- •Е.И. Ермолаева, е.И. Куимова Основы эконометрики: практикум
- •Предисловие
- •Лабораторная работа №1 Парная линейная регрессия
- •Лабораторная работа №2 Нелинейные модели парной регрессии
- •Лабораторная работа №3 Множественная регрессия
- •Лабораторная работа №4 Проверка адекватности модели регрессии по особенностям остаточных величин
- •Лабораторная работа №5 Анализ построенной модели регрессии на гетерокедастичность остатков
- •Лабораторная работа №6 Анализ динамики временных рядов
- •Лабораторная работа №7 Моделирование временных рядов с сезонными колебаниями
- •Лабораторная работа №8 Анализ взаимосвязи двух временных рядов
- •Уравнение линейной регрессии по уровням временных рядов
- •Уравнение регрессии по уровням временных рядов с включенным фактором времени
- •Уравнение регрессии по первым разностям
- •Лабораторная работа №9 Моделирование временных рядов с распределенным лагом
- •Лабораторная работа №10 Авторегрессионные модели временных рядов
- •Лабораторная работа №11 Модели систем одновременных уравнений и их составляющие
- •Проблема идентификации
- •Значения статистики Дарбина-Уотсона
- •Содержание
- •Библиографический список
Лабораторная работа №9 Моделирование временных рядов с распределенным лагом
Рассмотрим модель с распределенным лагом в ее общем виде в предположении, что максимальная величина лага конечна:
.
Данная модель говорит о том, что если в некоторый момент времени t происходит изменение независимой переменной x, то это изменение будет влиять на значения переменной y в течение l следующих моментов времени.
Коэффициент регрессии при перемеренной характеризует среднее абсолютное изменение при изменении на 1 единицу своего измерения в некоторый фиксированный момент времени , без учета воздействия лаговых значений фактора . Этот коэффициент называют краткосрочным мультипликатором.
В момент совокупное воздействие факторной переменной на результат составит условных единиц, в момент это воздействие можно охарактеризовать суммой и т. д. Полученные таким образом суммы называют промежуточным мультипликаторами.
С учетом конечной величины лага можно сказать, что изменение переменной в момент на 1 у.е. приведет к общему изменению результата через моментов времени на абсолютных единиц.
Введем следующее обозначение:
Величину называют долгосрочным мультипликатором, который показывает абсолютное изменение в долгосрочном периоде результата под влиянием изменения на 1 ед. фактора .
Предположим,
.
Назовем полученные величины относительными коэффициентами модели с распределенным лагом. Если все коэффициенты имеют одинаковые знаки, то выполняются условия и . Каждый из коэффициентов измеряет долю от общего изменения результативного признака в момент времени .
Зная величины , можно определить еще две важные характеристики: величину среднего и медианного лагов.
Средний лаг вычисляется по формуле
и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t. Небольшая величина среднего лага свидетельствует об относительно быстром реагировании результата на изменение фактора, тогда как высокое его значение говорит о том, что воздействие фактора на результат будет сказываться в течение длительного периода времени.
Медианный лаг – это величина лага, для которого . Это период времени, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат.
Лаги, структуру которых можно описать с помощью полиномов, называют лагами Алмон.
Формально модель зависимости коэффициентов от величины лага j в форме полинома можно записать так:
.
Тогда каждый из коэффициентов модели можно выразить следующим образом:
(*)
Подставив данные соотношения в модель, и перегруппировав слагаемые, получим
Введем новые обозначения
……………………………………………..
.
Тогда модель с распределенным лагом будет выглядеть следующим образом:
.
Процедура применения метода Алмон для расчета параметров модели с распределенным лагом выполняется следующим образом:
Определяется максимальная величина лага l.
Определяется степень полинома k, описывающего структуру лага.
Рассчитываются значения переменных .
Определяются параметры уравнения линейной регрессии по данным значениям и .
