)+с(9)*у 1(-1 )+с( 10)*у2(-1)
Y\ = С( 11 )+с( 12)*х 1(-1 )+с( 13)*х2(-1)+с( 14)*у 1(-1 )+с( 15)*у2(-1)
Y2 = С (16 )+ с(1 7 )* х 1 (-1 )+ с(1 8 )* х 2 (-1 )+ с(1 9)*^ 1(-1)+ с(20)^ 2(-1)
Оцените эту систему методом наименьших квадратов по смоделиро
ванным ранее данным. Создайте объект Var под именем var 1 и специфи
цируйте ее как модель VAR( 1) с теми же переменными, оцените эту мо
дель. Сравните результаты оценивания системы sysOl и модели var 1 . (Они
совпадают.) Проведите диагностику остатков в оцененной модели var 1 .
Подтвердите правильность выбора порядка модели, сравнивая ее с моде
лями более высокого порядка.
Для проверки гипотезы о том, что переменные YXt и Y2t не являются
причиной по Грейнджеру для переменной^,, оцените уравнение
Таблица 3-3
Таблица 3-4
D (Y\) D(Y2)
Таблица 3-5
Таблица 3-6
1 5
y i t = - y \ , t - l + - y 2 , t - \ + U2 f
К разделу 4
Таблица 3-7
Стандартная Р-значение
Inoutput Коэффициент Z-статистика [95% Conf. Interval]
ошибка P>\z\
Здесь
sigma_v2 — оценка для crv2;
sigma_u2 — оценка для crw
2;
gamma а 1у ;
— оценка для у = —
П рилож ение
Таблица П-1
Значения индекса ММВБ (Московской межбанковской валютной биржи)
в период с 18 сентября 2007 г. по 14 февраля 2008 г. (ряд IND)
ТаблицаП-2
Квартальные данные об индексе реального объема
сельскохозяйственного производства (1993:01 = 100) за 12-летний период
с I квартала 1994 г. по IV квартал 2005 г. (ряд AGRO)
Таблица П-3
Квартальные данные об импорте товаров и услуг
в Российскую Федерацию за 12-летний период с I квартала 1994 г.
по IV квартал 2005 г., млрд долл. (ряд IMP)
Таблица П-4
Квартальные данные о количестве безработных в России
за период с I квартала 1994 г. по IV квартал 1997 г., млн человек (ряд UNEMP)
Таблица П-5
Квартальные данные о размерах совокупной прибыли
нефинансовых корпораций США (до уплаты налогов)
за период с I квартала 1985 г. по I квартал 1989 г.,
млрд долл. (ряд PROFITS)
1989/1 246.3
Таблица П-6
Квартальные данные об объеме валового
национального продукта США за период с I квартала 1947 г.
по IV квартал 1961 г. (ряд GNP)
Таблица П-7
Смоделированные данные к заданию 21 (ряды Y1 и У2)
t Yl Yl t Yl Yl t Yl Yl
Таблица П-8
Данные об объемах продаж медицинских препаратов,
произведенных фармацевтической фирмой Lydia Pinkham (SALES),
о расходах фирмы на рекламу этих препаратов (ADVER)
и о совокупном располагаемом личном доходе (INC)
Год SALES ADVER INC Год SALES ADVER INC Год SALES ADVER INC
1907 1016 608 — 1925 3438 1800 73.0 1943 2602 1164 133.5
1908 921 451 29.5 1926 2917 1941 77.4 1944 2518 1102 146.8
1909 934 529 30.2 1927 2359 1229 77.4 1945 2637 1145 150.4
1910 976 543 30.5 1928 2240 1373 77.5 1946 2177 1012 160.6
1911 930 525 31.9 1929 2196 1611 83.1 1947 1920 836 170.1
1912 1052 549 33.9 1930 2111 1568 74.4 1948 1910 941 189.3
1913 1184 525 34.8 1931 1806 983 63.8 1949 1984 981 189.7
1914 1089 578 35.8 1932 1644 1046 48.7 1950 1787 974 207.7
1915 1087 609 40.2 1933 1814 1453 45.7 1951 1689 766 227.5
1916 1154 504 47.8 1934 1770 1504 52.0 1952 1866 920 238.7
1917 1330 752 55.2 1935 1518 807 58.3 1953 1896 964 252.5
1918 1980 613 62.3 1936 1103 339 66.2 1954 1684 811 256.9
1919 2223 862 63.3 1937 1266 562 71.0 1955 1633 789 274.4
1920 2203 866 71.5 1938 1473 745 65.7 1956 1657 802 292.9
1921 2514 1016 60.2 1939 1423 749 70.4 1957 1569 770 308.8
1922 2726 1360 60.3 1940 1767 862 76.1 1958 1390 639 317.9
1923 3185 1482 69.7 1941 2161 1034 93.0 1959 1387 644 337.3
1924 3351 1608 71.4 1942 2336 1054 117.5 1960 1289 564 351.8
Литература
Литература к разделу 1
1. Андерсон Т. (1976). Статистический анализ временных рядов. М.: Мир.
