Классификация нелинейных функций

различают два класса нелинейных регрессий:

1) регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам. Примером этого класса моделей могут служить полиномы разных степеней у = а + вх + сх²; у = а + вх + сх²+ dх³, а также равносторонняя гипербола

у = в + а/х.

2) нелинейные регрессии по оцениваемым параметрам:

-степенная у = а х^в

-показательная у = а в^х

-экспоненциальная у = е ^{а+ вх}.

Первый класс моделей (нелинейных по переменным) не таит каких-либо сложностей в оценке ее параметров. Она определяется, как и в линейной регрессии, методом наименьших квадратов (МНК), ибо эти функции линейны по параметрам. Так, в параболе у = а + вх + сх², заменяя переменные х₁=х, а х₂=х², получаем двухфакторное уравнение линейной регрессии у = а + вх₁ + сх₂. Соответственно для полинома третьего порядка получим трехфакторную модель линейной регрессии и так далее.Следовательно, полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров. Среди нелинейной полиномиальной регрессии чаще всего используется парабола второй степени, в отдельных случаях – полином третьего порядка. Ограничения в использовании полиномов более высоких степеней связаны с требованием однородности совокупности: чем выше порядок полинома, тем больше изгибов имеет кривая и, соответственно, тем менее однородна совокупность по результативному признаку.

Для равносторонней гиперболы мы можем заменить 1/х на z и получим линейное уравнение регрессии, оценка параметров которого может быть дана МНК.

Иначе обстоит дело со вторым классом моделей, то есть с регрессией, нелинейной по оцениваемым параметрам. Данный класс нелинейных моделей можно разделить на два типа: а) нелинейные модели внутренне линейные и б) нелинейные модели внутренне нелинейные.

Если модель внутренне линейна, то она с помощью соответствующих преобразований может быть приведена к линейному виду. Пример – степенная функция у = а х^в. Данная модель нелинейна относительно оцениваемых параметров, так как включает параметры а и в неаддитивно. Однако ее можно считать внутренне линейной, ибо логарифмирование данного уравнения приводит его к линейному виду. Соответственно оценки параметров а и в могут быть найдены МНК.

Внутренне нелинейной будет модель вида у = а + вх^с, так как ее невозможно превратить в линейный вид никакими преобразованиями переменных.

Как и в парной зависимости, возможны разные виды уравнений множественной регрессии: линейные и нелинейные. Ввиду четкой интерпретации параметров уравнения наиболее широко используются линейные и степенные функции. Линейная модель в форме является аддитивной. Это означает, что в основе модели лежит гипотеза о том, что каждый фактор что-то добавляет или отнимает от значения результативного признака. Например, если у – это урожайность сельскохозяйственной культуры, а х₁, х₂ и х₃ – агротехнические факторы: дозы удобрений, число прополок, поливов и т.п., то каждый из этих факторов либо повышает, либо понижает величину урожайности, причем последняя могла бы существовать и без этих факторов.

Однако аддитивная модель пригодна не для любых связей в экономике. Если, например, изучается зависимость объема продукции предприятия от занимаемых площадей, числа работников, стоимости основных фондов (или всего капитала), то каждый из факторов является необходимым для существования результата, а не добавлением к нему. В таких ситуациях нужно исходить из гипотезы о мультипликативной форме модели:

Такая модель по ее первым создателям получила название модель Кобба-Дугласа. Это степенная функция и, как мы уже знаем, показатели степени при факторах являются коэффициентами эластичности. Они показывают, на сколько процентов изменяется в среднем результат с изменением соответствующего фактора на 1 процент при неизменности других факторов. Решение степенной функции методом наименьших квадратов требует предварительной ее линеаризации. Как было рассмотрено ранее (лекция 4), линеаризация степенных функций проводится с помощью логарифмирования ее переменных.

Степенные множественные функции часто используются как производственные функции, где результатом выступают объемы производства, а факторами – используемые ресурсы (трудовые ресурсы, основные производственные фонды, машины, текущие затраты и т.п.). Экономический смысл здесь имеют не только коэффициенты эластичности по каждому фактору, но и их сумма

B = b₁+b₂

Эта величина фиксирует обобщенную характеристику эластичности производства (показывает, на сколько процентов в среднем увеличиваются объемы производства при увеличении всех факторов на 1%).

