В методе А. предполагается,что веса текущих лаговых значений объясняющих
переменных подчиняются палениальному распределению. bj = c0 +c1j+ c2j2 +…+
ckjk
Уравнение регрессии примет вид yt = a+c0z0+c1z1+ c2z2 + ckzk +?t, где zi
=[pic]; i=1,…,k; j=1,…,p. Расчет параметров модели с распределенным лагом
проводится по следующей схеме:
1. Устанавливается макси. величина лага l.
2. Определяется степень паленома k,описывающего структуру лага.
3. Рассчитывается значение переменных с z0 до zk.
4. Определяются параметры уравнения линейной регрессии yt(zi).
5. Рассчитываются параметры исходной модели с распределенным лагом.
Метод Койка.
В распределение Койка делается предположение, что коэффициенты при лаговых
значениях объясняющей переменной убывают в геометрической прогрессии.
bl=b0?l; l=0,1,2,3; 0??? 1. Уравнение регрессии преобразовывается к
виду:
yt=a+b0xt+b0?xt-1+b0?2xt-2+…+?t. После несложных преобразований получаем
ур-ие оценки параметров исходящего ур-ия.
Метод главных компонент.
Суть метода — сократить число объясняющих переменных до наиболее
|
|
существенно влияющих факторов. Метод главных компонент применяется для
исключения или уменьшения мультиколлинеарности объясняющих переменных
регрессии. Основная идея заключается в сокращении числа объясняющих
переменных до наиболее существенно влияющих факторов. Это достигается путем
линейного преобразования всех объясняющих переменных xi (i=0,..,n) в новые
переменные, так называемые главные компоненты. При этом требуется, чтобы
выделению первой главной компоненты соответствовал максимум общей дисперсии
всех объясняющих переменных xi (i=0,..,n). Второй компоненте — максимум
оставшейся дисперсии, после того как влияние первой главной компоненты
исключается и т. д.