2. Бокс Дж., Дженкинс Г. (1974). Анализ временных рядов. Прогноз и управление.
М.: Мир. Вып. 1, 2. (Русский перевод издания: Box G.E.P., Jenkins G.M. (1970)
Time series analysis: Forecasting and control, San Francisco: Holden-Day.)
3. Носко В.П., Бузаев A.B., Кадочников П. А., Пономаренко С.С. (2003). Анализ про
гнозных свойств структурных моделей и моделей с включением результатов оп
росов предприятий, сравнение с прогнозами по моделям временных рядов. Науч
ные труды № 64. М.: ИЭПП.
4. Энтов P.M., Носко В.П., Юдин А.Д., Кадочников П.А., Пономаренко С.С. (2002).
Проблемы прогнозирования некоторых макроэкономических показателей. М.: ИЭПП.
5. Box G.E.P., Jenkins G.M., Reinsel G.C. (2008). Time Series Analysis: Forecasting and
Control. 4th Edition. Wiley.
6 . Beveridge S., Nelson C. (1981). A new approach to decomposition of economic times
series into permanent and transitory components with particular attention to the meas
urement of the business cycle // Journal of Monetary Economics. Vol. 7. P. 151 — 174.
7. Campbell J.J., Perron P. (1991). Pitfalls and Opportunities: What Macroeconomists
should know about Unit Roots // Macroeconomics Annual. 1991. NBER. P. 141—201.
8 . Clements M.P., Hendry D.F. (1996). Multi-step estimation for forecasting // Oxford
Bulletin of Economics and Statistics. Vol. 58. № 4. P. 657—684.
9. Clements Michael P., Hendry D.F. (1998a). Forecasting Economic Processes // Interna
tional Journal of Forecasting. Vol. 14. № 1. P. I ll — 131.
10. Clements M.P., Hendry D.F. (1998b). Forecasting Economic Time Series. Cambridge:
Cambridge University Press. (The Marshall Lectures on Economic Forecasting.)
11. Clements M.P., Hendry D.F. (2000). Forecasting with difference-stationary and trend-
stationary models. Discussion Paper Series, Number 5. Department of Economics,
University of Oxford.
12. Clements M.P., Hendry D.F. (2001). Forecasting Non-stationary Economic Time Se
ries. Cambridge, Massachusetts: The MIT Press.
13. Dickey D.A., Bell W.R., Miller R.B. (1986). Unit Roots in Time Series Models: Tests
and Implications // American Statistica. Vol. 40. P. 12—26.
14. Diebold F.X. (1998). The Past, Present and Future of Macroeconomic Forecasting //
Journal of Economic Perspectives. Vol. 12. № 2. P. 175— 192.
564 Часть 4. Временные ряды... Модель стохастической границы
15. Diebold F.X., Kilian L. (2000). Unit-Root Tests Are Useful for Selecting Forecasting
Models // Journal of Business and Economic Statistics. Vol. 18. № 3. P. 265—273.
