Международный студенческий научный вестник. Дисперсия и вариация
Связь эконометрики с другими дисциплинами. В чем состоит специфика синтеза экономической теории и эконометрики? Эконометрика, исходя из объективно существующих экономических законов, которые определены в экономической теории качественно, на понятийном уровне, формирует подходы к их формализации, количественному выражению связей между экономическими показателями.
Экономическая статистика дает эконометрике методы формирования необходимых экономических показателей, способы их отбора, измерения и др.
Математико-статистический инструментарий, развиваемый в эконометрике, использует и развивает такие разделы математической статистики, как модели линейной регрессии, анализ временных рядов, построение систем одновременных уравнений.
Именно приземление экономической теории на базу конкретной экономической статистики и извлечение из этого приземления с помощью подходящего математического аппарата вполне определенных количественных взаимосвязей являются ключевыми моментами в понимании сущности эконометрики, разграничении её с математической экономикой, описательной статистикой и математической статистикой. Так математическая экономика – это математически сформулированная экономическая теория, которая изучает взаимосвязи между экономическими переменными на общем (неколичественном) уровне. Она становится эконометрикой, когда символически представленные в этих взаимосвязях коэффициенты заменяются конкретными численными оценками, полученными из конкретных экономических данных.
Этапы построения эконометрической модели. Главная цель эконометрики – это модельное описание конкретных количественных взаимосвязей, существующих между анализируемыми показателями в изучаемом социально-экономическом явлении.
Среди прикладных целей можно выделить три:
- прогноз экономических и социально-экономических показателей (переменных), характеризующих состояние и развитие анализируемой системы;
- имитация различных возможных сценариев социально-экономического развития анализируемой системы, когда статистически выявленные взаимосвязи между характеристиками производства, потребления, социальной и финансовой политики и т.п. используются для прослеживания того, как планируемые (возможные) изменения тех или иных поддающихся управлению параметров производства или распределения скажутся на значениях интересующих нас “выходных” характеристик;
- анализ механизма формирования и состояния анализируемого социально-экономического явления. Как работает механизм формирования доходов домохозяйств, реально ли существует дискриминация в оплате труда мужчин и женщин и насколько она велика? Знание реальных количественных соотношений в изучаемом явлении поможет глубже понять следствия принимаемых решений, проводимых экономических реформ, вовремя их откорректировать.
По уровню иерархии анализируемой экономической системы выделяются макроуровень (т.е. страны в целом), мезоуровень (регионы, отрасли, корпорации), микроуровень (семьи, предприятия, фирмы).
Профиль эконометрического исследования определяет проблемы, на которых оно сконцентрировано: инвестиционная, финансовая, социальная политика, распределительные отношения, ценообразование и т.д. Чем конкретнее определен профиль исследования, тем, как правило, адекватнее выбранный метод и эффективнее результат.
Одна из фундаментальных концепций экономики состоит в связи между экономическими явлениями и, соответственно, характеризующими их признаками (переменными). Спрос на некоторый товар на рынке является функцией цены; потребительские расходы семьи – функция её доходов и др, себестоимость продукции зависит от производительности труда. Во всех этих примерах одна из переменных (факторов) играет роль объясняемой (результирующей), а другая – объясняющей (факторной).
Процесс эконометрического моделирования можно разбить на шесть основных этапов.
1. Постановочный. На данном этапе формулируется цель исследования, определяется набор участвующих в модели экономических переменных. Целями эконометрического исследования могут быть:
· анализ исследуемого экономического объекта;
· прогноз его экономических показателей;
· анализ возможного развития процесса при различных значениях независимых переменных и т.д.
2. Априорный. Представляет собой предмодельный анализ экономической сущности изучаемого явления, формирование и формализацию априорной информации, в частности, относящейся к природе и генезису исходных статистических данных и случайных остаточных составляющих.
3. Параметризация. Осуществляется собственно моделирование, т.е. выбор общего вида модели, в том числе состава и формы входящих в неё связей.
4. Информационный. Осуществляется сбор необходимой статистической информации, т.е. регистрация значений участвующих в модели факторов и показателей.
5. Идентификация модели. Осуществляется статистический анализ модели и в первую очередь статистическое оценивание неизвестных параметров модели.
6. Верификация модели. Проводится проверка адекватности модели; выясняется, насколько удачно решены проблемы спецификации, идентификации и идентифицируемости модели; осуществляется сопоставление реальных и модельных данных, оценка точности модельных данных.
Последние три этапа (4-й, 5-й, 6-й) сопровождаются крайне трудоемкой процедурой калибровки модели, которая заключается в переборе большого числа вариантов вычислений с целью получения совместной, непротиворечивой и идентифицируемой модели.
Собственно математическая модель изучаемого явления может быть сформулирована на общем уровне, без настройки на конкретные статистические данные, т.е. она может иметь смысл и без 4-го и 5-го этапов. Однако в таком случае она не является эконометрической. Суть эконометрической модели состоит в том, что она, будучи представленной в виде набора математических соотношений, описывает функционирование конкретной экономической системы, а не системы вообще. Поэтому она «настраивается» на работу с конкретными статистическими данными и, следовательно, предусматривает реализацию 4-го и 5-го этапов моделирования.
4. Статистическая база эконометрических моделей. Одним из важнейших этапов построения эконометрических моделей является сбор, агрегирование и классификация статистических данных.
Основной базой для эконометрических исследований служат данные официальной статистики, либо данные бухгалтерского учета, которые являются отправной точкой любого эконометрического исследования.
При моделировании экономических процессов используют три вида данных:
1) пространственные (структурные) данные, представляющие собой набор показателей экономических переменных полученных в конкретный момент времени (пространственный срез). К ним относят данные об объеме производства, количестве работников, доходе разных фирм в один и тот же момент времени;
2) временные данные, характеризующие один и тот же объект исследования в различные моменты времени (временной срез), например, ежеквартальные данные об инфляции, средней заработной плате и т.д.;
3) панельные (пространственно-временные) данные, занимающие промежуточное положение и отражающие наблюдения по большому количеству объектов, показателей в различные моменты времени. К ним относят: финансовые показатели работы нескольких крупных паевых инвестиционных фондов за несколько месяцев; суммы уплаченных налогов нефтяными компаниями за последние несколько лет и т.п.
Собранные данные могут быть представлены в виде таблиц, графиков и диаграмм.
5. Основные типы эконометрических моделей. В зависимости от имеющихся данных и целей моделирования в эконометрике различают следующие три класса моделей.
Регрессионные модели с одним уравнением. Регрессией принято называть зависимость среднего значения какой-либо величины (y) от некоторой другой величины или от нескольких величин (x i).
В таких моделях зависимая (объясняемая) переменная представляется в виде функции , где - независимые (объясняющие) переменные, а - параметры. В зависимости от количества факторов, включенных в уравнение регрессии, принято различать простую (парную) и множественную регрессии.
Простая (парная) регрессия представляет собой модель, где среднее значение зависимой (объясняемой) переменной у рассматривается как функция одной независимой (объясняющей) переменной х. В неявном виде парная регрессия – это модель вида:
В явном виде:
где a и b – оценки коэффициентов регрессии.
