Особенности эконометрического метода

Эконометрическая модель — основное понятие эконометрии, экономико-математическая модель, параметры которой оцениваются с помощью методов математической статистики. Она выступает в качестве средства анализа и прогнозирования конкретных экономических процессов как на макро-, так и на микроэкономическом уровне на основе реальной статистической информации.

Наиболее распространены эконометрические модели, представляющие собой системы регрессионных уравнений, в которых отражается зависимость эндогенных величин (искомых) от внешних воздействий (текущих экзогенных величин) в условиях, описываемых параметрами модели, а также лаговыми переменными. Кроме регрессионных (как линейных, так и нелинейных) уравнений, применяются и другие математико-статистические модели.

Эконометрическая модель может быть представлена в двух формах: структурной и приведенной. В наиболее общем виде любую эконометрическую модель, построенную в виде системы линейных уравнений.

Эконометрический метод включает решение следующих проблем2:

качественный анализ связей экономических переменных - выделение зависимых и независимых переменных;

подбор данных;

оценка параметров модели;

проверка ряда гипотез о свойствах распределения вероятностей для случайной компоненты (гипотезы о средней, дисперсии и ковариации);

анализ мультиколлинеарности объясняющих переменных, оценка ее статистической значимости, выявление переменных, ответственных за мультиколлинеарность;

введение фиктивных переменных;

выявление автокорреляции, лагов;

выявление тренда, циклической и случайной компонент;

проверка остатков на гетероскедастичность;

анализ структуры связей и построение системы одновременных уравнений;

проверка условия идентификации;

оценивание параметров системы одновременных уравнений (двухшаговый и трехшаговый метод наименьших квадратов, метод максимального правдоподобия);

моделирование на основе системы временных рядов: проблемы стационарности и коинтеграции;

построение рекурсивных моделей, ARIMA- и VAR- моделей;

• проблемы идентификации и оценивания параметров.

Эконометрическая модель, как правило, основана на теоретическом предположении о круге взаимосвязанных переменных и характере связи между ними. При всем стремлении к «наилучшему» описанию связей приоритет отдается качественному анализу.

Поэтому в качестве этапов эконометрического исследования можно указать3:

постановку проблемы;

получение данных, анализ их качества;

спецификацию модели;

оценку параметров;

интерпретацию результатов.

Этот список менее подробен, чем предыдущий, и включает те стадии, которые проходит любое исследование, независимо от того, на использование каких данных оно ориентировано: пространственных или временных.

Понятие эконометрических уравнений

Например, если изучается модель спроса как соотношение цен и количества потребляемых товаров, то одновременно для прогнозирования спроса необходима модель предложения товаров, в которой рассматривается также взаимосвязь между количеством и ценой предлагаемых благ. Это позволяет достичь равновесия между спросом и предложением.

В еще большей степени возрастает потребность в использовании системы взаимосвязанных уравнений, если мы переходим от исследований на микроуровне к макроэкономическим расчетам. Модель национальной экономики включает в себя следующую систему уравнений: функции потребления, инвестиций заработной платы, тождество доходов и т.д. Это связано с тем, что макроэкономические показатели, являясь обобщающими показателями состояния экономики, чаще всего взаимозависимы.

Так, расходы на конечное потребление в экономике зависят от валового национального дохода. Вместе с тем величина валового национального дохода рассматривается как функция инвестиций.

Система уравнений в эконометрических исследованиях может быть построена по-разному4.

Возможна система независимых уравнений, когда каждая зависимая переменная y рассматривается как функция одного и того же набора факторов x: y1 = a11x1 + a12x2 +…+a1mxm+ e1, y2 = a21x1 + a22x2 +…+a2mxm+ e2 yn = an1x1 + an2x2 +…+anm xm+ en.

Набор факторов x1 в каждом уравнении может варьировать. Например, модель вида y1 = f (x1,x2, x3, x4, x5,);y2 = f (x1, x3, x4, x5,);y3 = f (x2, x3, x5,);y4 = f (x3, x4, x5,).

