Интерпретация параметров моделей с распределенным лагом

Рассмотрим модель с распределенным лагом в ее общем виде в предположении, что максимальная величина лага конечна и равна p

y_t=a+b₀x_t+ b₁x_t-1+ b₂x_t-2+…+ b_px_t-p+ ε_t (6.6)

Эта модель говорит о том, что если в некоторый момент времени t происходит изменение независимой переменной х, то это изменение будет влиять на значения переменной в течение p следующих моментов времени. Коэффициент регрессии b₀ при переменной x_t характеризует среднее абсолютное изменение y_t при изменении x_t на одну единицу своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора х. Этот коэффициент называют краткосрочным мультипликатором.

В момент (t + 1) совокупное воздействие факторной переменной x_t на результат y_t составит (b₀+b₁) усл. ед., в момент (t + 2) это воздействие можно охарактеризовать суммой (b₀+b₁+b₂) и т. д. Полученные таким образом суммы называют промежуточными мультипликаторами.

С учетом конечной величины лага можно сказать, что изменение переменной x_t в момент t на 1 усл. ед. приведет к общему изменению результата через l моментов времени на (b₀+b₁+...+b_l) абсолютных единиц.

Введем следующее обозначение:

b = b₀+b₁+...+b_l. (6.7)

Величину b называют долгосрочным мультипликатором. Он показывает абсолютное изменение в долгосрочном периоде t + l результата под влиянием изменения на 1 ед. фактора х.

Применение обычного МНК к таким моделям в большинстве случаев затруднительно по следующим причинам.

Во-первых, текущие и лаговые значения независимой переменной, как правило, тесно связаны друг с другом. Тем самым оценка параметров модели проводится в условиях высокой мультиколлинеарности факторов. Во-вторых, при большой величине лага уменьшается число наблюдений, по которому строится модель, и увеличивается число ее факторных признаков. Это ведет к потере числа степеней свободы в модели. В-третьих, в моделях с распределенным лагом часто возникнет проблема автокорреляции остатков. Вышеуказанные обстоятельства приводят к значительной неопределенности относительно оценок параметров модели, снижению

их точности и получению неэффективных оценок. Чистое влияние факторов на результат в таких условиях выявить невозможно. Поэтому на практике параметры моделей с распределенным лагом проводят в предположении определенных ограничений на коэффициенты регрессии и в условиях выбранной структуры лага.

Рассмотрим теперь следующую модель авторегрессии:

y_t=a+b₀x_t+ c₁y_t-1+ε_t.

Как и в модели с распределенным лагом, b₀ в этой модели характеризует краткосрочное изменение y_t под воздействием изменения x_t на 1 ед. Однако промежуточные и долгосрочный мультипликаторы в моделях авторегрессии несколько иные. К моменту времени (t + 1) результат y_t изменился под воздействием изменения изучаемого фактора в момент времени t на величину b₀, а y_t+1 под воздействием своего изменения в непосредственно предшествующий момент времени на c₁. Таким образом, общее абсолютное изменение результата в момент (t + 1) составит b₀c₁. Аналогично в момент времени (t + 2) абсолютное изменение результата составит и т.д. Следовательно, долгосрочный мультипликатор в модели авторегрессии можно рассчитать как сумму краткосрочного и промежуточных мультипликаторов

b = b₀+ b₀c₁+ + ...

С учетом предположения |c₁| < 1 (называемое условие стабильности) последнее соотношение преобразуется к виду

b = b₀(c₁+ + ... )= .

Отметим, что такая интерпретация коэффициентов модели авторегрессии и расчет долгосрочного мультипликатора основаны на предпосылке о наличии бесконечного лага в воздействии текущего значения зависимой переменной на ее будущие значения.

6.6. Практический блок