Множественная регрессия представляет собой модель, где среднее значение зависимой (объясняемой) переменной у рассматривается как функция нескольких независимых (объясняющих) переменных х 1 , х 2 , … х n . В неявном виде парная регрессия – это модель вида:
В явном виде:
где a и b 1 , b 2 , b n – оценки коэффициентов регрессии.
Примером такой модели может служить зависимость заработной платы работника от его возраста, образования, квалификации, стажа, отрасли и т.д.
Относительно формы зависимости различают:
· линейную регрессию;
· нелинейную регрессию, предполагающую существование нелинейных соотношений между факторами, выражающихся соответствующей нелинейной функцией. Зачастую нелинейные по внешнему виду модели могут быть приведены к линейному виду, что позволяет их относить к классу линейных.
Например, можно исследовать заработную плату, как функцию социально-демографических, квалификационных характеристик работника.
Власов М. П.
конспект лекций по дисциплине
Компьютерные методы статистического анализа и прогнозирование
ТЕМА 7 Задачи эконометрики
1. Определение эконометрики …………..……………………………… 2
2. Предмет эконометрики ………………………………….……………. 4
3. Метод эконометрики ………………………………………………….. 5
4.Спецификация модели ……………………………………………….. 14
5. Идентифицируемость и идентификация модели ………………….. 15
6. Математико-статистический инструментарий эконометрики ……. 18
Литература ……………………………………………………………… 27
Санкт-Петербург 2008
1. Определение эконометрики
Эконометрика (эконометрия) (от экономики и греч. metreo - измеряю), научная дисциплина, позволяющая на базе положений экономической теории и результатов экономических измерений придавать конкретное количественное выражение общим (качественным) закономерностям, обусловленным экономической теорией. При этом основную роль в математическом оснащении этой дисциплины играют методы математической статистики, и в первую очередь, - многомерного статистического анализа.
Таким образом, суть эконометрики - именно в синтезе экономической теории, экономической статистики и прикладного математического инструментария. Говоря об экономической теории в рамках эконометрики, будем интересоваться не просто выявлением объективно существующих (на качественном уровне) экономических законов и связей между экономическими показателями, но и подходами к их формализации, включающими методы
Эконометрика | |||||||||||
Методы: регрессионный анализ; обобщённый метод моментов; системы одновременных уравнений; анализ временных рядов; статистические методы классификации и снижения размерности; нспараметрпческне и полупараметрнческие методы статистического анализа. | Приложения: макроуровень (модели национальной экономики); мезоуровень (модели региональной экономики, отраслей, секторов); микроуровень (модели поведения потребителя, домашних хозяйств, фирм, предприятий). | ||||||||||
Эконометрическая теория (макро-и микроэкономика, математическая экономика) | Социально-экономическая статистика (включая информационное обеспечение экономических исследований) | Теория вероятностей и математическая статистика |
|||||||||
ИСТОЧНИКИ БАЗОВЫХ КОМПОНЕНТОВ ЭКОНОМЕТРИКИ |
|||||||||||
Рис. Эконометрика и её место в ряду других экономических и статистических дисциплин.
спецификации и идентификации соответствующих моделей с учётом решения проблемы их идентифицируемости (эти понятия приведены ниже). При рассмотрении экономической статистики как составной части эконометрики прежде всего нас будет интересовать тот аспект этой самостоятельной дисциплины, который непосредственно связан с информационным обеспечением анализируемой эконометрической модели, хотя в этих рамках специалисту по эконометрике зачастую приходится решать полный спектр соответствующих задач: выбор необходимых экономических показателей и обоснование способа их измерения, определение плана статистического обследования и т. п. Наконец, прикладной математической инструментарий эконометрики в качестве своей основной составляющей содержит ряд специальных разделов многомерного статистического анализа:
· линейные (классическая и обобщённая) и некоторые специальные модели регрессии;
· методы и модели анализа временных рядов;
· обобщённый метод моментов;
· так называемые системы одновременных уравнений;
· статистические методы классификации и снижения размерности анализируемого признакового пространства.
Однако эконометрика использует понятия, постановки и методы решения задач и из многих других разделов математики: теории вероятностей, математического программирования, численных методов решения задач линейной алгебры, систем нелинейных уравнений, теории нахождения неподвижных точек отображений.
Представленная на рисунке схема при всей своей условности и неполноте в целом даёт общее наглядное представление об эконометрике и её месте в ряду других экономических и статистических дисциплин.
Именно «приземление» экономической теории на базу конкретной экономической статистики и извлечение из этого приземления с помощью подходящего математического аппарата вполне определённых количественных взаимосвязей являются ключевыми моментами в понимании сущности эконометрики. Это, в частности, обеспечивает разграничение эконометрики с такими дисциплинами как математическая экономия, описательная экономическая статистика и математическая статистика. Так, математическая экономия, которая часто определяется как математически сформулированная экономическая теория, изучает взаимосвязи между экономическими переменными на общем (неколичественном) уровне. Она преобразуется в эконометрику, когда символически представленные в этих взаимосвязях коэффициенты заменяются конкретными численными оценками, полученными на базе соответствующих экономических данных.
2. Предмет эконометрики
Из определения эконометрики следует, что предметом этой дисциплины являются экономические и социально-экономические приложения, а именно модельное описание конкретных количественных взаимосвязей, существующих между анализируемыми показателями.
К числу типовых экономических моделей, конструируемых и изучаемых с помощью эконометрических методов, относятся:
· производственные функции, выражающие взаимосвязи между затратами и результатами производственной деятельности экономических систем различных уровней;
· модели функционирования национальной экономики;
· типологизация объектов и поведения агентов (стран, регионов, фирм, потребителей);
· целевые функции потребительского предпочтения и функции спроса;
· модели распределительных отношений в обществе;
· модели рынка и экономического равновесия;
· модели интернационализации национальных экономик;
· модели межстранового и межрегионального анализа и др.
При всём разнообразии спектра решаемых с помощью эконометрики задач их, тем не менее, было бы удобно расклассифицировать по трём направлениям:
· по конечным прикладным целям;
· по уровню иерархии;
· по профилю анализируемой экономической системы.
По конечным прикладным целям выделим две основные:
а) прогноз экономических и социально-экономических показателей (переменных), характеризующих состояние и развитие анализируемой системы;
б) имитация различных возможных сценариев социально-экономи-ческого развития анализируемой системы, когда статистически выявленные взаимосвязи между характеристиками производства, потребления, социальной и финансовой политики.
Они используются для прослеживания того, как планируемые (возможные) изменения тех или иных поддающихся управлению параметров производства или распределения скажутся на значениях интересующих нас «выходных» характеристик (в специальной литературе исследования подобного рода называют также сценарным или ситуационным анализом).
По уровню иерархии анализируемой экономической системы выделяются макроуровень (т. е. страны в целом), мезоуровень (регионы, отрасли, корпорации) и микроуровень (семьи, предприятия, фирмы).