Также является системой независимых уравнений с тем лишь отличием, что набор факторов в ней видоизменяется в уравнениях, входящих в систему. Отсутствие того или иного фактора в уравнении системы может быть следствием как экономической нецелесообразности его включения в модель, так и несущественности его воздействия на результативный признак (незначимо значение t-критерия или F - критерия для данного фактора).

Каждое уравнение системы независимых уравнений может рассматриваться самостоятельно. Для нахождения его параметров используется метод наименьших квадратов по существу, каждое уравнение этой системы является уравнением регрессии. Поскольку никогда нет уверенности, что факторы полностью объясняют зависимые переменные, в уравнениях присутствует свободный член a0. Так как фактические значения зависимой переменной отличаются от теоретических на величину случайной ошибки, в каждом уравнении присутствует величина случайной ошибки.

В итоге система независимых уравнений при трех зависимых переменных и четырех факторах имеет вид: y1 = a01 + a11x1 + a12 x2 + a13 x3 + a14 x4 + e1,y2 = a02 + a21x1 + a22 x2 + a23 x3 + a24 x4 + e2,y3 = a03 + a31x1 + a32 x2 + a33 x3 + a34 x4 + e3.

Однако если зависимая переменная у одного уравнения выступает в виде фактора х в другом уравнении, то исследователь может строить модель в виде системы рекурсивных уравнений5: y1 = a11x1 + a12 x2 + … + a1m xm + e1,y2 = b21y1 + a21x1 + a22 x2 + … + a2m xm + e2,y3 = b31y1 + b32y2 + a31x1 + a32 x2 + … + a3m xm + e3, yn = bn1y1 + bn2y2 + bnn-1yn-1 + an1x1 + an2 x2 + … + anm xm + en.

В данной системе зависимая переменная у включает в каждое последующее уравнение в качестве факторов все зависимые переменные предшествующих уравнений наряду с набором собственно факторов х. Примером такой системы может служить модель производительности труда и фондоотдачи вида

y1 = a11x1 + a12 x2 + a13 x3 + e1,y2 = b21y1 + a21x1 + a22 x2 + a23 x3 + e2

где у1 - производительность труда;

у2 - фондоотдача;

х1 - фондовооружонность труда;

х2 - энерговооружонность труда;

х3 - квалификация рабочих.

Как и в предыдущей системе, каждое уравнение может рассматриваться самостоятельно, и его параметры определяются методом наименьших квадратов.

Наибольшее распространение в эконометрических исследованиях получила система взаимозависимых уравнений. В ней одни и те же зависимые переменные в одних уравнениях входят в левую часть, а в других уравнениях - в правую часть системы: y1 = b12* y2 + b13* y3 +… + b1n * yn + a11 * x1 + a12 * x2 +…+ a1m xm + e1,y2 = b21* y1 + b23* y3 +… + b2n * yn + a21 * x1 + a22 * x2 +…+ a2m xm + e2, yn = bn1* y1 + bn2* y2 +… + bnn-1 * yn-1 + an1 * x1 + an2 * x2 +…+ anm xm + en.

Система взаимозависимых уравнений получила название система совместных, одновременных уравнений. Тем самым подчеркивается, что в системе одни и те же переменные у одновременно рассматриваются как зависимые в одних уравнениях и как независимые в других. В эконометрике эта система уравнений называется также структурной формой модели. В отличие от предыдущих систем каждое уравнение системы одновременных уравнений не может рассматриваться самостоятельно, и для нахождения его параметров традиционный МНК неприменим. С этой целью используются специальные приемы оценивания.

Примером системы одновременных уравнений может служить модель динамики цены и заработной платы вида y1 = b12y2 + a11x1 + e1, y2 = b21y1 + a22x2 + a23 x3 + e2,

где у1 - темп изменения месячной заработной платы;у2 - темп изменения цен;х1 - процент безработных;х2 - темп изменения постоянного капитала;х3 - темп изменения цен на импорт сырья.

