Выбор формы модели

из "Вводный курс эконометрики "

В данной главе перечислены базовые модели, используемые в эконометрическом моделировании, а также практические задачи, вызывающие необходимость их использования. Правильный выбор вида модели является отправной точкой для качественного анализа экономической модели. Безусловно, на практике неизвестно, какая модель является верной, и зачастую подбирают такую модель, которая наиболее точно соответствует реальным данным. При этом необходимо учитывать, что идеальной модели не существует. Поэтому, чтобы выбрать качественную модель, необходимо ответить на ряд вопросов, возникающих при ее анализе. [c.190]
В ряде случаев достаточно очевидно, какая модель лучше. В других случаях для принятия обоснованного решения приходится проводить достаточно кропотливый сравнительный анализ. Для этого необходимо выбрать критерии, которые позволят сделать обоснованный вывод. Обычно для построения хорошей работоспособной модели и сравнения ее с другими возможными моделями необходимо учитывать следующие свойства (критерии). [c.190]
Скупость (простота). Модель должна быть максимально простой. Данное свойство определяется тем фактом, что модель не отражает действительность идеально, а является ее упрощением. Поэтому из двух моделей, приблизительно одинаково отражающих реальность, предпочтение отдается модели, содержащей меньшее число объясняющих переменных. [c.190]
Единственность. Для любого набора статистических данных определяемые коэффициенты должны вычисляться однозначно. [c.190]
Согласованность с теорией. Никакое уравнение не может быть признано качественным, если оно не соответствует известным теоретическим предпосылкам. Например, если в функции спроса коэффициент при цене положителен, то даже значительная величина коэффициента детерминации R (например, 0,7) не позволит признать уравнение удовлетворительным. Другими словами, модель обязательно должна опираться на теоретический фундамент, т. к. в противном случае результат использования регрессионного уравнения может быть весьма плачевным. [c.191]
Прогнозные качества. Модель может быть признана качественной, если полученные на ее основе прогнозы подтверждаются реальностью. [c.191]
Если уравнение регрессии используется для прогнозирования, то величина V обычно рассчитывается не для того периода, на котором оценивалось уравнение, а для некоторого следующего за ним временного интервала, для которого известны значения зависимой и объясняющих переменных. Тем самым на практике проверяются прогнозные качества модели. В случае положительного решения, если можно спрогнозировать значения объясняющих переменных на некоторый последующий период, построенная модель обоснованно может быть использована для прогноза значений объясняемой переменной У. При этом следует помнить, что период прогнозирования должен быть, по крайней мере, в 3 раза короче периода, по которому оценивалось уравнение регрессии. [c.191]
Поскольку не существует какого-либо единого правила построения регрессионных моделей, анализ перечисленных свойств позволяет строить более качественные эконометрические модели. [c.192]
Одним из базовых предположений построения качественной модели является правильная (хорошая) спецификация уравнения регрессии. Правильная спецификация уравнения регрессии означает, что оно в целом правильно отражает соотношение между экономическими показателями, участвующими в модели. Это является необходимой предпосылкой дальнейшего качественного оценивания. [c.192]
Неправильный выбор функциональной формы или набора объясняющих переменных называется ошибками спецификации. Рассмотрим основные типы ошибок спецификации. [c.192]
При этом он не рассматривает в качестве объясняющей переменную Х2, совершая ошибку отбрасывания существенной переменной. [c.192]
Единственно возможным условием получения несмещенной оценки для коэффициента pi является некоррелированность Xi и Х2 ( ov(Xb X2) = 0). Но при этом не произойдет и ошибки отбрасывания значимой переменной в силу реальной незначимости переменной Х2 (почему ). [c.194]
Другие соотношения между знаками коэффициента регрессии, направлениями коррелированности объясняющих переменных и направлением смещения оценки рекомендуется рассмотреть в качестве упражнения. [c.194]
Увеличение дисперсии оценок может привести к ошибочным результатам проверки гипотез относительно значений коэффициентов регрессии, расширению интервальных оценок. [c.195]
Если в уравнении регрессии имеется одна несущественная переменная, то она обнаружит себя по низкой t-статистике. В дальнейшем эту переменную исключают из рассмотрения. [c.196]
Здесь n - число наблюдений, m - число объясняющих переменных в первоначальном уравнении, k - число отбрасываемых из первоначального уравнения объясняющих переменных. Возможные рассуждения и выводы для данной ситуации приведены в разделе 6.7.2. [c.196]
При наличии нескольких несущественных переменных, возможно, имеет место мультиколлинеарность. Рекомендуемые выходы из этой ситуации подробно рассмотрены в главе 10. [c.196]
Если все эти показатели удовлетворительны, то данная модель может быть предложена для описания исследуемого реального процесса. Если же какая-либо из описанных выше характеристик не является удовлетворительной, то есть основания сомневаться в качестве данной модели (неправильно выбрана функциональная форма уравнения не учтена важная объясняющая переменная имеется объясняющая переменная, не оказывающая значимого влияния на зависимую переменную). [c.197]
Для более детального анализа адекватности модели может быть предложено исследование остаточного члена модели. [c.197]
Графическое представление поведения остаточного члена е (т. е. графическое представление случайных отклонений ej, i = 1, 2,. .., n) позволяет прежде всего проанализировать наличие автокорреляции и гетероскедастичности (непостоянства дисперсий отклонений). Данные проблемы будут обсуждены в следующих главах. [c.197]

Вернуться к основной статье