В некоторых случаях должен быть определён профиль эконометрического моделирования: исследование может быть сконцентрировано на проблемах рынка, инвестиционной, финансовой или социальной политики, ценообразования, распределительных отношений, спроса и потребления, или на определённом комплексе проблем. Однако чем претенциознее по широте охвата анализируемых проблем эконометрнческое исследование, тем меньше шансов провести его достаточно эффективно.
3. Метод эконометрики
В общей формулировке эконометрический метод может быть описан следующим образом. Постулируется, что анализируемые переменные (экономические показатели) являются случайными величинами, совместный закон распределения вероятностей (з. р. в.) которых не известен исследователю, но принадлежит некоторому семейству функций. В процессе функционирования анализируемой экономической системы генерируются наблюдаемые значения () интересующих исследователя переменных. Идентификация модели (анализируемой системы) заключается в выборе из упомянутого семейства конкретного закон распределения вероятностей, наиболее хорошо (в определённом смысле) согласующегося с имеющимися в распоряжении исследователя сгенерированными системой данными. Различные спецификации (конкретизации, основанные на дополнительных исходных допущениях) этой общей постановки проблемы и приводят к широкому спектру методов и моделей эконометрического анализа: регрессии, временным рядам, системам одновременных уравнений и другим методам, используемым при решении задач экономического прогноза, ситуационного анализа, оценивания важных экономических характеристик.
Все эконометрические модели, независимо от того, относятся они ко всему хозяйству или к его элементам (т. е. к макроэкономике, отрасли, фирме или рынку), имеют некоторые общие особенности. Во-первых, они основаны на предположении, что поведение экономических переменных определяется с помощью совместных и одновременных операций с некоторым числом экономических соотношений. Во-вторых, принимается гипотеза, в силу которой модель, допуская упрощение сложной действительности, тем не менее, улавливает главные характеристики изучаемого объекта. В-третьих, создатель модели полагает, что на основе достигнутого с её помощью понимания реальной системы удастся предсказать её будущее движение и, возможно, управлять им в целях улучшения экономического благосостояния.
Пример. Предположим, что экономическая теория позволяет сформулировать следующие положения:
· потребление есть возрастающая функция от имеющегося в наличии дохода, но возрастающая, видимо, медленнее, чем рост дохода;
· объём инвестиций есть возрастающая функция национального дохода и убывающая функция некоторых характеристик государственного регулирования (например, нормы процента);
· национальный доход есть сумма потребительских, инвестиционных и государственных закупок товаров и услуг.
Первая задача - перевести эти положения на математический язык. Здесь открывается многообразие возможных решений, удовлетворяющих сформулированным априорным требованиям теории. Какие соотношения выбрать между переменными - линейные или нелинейные? Если остановиться на нелинейных, то какими они должны быть - логарифмическими, полиномиальными или какими-либо ещё? Даже после определения формы конкретного соотношения, остаётся ещё нерешённой проблема выбора для различных уравнений запаздываний по времени. Будут ли, например, инвестиции текущего периода реагировать только на национальный доход, произведённый в последнем периоде, или же на них скажется динамика нескольких предыдущих периодов? Обычный выход из этих трудностей состоит в выборе при первоначальном анализе наиболее простой из возможных форм этих соотношений. Тогда появляется возможность записать на основе указанных выше положений следующую линейную относительно анализируемых переменных и аддитивную относительно случайных составляющих модель:
, (3.3.)
где априорные ограничения выражены неравенствами
Эти три соотношения вместе с ограничениями образуют модель. В ней обозначает потребление, - инвестиции, - национальный доход, - подоходный налог, -норму процента как инструмент государственного регулирования, - государственные закупки товаров и услуг, измеренные в «момент времени» .
Присутствие в уравнениях (3.1.) и (3.2.) «остаточных» случайных составляющих и обусловлено необходимостью учесть влияние соответственно на () и () ряда неучтённых факторов. Действительно, нереалистично ожидать, что величина потребления () будет однозначно определяться уровнями национального дохода () и подоходного налога (); аналогично величина инвестиций () зависит, очевидно, не только от достигнутого в предыдущий год уровня национального дохода () и от величины нормы процента () , но и от ряда не учтённых в уравнении (3.2.) факторов.
Полученная модель содержит два уравнения, объясняющих поведение потребителей и инвесторов, и одно тождество. Мы сформулировали её для дискретных периодов времени и выбрали запаздывание (лаг) в один период для отражения воздействия национального дохода на инвестиции.
В дальнейшем этот пример используется для пояснения ряда основных понятий эконометрического моделирования.
Основные понятия эконометрического моделирования. В любой эконометрической модели в зависимости от конечных прикладных целей её использования все участвующие в ней переменные подразделяются на:
· экзогенные , т. е. задаваемые как бы «извне», автономно, в определённой степени управляемые (планируемые);
· эндогенные , т. е. такие переменные, значения которых формируются в процессе и внутри функционирования анализируемой социально-экономической системы в существенной мере под воздействием экзогенных переменных и, конечно, во взаимодействии друг с другом; в эконометрической модели они являются предметом объяснения;
· предопределённые , т. е. выступающие в системе в роли факторов-аргументов, или объясняющих переменных.
Множество предопределённых переменных формируется из всех экзогенных переменных (которые могут быть «привязаны» к прошлым, текущему или будущим моментам времени) и так называемых лаговых эндогенных переменных, т. е. таких эндогенных переменных, значения которых входят в уравнения анализируемой эконометрической системы измеренными в прошлые (по отношению к текущему) моменты времени, а, следовательно, являются уже известными, заданными.
Набор взаимосвязанных регрессионных уравнений, в которых одни и те же переменные могут одновременно играть роль (в различных уравнениях системы) результирующих показателей и объясняющих переменных (предикторов) называют системой одновременных уравнений (СОУ). Очевидно модель (3.1.)-(3.3.) представляет собой пример СОУ. В данном примере потребление () , инвестиции () и национальный доход () в текущий момент времени являются эндогенными переменными; подоходный налог (), норма процента как инструмент государственного регулирования () и государственные закупки товаров и услуг () - экзогенные переменные, которые вместе с национальным доходом в предшествующий момент времени () образуют множество предопределённых переменных.
Таким образом, можно сказать, что эконометрическая модель служит для объяснения поведения эндогенных переменных в зависимости от значений экзогенных и лаговых эндогенных переменных.
При построении и анализе эконометрической модели следует различать её структурную и приведённую формы. Для пояснения этих понятий условимся в дальнейшем обозначать латинской буквой вектор-столбец всех предопределённых переменных (он включает в себя все экзогенные переменные и все участвующие в модели лаговые эндогенные переменные). Пусть общее число эндогенных переменных равно , а общее число предопределённых переменных - . Общее число уравнений и тождеств в эконометрической модели равно числу эндогенных переменных, т. е. равно . И пусть из общего числа от соотношений модели имеется уравнений, включающих случайные остаточные компоненты, и тождеств (). Разобьём вектор эндогенных переменных на два подвектора и , при этом порядок, в котором перенумерованы эндогенные переменные, не имеет значения.
Тогда общий вид линейной эконометрической модели может быть представлен в форме
(3.4.)
