Уравнение (8.39) представляет собой уравнение ADL порядка (0,1) и может быть оценено нелинейным методом наименьших квадратов после обратного преобразования Койка. Заметим, впрочем, что состоятельные оценки параметров уравнения (8.39) можно получить и обычным методом наименьших квадратов, так как в уравнении объясняющая переменная Yf не коррелирует со значением случайного члена е в момент времени t (см. 8.1). [c.207]
Модель (8.43) можно оценить, применив обратное преобразование Койка и затем нелинейный метод наименьших квадратов. [c.208]
Применим теперь к уравнению (8.43) обратное преобразование Койка [c.210]
Обратное преобразование Койка 203 Объясненная часть переменной 10, 18 Определение вероятности классическое 24 [c.302]
Преобразования (7.21) приводят нас к получению модели Койка [c.307]
Данная модель отличается от модели (7.16) тем, что, помимо текущего и лаговых значений факторного признака, она учитывает фактор времени t. Проведя алгебраические преобразования в соответствии с методом Койка, нетрудно убедиться, что эта модель сводится к следующей модели авторегрессии [c.309]
Описанные выше преобразование Койка, модель адаптивных ожиданий и модель неполной корректировки сводятся к модели авторегрессии вида (7.2). Однако при построении моделей авторегрессии возникают две серьезные проблемы. [c.325]
Впредь до преобразования социального страхования на этих основах Советское правительство в ноябре 1917 г. вдвое увеличило размеры пенсий по несчастным случаям, распространило закон о социальном страховании на солдат, командированных на работу в предприятия, и обязало предпринимателей бесплатно передать больничным кассам все лечебные учреждения предприятий либо (если таких учреждений не было или они не отвечали своему назначению) выделить больничной кассе средства на оборудование лечебных учреждений из расчета одна общая койка на 100 рабочих и одна родильная койка па 100 работниц. Для контроля за обеспечением рабочих пенсиями и пособиями в страховые товарищества были назначены комиссары, которые, преодолевая саботаж членов правлений и служащих этих товариществ, шаг за шагом брали в свои руки управление их делами. [c.28]
Преобразование Койка (метод геометрической прогрессии) [c.279]
Однако более распространенной является схема вычислений на основе преобразования Койка. [c.280]
Преобразование уравнения (12.3) по данному методу в уравнение (12.10) называется преобразованием Койка. [c.280]
При применении преобразования Койка возможны следующие проблемы [c.281]
Заметим, что уравнение (12.18) по форме аналогично уравнению (12.10) из преобразования Койка. [c.284]
В чем суть преобразования Койка [c.305]
Заметим, что переменные X не коррелируют с ошибками Е, так что, применив обратное преобразование Койка, мы решили проблему коррелированности регрессоров со случайными членами. Однако применение обычного метода наименьших квадратов к модели (8.32) оказывается на практике невозможным из-за бесконечно большого количества регрессоров. Разумеется, в силу того, что коэффициенты входящего в модель ряда убывают в геометрической прогрессии, и, стало быть, сам ряд быстро сходится, можно было бы ограничиться сравнительно небольшим числом лагов. Однако и в этом случае мы столкнулись бы по крайней мере с двумя трудно решаемыми проблемами. Во-первых, возникла бы сильная мультиколлинеарность, так как естественно ожидать, что лаговые переменные сильно коррели-рованы. Во-вторых, уравнение оказалось бы неидентифицируемым. В модели на самом деле присутствует всего четыре параметра. Между тем как, взяв всего лишь три лага, мы бы получили оценки пяти параметров. [c.203]
Обратим внимание на то, что хотя с помощью обратного преобразования Койка устранена коррелированность регрессо-ров с ошибками, но автокорреляция ошибок приобретает сложную структуру, и устранение ее может оказаться практически невозможным. Так что хотя получаемые таким образом оценки оказываются состоятельными, они обладают всеми теми недостатками, о которых подробно говорилось в гл.7. [c.204]
Описанный выше алгоритм получил название преобразования Койка. Это преобразование позволяет перейти от модели с бесконечными распределенными лагами к модели авторегрессии, содержащей две независимые переменныех, и у, х. [c.307]
При использовании преобразования Койка для уравнения (12.1) на коэффициенты регрессии накладываются достаточно жесткие ограничения. Предполагается, что "веса" коэффициентов при лаговых переменных убывают в геометрической прогрессии. В ряде случаев такое предположение весьма уместно, но в некоторых других оно не выполняется. Встречаются случаи, когда значения лаговой объясняющей переменной за 3-4 периода от момента наблюдения оказывают на зависимую переменную большее влияние, чем текущее или предшествующее ему значение объясняющей переменной (р3, р4 > Ро pi). Распределенные лаги Алмон позволяют достаточно гибко моделировать такие изменения. [c.287]