В дальнейшем используются следующие обозначения Xt, xt, Zt, ztr q, v — зависимая и независимая переменные при отсутствии и наличии ошибок измерения, ошибки измерения в этих переменных и 1 ы<2> d2> — остаточные возмущения и белый шум в уравнениях для временных рядов и для временных рядов перекрестных выборок М, s2, л(1>, я(2), 2W, 2(2) — математическое ожидание, выборочная дисперсия, остаточные ковариационные матрицы и ковариационные матрицы коэффициентов в уравнениях для временных рядов и временных рядов перекрестных выборок N(0, s2), гг, Т, п, К, Е, i, ML — обозначение нормального распределения, коэффициент остаточной марковской автокорреляции первого порядка, количество наблюдений временного ряда и выборочного обследования, число независимых переменных, единичная матрица и единичный вектор, обозначение оценки наибольшего правдоподобия. [c.73]
Предложенный метод требует ответа на ряд вопросов. Необходимо установить, что формальная оценка b из (7.44) представляет собой наилучшую линейную несмещенную оценку вектора р из (7.42), где наилучшая относится к выборочной и предварительной информации одновременно. На первый взгляд эта задача кажется тупиковой, поскольку модель (7.42) объединяет два качественно различных типа данных, а именно выборочные наблюдения для у и X и несколько априорных значений статистических оценок, указанных в г и R. В ряде обычных прикладных ситуаций переменная Y, а следовательно, и возмущение и, измеряются в постоянных долларах, приходящихся на душу населения в год, в то время как ошибка и относится к эластичности от дохода, и следовательно, является безразмерной величиной. Однако применение обобщенного метода наименьших квадратов означает, что минимизируется взвешенная сумма квадратов [c.221]
Оба указанных фактора направлены в одну сторону, так что в случае модели с автокоррелированными возмущениями применение формул обыкновенного метода наименьших квадратов приведет к несмещенным оценкам коэффициентов, однако оценки выборочных дисперсий [c.247]
Воздействие неучтенных случайных факторов и ошибок наблюдений в модели (3.22) определяется с помощью дисперсии возмущений (ошибок) или остаточной дисперсии а2. Несмещенной оценкой этой дисперсии является выборочная остаточная дисперсия1. [c.62]
Реальная трудность применения рассмотренного метода состоит в отыскании переменных, пригодных для роли инструментальных. Истинное распределение ненаблюдаемо и поэтому трудно быть уверенным в том, что выбранные инструментальные переменные действительно не коррелируют в пределе с возмущениями. С другой стороны, эти переменные должны обладать довольно высокой корреляцией с переменными X, иначе выборочные дисперсии для оценок, полученных с помощью инструментальных переменных, могут оказаться чрезмерно большими. Например, в случае единственной объясняющей переменной оценка коэффициента наклона линии регрессии, найденная с помощью инструментальной переменной, будет равна [c.279]
При построении эконометрических моделей обычно преследуют одну из двух основных целей, а иногда и обе эти цели одновременно. Одна цель состоит в получении сведений о структурных коэффициентах и (или) о коэффициентах приведенной формы модели. Другая цель заключается в попытке осуществить с помощью модели условный прогноз эндогенных переменных при определенных предположениях относительно будущих значений экзогенных величин. Если интерес сосредоточен на структурных коэффициентах, то, как мы видели, следует воспользоваться состоятельными операторами оценивания, а затем на основе той же исходной информации оценить асимптотические дисперсии полученных оценок. Если же нас могут удовлетворить коэффициенты приведенной формы, то их несмещенности и состоятельности можно достичь, применяя обыкновенный метод наименьших квадратов к каждому из уравнений в отдельности оценки выборочных дисперсий для полученных значений коэффициентов формируются при этом автоматически. Такой метод можно усовершенствовать. Например, когда имеются опасения, что одновременные возмущения в различных уравнениях приведенной формы окажутся коррелированными, можно воспользоваться процедурой Зельнера (см. гл. 7), позволяющей оценивать несколько внешне не связанных друг с другом уравнений. Однако ни обыкновенный метод наименьших квадратов, ни метод Зельнера не налагают каких-либо ограничений на параметры приведенной формы, в то время как такие ограничения неявно существуют и они воплощены в системе уравнений, связывающей параметры структурной и приведенной формы, т. е. в матрице П = —В-1Г. Клейн полагает, что если спецификация модели в ее структурной форме выбрана правильно, то более эффективными оценками параметров матрицы П будут оценки, найденные посредством оценок В и Г матриц В и Г структурных коэффициентов2, т. е. он предлагает находить оценку матрицы П как П = —В"1 1. Если для оценивания В и Г применялся состоятельный метод оценивания, то и оценка П- тоже будет состоятельной. При этом хотелось бы уметь формировать и оценки выборочных дисперсий элементов матрицы П. Точнее эта задача может быть сформулирована [c.400]
При условии, что оценка дисперсии ошибки иг равна 1,1 для проце кивания методом наименьших квадратов и 1,4 для двухшаговой п оценивания, получите оценки выборочных дисперсий двух оценок па Pia и "Ун- Приняв разность между этими двумя оценками за оценку i обыкновенного метода наименьших квадратов, обсудите достоинс двух методов. Как будут выглядеть результаты сопоставления, ес.и вестно, что 521 = 0 и что возмущения ult и независимы [c.427]