где - матрица размерности () из коэффициентов при в первых уравнениях;
- матрица из коэффициентов при в первых уравнениях;
Вектор-столбец предопределённых переменных (в нём );
Матрица размерности из коэффициентов при предопределённых переменных в первых уравнениях (очевидно, коэффициенты играют роль свободных членов уравнений);
- матрица размерности из коэффициентов при в тождествах системы;
- матрица размерности из коэффициентов при в тождествах системы;
- матрица размерности из коэффициентов при предопределённых переменных в тождествах системы;
Вектор-столбец размерности случайных остаточных составляющих первых уравнений системы;
- вектор-столбец размерности состоящий из нулей.
Заметим, что исходными статистическими данными, необходимыми для проведения статистического анализа системы (3.4.) (а именно, для оценки неизвестных коэффициентов и проверки статистических гипотез, например, о линейном характере исследуемых зависимостей и т. п.), являются матрицы
соответственно размерностей и , а все элементы матриц В 3 , В 4 и С 2 являются известными (их числовые значения определяются содержательным смыслом соответствующих тождеств системы).
Система (3.4) может быть записана также в виде
, (3.4’)
или в виде
, (3.4")
а матрицы У и X определены в (3.5.).
Система уравнений и тождеств вида (3.4.) (или эквивалентных ей записей (3.4") или (3.4")) называется структурной формой линейной эконометрической модели. При этом предполагается, что коэффициент при эндогенной переменной в структурном стохастическом уравнении () равен единице (правило нормировки системы), а матрицы и невырождены (допускаются и другие способы нормировки системы).
Поскольку при реализации конечных прикладных целей эко-нометрического моделирования (т. е. при прогнозе значений эндогенных переменных и при различных имитационных расчётах) главный интерес представляют соотношения, позволяющие явно выразить все эндогенные переменные через предопределённые , то одновременно со структурной формой имеет смысл рассмотреть так называемую приведённую (редуцированную) форму линейной эконометрической модели. Требуемый результат мы получим, домножив слева обе части соотношений (3.4") на матрицу и уединив затем :
, , (3.6.)
где матрица и вектор остаточных случайных составляющих определяются соотношениями
Система соотношений (3.6’), в которой все эндогенные переменные эконометрической модели явно линейно выражены через предопределённые переменные и случайные остаточные компоненты, называется приведённой формой линейной эконометрической модели.
Проиллюстрируем введённые понятия на примере (3.1)-(3.3).
В этом примере число эндогенных переменных, так же как и общее число всех соотношений модели, равно трём (). Среди этих соотношений мы имеем одно тождество (следовательно, , ). Общее число предопределённых переменных , в том числе три экзогенные переменные () и одна лаговая эндогенная переменная () , которую в соответствии с принятой договорённостью кодируем как (т. е. ).
Структурная форма модели в данном примере задаётся соотношениями (3.1)-(3.3). В общих матричных обозначениях, использованных в (3.4), имеем:
, , ,
, ,
.
Если же структурная форма записана в виде (3.4’), то в данном примере участвующие в этой записи матрицы конкретизируются в виде
; .
.
Отметим, что, во-первых, выполнено условие нормировки ( входит в уравнение системы, i = 1,2, с коэффициентом единица); во-вторых, значения элементов матриц В 3 , В 4 и С 2 известны, они определяются содержательным смыслом тождества; в третьих, требование невырожденности матриц В 4 и В соблюдено; и, наконец, в четвёртых, матрицы и относительно «слабо заполнены» неизвестными (подлежащими статистическому оцениванию) коэффициентами: их всего четыре и . Последняя особенность рассматриваемой эконометрической модели является достаточно общей отличительной чертой систем эконометрических уравнений. Если бы это было не так, т. е. если бы мы были вынуждены иметь дело с системами, «сильно заполненными» неизвестными коэффициентами, то задача статистического анализа таких систем оказывалась бы принципиально неразрешимой: имеющихся исходных статистических данных просто не хватало бы для корректного проведения такого анализа. Ведь при построении и анализе систем эконометрических уравнений, описывающих макроэкономические модели, исследователю зачастую приходится иметь дело с десятками и сотнями эндогенных и экзогенных переменных!
Приведённая форма модели (3.1)-(3.3) в данном примере имеет вид
4.Спецификация модели
Эта проблема включает в себя:
а) определение конечных целей моделирования (прогноз, имитация различных сценариев социально-экономического развития анализируемой системы, оценка определённых экономических характеристик);
б) определение списка экзогенных и эндогенных переменных;
в) определение состава анализируемой системы уравнений и тождеств, их структуры и соответственно списка предопределённых переменных;
г) способ параметризации модели, т. е. определение общего вида искомых функциональных зависимостей, связывающих между собой анализируемые переменные;
д) формулировку исходных предпосылок и априорных ограничений относительно:
Стохастической природы остатков (в классических вариантах моделей постулируются их взаимная статистическая независимость или некоррелированность, нулевые значения их средних величин и, иногда, сохранение постоянными в процессе наблюдения значений их дисперсий - гомоскедастичность);
Числовых значений отдельных параметров модели.
Итак, спецификация модели - это первый и, быть может, важнейший шаг эконометрического исследования. От того, насколько удачно решена проблема спецификации и, в частности, насколько реалистичны наши решения и предположения относительно состава эндогенных, экзогенных и предопределённых переменных, структуры и общего вида самой системы уравнений и тождеств, стохастической природы случайных остатков и конкретных числовых значений части неизвестных параметров модели, решающим образом зависит успех всего эконометрического исследования.
Спецификация опирается как на имеющиеся экономические теории, специальные знания или интуитивные представления исследователя об анализируемой экономической системе, так и на специальные методы и приёмы (в том числе, математико-статистические) так называемого разведочного анализа.
5. Идентифицируемость и идентификация модели
При анализе эконометрической модели, представленной системой уравнений вида (3.4) (или (3.4")), исследователя в конечном счёте интересует, прежде всего, поведение эндогенных переменных . Из соответствующей приведённой формы модели (3.6) видно, что эндогенные переменные являются по своей природе случайными величинами, поведение которых определяется внутренней структурой модели, а именно элементами матриц В и С и природой случайных остатков . Возникает вопрос: а возможно ли, следуя в «обратном направлении», восстановить структурную форму (3.4’) (т. е. все элементы матриц В и С), располагая знанием значений коэффициентов приведённой формы (3.6) (т. е. знанием числовых значений всех элементов матрицы и природы случайных остатков )? Именно этот вопрос и отражает сущность проблемы идентифицируемости эконометрической модели (не смешивать с проблемой идентификации модели, заключающейся в выборе и реализации методов статистического оценивания её неизвестных параметров, см. ниже).
Ответ на поставленный вопрос в общем случае, очевидно, отрицательный: без дополнительных ограничений на внутреннюю структуру модели (т. е. без соблюдения некоторых условий идентифицируемости) по элементам матрицы невозможно восстановить гораздо большее число элементов матриц В и С (нетрудно подсчитать, что общее число коэффициентов и в структурной форме равно , хотя, конечно, общее число коэффициентов, подлежащих статистическому оцениванию, оказывается меньшим).
В эконометрической теории приняты следующие определения, связанные с проблемой идентифицируемости СОУ.