Возможны и другие линеаризуемые функции для построения уравнения множественной регрессии. Например,

экспонента

или гипербола

Стандартные компьютерные программы обработки регрессионного анализа позволяют перебирать различные функции и выбирать ту из них, для которой остаточная дисперсия и ошибка аппроксимации минимальные. Однако следует помнить, что чем сложнее сама функция, тем менее интерпретируемы ее параметры. При сложных полиномиальных функциях необходимо соблюдать соотношение между числом объясняющих переменных и объемом совокупности. Так, полином второй степени с двумя факторами

y = a + b₁x₁ + b₂x₂ +b₁₁x₁²+ b₂₂ x₂ ²+ b₁₂x₁x₂

требует не менее 40-50 наблюдений.

Уравнение нелинейной регрессии, так же как и в линейной зависимости, дополняется показателем тесноты связи, а именно – индексом корреляции R

(4.18)

где -общая дисперсия результативного признака;

- остаточная дисперсия.

Учитывая связь дисперсии с объемом вариации, можно легко доказать, что индекс корреляции через объемы вариации определяется следующим образом:

Индекс детерминации используется для проверки существенности уравнения нелинейной регрессии в целом по F-критерию Фишера

F = (4.20)

где п – число наблюдений;

т – число параметров при переменных х.

9. Эконометрическое моделирование одномерных и многомерных временных рядов

Временной ряд – это совокупность значений какого-либо показателя за несколько последовательных моментов (периодов) времени. Реальные данные временного ряда могут складываться при одновременном влиянии трех перечисленных компонент, факторы уровней временного ряда по характеру воздействия можно условно разбить на три группы:

1) факторы, формирующие тенденцию ряда (Т);

2) факторы, формирующие циклические колебания ряда (S);

3) случайные факторы (E).

В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма компонент, называется аддитивной. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной. Основная задача эконометрического исследования отдельного временного ряда – выявление и придание количественного выражения каждой из перечисленных выше компонент, с тем чтобы использовать полученную информацию для прогнозирования будущих значений ряда.

Процесс построения модели включает в себя следующие шаги:

1. Выравнивание исходного ряда методом скользящей средней

2. Расчет значений сезонной компоненты

3. Устранение сезонной компоненты из исходных уровней ряда и получение выравненных данных (Т+Е) в аддитивной модели или (Т*Е) в мультипликативной модели.

4. Аналитическое выравнивание уровней (Т+Е) или (Т*Е) и расчет значений Т с использованием поученного уравнения тренда.

5. Расчет полученных по модели значений (Т+S) или (Т*S)

6. Расчет абсолютных и/или относительных ошибок. Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок E для анализа взаимосвязи ряда и других временных рядов.

Выбор между аддитивной моделью и мультипликативной осуществляется на основе анализа изменения амплитуды колебаний (если в динамике амплитуда колебаний увеличивается или уменьшается, то мультипликативная модель).

Прогнозное значение уровня временного ряда в аддитивной модели - это сумма трендовой и сезонной компонент (по тренду, подставив в уравнение t_n, определяем значение T и складываем с соответствующим этому t_n значением сезонной компоненты S).

Прогнозное значение временного ряда в мультипликативной модели – это произведение трендовой и сезонной компонент. Для определения T используем уравнение тренда и умножаем на соответствующее прогнозируемому периоду значение сезонной компоненты S.

Изучение взаимосвязи экономических переменных по данным временных рядов осложнено тем, что в этих рядах может быть тенденция. Если в ряду динамики переменной у и в ряду динамики х есть компонента «Т», то в результате мы получим тесную связь между у и х. Однако из этого факта еще нельзя делать вывод о том, что изменение х есть причина изменения у, то есть что между этими изменениями есть причинно-следственная связь.

Чтобы выявить причинно-следственную зависимость между переменными, необходимо устранить ложную корреляцию между ними, вызванную наличием тенденции.

