Приведенный ниже график показывает динамику изменения совокупного располагаемого дохода DPI и объемов продаж SALES лыжного инвентаря в США (квартальные данные; DPI — в млрд долларов, SALES — в млн долларов, в ценах 1972 г.).
Оценивание линейной модели связи указанных переменных дает следующие результаты.
Dependent Variable: SALES | ||||
Method: Least Squares | ||||
Sample: 1964:1 1973:4 | ||||
Included observations: 40 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | 29.97613 | 6.463626 | 4.637665 | 0.0000 |
DPI | 0.108402 | 0.036799 | 2.945768 | 0.0055 |
R-squared | 0.185904 | Mean dependent var | 48.94571 | |
Adjusted R-squared | 0.164481 | S. D. dependent var | 3.852032 | |
S. E. of regression | 3.521017 | Akaike info criterion | 5.404084 | |
Sum squared resid | 471.1074 | Schwarz criterion | 5.488528 | |
Log likelihood | –106.0817 | F-statistic | 8.677546 | |
Durbin-Watson stat | 1.874403 | Prob (F-statistic) | 0.005475 |
Коэффициент при переменной статистически значим. Однако график стандартизованных остатков (приведенный для удобства в двух формах)
обнаруживает явную неадекватность построенной модели имеющимся наблюдениям. Однако характер этой неадекватности таков, что он не улавливается критерием Дарбина-Уотсона: значение статистики Дарбина-Уотсона близко к . И это не удивительно: за положительными остатками с равным успехом следуют как положительные, так и отрицательные остатки, что соответствует практическому отсутствию корреляции между соседними ошибками и подтверждается диаграммой рассеяния
|
|
(Здесь — переменная, образованная остатками от подобранной модели линейной связи, а — переменная, образованная запаздывающими на один квартал значениями переменной .)
В то же время, налицо отрицательная коррелированность остатков для наблюдений, отстоящих на два квартала, и положительная — для наблюдений, отстоящих на четыре квартала:
В отличие от критерия Дарбина-Уотсона, критерий Бройша-Годфри «замечает» такую коррелированность: допуская коррелированность ошибок для наблюдений, разделенных двумя кварталами, получаем , что ведет к безусловному отклонению гипотезы о независимости ошибок.
Обратим теперь внимание на весьма специфическое поведение остатков. Все остатки, соответствуюшие первому и четвертому кварталам, положительны, а все (за исключением двух) остатки, соответствующие второму и третьему кварталам, отрицательны. Такое положение, конечно, просто отражает тот факт, что спрос на зимний спортивный инвентарь возрастает в осенне-зимний период и снижается в весенне-летний период года, т. е. имеет сезонный характер.
Построенная нами модель не учитывает фактор сезонности спроса и потому оказывается неадекватной. Вследствие этого, такая модель не может, в частности, использоваться для прогнозирования объема спроса в зависимости от величины совокупного располагаемого дохода.
|
|
Для коррекции моделей связи в подобных ситуациях часто привлекают искусственно построенные переменные — «фиктивные переменные» («dummy» variables). В нашем случае в качестве такой дополнительной переменной можно взять, например, переменную , значение которой равно для первого и четвертого кварталов и равно для второго и третьего кварталов. Добавление такой переменной в качестве объясняющей позволяет учесть сезонные колебания спроса. Оценивание расширенной модели дает следующие результаты.
Dependent Variable: SALES | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | 26.21787 | 3.152042 | 8.317742 | 0.0000 |
DPI | 0.112653 | 0.017847 | 6.312227 | 0.0000 |
DUMMY | 6.028524 | 0.539997 | 11.16399 | 0.0000 |
R-squared | 0.813644 | Mean dependent var | 48.94571 | |
Adjusted R-squared | 0.803571 | S. D. dependent var | 3.852032 | |
S. E. of regression | 1.707233 | Akaike info criterion | 3.979663 | |
Sum squared resid | 107.8419 | Schwarz criterion | 4.106329 | |
Log likelihood | -76.59327 | F-statistic | 80.77244 | |
Durbin-Watson stat | 1.452616 | Prob (F-statistic) | 0.000000 | |
Оцененное значение коэффициента при переменной фактически означает, что спрос на лыжный инвентарь в течение первого и четвертого кварталов возрастает по сравнению со спросом в течение второго и четвертого кварталов в среднем примерно на млн долларов (в ценах 1972 г.). Следующий график иллюстрирует качество подобранной расширенной модели.
На сей раз значение для статистики критерия Бройша-Годфри равно против прежнего значения , так что этот критерий теперь не отвергает гипотезу независимости случайных ошибок .
По-существу, мы подобрали две различные модели линейной связи между и :
модель
для весенне-летнего периода;
модель
для осенне-зимнего периода.
При этом, предельная склонность к закупке лыжного инвентаря в обеих моделях остается одинаковой и оценивается величиной .