1) Уравнение структурной формы эконометрической модели называется точно идентифицируемым, если все участвующие в нём неизвестные (т. е. априори не заданные) коэффициенты однозначно восстанавливаются по коэффициентам приведённой формы без каких-либо ограничений на значения последних.
2) Эконометрическая модель называется точно идентифицируемой, если все уравнения сё структурной формы являются точно идентифицируемыми.
3) Уравнение структурной формы называется сверхидентифицируемым, если все участвующие в нём неизвестные коэффициенты восстанавливаются по коэффициентам приведённой формы, причем некоторые из его коэффициентов могут принимать одновременно несколько (более одного) числовых значений, соответствующих одной и той же приведённой форме.
4) Уравнение структурной формы называется неидентифицируемым, если хотя бы один из участвующих в нём неизвестных коэффициентов не может быть восстановлен по коэффициентам приведённой формы. Соответственно модель называется неидентифицируемой, если хотя бы один из коэффициентов структурной формы является неидентифицируемым.
Говоря о проблеме идентифицируемости модели, мы начали с того, что исследователя в конечном счёте интересует поведение эндогенных переменных, и с этой точки зрения может показаться несущественной, более того, надуманной проблема «однозначного возврата» от приведённой формы к структурной. Однако в действительности исследователя могут интересовать оценочные значения коэффициентов именно структурной формы как имеющие прозрачную экономическую интерпретацию (различные эластичности, мультипликаторы и т. п.). Именно поэтому проблема идентифицируемости крайне важна с позиций выработки предложений по решению следующей проблемы - проблемы идентификации эконометрической модели, т. е. проблемы выбора и реализации методов статистического оценивания участвующих в ней неизвестных параметров.
Идентификация. Решение этой проблемы предусматривает «настройку» записанной в общей структурной форме (3.4") модели на реальные статистические данные (3.5). Другими словами, речь идёт о выборе и реализации методов статистического оценивания неизвестных параметров модели (3.4) (т. е. той части элементов матриц В и С, значения которых не являются априори известными) по исходным статистическим данным (3.5).
Верификация модели . Эта проблема, так же, как и проблема идентификации, является специфичной, связанной с построением именно эконометрической модели. Собственно построение эконометрической модели завершается сё идентификацией, т. е. статистическим оцениванием участвующих в ней неизвестных коэффициентов (параметров) и . После этого, однако, возникают вопросы:
а) насколько удачно удалось решить проблемы спецификации, идентифицируемости и идентификации модели, т. е. можно ли рассчитывать на то, что использование построенной модели в целях прогноза эндогенных переменных и имитационных расчётов, определяющих варианты социально-экономического развития анализируемой системы, даст результаты, достаточно адекватные реальной действительности?
б) какова точность (абсолютная, относительная) прогнозных и имитационных расчётов, основанных на построенной модели?
Получение ответов на эти вопросы с помощью тех или иных математико-статистических методов и составляет содержание проблемы верификации эконометрической модели.
6. Математико-статистический инструментарий эконометрики
Математико-статистический инструментарий эконометрики базируется, в основном, на избранных разделах многомерного статистического анализа и анализа временных рядов, развитых в направлении обобщений ряда традиционных для этих разделов постановок задач. Эти обобщения (подчас весьма далеко идущие) инициированы специфическими особенностями экономических приложений.
1) Регрессионный анализ. В это понятие в эконометрике вкладывается широкий смысл. Оно включает в себя, в частности,:
· классическую линейную модель множественной регрессии (КЛММР) и связанный с ней метод наименьших квадратов (МНК);
· обобщённую линейную модель множественной регрессии (ОЛММР) и связанный с ней обобщённый метод наименьших квадратов (ОМНК);
· регрессию со стохастическими объясняющими переменными и связанный с ней метод инструментальных переменных.
В рамках этого же раздела рассматриваются задачи построения регрессионной модели по неоднородным исходным данным (в связи с этим вводится понятие фиктивных переменных либо, если граница между однородными подвыборками исходных данных не определена, предлагается предварительно проводить их кластер-анализ), а также - по цензурированным или урезанным исходным данным (в связи с этим рассматриваются различные модели, учитывающие смещения статистических выводов, вызванные ограничениями на отбор элементов выборки) - тобит-модель, sample selection model.
Цензурирование или урезание результатов выборочного обследования естественным образом возникает при исследовании «длительности жизни» какого-либо процесса или элемента, времени нахождения системы (элемента) в определённом состоянии: время жизни индивида, период безотказной работы прибора, время поиска работы безработным, длительность забастовки и т. п. Модели, описывающие механизм подобных явлений, называют моделями длительности жизни. Центральным объектом исследования в подобных моделях является так называемая интенсивность отказов или коэффициент смертности , имеющий следующий смысл: если к моменту времени t процесс ещё не завершился (индивид не умер), то вероятность его окончания (смерти) в течение следующего малого промежутка времени есть . В эконометрических исследованиях, как правило, пытаются описать, как интенсивность отказов зависит от ряда экзогенных (объясняющих) переменных (например, в демографии исследуют зависимость коэффициента смертности от ряда социально-экономических характеристик индивида). В этом смысле эконометрические модели длительности жизни можно условно также отнести к разделу «Регрессионный анализ».
К этому же разделу относятся и регрессионные модели, в которых зависимая переменная имеет неколичественную природу, - так называемые модели бинарного и множественного выбора (в том числе, логит- и пробит-модели). Граничное положение (между разделами «Регрессионный анализ» и «Анализ временных рядов») занимают регрессионные модели с распределёнными лагами: постановка задачи здесь регрессионная, а исходные данные представлены в виде временных рядов.
2) Анализ временных рядов. Существенную роль в инструментарии эконометрики играют модели авторегрессии порядка АР(), скользящего среднего порядка CC(), авторегрессии - скользящего среднего APCC(), авторегрессии - проинтегрированного скользящего среднего APTlCC(), наконец, различные версии их многомерных обобщений (например, векторные модели авторегрессин ВАР(), векторные модели авторегрессии -скользящего среднего ВАРСС() и др..).
В ряде прикладных эконометрических работ, в частности, при анализе и моделировании макроэкономических данных, характеризующих процессы инфляции и внешней торговли, механизм формирования нормы процента и т. п., была выявлена некоторая общая закономерность в поведении случайных остатков (ошибок прогноза) исследуемых моделей: их малые и большие значения группировались целыми кластерами, или сериями. Причём это не приводило к нарушению их стационарности и, в частности, их гомоскедастичности для относительно больших временных интервалов, т. е. гипотеза не противоречила имеющимся экспериментальным данным. Однако в рамках моделей АРСС удовлетворительно объяснить этот феномен не удавалось. Требовалась определённая модификация известных моделей.
Такая модификация была предложена впервые Р. Энглом в 1982. Он рассматривал остатки как условно гетероскедастичные, связанные друг с другом простейшей авторегрессионной зависимостью, а именно:
, (6.1.)