С помощью соотношений (*) рассчитываются параметры исходной модели с распределенным лагом .
Пример.
В таблице представлены данные по региону о месячном доходе на душу населения (x) и денежных расходах населения (y) по месяцам за 2 года.
-
y
90
95
103
115
134
132
145
156
167
178
202
214
x
120
117
132
136
155
163
174
178
188
203
231
255
y
225
237
241
244
256
271
288
289
297
312
335
347
x
246
264
278
289
295
300
305
316
332
347
376
389
Задание.
I. Построить модель с распределенным лагом используя лаги от одного до трех месяцев
При этом необходимо:
Применить обычный МНК.
Применить метод Алмон, исходя из предположения, что лаг имеет линейную структуру .
Рассчитать средний и медианный лаги.
II. Построить модель с распределенным лагом используя лаги от одного до четырех месяцев
.
При этом необходимо:
Применить обычный МНК.
Применить метод Алмон, исходя из предположения, что структура лага описывается полиномом второй степени , где
Рассчитать средний и медианный лаги.
I. Выполняем расчет для регрессии через Анализ данных/Регрессия. Для этого строим вспомогательную таблицу
|
|
|
|
|
90 |
120 |
|
|
|
95 |
117 |
|
|
|
103 |
132 |
|
|
|
115 |
136 |
132 |
117 |
120 |
134 |
155 |
136 |
132 |
117 |
132 |
163 |
155 |
136 |
132 |
145 |
174 |
163 |
155 |
136 |
156 |
178 |
174 |
163 |
155 |
167 |
188 |
178 |
174 |
163 |
178 |
203 |
188 |
178 |
174 |
202 |
231 |
203 |
188 |
178 |
214 |
255 |
231 |
203 |
188 |
225 |
246 |
255 |
231 |
203 |
237 |
264 |
246 |
255 |
231 |
241 |
278 |
264 |
246 |
255 |
244 |
289 |
278 |
264 |
246 |
256 |
295 |
289 |
278 |
264 |
271 |
300 |
295 |
289 |
278 |
288 |
305 |
300 |
295 |
289 |
289 |
316 |
305 |
300 |
295 |
297 |
332 |
316 |
305 |
300 |
312 |
347 |
332 |
316 |
305 |
335 |
376 |
347 |
332 |
316 |
347 |
389 |
376 |
347 |
332 |
90 |
120 |
132 |
117 |
120 |
Протокол расчета :
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
Множественный R |
0,997244635 |
|
|
|
|
R-квадрат |
0,994496863 |
|
|
|
|
Нормированный R-квадрат |
0,993121078 |
|
|
|
|
Стандартная ошибка |
5,802269075 |
|
|
|
|
Наблюдения |
21 |
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
4 |
97343,91021 |
24335,97755 |
722,85812 |
7,53348E-18 |
Остаток |
16 |
538,6612227 |
33,66632642 |
|
|
Итого |
20 |
97882,57143 |
|
|
|
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
|
Y-пересечение |
-8,212350419 |
4,986282848 |
-1,646988482 |
0,1190561 |
|
Переменная X 1 |
0,618169232 |
0,149223144 |
4,142582811 |
0,0007651 |
|
Переменная X 2 |
-0,056537753 |
0,206740199 |
-0,273472472 |
0,787987 |
|
Переменная X 3 |
0,323694928 |
0,20619296 |
1,569864111 |
0,136009 |
|
Переменная X 4 |
0,066599661 |
0,154758466 |
0,430345831 |
0,672684 |
|
То есть модель имеет вид
.
Удовлетворительным результат назвать нельзя, поскольку
вычисленные коэффициенты не являются статистически значимыми (вероятность ошибки их расчета значительно превышают допустимый уровень в 0,05);
коэффициенты имеют разные знаки, что противоречит здравому смыслу: влияние признака x в разные периоды не может быть разнонаправленным.
2) Применяем метод Алмон для расчета параметров модели
.