16. Diebold F.X., Mariano R.S. (1995). Comparing Predictive Accuracy // Journal of Busi
ness & Economic Statistics. Vol. 13. № 3. P. 253—63.
17. Enders W. (1995). Applied Econometric Time Series. New York: Wiley.
18. Granger C.W.J., Newbold P. (1986). Forecasting Economic Time Series. Second Edi
tion. New York: Academic Press.
19. Gregory A.W., Smith G.W., Yetman J. (2001). Testing for Forecast Consensus // Jour
nal of Business and Economic Statistics. Vol. 19. № 1. P. 34—43.
20. Hamilton J.D. (1994). Time Series Analysis. Princeton. Princeton University Press.
21. Harvey D.I., Leybourne S.J., Newbold P. (1998). Tests for Forecast Encompassing //
Journal of Business and Economic Statistics. Vol. 16. № 2. P. 254.
22. Kumar K , Gill D.S. (2000) On Forecasting Economic Time Series Data: A Compara
tive Study // Indian Journal of Economics. Vol. 81. P. 265—273.
23. Snyder R.D., Ord J.K, Koehler A.B. (2001) Prediction Intervals for ARIMA Models //
Journal of Business and Economic Statistics. Vol. 19. № 2. P. 217—225.
24. Stock J.H. (1996). VAR, Error Correction and Pretest Forecasts at Long Horizons //
Oxford Bulletin of Economics and Statistics. Vol. 58. № 4. P. 685—701.
25. Stock J.H., Watson M.W. (1996). A Comparison of Linear and Nonlinear Univariate
Models for Forecasting Macroeconomic Time Series // Journal of Business and Eco
nomic Statistics. Vol. 14. № 1. P. 11—30.
26. Swanson N.R., White H. (1997). Forecasting Economic Time Series Using Flexible
versus Fixed Specification and Linear versus Nonlinear Econometric Models // Interna
tional Journal of Forecasting. Vol. 13. № 4. P. 439—461.
27. Wallis K.F., Whitley J.D. (1991). Sources of Error in Forecasts and Expectations: UK
economic models 1984-8 //Journal of Forecasting. Vol. 10. P. 231—253.
28. West KD. (2001). Tests for Forecast Encompassing When Forecasts Depend on
Estimated Regression // Journal of Business and Economic Statistics. Vol. 19. № 1.
P. 29— 33.
Литература к разделу 2
1. Bernanke В.S., Blinder A.S. (1992). The Federal Funds Rate and the Channels of
Monetary Transmission // American Economic Review. Vol. 82. P. 901—921.
2. Blanchard O., Quah D. (1989). The Dynamic Effects of Aggregate Demand and Sup
ply Disturbances // The American Economic Review. Vol. 79 (4). P. 655—673.
3. Campbell J.Y, Perron P. (1991). Pitfalls and Opportunities: What Macroeconomists
Should Know About Unit Roots // NBER Macroeconomics Annual 1991. Vol. 6 / eds.
O.J. Blanchard, S. Fischer. Cambridge: MIT Press. January 1992.
4. Christiano L.J., Eichenbaum М., Evans C. (1998). Monetary Policy Shocks: What
Have We Learned and to What End? // NBER Working Paper, 6400/1998.
5. Clements M.P., Hendry D.F. (1999). Forecasting Non-stationary Economic Time series
// MIT Press. Cambridge; Massachusetts; London, 1999.
6 . Diebold F.X., Kilian L. (2000). Unit-root tests are useful for selecting forecasting mod
els // Journal of Business and Economic Statistics. Vol. 18. 265—273.
7. Eichenbaum M. (1992). Comment on Interpreting the Macroeconomic Time Series Facts:
The Effects of Monetary Policy // European Economic Review. Vol. 10. P. 1001 — 1011.
8 . Favero C.A. (2001). Applied macroeconometrics // Oxford University Press. Oxford:
xi + 282 pp.