или, что то же,
,
где последовательность , t= 1,2,..., - образует стандартизованный нормальный белый шум (т. е. и независимы при и , а параметры и должны удовлетворять ограничениям, обеспечивающим безусловную гомоскедастичность (такими ограничениями являются требования , ). При этом под подразумевается, что речь идёт о случайной величине, рассматриваемой в предположении, что её значение в предшествующий момент времени зафиксировано (задано). Соответственно, её поведение будет описываться условным законом распределения вероятностей.
В соответствии с установившейся терминологией, модель (6.1.) называется авторегрессионной условно гетероскедастичной (сокращённо АРУГ). В англоязычной литературе такие модели называют AutoRegressive Conditional Heteroscedasticity (сокращённо ARCH-model).
Использование такой модели для описания поведения остатков моделей регрессии и временных рядов в упомянутых выше типовых ситуациях оказывается более адекватным действительности и позволяет строить более эффективные оценки параметров рассматриваемых моделей, чем обычные или даже обобщённые МНК – оценки.
Естественное обобщение моделей типа (6.1.) было предложено Р. Энглом и Д. Крафтом в 1983:
, (6.2.)
а параметры связаны некоторыми ограничениями, обеспечивающими безусловную гомоскедастичность остатков .
Модели (6.2.) называются моделями АРУГ порядка (сокращённо АРУГ()). Содержательно переход к > 1 в моделях (6.2.) означает, что процесс формирования значений остатков имеет «более длинную память» о величинах предшествующих остатков . Кстати, АРУГ()-модель (6.2.) может рассматриваться как некая специальная форма СС()-модели, что и используется при её анализе.
Дальнейшее обобщение моделей этого типа было сделано в 1986 Т. Боллерслевом. Он предложил описывать поведение остатков с помощью обобщённой авторегрессионной условно гетероскедастичной модели (ОАРУГ-модели, или, в англоязычном варианте, - GARCH-model), которая записывается в виде
где условная дисперсия имеет вид (6.3.)
В соотношениях (6.3.) под подразумевается вся информация о процессе , которой мы располагаем к моменту времени (т. е. все значения и для ), а параметры и (k= 1,2,...,р; j = 0,1,...,q) связаны ограничениями, обеспечивающими безусловную гомоскедастичность остатков . Модель ОАРУГ(), задаваемая соотношениям (6.3.), может интерпретироваться как специальная форма АРСС()-модели. На ряде примеров показано, что использование ОАРУГ()-модели позволяет добиваться более экономной параметризации в описании поведения остатков , чем в рамках АРУГ()-моделей (т. е. модели ОАРУГ() при малых значениях оказываются более точными, чем АРУГ()-модели при больших значениях ).
Другие важные понятия, используемые при анализе временных рядов, это интегрируемость ряда (определённого порядка) и контеграция временных рядов. Одними из первых эти понятия рассмотрели Энгл и К. Грэнжер в связи с задачей построения модели регрессии по нестационарным временным рядам. Временной ряд называется интегрируемым порядка , если он становится впервые стационарным после -кратного применения к нему разностного оператора . В регрессионном анализе обычно одновременно рассматривается несколько временных рядов. Очевидно, если - интегрируемый временной ряд порядка , и - интегрируемый временной ряд порядка , причём , то при любом значении параметра (в том числе при , где - МНК-оценка коэффициента регрессии в модели парной регрессии по ) случайный остаток будет интегрируемым временным рядом порядка . Если же , то константа может быть подобрана так, что будет стационарным (или интегрируемым порядка 0) с нулевым средним. При этом вектор (1; -) (или любой другой, отличающийся от этого сомножителем) называется коинтегрирующим. При регрессионном анализе временных рядов и их коинтеграция (согласование порядков их интегрируемости) производится обычно по следующей схеме:
1) рассматривается модель и строится МНК-оценка для параметра ;
2) ряд анализируется на стационарность в рамках одной из моделей APCC(p,q); например, в рамках АР(1)-модели проверяется гипотеза || < 1 в представлении ;
3) если результат отрицательный, то возвращаются к спецификации исходной модели, пробуя в качестве зависимой и объясняющей переменных различные варианты и .
3) Системы одновременных уравнений (СОУ) . Выше был приведён пример системы одновременных линейных уравнений (см. (3.1)-(3.3)), дано определение СОУ (см. (3.4)) и рассмотрены основные проблемы, возникающие при их построении и анализе (спецификация, идентифицируемость, идентификация и верификация). Неприменимость (в общем случае) обычного МНК как средства получения состоятельных оценок для неизвестных параметров СОУ инициировала разработку ряда специальных методов идентификации СОУ: косвенного МНК, двух- и трёхшагового методов наименьших квадратов (2МНК и ЗМНК), метода максимального правдоподобия с ограниченной и с полной информацией, метода инструментальных переменных и др. Поэтому правомерно выделить проблематику построения и анализа СОУ в качестве одного из трёх основных разделов эконометрики.
В общих чертах образ действий при идентификации СОУ может быть описан следующим образом (далее используются обозначения, принятые в соотношениях (3.4) и (3.5)).
а) методы статистического оценивания параметров СОУ подразделяются на два класса:
1) методы, предназначенные для оценки параметров одного отдельно взятого уравнения системы (МНК, косвенный МНК, 2МНК, метод максимального правдоподобия с ограниченной информацией);
2) методы, предназначенные для одновременного оценивания параметров всех уравнений системы с учётом их взаимосвязей (ЗМНК, метод максимального правдоподобия с полной информацией).
б) Если уравнения структурной формы модели могут быть расположены в таком порядке, что уравнение (i = l,2,...,m) может содержать в качестве объясняющих эндогенных переменных только переменные (или часть из них), а случайное возмущение этого уравнения не коррелирует со всеми этими эндогенными переменными, то такая система называется рекурсивной, и последовательное применение к каждому уравнению такой системы обычного МНК даёт состоятельные оценки её структурных параметров. Класс рекурсивных систем является простейшим с точки зрения решения задачи оценивания структурных параметров СОУ.
в) Если исследователя интересуют только параметры приведённой формы и задача прогноза эндогенных переменных, то он может ограничиться применением обычного метода наименьших квадратов к каждому отдельному уравнению приведённой формы (с последующей оценкой, если это необходимо, идентифицируемых параметров структурной формы). Такой образ действий называют косвенным методом наименьших квадратов, или методом наименьших квадратов без ограничений, а оценки, полученные с его помощью, будут состоятельными.
г) В ситуациях, когда среди уравнений системы имеются не-идентифицируемые, так же как и в случаях, когда оценивание и анализ параметров структурной формы представляют для исследователя самостоятельный интерес, обычно применяют двухшаговый метод наименьших квадратов (2МНК). Этот метод предназначен для оценивания параметров отдельного уравнения структурной формы, а его последовательное применение к каждому из уравнений структурной формы СОУ позволяет получить состоятельные оценки всех структурных параметров (хотя 2МНК и не учитывает возможные взаимосвязи между уравнениями системы).