а) Структура лага линейная, т.е.
Необходимо преобразовать исходные данные в новые переменные . Это преобразование выглядит следующим образом:
.
-
y
x
90
120
95
117
103
132
z0
z1
115
136
505
726
134
155
540
751
132
163
586
823
145
174
628
881
156
178
670
965
167
188
703
1015
178
203
743
1066
202
231
800
1113
214
255
877
1201
225
246
935
1326
237
264
996
1449
241
278
1043
1521
244
289
1077
1544
256
295
1126
1637
271
300
1162
1707
288
305
1189
1757
289
316
1216
1790
297
332
1253
1826
312
347
1300
1879
335
376
1371
1959
347
389
1444
2066
Строим регрессию
Протокол расчета
Регрессионная статистика |
|
|
|
|
|
Множественный R |
0,99673 |
|
|
|
|
R-квадрат |
0,993471 |
|
|
|
|
Нормированный R-квадрат |
0,992745 |
|
|
|
|
Стандартная ошибка |
5,958766 |
|
|
|
|
Наблюдения |
21 |
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
2 |
97243,44739 |
48621,72369 |
1369,360199 |
2,15734E-20 |
Остаток |
18 |
639,1240428 |
35,50689127 |
|
|
Итого |
20 |
97882,57143 |
|
|
|
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
|
а |
-7,81343 |
5,112546309 |
-1,528284687 |
0,143824277 |
|
с0 |
0,413363 |
0,083158004 |
4,970810164 |
9,88999E-05 |
|
с1 |
-0,11675 |
0,056121391 |
-2,080299087 |
0,052057898 |
|
По найденным коэффициентам находим параметры , а именно
Получили модель с распределенным лагом
.
Эта регрессия лишена недостатков предыдущей:
вычисленные коэффициенты являются статистически значимыми (вероятность ошибки их расчета почти не превышают допустимый уровень в 0,05);
коэффициенты имеют одинаковые знаки.
Сравним исходные данные и результаты регрессии:
|
|
|
|
|
|
|
90 |
120 |
|
|
|
|
95 |
117 |
|
|
|
|
103 |
132 |
|
|
|
|
115 |
136 |
116,1747 |
1,380007 |
12736,73469 |
|
134 |
155 |
127,7237 |
39,39197 |
8809,163265 |
|
132 |
163 |
138,3324 |
40,09969 |
9188,591837 |
|
145 |
174 |
148,9222 |
15,38369 |
6865,306122 |
|
156 |
178 |
156,4765 |
0,22705 |
5163,44898 |
|
167 |
188 |
164,28 |
7,398396 |
3703,591837 |
|
178 |
203 |
174,8603 |
9,857755 |
2485,734694 |
|
202 |
231 |
192,9347 |
82,17878 |
668,5918367 |
|
214 |
255 |
214,4897 |
0,239842 |
192,0204082 |
|
225 |
246 |
223,8711 |
1,274391 |
8,163265306 |
|
237 |
264 |
234,7261 |
5,170752 |
83,59183673 |
|
241 |
278 |
245,7482 |
22,5451 |
172,7346939 |
|
244 |
289 |
257,1173 |
172,0626 |
260,5918367 |
|
256 |
295 |
266,5144 |
110,5516 |
792,0204082 |
|
271 |
300 |
273,223 |
4,941541 |
1861,306122 |
|
288 |
305 |
278,5463 |
89,37272 |
3617,163265 |
|
289 |
316 |
285,8544 |
9,895109 |
3738,44898 |
|
297 |
332 |
296,9458 |
0,002938 |
4780,734694 |
|
312 |
347 |
310,1861 |
3,290132 |
7080,020408 |
|
335 |
376 |
330,1949 |
23,08866 |
11479,59184 |
|
347 |
389 |
347,8782 |
0,771296 |
14195,02041 |
Среднее |
227,8571 |
|
|
|
|
Сумма |
|
|
|
639,124 |
97882,57143 |
Для оценки качества построения модели сравниваем остаточную и общую дисперсии. Отношение суммы квадратов остатков регрессии к общей сумме квадратов отклонений уровней ряда от его среднего значения равно
.
