Отметим, что существует множество классификаций эконометрических моделей в зависимости от выбранных признаков классификации. Ниже приводится достаточно простая и удобная классификация.
1.6.1. По структуре уравнений регрессии
1). Аддитивные (полиноминальные) уравнения регрессии представляются в виде суммы базисных функций с соответствующими коэффициентами:
(1.10)
где {¦ j (х j)} - совокупность базисных (координаторных) функций, и задаваемых априорно.
Пример:
2). Мультипликативная форма в виде произведения базисных функций
(1.11)
Примером такой модели является модель Брандона:
– математическое ожидание (экспериментальное среднее).
1.6.2. По способу учета динамики:
|
|
1). Динамические многофакторные, с явным выделением временного фактора t:
(1.12)
2). Динамические с неявным заданием временных зависимостей через регрессоры:
(1.13)
3). Динамические с лаговыми переменными.
(1.14)
здесь t – временной лаг (запаздывание); m – число тактов запаздывания.
4). Статические.
(1.15)
Замечание: Введение в модель лаговых переменных – весьма эффективный прием, который позволяет наряду с основным («быстрым») временем t, учесть динамические процессы с большей постоянной времени, т.е. «медленное» время а, значит, предысторию процесса, что важно в эконометрических объектах [ 1,5,6].
1.6.3. По виду связи между
Можно выделить модели:
1. Регрессионные (аддитивные и мультипликативные).
2. Системы одновременных уравнений – когда модель состоит не из одного уравнения, а нескольких, т.е. в правой части этих уравнений стоят компоненты векторов , и следовательно четко не разделены причины и следствия.
3.Рекурсивные – частичный случай системы одновременных уравнений. В рекурсивных моделях система одновременных уравнений «расщепляются» по рекуррентному алгоритму.
1.6.4. По алгоритму оценки параметров модели
|
|
1. Неадаптивные (метод наименьших квадратов, поисковые методы, алгоритмы нечеткой регрессии, и др.)[1].
2. Адаптивные (обучаемые, включая нейросетевые модели).
Замечание: На практике классификационные признаки могут «переплетаться», т.е. использоваться комбинированные (гибридные) модели, например нейро-нечеткие [14], нечеткие регрессионные [15] и др.
Типы данных
1.7.1. Данные пространственного типа
База данных состоит из кортежей:
которые образуют матрицу. Каждая строка матрицы – это кортеж (или вектор -строка таблицы исходных данных).
Здесь основное требование – независимость наблюдений {y j } между собой, т.е. {yj} – случайные (измеренные независимо) величины в данном фиксированном временном срезе, где t=const, это влечет за собой условие отсутствие коррелированности возмущений.
(1.16)
– коэффициент либо индекс корреляции.
Как определить, является ли база данных серией независимых наблюдений? Однозначного ответа нет, т.е. это условие реально труднопроверяемо. Считается, что {Yi} не должны быть связаны причинно [5].
Совокупность кортежей для всех наблюдений i= (таблица) в фиксированном временном срезе есть входные данные пространственного типа.
1.7.2. Временной (динамический) ряд
Здесь наблюдения упорядочены во времени: {Уt}, t=t1,t2,….ti,…tn, где ti>ti-1.
а). Чаще всего Dt = ti - ti-1 = const. Тогда в записи указывается только номер временного интервала; {Уt}- временной ряд.
б). Временной ряд может быть многомерным: {Уt, х1t,…xnt} (), т.е. другими словами, если наблюдаются одновременно несколько независимых случайных величин в каждом временном срезе, t=t0, то имеем многомерный временной ряд:
Данные типа многомерного временного ряда
Таблица 1.1.
ti | t1 | t2 | …. | tn |
yi | y1 | y2 | …. | yn |
хi | х1 | х2 | …. | хn |
zi | z1 | z2 | …. | zn |
Данные типа многомерных временных рядов имеют место в многофакторных прогнозных моделях.