д) Сущность двух шагов 2МНК заключается в следующем. На 1-м шаге для каждой эндогенной переменной, играющей роль объясняющей в анализируемом уравнении структурной формы, с помощью обычного МНК строится регрессия на все предопределённые переменные . На 2-м шаге эта эндогенная переменная заменяется в рассматриваемом уравнении её регрессионным выражением через , после чего в правой части этого уравнения остаются только предопределённые переменные и к нему применяется обычный МНК. В моделях с большим числом предопределённых переменных в целях снижения размерности рекомендуется на 1-м шаге строить регрессию предикторной эндогенной переменной не на все предопределённые переменные, а лишь на небольшое число их главных компонент.
е) Если структурные случайные возмущения различных уравнений системы взаимно коррелированы, то для оценивания структурных параметров рекомендуется применять другие методы, например, трёхшаговый метод наименьших квадратов (3МНК). Этот метод предназначен для одновременного оценивания структурных параметров всех уравнений системы и даёт их состоятельные оценки, по эффективности превосходящие оценки (тоже состоятельные) 2МНК.
ж) ЗМНК использует полученные на первых двух шагах 2МНК оценки структурных параметров для вычисления оценки ковариационной матрицы возмущений различных уравнений структурной формы. Затем на 3-м шаге оценки структурных параметров системы пересчитываются с помощью обобщённого МНК в рамках соответствующей схемы обобщённой линейной модели множественной регрессии, в которой в качестве ковариационной матрицы остатков используется полученная ранее оценка ковариационной матрицы возмущений.
з) В ряде ситуаций могут оказаться полезными и другие методы статистического оценивания параметров СОУ. Для оценивания параметров одного отдельно взятого уравнения - это, например, метод максимального правдоподобия с ограниченной информацией (требующий, правда, дополнительного априорного предположения о нормальном характере распределения структурных возмущений модели), для одновременной оценки всех структурных параметров системы может использоваться метод максимального правдоподобия с полной информацией.
и) Одна из главных конечных прикладных целей построения и анализа эконометрических моделей в виде СОУ - это точечный и интервальный прогноз эндогенных переменных по заданным значениям предопределённых переменных и связанная с этим задача проведения многовариантных сценарных расчётов, показывающих, как будут «себя вести» эндогенные переменные при различных сочетаниях значений предопределённых переменных. «Точечное» решение этих задач основано на подсчёте значений эндогенных переменных с помощью статистически оценённой приведённой формы СОУ. Для получения «интервальных» вариантов решения необходимо уметь оценивать ковариационную матрицу ошибок точечного прогноза, что является задачей аналитически достаточно сложной.
Структуризация перечисленных разделов эконометрики была основана на специфике типовых постановок решаемых в рамках каждого и этих разделов прикладных задач. Однако, говоря о содержании эконометрики, следует упомянуть и о развиваемом в рамках этой дисциплины методологическом базисе, компоненты которого могут использоваться при решении задач всех перечисленных выше типов. К основным составляющим этого методологического базиса, прежде всего, следует отнести:
Метод максимального правдоподобия;
Обобщённый метод моментов;
Теория больших выборок, или асимптотические результаты теории вероятностей;
Методы анализа панельных данных, т. е. многомерных исходных данных, регистрируемых на совокупности одних и тех же объектов в течение ряда тактов времени;
Непараметрические и полупараметрические методы статистики;
Статистические методы классификации: дискриминантный и кластер анализы;
Статистические методы снижения размерности: главные компоненты, факторный анализ и др.;
Теория имитационно-компьютерного эксперимента: метод Монте-Карло, бутстреп, перекрёстный компьютерный анализ дееспособности модели (cross-validation method) и др.
Правда, поскольку все эти направления исследований разрабатываются также и в рамках дисциплины «Математическая статистика», подчас трудно определить, какие из работ и научных результатов данной проблематики следует отнести к эконометрике, а какие - к математической статистике. Отличительной особенностью эконометрических работ является такая модификация классических постановок задач, которая инициируется спецификой именно экономических приложений.
Литература
1.Андерсон Т.Статистический анализ временных рядов, пер. с англ., М., !976
2. Липцер Р. Ш., Ширяев А. Н., Статистика случайных процессов, М., 1974
3. Бриллинджер Д., Временные ряды, Обработка данных и теория., пер. с англ., М., 1980
4. Кендалл М., Стюарт А., Статистические выводы и связи, пер. с англ., М., 1973
5. Крамер Г., Математические методы статистики, пер. с англ, 2 изд., М., 1975
6. Ципкин Я. 3., Адаптация и обучение в автоматических системах, М., 1968.
7. Вазан М. Стохастическая аппроксимация, М., 1972;
8.Невельсон М. Б., Хасьмииский Р. 3., Стохастическая аппроксимация и рекуррентное оценивание, М., 1972.
9. Ермольев Ю. М., Методы стохастического программирования, М., 1976.
10. Закс Ш., Теория статистических выводов, пер. с англ., М., 1975.
11. Ермаков С. М., Михайлов Г. А., Статистическое моделирование, 2 изд., М., 1982.
12. Дуб Дж. Л., Вероятностные процессы, М., 1956.
13. Розанов Ю. А., Стационарные случайные процессы, М., 1963.
14.Чжун К. Л., Однородные цепи Маркова, М., 1964.
15. Ибрагимов И. А., Розанов Ю. А., Гауссовскнс случайные процессы, М., 1970.
16.Севастьянов Б. А., Ветвящиеся процессы, М., 1971.
17. Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1-3, М., 1971, 1973, 1975.
18. Гихман И. И., Скороход А. В., Введение в теорию случайных процессов, М., 1977.
19. Вентцель А. Д., Курс теории случайных процессов, М., 1976.
20.Ширяев А. Н., Вероятность, М., 1980.
21. Боровков А. А., Теория вероятностей, М., 1986.
22. Дуб Дж.Л., Вероятностные процессы, М., 1956.
23. Чжуи К. Л., Одпородные цепи Маркова, М., 1964.
24 Вентцель А. Д., Курс теории случайных процессов, М., 1976.
25. Л и Ц., Джадж Д., Зель-нер А., Оценивание параметров марковских моделей по агрегированным временным рядам, М., 1977.
26. Ширяев А. Н., Вероятность, М., 1980.
27. Billingslcy P., Statistical Methods in Markov chains, Ann. Math. Stat., v. 32, № 1, 1961.
28. Дуб Дж.Л., Вероятностные процессы, М., 1956
29. Розанов Ю. А., Стационарные случайные процессы, М., 1963
30. Чжуи К Л., Однородные цепи Маркова, М., 1964.
31 Ибрагимов И. А., Розанов Ю. А., Гауссовские случайные процессы, М., 1970.
32 Гихман И. И., Скороход А. В., Теория случайных процессов, т. 1 -3, М., 1971, 1973, 1975.
33 Гихман И. И., Скороход А. В., Введение в теорию случайных процессов, М., 1977.
34. Севастьянов Б. А., Ветвящиеся процессы, М., 1971.
35. Вентцель А. Д., Курс теории случайных процессов, М., 1976.
36 Ширяев А. Н., Вероятность, М., 1980.
37. Вальд А., Статистические решающие функции, в сб.: Позиционные игры, М., 1967.
38 Вальд А., Последовательный анализ, М., 1960.
39. Леман Э., Проверка статистических гипотез, М., 1979.