Замечание. Вместо подбора отдельных моделей для осенне-зимнего и весенне-летнего периодов можно было бы заняться подбором отдельных моделей для каждого из четырех кварталов года. С этой целью в качестве дополнительных объясняющих переменных можно взять, например, переменные , принимающие значение , соответственно, в четвертом, первом и втором кварталах, и равные нулю в остальных кварталах. При оценивании такой расширенной модели для наших данных оказывается незначимым коэффициент при , что означает близость в среднем уровней продаж во втором и в третьем кварталах. Более того, оказываются близкими оценки коэффициентов при переменных и . Гипотеза о совпадении двух последних коэффициентов не отвергается, и в итоге мы возвращаемся к модели с одной фиктивной переменной , которую мы уже оценили ранее.
Использование фиктивных переменных полезно при анализе агрегированных (объединенных) данных, полученных при объединении наблюдений, относящихся к различным полам (мужчины и женщины), к различным возрастным, языковым и социальным группам, к различным периодам времени. В таких ситуациях модели, построенные по отдельным группам, могут существенно различаться, и тогда модель, построенная по объединенным данным, не учитывает этого различия. Привлечение фиктивных переменных позволяет оценить значимость такого различия и по результатам этой оценки остановиться на модели с агрегированными данными или на модели, в которой учитывается различие параметров связи для различных групп (периодов времени).
В качестве примера, попробуем построить модель связи между переменными и , которые в 15 наблюдениях имели следующие значения:
X | Z | X | Z | X | Z |
1 | 1.257 | 6 | 0.865 | 11 | 1.804 |
2 | 1.812 | 7 | 1.930 | 12 | 1.956 |
3 | 3.641 | 8 | 2.944 | 13 | 3.134 |
4 | 4.401 | 9 | 4.316 | 14 | 4.649 |
5 | 5.561 | 10 | 5.323 | 15 | 4.559 |
Этим данным соответствует приведенная ниже диаграмма рассеяния;
Прямая на диаграмме соответствует подобранной модели связи
|
|
;
- статистика для коэффициента при принимает значение , что дает и ведет к неотвержению гипотезы о равенстве этого коэффициента нулю. Регрессия переменной на переменную признается незначимой.
График указывает на наличие трех режимов линейной связи между переменными и , соответствующим 5 первым, 5 центральным и 5 последним наблюдениям. Коэффициент при кажется одинаковым для всех трех режимов, тогда как постоянные различаются.
В то же время, график остатков от подобранной модели связи явно указывает на неправильную спецификацию модели:
Чтобы учесть обнаруженное по графику остатков наличие трех режимов, привлечем в качестве дополнительных объясняющих переменных две фиктивные переменные: переменную , равную в пятицентральных наблюдениях и равную в остальных наблюдениях, а также переменную , равную в пяти последних наблюдениях и равную в остальных наблюдениях. Оценивание расширенной модели с участием этих дополнительных объясняющих переменных дает следующий результат:
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
C | 0.264368 | 0.274073 | 0.964591 | 0.3555 |
X | 1.023398 | 0.070765 | 14.46185 | 0.0000 |
D2 | -5.375960 | 0.430449 | -12.48920 | 0.0000 |
D3 | -10.34806 | 0.748910 | -13.81749 | 0.0000 |
R-squared | 0.950286 | Mean dependent var | 3.210213 | |
Durbin-Watson stat | 2.205754 | Prob (F-statistic) | 0.000000 | |
На этот раз регрессия оказывается не только статистически значимой, но и имеет очень высокую значимость; то же относится и к коэффициентам при переменных , и . Высокая значимость двух последних коэффициентов подтверждает значимое отличие констант в моделях линейной связи между переменными и .
В заключение обратимся опять к примеру, рассмотренному в параграфе 3.3. Мы обнаружили там, что модель линейной связи
оказалась неудовлетворительной, поскольку анализ остатков от оцененной модели выявил гетероскедастичность и автокоррелированность ошибок и отличие распределения ошибок от нормального. Приведенные там график зависимости стандартизованных остатков от номера наблюдений и его вариант в виде зависимости от года наблюдения указывают на явную разницу в поведении остатков в первой части периода наблюдений (до 1972 года) и во второй его части (1973-1985 годы). Такое различие в поведении остатков свидетельствует о том, что в 1973 году произошел структурный сдвиг в экономической ситуации, связанный с мировым топливо-энергетическим кризисом, который изменил характер связи между рассматриваемыми макроэкономическими факторами. Последнее могло, например, выразиться в изменении значений параметров при переходе ко второй части периода наблюдений. Возможность такого изменения учитывает расширенная модель
|
|
Здесь
- фиктивная переменная, равная для (что соответствует периоду с 1959 по 1972 год) и равная для (что соответствует периоду с 1973 по 1985 год),
- фиктивная переменная, равная для и равная для ,
- переменная, равная для и равная для ,
- переменная, равная для и равная для ,
- переменная, равная для и равная для ,
- переменная, равная для и равная для .