В рассмотренных классах систем эконометрических уравнений структура матрицы коэффициентов при зависимых переменных различна.

Представим систему эконометрических уравнений в матричном виде:

BY + ГX = E,

где В - матрица коэффициентов при зависимых переменных;

Y - вектор зависимых переменных;

Г - матрица параметров при объясняющих переменных;

Х - вектор объясняющих переменных;

Е - вектор ошибок.

Если матрица В диагональная, то рассматриваемая модель является системой независимых уравнений. Так, при трех зависимых и трех объясняющих переменных модель имеет вид: y1 = a01 + a11x1 + a12 x2 + a13 x3 + Е1,y2 = a02 + a21x1 + a22 x2 + a23 x3 + Е2,y3 = a03 + a31x1 + a32 x2 + a33 x3 + Е3.

Если матрица В треугольная (или может быть приведена к такому виду), то модель представляет собой систему рекурсивных уравнений. Так, если модель имеет вид: y1 = a01 + a11x1 + a12 x2 + Е1,y2 = a02 + b21y1 + a21 x1 + a23 x2 + Е2,y3 = a03 + b32y2 + a31 x1 + a32 x2 + Е2.

Т.е. зависимая переменная у1 первого уравнения участвует как объясняющая переменная во втором уравнении системы, а зависимая переменная у2 второго уравнения рассматривается как объясняющая переменная в третьем уравнении.

Если матрица В не является ни диагональной, ни треугольной, то модель представляет собой систему одновременных уравнений. Так, для модели вида y1 = a01 + b12y2 + a11x1 + a12 x2 +Е1,y2 = a02 + b21y1 + b23y3 + a23x3+ Е2,y3 = a03 + b31y1 + a32x2 + a33x3+Е3.

Применение систем эконометрических уравнений

Применение систем эконометрических уравнений представляет собой непростую задачу.

Проблемы здесь происходят из-за ошибок спецификации. Основной областью применения эконометрических моделей является построение макроэкономических моделей экономики целой страны. Это, главным образом, мультипликаторные модели кейнсианского типа. Более совершенными по сравнению со статическими моделями являются динамические модели экономики, которые содержат в правой части лаговые переменные и учитывают тенденцию развития (фактор времени). Значительные трудности создает невыполнение условия независимости факторов, которое в корне нарушается в системах одновременных (взаимозависимых) уравнений6.

Использование корреляционно-регрессионного анализа в контексте структурного моделирования — это попытка подойти к выделению и измерению причинных связей переменных. Для этого следует сформулировать гипотезы о структуре влияний и корреляции. Такая система причинных гипотез и соответствующих взаимосвязей изображается графом, вершины которого — это переменные (причины или следствия), а дуги — причинные отношения. Верификация гипотез требует установления соответствия между графом и системой уравнений, описывающей этот граф.

Структурные модели эконометрики представляются системой линейных по отношению к наблюдаемым переменным уравнений. Если алгебраическая система соответствует графу без контуров (петель), то она является рекурсивной системой. Такая система позволяет рекуррентно определять значения входящих в нее переменных. В ней в уравнения для признака включаются все переменные, кроме тех, которые расположены выше него по графу. Соответственно формулировка гипотез в структуре рекуррентной модели довольно проста, при условии использования данных динамики. Рекурсивная система уравнений позволяет определить полные и частные коэффициенты влияния факторов. Коэффициенты полного влияния измеряют значение каждой переменной в структуре. Структурные модели позволяют оценить полное и непосредственное влияние переменных, прогнозировать поведение системы, рассчитывать значения эндогенных переменных.

Если нужно всего лишь уточнить характер связей переменных, то используют метод путевого анализа (путевых коэффициентов). В основе его лежит гипотеза об аддитивном характере (аддитивность и линейность) связей между переменными. К сожалению, применение путевого анализа в социально-экономических исследованиях затруднено тем, что не всегда линейная зависимость удовлетворительно выражает все разнообразие причинно-следственных связей в реальных системах. Значимость результатов анализа определяется правильностью построения максимально связного графа и, соответственно, изоморфной математической модели в виде системы уравнений. В то же время важным достоинством путевого анализа является возможность производить декомпозицию корреляций.

