В такой модели, когда происходит изменение независимой переменной х в некоторый момент времени t, такое изменение будет влиять на значения переменной ув течение k последующих моментов времени. Коэффициент при значении фактора х в момент времени t будет характеризовать среднее абсолютное изменение результативной переменной ув момент времени t при изменении фактора х в момент времени t на единицу своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора х. Он называется краткосрочным мультипликатором.
Частные промежуточные суммы, получаемые в результате сложения коэффициентов при различных значениях фактора х в различные моменты времени и выражающие в момент (t + 1) совокупное воздействие факторной переменной х в момент t на результативную переменную у и т.п., называются промежуточными мультипликаторами.
Частные от деления коэффициентов bj на b называются относительными коэффициентами модели с распределенным лагом. Если все эти коэффициенты имеют одинаковые знаки, то все они расположены в интервале между нулем и единицей. Полная сумма же всех этих коэффициентов равна единице.
По этим величинам определяют еще две важные характеристики модели множественной регрессии.
Одна из них — это величина среднего лага, представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t.
Другая — медианного лага. — это период времени, в течение которого с момента времени t будет реализована 1/2 общего воздействия фактора на результат.
Основные проблемы, препятствующие применению обычного МНК.
Поскольку текущие и лаговые значения независимой переменной чаще всего тесно связаны друг с другом, то параметры модели оцениваются в условиях мультиколлинеарности факторов, при большой величине лага уменьшается число наблюдений, по которому строится модель, и увеличивается число факторных признаков, так что происходит потеря числа степеней свободы. Наконец, в моделях с распределенным лагом часто возникает проблема автокорреляции остатков. Поэтому происходит увеличение неопределенности оценок параметров модели до значительного уровня. Также происходит снижение точности оценок и не достигаются эффективные оценки. При этих условиях невозможно выявить чистое влияние факторов на результат.
Для оценки лаговой структуры зависимостей имеется несколько методов, которые позволяют ограничить число объясняющих (факторных) переменных в уравнении регрессии. Это рациональный способ преодоления (или обхода) проблемы мультиколлинеарности, в крайнем случае таким образом удается минимизировать ее эффект.
Преодоление этих и иных подобных сложностей достигается с помощью нелинейного МНК. Есть и иной способ, который называется преобразованием Койка. Его суть заключается в том, что используется справедливость представления в виде геометрической прогрессии не только текущего значения результата, но и его предшествующего значения. Более того, такая форма зависимости предоставляет возможность анализа кратко- и долгосрочных динамических свойств модели. Стандартным для подобных технологий предельным переходом удается находить равновесный уровень и определять