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

yt=a+b0xt+ b1xt-1+ b2xt-2+…+ bpxt-p+ εt (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 xt характеризует среднее абсолютное изменение yt при изменении xt 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 xt на результат yt 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 xt в момент t на 1 усл. ед. приведет к общему изменению результата через l моментов времени на (b0+b1+...+bl) абсолютных единиц.

Введем следующее обозначение:

b = b0+b1+...+bl. (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:

yt=a+b0xt+ c1yt-1t.

Как и в модели с распределенным лагом, b0 в этой модели характеризует краткосрочное изменение yt под воздействием изменения xt на 1 ед. Однако промежуточные и долгосрочный мультипликаторы в моделях авторегрессии несколько иные. К моменту времени (t + 1) результат yt изменился под воздействием изменения изучаемого фактора в момент времени t на величину b0, а yt+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