В данной главе мы рассмотрели сущность систем эконометрических уравнений, их применение. Таким образом, понятие одновременных эконометрических уравнений и методы их решения были впервые предложены норвежским экономистом Т. Хавельмо, лауреатом Нобелевской премии по экономике.

В зависимости от характера ограничений и статистической структуры переменных эконометрические модели классифицируются на линейные модели с одной, двумя и большим числом переменных, а также на пробит-модели, логит-модели, тобит-модели и др.

Применение систем эконометрических уравнений представляет собой непростую задачу.

Основной областью применения эконометрических моделей является построение макроэкономических моделей экономики целой страны. Это, главным образом, мультипликаторные модели кейнсианского типа.

1. Цель эконометрического анализа.

Экономический анализ как наука представляет собой систему специальных знаний, связанную с:

исследованием экономических процессов в их взаимосвязи, складывающихся под воздействием объективных экономических законов и факторов субъективного порядка;

научным обоснованием бизнес-планов, объективной оценкой их выполнения;

выявлением положительные и отрицательных факторов и количественным измерением их действия;

раскрытием тенденций и пропорций хозяйственного развития, определением неиспользованных внутрихозяйственных резервов;

принятием оптимальных управленческих решений.

Наиболее важные моменты анализа - установление взаимосвязи, взаимозависимости и взаимообусловленности причин и факторов.

Содержание экономического анализа как научной дисциплины вытекает из его функций:

1) изучение характера действия экономических законов, установление закономерностей и тенденций экономических явлений и процессов в конкретных условиях предпринимательства;

2) научное обоснование текущих и перспективных планов;

3) контроль за выполнением планов и управленческих решений, экономным использованием ресурсов;

4) поиск резервов повышения эффективности производства;

5) оценка результатов работы предприятия по выполнению планов, достигнутого уровня развития экономики, использование имеющихся возможностей;

6) разработка мероприятий по использованию выявленных резервов.

1. Регрессионные модели.

Регрессионная модель — это параметрическое семейство функций, задающее отображение

где — пространтсво параметров, — пространство свободных переменных, — пространство зависимых переменных.

Так как регрессионный анализ предполагает поиск зависимости матожидания случайной величины от свободных переменных , то в её состав входит аддитивная случайная величина :

Предположение о характере распределения случайной величины называются гипотезой порождения данных. Эта гипотеза играет центральную роль в выборе критерия оценки качества модели и, как следствие, в способе настройки параметров модели.

Модель является настроенной (обученной) когда зафиксированы её параметры, то есть модель задаёт отображение

для фиксированного значения .

Различают математическую модель и регрессионную модель. Математическая модель предполагает участие аналитика в конструировании функции, которая описывает некоторую известную закономерность. Математическая модель является интерпретируемой — объясняемой в рамках исследуемой закономерности. При построении математической модели сначала создаётся параметрическое семейство функций, затем с помощью измеряемых данных выполняется идентификация модели — нахождение её параметров. Известная функциональная зависимость объясняющей переменной и переменной отклика — основное отличие математического моделирования от регрессионного анализа. Недостаток математического моделирования состоит в том, что измеряемые данные используются для верификации, но не для построения модели, вследствие чего можно получить неадекватную модель. Также затруднительно получить модель сложного явления, в котором взаимосвязано большое число различных факторов.

Регрессионная модель объединяет широкий класс универсальных функций, которые описывают некоторую закономерность. При этом для построения модели в основном используются измеряемые данные, а не знание свойств исследуемой закономерности. Такая модель часто неинтерпретируема, но более точна. Это объясняется либо большим числом моделей-претендентов, которые используются для построения оптимальной модели, либо большой сложностью модели. Нахождение параметров регрессионной модели называется обучением модели.

Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными

.

Примеры регрессионных моделей: линейные функции, алгебраические полиномы, ряды Чебышёва, нейронные сети без обратной связи, например, однослойный персептрон Розенблатта, радиальные базисные функции и прочее.