Построенная модель достоверна на больше, чем на 99%.
Рассчитаем средний и медианный лаг по построенной модели временного ряда. Для удобства данные сводим в таблицу
Лаг, j |
Коэффициенты модели |
Относительные коэффициенты ,
|
Средний лаг
|
Медианный лаг –величина лага, для которого . |
0 |
0,41 |
0,43 |
|
|
1 |
0,3 |
0,31 |
||
2 |
0,18 |
0,19 |
||
3 |
0,06 |
0,07 |
||
Выводы: Такая величина среднего и медианного лагов свидетельствует об относительно быстром реагировании результата на изменение фактора, в основном в текущем и следующем за текущим периоде. |
II. Строим модель с распределенным лагом в четыре временных периода, исходя из гипотезы о квадратичной структуре лага .
Тогда
.
Преобразование для вспомогательных переменных выглядит следующим образом:
;
.
Строим регрессию .
-
y
x
90
120
95
117
103
132
115
136
z0
z1
z2
134
155
660
1231
3637
132
163
703
1291
3759
145
174
760
1409
4119
156
178
806
1509
4397
167
188
858
1635
4821
178
203
906
1718
5074
202
231
974
1809
5341
214
255
1055
1913
5583
225
246
1123
2078
6014
237
264
1199
2261
6593
241
278
1274
2445
7239
244
289
1332
2564
7628
256
295
1372
2621
7713
271
300
1426
2763
8177
288
305
1467
2869
8529
289
316
1505
2946
8784
297
332
1548
3006
8956
312
347
1600
3079
9141
335
376
1676
3179
9399
347
389
1760
3330
9808
Протокол расчета
ВЫВОД ИТОГОВ |
|
|
|
|
|
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
Множественный R |
0,996328351 |
|
|
|
|
R-квадрат |
0,992670183 |
|
|
|
|
Нормированный R-квадрат |
0,991295843 |
|
|
|
|
Стандартная ошибка |
6,222115169 |
|
|
|
|
Наблюдения |
20 |
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
Регрессия |
3 |
83889,56453 |
27963,18818 |
722,28832 |
2,77251E-17 |
Остаток |
16 |
619,4354747 |
38,71471717 |
|
|
Итого |
19 |
84509 |
|
|
|
|
|
|
|
|
|
|
Коэффициенты |
Стандартная ошибка |
t-статистика |
P-Значение |
|
a |
-6,683191872 |
6,247481362 |
-1,069741786 |
0,3006088 |
|
с0 |
0,457847985 |
0,116502829 |
3,929930209 |
0,0011959 |
|
с1 |
-0,239601907 |
0,191844893 |
-1,248935549 |
0,2296532 |
|
с2 |
0,035280787 |
0,047693437 |
0,739740933 |
0,4701727 |
|
По найденным коэффициентам находим параметры , а именно
Получили модель с распределенным лагом в четыре периода:
.
