Економіко-математичне моделювання
Економіко-математичне моделювання Економіко-математичне моделювання
Більша половини впливу фактора на результат реалізується з лагом довжиною 1 рік, причому 92,3 % цього впливу реалізується відразу, у поточному році. Середній лаг у моделі складає: l = 0, 923 + 0, 051⋅ 1+ 0, 026⋅ 2 = 1, 026. В середньому збільшення доходів призведе до збільшення споживання через 1,026 років. ♦ 17.4.3. Моделі адаптивних очікувань Економетричні методи, які розроблені для побудови та аналізу моделей авторегресії і моделей з розподіленим лагом, широко використовують для емпіричної верифікації макроекономічних моделей, у яких враховують очікування економічних агентів відносно значень економічних показників, які включені до моделі на момент часу t. Залежно від покладеної в основу моделі гіпотези про механізм формування цих очікувань розрізняють моделі адаптивних очікувань, неповного корегування та раціональних очікувань. Розглянемо модель адаптивних очікувань виду: yt a bxt t ∗ = + +ε , (17.27) де yt – значення результативної ознаки (наприклад, обсяг попиту на деяку продукцію); t x∗ – очікуване значення факторної ознаки у t-му періоді (наприклад, ціна окресленої продукції). У моделі адаптивних очікувань можна вважати, що очікування є зваженою середньою арифметичною величиною теперішніх цін і очікуваних цін у попередньому періоді. Механізм формування очікувань у цій моделі такий: ∗ ∗ xt =α xt + ( 1−α ) x t−1, 0
( 1 ) y ( 1 ) a ( 1 ) bx ( 1 ) ∗ −α t−1 = −α + −α t−1+ −α ε t−1. (17.32) Почленно віднімемо (17.32) від (17.30): yt −( 1−α ) yt−1 = a−( 1−α ) a+α⋅b⋅ xt +εt −( 1−α) ε t−1 (17.33) або y = α ⋅ a + α ⋅b ⋅ x + ( 1 − α) ⋅ y + u , (17.34) t t t−1 t де u = ε − ( 1− α) ⋅ε . Таким чином, ми отримали авторегресійну t t t−1 економетричну модель (17.34), яка є прикладом моделі Койка. Визначивши параметри отриманої моделі авторегресії (17.34), можна перейти до вихідної моделі (17.27). Для цього із моделі (17.34) спочатку знаходимо значення коефіцієнта очікування α, а потім розраховуємо параметри a i b моделі (17.27), використовуючи значення вільного члена та коефіцієнта регресії при факторі хt моделі (17.34). Основна відмінність моделей (17.27) і (17.34) полягає в тому, що модель (17.27) містить очікувані значення факторної змінної, які неможливо отримати емпіричним шляхом. Через це статистичні методи для оцінки параметрів моделі (17.27) не можна застосувати. В моделі (17.34) є тільки фактичні значення змінних. Її параметри можна визначити на основі наявної статистичної інформації з допомогою стандартних статистичних методів. Однак, як і у випадку з моделлю Койка, застосування МНК для оцінок параметрів рівняння (17.34) призводить до отримання їхніх зміщених оцінок, оскільки в правій частині моделі є лагові значення результативної ознаки yt-1. Використаємо аналогічне дослідження для моделі адаптивних очікувань такого виду: yt a bxt 1 t ∗ = + + +ε , (17.35) де yt – фактичне значення результативної ознаки; xt 1 ∗ + – очікуване значення факторної ознаки. Механізм формування очікувань у цій моделі такий: ∗ ∗ ∗ xt+ 1 xt ( xt xt ) − =α − (17.36) або ∗ ∗ xt+ 1 =α xt + ( 1−α ) x t , 0
- Page 525 and 526: Коэфф. Значение Ст.
- Page 527 and 528: ∗ ∗ ∗ ∗ Зробивши з
- Page 529 and 530: який має назву фонд
- Page 531 and 532: Нелінійні за змінн
- Page 533 and 534: однопараметричної
- Page 535 and 536: 6. Сформулюйте осно
- Page 537 and 538: 42. Побудуйте довірч
- Page 539 and 540: hвирахування тренд
- Page 541 and 542: Результат: ПРОСТАЯ
- Page 543 and 544: процесу до іншого а
- Page 545 and 546: hдля перевірки адек
- Page 547 and 548: Амплітудно-частотн
- Page 549 and 550: вимірювання значен
- Page 551 and 552: Стратегія вибору в
- Page 553 and 554: Сглаживание 1=линей
- Page 555 and 556: hочищення спектра -
- Page 557 and 558: Потім видається гр
- Page 559 and 560: cукупність коефіці
- Page 561 and 562: n−τ n−τ n−τ ( n −τ )
- Page 563 and 564: На момент часу t+1 су
- Page 565 and 566: що медіанний лаг ст
- Page 567 and 568: структура лага (17.4.1
- Page 569 and 570: Зазначена модель є
- Page 571 and 572: 1 0 , 669772 ⋅ = 0, 92924 . 1−
- Page 573 and 574: Далі виконаємо пер
- Page 575: Для поліному друго
- Page 579 and 580: ♦Розв’язування. Н
- Page 581 and 582: (y, тис. грн.) від сук
- Page 583 and 584: Рівняння (17.51) є мод
- Page 585 and 586: Введите параметры A
- Page 587 and 588: xt q = W ( t) + b1W ( t −1) + ...
