Рассмотрим общую модель с распределенным лагом, имеющую конечную максимальную величину лага l, которая описывается соотношением (7.3). Предположим, было установлено, что в исследуемой модели имеет место полиномиальная структура лага, т. е. зависимость коэффициентов регрессии bi от величины лага описывается полиномом k-й степени. Частным случаем полиномиальной структуры лага является линейная модель (рис. 7.1 а)). Примерами лагов, образующих полином 2-й степени, являются варианты рис. 7.1 г) и д). Перевернутая V-образная структура лага также может быть аппроксимирована с помощью полинома 2-й степени. Наконец, график, представленный на рис. 7.1 е), является примером модели лагов в форме полинома 3-й степени. Лаги, структуру которых можно описать с помощью полиномов, называют также лагами Алмон, по имени Ш. Алмон, впервые обратившей внимание на такое представление лагов. Формально модель зависимости коэффициентов bj от величины лага j в форме полинома можно записать в следующем виде:
• для полинома 1-й степени: ;
• для полинома 2-й степени: ;
• для полинома 3-й степени: ; и т. д.
В наиболее общем виде для полинома k-й степени имеем.
Тогда каждый из коэффициентов bj модели (7.3) можно выразить следующим образом:
;
;
и т.д.
(7.11)
Подставив в (7.3) найденные соотношения для получим:
; (7.12)
Перегруппируем слагаемые в (7.12)
(7.13)
Обозначим слагаемые в скобках при как новые переменные:
……………………………………………………………………… (7.14)
Перепишем модель (7.13) с учетом соотношений (7.14)
(7.15)
Процедура применения метода Алмон для расчета параметров модели с распределенным лагом выглядит следующим образом.
1. Определяется максимальная величина лага l.
2. Определяется степень полинома k, описывающего структуру лага.
3. По соотношениям (7.14) рассчитываются значения переменных z0…zk
4. Определяются параметры уравнения линейной регрессии (7.15).
5. C помощью соотношений (7.11) рассчитываются параметры исходной модели с распределенным лагом.
Применение метода Алмон сопряжено с рядом проблем.
Во-первых, величина лага l должна быть известна заранее. При ее определении лучше исходить из максимально возможного лага, чем ограничиваться лагами небольшой длины. Выбор меньшего лага, чем его реальное значение, приведет к тому, что в модели регрессии не будет учтен фактор, оказывающий значительное влияние на результат, т. е. к неверной спецификации модели. Влияние этого фактора в такой модели будет выражено в остатках. Тем самым в модели не будут соблюдаться предпосылки МНК о случайности остатков, а полученные оценки ее параметров окажутся неэффективными и смещенными. Выбор большей величины лага по сравнению с ее реальным значением будет означать включение в модель статистически незначимого фактора и снижение эффективности полученных оценок, однако эти оценки все же будут несмещенными.
Существует несколько практических подходов к определению реальной величины лага, например построение нескольких уравнений регрессии и выбор наилучшего из этих уравнений или применение формальных критериев, например критерия Шварца. Однако наиболее простым способом является измерение тесноты связи между результатом и лаговыми значениями фактора. Кроме того, оптимальную величину лага можно приближенно определить на основе априорной информации экономической теории или проведенных ранее эмпирических исследований.
Во-вторых, необходимо установить степень полинома k. Обычно на практике ограничиваются рассмотрением полиномов 2-й и 3-й степени, применяя следующее простое правило: выбранная степень полинома k должна быть на единицу больше числа экстремумов в структуре лага. Если априорную информацию о структуре лага получить невозможно, величину k проще всего определить путем сравнения моделей, построенных для различных значений к, и выбора наилучшей модели.
В-третьих, переменные z, которые определяются как линейные комбинации исходных переменных х, будут коррелировать между собой в случаях, когда наблюдается высокая связь между самими исходными переменными. Поэтому оценку параметров модели (7.15) приходится проводить в условиях мультиколлинеарности факторов. Однако мультиколлинеарность факторов ,..., в модели (7.15) сказывается на оценках параметров b 0,..., bl в несколько меньшей степени, чем если бы эти оценки были получены путем применения обычного МНК непосредственно к модели (7.3) в условиях мультиколлинеарности факторов . Это связано с тем, что в модели (7.15) мультиколлинеарность ведет к снижению эффективности оценок c 0,..., ck, поэтому каждый из параметров которые определяются как линейные комбинации оценок будет представлять собой более точную оценку, а стандартные ошибки этих параметров не будут превышать стандартные ошибки параметров, полученных по модели (7.3) обычным МНК.
Метод Алмон имеет два неоспоримых преимущества. Он достаточно универсален и может быть применен для моделирования процессов, которые характеризуются разнообразными структурами лагов. При относительно небольшом количестве переменных в (7.15) (обычно выбирают k = 2 или k = 3), которое не приводит к потере значительного числа степеней свободы, с помощью метода Алмон можно построить модели с распределенным лагом любой длины.