Литература 565
9. Favero С., Giavazzi F., SpaventaL (1997). High Yelds: the Spread on German Interest
Rates // Economic Journal. Vol. 107. P. 956— 986.
10. Gali J. (1992). Variability of Durable and Nondurable Consumption: Evidence for Six
O.E.C.D. Countries // Review of Economics & Statistics. Vol. 75 (3). P. 418—28.
11. Hamilton J.D. (1994). Time Series Analysis // Princeton University Press. Princeton.
12. Lucas R.E. Jr. (1978). Macro-economic Policy Evaluation: A Critique // Camegi-Rochester
Conference Series on Public Policy. Vol. 1. P. 19—46.
13. Lee J., Shin B.S., In C. (1996). Causality between Advertising and Sales: New Evidence
from Cointegration // Applied Economic Letters. Vol. 3. P. 299—301.
14. Leeper E.M., Sims C.A., Zha T. (1996). What Does Monetary Policy Do? // Brookings
Papers on Economic Activity. 1996. Issue 2. P. 1—63.
15. Marcet A. (2001). Overdifferencing VAR’s is Ok // Working Paper. UPF (Universitat
Pompeu Fabra, Barcelona).
16. McCallum (1983). A Reconsideration of Sims’ Evidence Regarding Monetarism //
Economics Letters. Vol. 13. 167— 171.
17. Mehra Y.P. (1978). Is Money Exogenous in Money-Demand Equations // Journal of
Political Economy. Vol. 86 . № 2. Part 1. P. 211—228.
18. Mellander E., VredinA., Warne A. (1993). Stochastic Trends and Economic Fluctuations
in a Small Open Economy // Journal of Applied Econometrics. Vol. 7. Issue 4. P. 369—94.
19. Phillips (1995). Impulse Response and Forecast Error Variance Asymptotics in Nonsta-
tionary VAR’s // Cowles Foundation Discussion Paper 1102.
20. Shapiro M, Watson M. (1988). The sources of business cycle fluctuations: NBER
Chapters // NBER Macroeconomics Annual. 1988. Vol. 3. P. I ll — 156. National Bureau
of Economic Research, Inc.
21. Sims C. (1972). Money, Income, and Causality // American Economic Review. Vol. 62.
P. 540—552.
22. Sims C.A. (1980). Comparison on Interwar and Postwar Cycles: Monetarism Revisited //
American Economic Review. 1980. May. P. 250—257.
23. Sims C.A. (1980). Macroeconomics and reality // Econometrica. Vol. 48 (1). P. 1—48.
24. Sims C.A. (1992). Interpreting the Macroeconomic Time Series Facts: the Effects
of Monetary Policy // European Economic Review. Vol. 36. P. 975— 1011.
25. Sims C.A., Zha T.A. (1998). Does monetary policy generate recessions? // Working
Paper 98-12. Federal Reserve Bank of Atlanta.
26. Toda H.Y., Phillips P.C.B. (1994). Vector autoregression and causality: A theoretical
overview and simulation study // Econometric Reviews. Vol. 13. P. 259—285.
27. Toda H.Y., Yamamoto T. (1995). Statistical inferences in vector autoregressions with
possibly integrated processes // Journal of Econometrics. Vol. 66 . 225—50.
Литература к разделу 3
1. Carrion-i-Silvestre J.L., Sanso-i-Rossello A.S. (2004). Testing the Null Hypothesis of
Cointegration with Structural Breaks // Unpublished Manuscript. Department
d’Econometria. Estadistica i Economia Espanyola. Universitat de Barcelona.
2. Corradi V. (1995). Nonlinear transformations of integrated time series: a reconsidera
tion // Journal of Time Series Analysis. Vol. 16. 1995. P. 539—549.
3. Engle R.F., Granger C.W.J. (1987). Co-integration and Error Correction: Representa
tion, Estimation and Testing // Econometrica. Vol. 55. № 2. P. 251—276.