Сравним исходные данные и результаты регрессии:
|
|
|
|
|
|
|
90 |
120 |
|
|
|
|
95 |
117 |
|
|
|
|
103 |
132 |
|
|
|
|
115 |
136 |
|
|
|
|
134 |
155 |
128,6768 |
28,33637171 |
8809,163265 |
|
132 |
163 |
138,3068 |
39,77582876 |
9188,591837 |
|
145 |
174 |
148,7868 |
14,3399158 |
6865,306122 |
|
156 |
178 |
155,7168 |
0,080197636 |
5163,44898 |
|
167 |
188 |
164,2568 |
7,525101647 |
3703,591837 |
|
178 |
203 |
175,2768 |
7,415773972 |
2485,734694 |
|
202 |
231 |
194,0068 |
63,8911163 |
668,5918367 |
|
214 |
255 |
214,6868 |
0,471705405 |
192,0204082 |
|
225 |
246 |
221,4068 |
12,91102783 |
8,163265306 |
|
237 |
264 |
232,8968 |
16,83618354 |
83,59183673 |
|
241 |
278 |
245,8768 |
23,78325752 |
172,7346939 |
|
244 |
289 |
257,4968 |
182,1638296 |
260,5918367 |
|
256 |
295 |
265,2268 |
85,13398823 |
792,0204082 |
|
271 |
300 |
272,2668 |
1,604802833 |
1861,306122 |
|
288 |
305 |
278,0368 |
99,26519228 |
3617,163265 |
|
289 |
316 |
285,9668 |
9,200252932 |
3738,44898 |
|
297 |
332 |
297,3368 |
0,113439715 |
4780,734694 |
|
312 |
347 |
310,1568 |
3,397356277 |
7080,020408 |
|
335 |
376 |
330,1268 |
23,74799902 |
11479,59184 |
|
347 |
389 |
346,7768 |
0,049814612 |
14195,02041 |
Среднее |
227,8571 |
|
|
|
|
Сумма |
|
|
|
620,0431557 |
85145,83673 |
Для оценки качества построения модели сравниваем остаточную и общую дисперсии. Отношение суммы квадратов остатков регрессии к общей сумме квадратов отклонений уровней ряда от его среднего значения равно
.
Построенная модель также как и предыдущая достоверна больше, чем на 99%.
Задание для самостоятельной работы
Вариант 1 |
Вариант 2 |
Вариант 3 |
Вариант 4 |
Вариант 5 |
|||||
x |
y |
y |
x |
y |
x |
x |
y |
x |
y |
10 |
6 |
3,5 |
1,51 |
70,8 |
101,7 |
100 |
89 |
10 |
6 |
11 |
6,5 |
3,6 |
1,5 |
98,7 |
101,1 |
101,6 |
76,8 |
11 |
6,5 |
12 |
6,8 |
3,7 |
1,53 |
97,9 |
100,4 |
107,2 |
79,9 |
12 |
6,8 |
13 |
7 |
3,7 |
1,53 |
99,6 |
100,1 |
111,1 |
80,5 |
13 |
7 |
15 |
7,4 |
3,8 |
1,55 |
96,1 |
100 |
115,1 |
71,3 |
15 |
7,4 |
17 |
8 |
3,9 |
1,58 |
103,4 |
100,1 |
120,9 |
115,4 |
17 |
8 |
18 |
8,2 |
4,1 |
1,62 |
95,5 |
100 |
127,4 |
150,8 |
18 |
8,2 |
20 |
8,7 |
4,2 |
1,65 |
102,9 |
105,8 |
134,4 |
123 |
20 |
8,7 |
20 |
9 |
4,3 |
1,63 |
77,6 |
145 |
138,8 |
174,6 |
20 |
9 |
25 |
10 |
4,4 |
1,65 |
102,3 |
99,8 |
143,7 |
264,4 |
25 |
10 |
