Метод Алмон

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.