Заметим, что при этом
В рамках расширенной модели проверим гипотезу
используя -критерий. Значению -статистики соответствует -значение , так что гипотеза отвергается, и это говорит об изменении хотя бы одного из параметров при переходе ко второй части периода наблюдений. Поскольку оценки параметров и статистически незначимы (им соответствуют -значения и ), проверим гипотезу о равенстве нулю обоих этих параметров. Получаемое -значение означает, что последняя гипотеза не отвергается, так что допуская изменение параметров модели при переходе ко второй части периода наблюдений, можно вообще отказаться от включения в модель переменной и ограничиться моделью
Оценивание этой модели дает следующие результаты: ,
Гипотеза здесь отвергается , как и гипотеза , так что структурный сдвиг затрагивает и постоянную и коэффициент при .
Значение статистики Дарбина-Уотсона равно и не выявляет автокоррелированности ошибок. К тому же результату приводит и применение критерия Бройша-Годфри с . Критерий Уайта дает , не выявляя гетероскедастичности, а критерий Жарка-Бера дает , не выявляя существенных отклонений распределения ошибок от нормального.
Вспомним, однако, про критерий Голдфелда-Квандта. Опять выделяя периоды с 1960 по 1969 год и с 1976 по 1985 год, получаем значение -статистики , соответствующее , так что на сей раз и этот критерий не обнаруживает существенной гетероскедастичности.
Тем самым, мы имеем основания принять в качестве возможной модели наблюдений, объясняющей изменения объема совокупного потребления на периоде с 1959 по 1985 год, оцененную модель
Эту модель можно также записать в виде
Соответственно последней форме записи такая модель называется двухфазной линейной регрессией ( или линейной моделью с переключением). Заметим, наконец, что допустив возможность изменения постоянной и коэффициента при при переходе ко второй части периода наблюдений, мы можем допустить при этом и изменение дисперсии ошибок, т.е. полагать, что для и для . Оценки для и в этом случае равны, соответственно, и .
ЗАКЛЮЧЕНИЕ
В рамках короткого вводного курса мы успели рассмотреть только основы построения и статистического анализа моделей связи между экономическими факторами. Базовым являлось предположение о том, что объясняющие переменные являются неслучайными величинами, на которые накладываются случайные ошибки, имеющие нормальное распределение.
Отказ от предположения нормальности распределения ошибок в модели наблюдений во многих ситуациях компенсируется возможностью использовать изложенные методы при “больших выборках”, т.е. при большом количестве наблюдений. Отказ от предположения о неслучайном характере объясняющих переменных чреват более серьезными последствиями и требует применения более тонких и сложных методов статистического анализа, изучение которых, в свою очередь, требует существенных знаний в области теории вероятностей и математической статистики. Особенно это относится к исследованию связей между переменными, эволюционирующими во времени (временными рядами).
Как уже отмечалось в Предисловии, заинтересованный читатель может обратиться далее к цитировавшейся там книге К.Доугерти, где в доступной форме изложены некоторые вопросы, связанные с неслучайностью объясняющих переменных, моделированием динамических процессов и оцениванием систем одновременных уравнений. Полезно также обратиться к книге Я.Р.Магнуса, П.К.Катышева и А.А.Пересецкого (1997), в которой те же вопросы изложены в более компактном, но и более формальном виде. Затем можно ознакомиться с основами статистического анализа временных рядов, обратившись к книге С.А.Айвазяна и В.С.Мхитаряна (1998). Разнообразные эконометрические модели и методы анализа этих моделей обсуждаются в книге W. H. Green (1993). Подробный обзор современных методов статистического анализа связей между временными рядами, имеющими выраженный тренд, имеется в книге Maddala G.,S., Kim In-Moo (1999), однако чтение этой книги требует существенной математической подготовки. В приводимом ниже списке литературы перечислены и некоторые другие руководства различной степени сложности, изданные в последнее десятилетие.
СПИСОК ЛИТЕРАТУРЫ
Айвазян С.А., Мхитарян В.С. (1998), Прикладная статистика и основы эконометрики. М., ЮНИТИ.-1022 с.
Магнус Я.Р., Катышев П.К., Пересецкий А.А. (1997), Эконометрика. Начальный курс. 3-е изд. М., Дело.-400 с.
Доугерти Кристофер (1997), Введение в эконометрику. Пер. с англ.- М., ИНФРА-М.- XIV, 402 c.
Maddala G.L., Kim In-Moo (1999), Unit Roots, Cointegration, and Structural Change. Cambridge Univ. Press.
Davidson R., MacKinnon J.G. (1993), Estimation and Inference in Econometrics. Oxford Univ. Press.
Hatanaka M. (1996), Time-Series Based Econometrics. Unit Root and Cointegration. Oxford Univ. Press.
Green W.H. (1993), Econometric Analysis (second edition). Macmillan Publishing Company.
Johnston, J., DiNardo J. (1997), Econometric Methods. McGraw-Hill, Inc.
[1] В литературе по эконометрике математическое ожидание случайной величины X обозначают иногда символом M (X), а для дисперсии случайной величины X используют также обозначения Var (X) и V (X).
[2] Заметим, что в этом и других подобных выражениях знак £ можно свободно заменять знаком <, а знак ³ знаком > (и обратно), поскольку мы всегда предполагаем существование функции плотности распределений рассматриваемых случайных величин.