27 |
10,5 |
4,5 |
1,67 |
102,9 |
102,7 |
100 |
328,8 |
27 |
10,5 |
24 |
11 |
4,5 |
1,64 |
123,1 |
109,4 |
89 |
294,33 |
24 |
11 |
30 |
13 |
4,6 |
1,69 |
74,3 |
110 |
90 |
116,84 |
30 |
13 |
32 |
12,8 |
4,7 |
1,74 |
92,9 |
106,4 |
85 |
94,22 |
32 |
12,8 |
38 |
14 |
4,9 |
1,8 |
106 |
103,2 |
55 |
44,18 |
38 |
14 |
34 |
15 |
4,8 |
1,75 |
99,8 |
103,2 |
65 |
59,82 |
34 |
15 |
45 |
17 |
4,8 |
1,65 |
105,2 |
102,9 |
66 |
48,67 |
45 |
17 |
37 |
16 |
5 |
1,73 |
99,7 |
100,8 |
65 |
28,45 |
37 |
16 |
55 |
22 |
5,1 |
1,81 |
99,7 |
101,6 |
62 |
20,28 |
55 |
22 |
48 |
23,1 |
5,3 |
1,87 |
107,9 |
101,5 |
55 |
17,9 |
48 |
23,1 |
47 |
23 |
5,4 |
1,88 |
98,8 |
101,4 |
55 |
18,5 |
|
|
45 |
26 |
5,4 |
1,8 |
104,6 |
101,7 |
46,81 |
16,89 |
|
|
56 |
28 |
5,4 |
1,84 |
106,4 |
101,7 |
43,25 |
10,89 |
|
|
60 |
29 |
|
|
122,7 |
101,2 |
|
|
|
|
Вариант 6 |
Вариант 7 |
Вариант 8 |
Вариант 9 |
Вариант 10 |
|||||
y |
x |
x |
y |
y |
x |
y |
x |
x |
y |
98,7 |
101,1 |
136 |
115 |
70,8 |
101,7 |
3,5 |
1,51 |
12 |
6,8 |
97,9 |
100,4 |
155 |
134 |
98,7 |
101,1 |
3,6 |
1,5 |
13 |
7 |
99,6 |
100,1 |
163 |
132 |
97,9 |
100,4 |
3,7 |
1,53 |
15 |
7,4 |
96,1 |
100 |
174 |
145 |
99,6 |
100,1 |
3,7 |
1,53 |
17 |
8 |
103,4 |
100,1 |
178 |
156 |
96,1 |
100 |
3,8 |
1,55 |
18 |
8,2 |
95,5 |
100 |
188 |
167 |
103,4 |
100,1 |
3,9 |
1,58 |
20 |
8,7 |
102,9 |
105,8 |
203 |
178 |
95,5 |
100 |
4,1 |
1,62 |
20 |
9 |
77,6 |
145 |
231 |
202 |
102,9 |
105,8 |
4,2 |
1,65 |
25 |
10 |
102,3 |
99,8 |
225 |
214 |
77,6 |
145 |
4,3 |
1,63 |
27 |
10,5 |
102,9 |
102,7 |
246 |
225 |
102,3 |
99,8 |
4,4 |
1,65 |
24 |
11 |
123,1 |
109,4 |
264 |
237 |
102,9 |
102,7 |
4,5 |
1,67 |
30 |
13 |
74,3 |
110 |
278 |
241 |
123,1 |
109,4 |
4,5 |
1,64 |
32 |
12,8 |
92,9 |
106,4 |
289 |
244 |
74,3 |
110 |
4,6 |
1,69 |
38 |
14 |
106 |
103,2 |
295 |
256 |
92,9 |
106,4 |
4,7 |
1,74 |
34 |
15 |
99,8 |
103,2 |
300 |
271 |
106 |
103,2 |
4,9 |
1,8 |
45 |
17 |
105,2 |
102,9 |
305 |
288 |
99,8 |
103,2 |
4,8 |
1,75 |
37 |
16 |
99,7 |
100,8 |
316 |
289 |
105,2 |
102,9 |
4,8 |
1,65 |
55 |
22 |
99,7 |
101,6 |
332 |
297 |
99,7 |
100,8 |
5 |
1,73 |
48 |
23,1 |
107,9 |
101,5 |
347 |
312 |
99,7 |
101,6 |
5,1 |
1,81 |
47 |
23 |
98,8 |
101,4 |
376 |
335 |
107,9 |
101,5 |
5,3 |
1,87 |
45 |
26 |
|
|
389 |
347 |
98,8 |
101,4 |
5,4 |
1,88 |
56 |
28 |
|
|
|
|
|
|
|
|
60 |
29 |