4. Ermini L., Granger C. W.J. (1993). Some Generalizations on the Algebra of 1(1) Proces
ses // Journal of Econometrics. Vol. 58. P. 369—384.
566 Часть 4. Временные ряды... Модель стохастической границы
5. Granger C.W.J., Hallmann J. (1988). The algebra of 1(1) // Finance and Economics
Discussion Series. Vol. 45. Board of Governors of the Federal Reserve System (U.S.).
6 . Granger C.W.J., Hallmann J. (1991). Nonlinear transformations of integrated time
series // Journal of Time Series Analysis. Vol. 12. P. 207—224.
7. Kramer W., Davies L. (2002). Testing for unit roots in the context of misspecified loga
rithmic random walks // Economics Letters. Vol. 74. P. 313—319.
8. Phillips P.C.B. (1987). Time Series Regression with a Unit Root // Econometrica. Vol. 55.
P. 277—301.
9. Phillips P.C.B., Hansen B.E. (1990). Statistical Inference in Instrumental Variables
Regression with 1(1) Processes // Review of Economic Studies. Vol. 57(1). P. 99— 125.
10. Phillips P.C.B., Loretan M. (1991). Estimating long-run economic equilibria // Review
of Economic Studies. Vol. 58. P. 407—436.
11. Saikkonen P. (1991). Asymptotically effcient estimation of cointegration regressions //
Econometric Theory. Vol. 7. P. 1—21.
12. Stock J.H., Watson M. W. (1993). A simple estimator of cointegrating vectors in higher
order integrated systems // Econometrica. Vol. 61. P. 783—820.
Литература к разделу 4
1. Aigner D.J., Chu S.F. (1968). On estimating the industry production function // Ameri
can Economic Review. Vol. 58. P. 826—839.
2. Aigner D., Lovell K , Schmidt P. (1977). Formulation and Estimation of Stochastic
Frontier Function Models // Journal of Econometrics. Vol. 6 . P. 21—37.
3. Alfirman L. (2003). Estimating Stochastic Frontier Tax Potential: Can Indonesian Local
Governments Increase Tax Revenues Under Decentralization? // Working Paper
No. 03— 19. Center for Economic Analysis, Department of Economics, University of
Colorado.
4. Battese G.E., Coelli T.J. (1992). Frontier Production Function, technical efficiency and
panel data: with application to Paddy Farmers in India // Journal of Productivity Analy
sis. P. 153— 169.
5. BroeckJ. van den, Fersund F.R., Hjalmarsson L., Meeusen W. (1980). On the estima
tion of deterministic and stochastic frontier production functions // Journal of Econo
metrics. Vol. 13. P. 117— 138.
6 . Dugger R. (1974). An application of bounded nonparametric estimating functions to
the analysis of bank cost and production functions. Unpublished Ph.D. dissertation
(University of North Carolina. Chapel Hill, NC).
7. Farrell M.J. (1957). The measurement of productive efficiency // Journal of the Royal
Statistical Society (Series A, general). Vol. 120. № 3. P. 253—281.
8 . Schmidt P. (1976). On the statistical estimation of parametric frontier production func
tions // Review of Economics and Statistics. Vol. 58. P. 238—239.
9. Timmer C.P. (1971). Using a probabilistic frontier production function to measure
technical efficiency // Journal of Political Economy. Vol. 79. P. 776—794.
10. Голованъ С.В., Карминский A.M., Пересецкий А.А. (2007). Факторы, влияющие на
эффективность российских банков // Модернизация экономики и государство /
отв. ред. Е.Г. Ясин; Гос. ун-т — Высшая школа экономики. В 3 кн. Кн. 2. М.: Изд.
дом ГУ—ВШЭ. С. 188—206.
Глоссарий
К разделу 1
К разделу 2
К разделу 3
К разделу 4
ЭКОНОМЕТРИКА
Книга 2
ISBN 978-5-7749-0655-0
9 78 5 7 7 4 9 0 6 5 5 0