Существует несколько способов исключения тенденции в рядах динамики. Первый способ называется метод отклонений от тренда. Пусть имеется у_t= Т + е и х_t= Т + е. Проводится аналитическое выравнивание каждого ряда: и , где Т_у и Т_х – это оценки трендовых компонент. Затем определяется остаток в каждом наблюдении и

, так как остаточная компонента не содержит тенденции. Далее изучается зависимость между самими остатками е_у=f(е_х). Если между переменными есть связь, то она проявится в согласованном изменении остатков. Недостатком данного способа является то, что содержательная интерпретация параметров такой модели затруднительна. Однако модель может быть использована для прогнозов и, кроме того, коэффициент парной корреляции между остатками отразит связь переменных.

Второй способ преодоления тенденции в рядах динамики – это метод последовательных разностей. Если временной ряд содержит ярко выраженную линейную тенденцию, то для ее устранения можно заменить исходные уровни разностями первого порядка, то есть цепными абсолютными приростами: и . Далее прирост у рассматривается как функция прироста х: .

Третьим способом является включение в модель регрессии фактора времени: y_t= a+b₁x₁+ b₂ t. В данном случае коэффициенты чистой регрессии легко интерпретируются, имеют естественные единицы измерения. Коэффициент b₁ покажет на сколько единиц изменится результат при единичном изменении фактора при условии существования неизменной тенденции; коэффициент b₂ отразит влияние всех прочих факторов, формирующих тенденцию, кроме x₁. Однако данный способ построения регрессионной модели требует большего объема наблюдений, так как в модели появляется еще один параметр.

10. Системы эконометрических уравнений, методы их оценивания

Для описания реальных экономических систем, где статистические показатели находятся во взаимодействии и взаимосвязи, применяются системы эконометрических уравнений.

В данных системах случайные переменные называют эндогенными, т.е. внутренними, так как они формируют свои значения внутри модели. Признаки, считающиеся заданными, известными, неслучайными получили название экзогенных, или внешних для данной системы. Один и тот же признак может быть эндогенным в одной задаче и экзогенным – в другой.

Структурная форма модели:

Структурная форма модели содержит при эндогенных переменных коэффициенты , экзогенных переменных – , которые называются структурными коэффициентами модели. Все переменные в модели выражены в отклонениях от среднего уровня:

,

поэтому свободные члены в системе отсутствуют.

Приведенная форма модели:

Алгоритм косвенного метода наименьших квадратов:

1) привести систему к виду, чтобы в правой части оставались только экзогенные переменные. Такая форма называется приведенной;

2) затем применить метод наименьших квадратов к каждому уравнению в приведенной форме и получить оценки ее параметров;

3) перейти от приведенной формы к структурной, проведя процедуру обратного преобразования параметров.

Эта методика позволяет получать состоятельные и несмещенные оценки параметров структурной форму системы одновременных уравнений.

При переходе от приведенной к структурной форме возникает проблема идентификации, то есть однозначности определения параметров структурной модели от приведенной формы. Переход необходим, поскольку экономический смысл и интерпретацию имеют только параметры структурной формы.

Условия идентифицируемости проверяются для каждого уравнения в отдельности.

Счетное (необходимое) условие идентифицируемости:

Чтобы уравнение было идентифицируемым, нужно, чтобы:

1+n_x=n_y,

где n_x – число экзогенных переменных, содержащихся в системе, но отсутствующих в данном уравнении системы;

n_y – число эндогенных переменных в данном уравнении.

Если 1+n_x<n_y, уравнение неидентифицируемо;

1+n_x>n_y, то уравнение сверхидентифицируемо.

Ранговое условие идентифицируемости (достаточное):

Для разрешимости системы структурных уравнений достаточно, чтобы ранг матрицы, составленной из коэффициентов эндогенных и экзогенных переменных, отсутствующих в данном уравнении, но присутствующих в других уравнениях системы, был не меньше, чем число эндогенных переменных в системе без одного, а определитель этой же матрицы не был равен нулю.

Наиболее широко системы одновременных уравнений применяются для моделирования макроэкономики. Большинство из них построено на основе кейнсианских моделей. Статическая модель Кейнса для описания народного хозяйства страны в наиболее простом варианте имеет следующий вид (в современных показателях системы национального счетоводства России):

где С – конечное потребление в постоянных ценах;

у – валовой располагаемый национальный доход (ВРНД) в постоянных ценах;

– случайная составляющая;

I – валовые инвестиции в постоянных ценах (валовое сбережение).

Второе уравнение является тождеством, поэтому структурный коэффициент b не может быть больше 1. Он характеризует предельную склонность к потреблению.