И регрессионная, и математическая модель, как правило, задают непрерывное отображение. Требование непрерывности обусловлено классом решаемых задач: чаще всего это описание физических, химических и других явлений, где требование непрерывности выставляется естественным образом. Иногда на отображение накладываться ограничения монотонности, гладкости, измеримости, и некоторые другие. Теоретически, никто не запрещает работать с функциями произвольного вида, и допускать в моделях существование не только точек разрыва, но и задавать конечное, неупорядоченное множество значений свободной переменной, то есть, превращать задачи регрессии в задачи классификации.

1. Системы взаимозависимых моделей.

Системы взаимозависимых моделей наиболее полно описывают экономическую систему, содержащую, как правило, множество взаимосвязанных эндогенных и экзогенных переменных. Такие модели задаются системой взаимозависимых уравнений следующего вида (п – число эндогенных переменных, т – число экзогенных переменных):

Для нахождения параметров системы взаимозависимых уравнений используются более сложные методы: двух - и трехшаговый метод наименьших квадратов, методы максимального правдоподобия с полной и неполной информацией, методы математического программирования и др.

1. Рекурсивные системы.

1. Модели временных рядов.

модели временных рядов могут иметь различные формы и представлять различные стохастические процессы. При моделировании изменений уровня процесса можно выделить три широких класса имеющих практическую ценность: авторегрессионые модели, интегральные модели и модели скользящего среднего. Эти три класса линейно зависят от предшествующих данных. На их основе построены модели авторегрессионного скользящего среднего (Autoregressive Moving Average, ARMA) и авторегрессионного интегрированного скользящего среднего (Autoregressive Integrated Moving Average, ARIMA). Эти модели в свою очередь обобщает модель авторегрессионного дробноинтегрированного скользящего среднего (autoregressive fractionally integrated moving average, ARFIMA). Расширения моделей на случаи, когда данные представляются не скалярно, а векторно, называют моделями многомерных временных рядов. Для таких моделей в сокращённых названиях появляется буква «v» от слова «vector». Существуют расширения моделей на случай, когда исследуемый временной ряд является ведомым для некоторого «вынуждающего» ряда (который, однако, может не быть причиной возникновения исследуемого ряда). Отличие от многомерного ряда заключается в том, что вынуждающий ряд может быть детерминированным или управляться исследователем, проводящим эксперимент. Для таких моделей в сокращении появляется буква «x» от «exogenous» (экзогенный, вызываемый внешними причинами).

Нелинейная зависимость уровня ряда от предыдущих точек интересна, отчасти из-за возможности генерации хаотических временных рядов. Но главным всё же является то, что опытные исследования указывают на превосходство прогнозов, полученных от нелинейных модлей, над прогнозами линейных моделей.

Среди прочих типов нелинейных моделей временных рядов можно выделить модели, описывающие изменения диспресии ряда со временем (гетероскедатичность). Такиме модели называют моделями авторегрессионной условной гетероскедастичности (AutoRegressive Conditional Heteroscedasticity, ARCH). К инм относится большое количество моделей: GARCH, TARCH, EGARCH, FIGARCH, CGARCH и др. В этих моделях изменения дисперсии связывают с ближайшими предшествующими данными. Протевовесом такому подходу является представление локально изменчивой дисперсии, при котором дисперсия может быть смоделирована зависящей от отдельного менющегося со временем процесса, как в бистохастических моделях.

В последнее время знчительное внимание снискали исследования в области безмодельного анализа и методы, основанные на вейвлетных преобразованиях (например локально стационарные вейвлеты) в частности. Методы многомасштабного анализа разлагают заданный временной ряд на составные части, чтобы показать зависимость от времени с разным масштабом.

1. Эластичность.

Эласти́чность (англ. elasticity) — мера чувствительности одной переменной (например: спроса или предложения) к изменению другой (например: цены, дохода), показывающая на сколько процентов изменится первый показатель при изменении второго на 1%