- Page 589 and 590: При цьому ці затрим
- Page 591 and 592: T T T T T ∑αΔ K = ∑α∑β i
- Page 593 and 594: αj 0 1 2 3 T T+1 j Рис. 17.6.2.
- Page 595 and 596: виконуються не для
- Page 597 and 598: ( ΔK − ΔK ) + ρ( ΔK I ) ΔK
- Page 599 and 600: Розділ 18. Узагальне
- Page 601 and 602: 18.2. Види економетри
- Page 603 and 604: Оскільки економетр
- Page 605 and 606: 3. Зведена форма еко
- Page 607 and 608: Y Y 1t 2t = a = b 10 21 x Y 0t 1t +
- Page 609 and 610: ♦Розв’язування. П
- Page 611 and 612: рядках матриць B та
- Page 613 and 614: припущення зв’яза
- Page 615 and 616: Припустимо, що нас
- Page 617 and 618: А: А: ⎡−1 ⎢ ⎣b22 b ⎤
- Page 619 and 620: ⎡c10 c20 cn 0 ⎤ ⎢ ⎥ −1 c
- Page 621 and 622: тільки наперед виз
- Page 623 and 624: ♦Розв’язування. В
- Page 625 and 626: ⎡ 247, 6 ⎤ A 5 = ⎢ 14155, 64
( 1 ) y ( 1 ) a ( 1 ) bx ( 1 )<br />
∗<br />
−α t−1 = −α + −α t−1+ −α ε t−1.<br />
(17.32)<br />
Почленно віднімемо (17.32) від (17.30):<br />
yt −( 1−α ) yt−1 = a−( 1−α ) a+α⋅b⋅ xt<br />
+εt −( 1−α)<br />
ε t−1<br />
(17.33)<br />
або<br />
y = α ⋅ a + α ⋅b<br />
⋅ x + ( 1 − α)<br />
⋅ y + u , (17.34)<br />
t<br />
t<br />
t−1<br />
t<br />
де u = ε − ( 1− α)<br />
⋅ε<br />
. Таким чином, ми отримали авторегресійну<br />
t t<br />
t−1<br />
економетричну модель (17.34), яка є прикладом моделі Койка.<br />
Визначивши параметри отриманої моделі авторегресії (17.34),<br />
можна перейти до вихідної моделі (17.27). Для цього із моделі (17.34)<br />
спочатку знаходимо значення коефіцієнта очікування α, а потім<br />
розраховуємо параметри a i b моделі (17.27), використовуючи<br />
значення вільного члена та коефіцієнта регресії при факторі хt моделі<br />
(17.34).<br />
Основна відмінність моделей (17.27) і (17.34) полягає в тому, що<br />
модель (17.27) містить очікувані значення факторної змінної, які<br />
неможливо отримати емпіричним шляхом. Через це статистичні<br />
методи для оцінки параметрів моделі (17.27) не можна застосувати. В<br />
моделі (17.34) є тільки фактичні значення змінних. Її параметри<br />
можна визначити на основі наявної статистичної інформації з<br />
допомогою стандартних статистичних методів. Однак, як і у випадку<br />
з моделлю Койка, застосування МНК для оцінок параметрів рівняння<br />
(17.34) призводить до отримання їхніх зміщених оцінок, оскільки в<br />
правій частині моделі є лагові значення результативної ознаки yt-1.<br />
Використаємо аналогічне дослідження для моделі адаптивних<br />
очікувань такого виду:<br />
yt a bxt 1 t<br />
∗<br />
= + + +ε , (17.35)<br />
де yt – фактичне значення результативної ознаки; xt 1<br />
∗<br />
+ – очікуване<br />
значення факторної ознаки.<br />
Механізм формування очікувань у цій моделі такий:<br />
∗ ∗ ∗<br />
xt+ 1 xt ( xt xt<br />
)<br />
− =α − (17.36)<br />
або<br />
∗ ∗<br />
xt+ 1 =α xt + ( 1−α ) x t , 0