Система приведенных уравнений:

Приведенная форма модели содержит мультипликаторы:

- инвестиционный мультипликатор потребления:

;

- инвестиционный мультипликатор национального дохода:

.

Мультипликаторы интерпретируются как коэффициенты линейной регрессии, т.е. они показывают, на сколько единиц изменится эндогенная переменная, если экзогенная переменная изменится на единицу.

Двухшаговый метод наименьших квадратов является универсальным, позволяет решать как точно идентифицируемые, так и сверхидентифицируемые системы структурных уравнений. Значимость этого метода определяется тем, что он позволяет решать сверхидентифицируемые системы, оценить которые косвенным методом нельзя.

Сверхидентифицируемые системы бывают двух типов:

· все уравнения системы сверхидентифицируемы;

· система содержит наряду со сверхидентифицируемыми точно идентифицируемые уравнения.

Для второго типа в отношении идентифицируемых уравнений может применяться косвенный метод наименьших квадратов, для сверхидентифицируемых уравнений и систем, где все уравнения сверхидентифицируемы, следует применять двухшаговый метод наименьших квадратов.

Двухшаговый метод наименьших квадратов реализуется в следующей последовательности:

1) сначала, так же, как и при косвенном методе нужно привести систему к приведенной форме;

2) затем применить метод наименьших квадратов к каждому уравнению в приведенной форме и получить оценки ее параметров;

3) находят расчетные значения эндогенных переменных, подставляя значения экзогенных переменных в соответствующие приведенные уравнения по всем единицам совокупности.

4) подставляют в структурную форму фактические значения экзогенных переменных и тех эндогенных переменных, которые находятся в левой части, и расчетные значения эндогенных переменных, находящихся в правой части системы, а затем применяют метод наименьших квадратов. Замена фактических значений эндогенных переменных, находящихся в правой части системы, решает проблему их коррелированности с ошибками регрессии.

Динамическая модель Кейнса:

(7.2.39)

где – валовой располагаемый национальный доход;

– конечное потребление домашних хозяйств;

– валовой национальный доход;

– (ВРНД) предыдущего года t;

– конечное потребление государственных учреждений;

– валовое накопление основного капитала;

– изменение запасов материальных оборотных средств и чистое приобретение ценностей;

– сальдо платежного баланса (чистые трансферты, полученные от «остального мира»).

Параметр а отражает влияние других, не учтенных факторов потребления. Первое уравнение является сверхидентифициуемым, второе и третье – тождествами.

Динамические модели обязательно содержат в правой части лаговые переменные. А также возможен учет тенденции, т.е. в модель может быть включен фактор времени. Например, модель Клейна в упрощенном варианте рассматривается как коньюктурная модель:

(7.2.40)

где – конечное потребление домашних хозяйств;

– оплата труда наемных работников;

– валовая прибыль и валовые смешанные доходы;

– валовая прибыль и валовые смешанные доходы в предыдущий период;

– ВРНД;

– ВРНД в предыдущий период;

t – время;

– чистые трансферты и чистые доходы от собственности;

– валовые инвестиции в постоянных ценах (валовое сбережение);

– конечное потребление государственных учреждений.

Модель содержит пять эндогенных переменных, расположенных в левой части: – , , , и , определяемую по первому тождеству; три экзогенные переменные – , , t и две предопределенных, лаговых переменных – и . Как и большинство моделей такого типа, данная модель сверхидентифицируема и решается двухшаговым методом наименьших квадратов. Для интерпретации параметров и прогнозных целей используется, как и в модели Кейнса, приведенная форма модели:

(7.2.41)

Коэффициенты этой системы переменных при обычных переменных и являются мультипликаторами. Коэффициенты – мультипликаторы чистых трансфертов () относительно конечного потребления домашних хозяйств (), валового сбережения (), оплаты труда (), ВРНД () и валовой прибыли и валовых смешанных доходов (). А коэффициенты являются мультипликаторами соответствующих эндогенных переменных.

Для оценки надежности параметров структурной формы может применяться дисперсионный анализ. Проверку значимости целесообразно проводить еще на стадии получения системы приведенных уравнений. Продолжать реализацию косвенного и двухшагового методов следует лишь в случае получения значимых приведенных уравнений.

Поиск по сайту: