Лекция 7 Эконометрические модели

- Общие понятия эконометрических моделей

- Задачи экономического анализа, решаемые на основе регрессионных эконометрических моделей

- Оценка качества эконометрических регрессионных моделей и прогнозирование на их основе

- Производственные функции

Изучение материалов главы 7 позволит студентам:

знать:

o основные виды эконометрических моделей;

o методы построения одно- и многофакторных регрессионных моделей и использования их в задачах экономического анализа;

o математико-статистические методы оценки качества моделей регрессии и прогнозирования на основе этих моделей;

o экономическое ОГЛАВЛЕНИЕ составных элементов производственных функций;

уметь:

o оценивать тесноту и направление связи между экономическими показателями;

o строить однофакторные (линейные и нелинейные) и многофакторные регрессионные модели, оценивать их качество;

o использовать модели регрессии для экономического анализа и прогнозирования;

o применять аппарат производственных функций для оценки ряда показателей микро- и макроэкономики;

владеть:

o понятийным аппаратом эконометрических исследований;

o методами корреляционного и регрессионного анализа;

o основными понятиями производственных функций.

Общие понятия эконометрических моделей

При анализе экономических явлений на основе экономико-математических методов особое место занимают модели, выявляющие количественные связи между изучаемыми показателями и влияющими на них факторами. Научной дисциплиной, предмет которой составляет изучение этой количественной стороны экономических явлений и процессов средствами математического и статистического анализа, является эконометрика, в которой результаты теоретического анализа экономики синтезируются с выводами математики и статистики. Основная задача эконометрики - проверка экономических теорий на фактическом (эмпирическом) материале при помощи методов математической статистики.

Главным инструментом эконометрики служит эконометрическая модель, т.е. экономико-математическая модель факторного анализа, параметры которой оцениваются средствами математической статистики. Эта модель выступает в качестве средства анализа и прогнозирования конкретных экономических процессов на основе реальной статистической информации.

Эконометрические модели можно классифицировать по ряду классификационных признаков. Так, по аналитической форме модели (уравнения) выделяют линейные, нелинейные, степенные модели, модели Брандона и др. Например, модель Брандона имеет вид

где у - изучаемый показатель (будем называть его результативным признаком), черта над ним означает среднюю величину (математическое ожидание); х₁, х₂,...х_т - влияющие на изучаемый показатель величины (будем называть их факторными признаками).

Одной из основных классификационных рубрик эконометрических моделей является классификация по направлению и сложности причинных связей между показателями, характеризующими экономическую систему. Если пользоваться термином "переменная", то в любой достаточно сложной экономической системе можно выделить внутренние переменные (например, выпуск продукции, численность работников, производительность труда) и внешние переменные (например, поставка ресурсов, климатические условия и др.). Тогда по направлению и сложности связей между внутренними (эндогенными, выходными) переменными и внешними {экзогенными, входными) переменными выделяют следующие эконометрические модели: регрессионные модели, взаимозависимые системы, рекурсивные системы.

Регрессионными называют модели, основанные на уравнении регрессии, или системе регрессионных уравнений, связывающих величины эндогенных и экзогенных переменных. Различают уравнения (модели) парной и множественной регрессии. Если для обозначения эндогенных переменных использовать букву у, а для экзогенных переменных букву х, то в случае линейной модели уравнение парной регрессии имеет вид , а уравнение множественной регрессии: . Подобного типа модели рассматриваются подробно в следующих параграфах. Отметим только, что параметры моделей парной и множественной регрессии находятся на основе метода наименьших квадратов. Одним из часто применяемых видов нелинейных многофакторных регрессионных моделей являются производственные функции, ряд общих сведений о которых приведен в параграфе 7.4.

Взаимозависимые системы наиболее полно описывают экономическую систему, содержащую, как правило, множество взаимосвязанных эндогенных и экзогенных переменных. Такие модели задаются системой взаимозависимых уравнений следующего вида (п - число эндогенных переменных, т - число экзогенных переменных):

Для нахождения параметров системы взаимозависимых уравнений используются более сложные методы: двух- и трехшаговый метод наименьших квадратов, методы максимального правдоподобия с полной и неполной информацией и др.

На практике стремятся упростить взаимозависимые системы и привести их к так называемому рекурсивному виду. Для этого сначала выбирают эндогенную переменную (внутренний показатель), зависящую только от экзогенных переменных (внешних факторов), обозначают ее у₁. Затем выбирается внутренний показатель, который зависит только от внешних факторов и от у₁ и т.д.; таким образом, каждый последующий показатель зависит только от внешних факторов и от внутренних предыдущих. Такие системы называются рекурсивными. Параметры первого уравнения рекурсивных систем находят методом наименьших квадратов, их подставляют во второе уравнение, и опять применяется метод наименьших квадратов, и т.д.

Процесс построения и использования эконометрических моделей является достаточно сложным и включает в себя следующие основные этапы: определение цели исследования, построение системы показателей и логический отбор факторов, наиболее влияющих на каждый показатель; выбор формы связи изучаемых показателей между собой и отобранными факторами, другими словами, выбор типа эконометрической модели; сбор исходных данных и анализ информации; построение эконометрической модели, т.е. определение ее параметров; проверка качества построенной модели, в первую очередь ее адекватности изучаемому экономическому процессу; использование модели для экономического анализа и прогнозирования.

При практической реализации указанных этапов очень важным является построение системы показателей исследуемого экономического процесса и определение перечня факторов, влияющих на каждый показатель.

Укажем основные требования, предъявляемые к включаемым в эконометрическую модель факторам.

- Каждый из факторов должен быть обоснован теоретически.

- В перечень целесообразно включать только важнейшие факторы, оказывающие существенное воздействие на изучаемые показатели; при этом рекомендуется, чтобы количество включаемых в модель факторов не превышало одной трети от числа наблюдений в выборке (длины временного ряда).

- Факторы не должны быть линейно зависимы, поскольку эта зависимость означает, что они характеризуют аналогичные свойства изучаемого явления. Например, заработная плата работников зависит, наряду с другими факторами, от роста производительности труда и от объема выпускаемой продукции. Однако эти факторы могут быть тесно взаимосвязаны, коррелированы и, следовательно, в модель целесообразно включать только один из этих факторов. Включение в модель линейно взаимозависимых факторов приводит к возникновению явления мультиколлинеарности, которое отрицательно сказывается на качестве модели; более подробно это явление описано ниже.

- Влияющие на экономический процесс факторы могут быть количественные и качественные. В модель рекомендуется включать только такие факторы, которые могут быть численно измерены.

- В одну модель нельзя включать совокупный фактор и образующие его частные факторы. Одновременное включение таких факторов приводит к неоправданно увеличенному их влиянию на зависимый показатель, к искажению реальной действительности.

При отборе влияющих факторов используются статистические методы отбора. Так, существенного сокращения числа влияющих факторов можно достичь с помощью пошаговых процедур отбора переменных. Ни одна из этих процедур не гарантирует получения оптимального набора переменных. Однако при практическом применении они позволяют получать достаточно хорошие наборы существенно влияющих факторов; кроме того, их можно сочетать с другими подходами к решению данной проблемы, например с экспертными оценками значимости факторов. Среди пошаговых процедур отбора факторов наиболее часто используются процедуры пошагового включения и исключения факторов. Обе эти процедуры хорошо формализованы и потому успешно реализованы в различных машинных программах статистического анализа.

Метод исключения предполагает построение уравнения, включающего всю совокупность переменных, с последующим последовательным (пошаговым) сокращением числа переменных в модели до тех пор, пока не выполнится некоторое наперед заданное условие. Суть метода включения - в последовательном включении переменных в модель до тех пор, пока регрессионная модель не будет отвечать заранее установленному критерию качества. Последовательность включения определяется с помощью частных коэффициентов корреляции: переменные, имеющие относительно исследуемого показателя большее значение частного коэффициента корреляции, первыми включаются в регрессионное уравнение.

Выше отмечено, что одной из предпосылок применения методов регрессионного анализа для построения эконометрических моделей является отсутствие среди независимых переменных (факторов) линейно связанных. Если данная предпосылка не выполняется, то возникает, как уже сказано выше, явление мультиколлинеарности, т.е. наличие сильной корреляции между независимыми переменными (включенными в модель факторами). В математическом аспекте мультиколлинеарность приводит к слабой обусловленности матрицы системы нормальных уравнений, т.е. близости ее определителя к нулю, а в содержательном аспекте - к искажению смысла коэффициентов регрессии и затруднению выявления наиболее существенно влияющих факторов.

Основные причины, вызывающие мультиколлинеарность, - независимые переменные, либо характеризующие одно и то же свойство изучаемого явления, либо являющиеся составными частями одного и того же признака.

В настоящее время существует ряд методов, позволяющих оценить наличие мультиколлинеарности в совокупности независимых переменных, измерить ее степень, выявить взаимно коррелированные переменные и устранить или ослабить ее негативное влияние на регрессионную модель. Наиболее распространенным методом выявления мультиколлинеарности является метод корреляции. На практике считают, что две переменные коллинеарны (линейно зависимы), если парный коэффициент корреляции между ними по абсолютной величине превышает 0,8. Устраняют мультиколлинеарность чаще всего путем исключения из модели одного из коррелированных факторов.