40. Ивченко Г. И., Медведев А. И., Математическая статистика, М., 1984.
41. Berger J. О, Statistical Decision theory, N. Y. - Berlin, 1984.
42. .: Липцср Р. Ш., Ширяев А. Н., Статистика случайных процессов, М., 1974
43. Ибрагимов И.А., Хасьминский Р.З., Асимптотическая теория оценивания, М., 1974
44. Айвазян С. А., Енюков И. С, Мешалкин Л. Д., Прикладная статистика. Основы моделирования и первичная обработка данных, М., 1983
45. Айвазян С. А., Енюков И. С, Мешалкин Л. Д., Прикладная статистика. Исследование зависимостей, М., 1983
46. Хьюбер П., Робастпость в статистике, М., 1984
47. Рао С. Р., Линейные статистические методы и их применения, пер. с англ., М., 1968.
48. Кендалл М.Дж., Стьюарт А., Статистические выводы и связи, пер. с англ., М., 1973
49. Тюрин Ю.Н., ВНИИ системных исследований, сб. трудов, вып. 11, М, 1984
50. Линник Ю. В., Метод наименьших квадратов и основы ма-тематико-статнстичсской теории обработки наблюдений, 2 изд., М., 1962
51. Рао С. Р., Линейные статистические методы и их применения, М., 1968
52. Альберт А., Регрессия, псевдоинверсия и рекуррентное оценивание, М., 1977
53. Себер Дж., Линейный регрессионный анализ М., 1980
54. Вересков А. И., Федоров В. В., Методы решения нестандартных регрессионных задач, в сб.: «Статистические модели и методы», М., 1984
55. Дрейпер Н., Смит Г., Прикладной регрессионный анализ, 2 изд., М., 1986
56. Айвазян С.А.. Бежаева 3. И., Староверов В., Классификация многомерных наблюдений, М., 1974
57. Fisher R. A., Ann. of Eugenics, 1936, v. 7, p.179-88.
58. Шеффе Г., Дисперсионный анализ, пер. с англ., М., 1963
59. Кендалл М.Дж.,Стьюарт А., Многомерный статистический анализ и временные ряды, пер. с англ., М., 1976
60. Болч Б., Хуапь К.Дж., Многомерные статистические методы для экономики, пер. с англ., М., 1979
61. Себер Дж., Линейный регрессионный анализ, пер. с англ., М., 1980
62. Айвазян С.А., Енюков И.С., Мешалкин Л.Д., Прикладная статистика: исследование зависимостей, М., 1985
63. Айвазян С.А., Основы эконометрики, 2-е изд., М., 2001
64. Магнус Я.Р., Катышев П.К., Пересецкий А.А., Эконометрика. Начальный курс, 3-е изд., М., 2000
65. Харман Г., Современный факторный анализ, М., 1972
66. Айвазян С.А., Бежаева 3. И., Староверов О.В., Классификация многомерных наблюдений, М., 1974
67. Иберла К., Факторный анализ, М., 1980
68. Благуш П., Факторный анализ с обобщениями, М., 1989
69 Андерсон Т., Введение в многомерный статистический анализ, пер. с англ., М., 1963
70. Кендалл М. Дж., Стьюарт Ф., Многомерный статистический анализ и временные ряды, пер. с англ., М. 1976
71. Большев Л. Н., «Bull. Int. Stat. Inst.», 1969, №43, p. 425-41
72. Wishart J., «Biometrika», 1928, v. 20A, p. 32-52
73. Hotelling H. «Ann. Vath. Stat.», 1931, v. 2, p. 360-78
74. Kruskal J. В., «Psychomet rika», 1964, v. 29, p. 1-27
75. Айвазян С. А., Бухштабср В.М. Енюков И.С, Мешалкин Л. Д., Прикладная статистика: классификация и снижение размерности, М., 1989
76. Айвазян С. А. Енюков И. С, Мешалкин Л. Д., Прикладная статистика: исследование зависимостей, М., 1985
77. Соболь И.М., Численные методы Монте-Карло, М., 1973
78. Ермаков СМ., Михайлов Г.А., Статистическое моделирование, М., 1982
79. Форрестер Дж., Основы кибернетики предприятия, М., 1971
80. Нэйлор Т., Машинные имитационные эксперименты с моделями экономических систем, М., 1975
81. Яковлев Е.И., Машинная имитация, М., 1975
82. Геронимус Ю.В., Имитационное моделирование и системность, «Экономика и математические методы», 1985, т. XXI
83.Модельные эксперименты с механизмами экономического управления, М., 1989.
метод главных компонент , анализ канонических корреляций
статистика Хотеллинга
анализ канонических корреляций
смеси вероятностных распределений, многомерное шкалирование
конфлюентного анализа
методам экстремальной группировки признаков
методы решения простой и обобщённой задачи о собственных значениях и векторах; простое обращение и псевдообращение матриц; процедуры диагонализации матриц
корреляционная функция и спектральная функция
периодограмма
Интеграл Лебега
В рамках этого понятия рассматриваются бейесовские и минимаксные статистические оценки.
Айвазян С. А., Основы эконометрики, М., 2001
УДК: 336 ББК: 65.05
ПРИМЕНЕНИЕ ИНСТРУМЕНТАРИЯ ЭКОНОМЕТРИКИ ДЛЯ ФОРМИРОВАНИЯ МНОГОФАКТОРНОГО КРИТЕРИЯ ОЦЕНКИ СОСТОЯТЕЛЬНОСТИ ОРГАНИЗАЦИИ
Suvorova L. V., Suvorova T.E., Kuklina M.V.
USING THE TOOLS OF ECONOMETRICS FOR FORMATION OF
MULTIFACTOR EVALUATION CRITERIA OF ORGANIZATION VIABILITY
Ключевые слова: компания, вероятность, банкротство, вероятность банкротства, эконометрика, оценка состоятельности, интегральный критерий оценки, модель, оценка, критерий, прогнозная вероятность.
Keywords: company, probability, bankruptcy, the probability of bankruptcy, econometrics, viability assessment, integral evaluation criterion, model, evaluation, criterion, the forecast probability.
Аннотация: в статье рассматривается возможность применения эконометрическо-го инструментария для формирования многофакторного критерия оценки состоятельности организации. Модель оценки, сформированная с помощью метода анализа иерархий, тестируется на данных ста российских нефинансовых компаний, полученные результаты сравниваются с начальными параметрами модели, после чего делается вывод о ее практической применимости.
Abstract: the article discusses the possibility of using econometric tools for the formation of multifactor criteria for evaluating the organization viability. Assessment model, formed by the analytic hierarchy process is tested on data of hundred Russian non-financial companies; these results are compared with the initial parameters of the model, and then conclude its practical applicability.
В условиях ухудшения экономической ситуации как внутри, так и за пределами страны многие компании сталкиваются с финансовыми трудностями. Несостоятельность организации как субъекта экономических отношений может стать предметом судебного делопроизводства. Таким образом, перед современными финансовыми менеджерами встает задача не только предотвратить кризисные явления и обеспечить устойчивое финансовое положение своего предприятия, но и доказать его состоятельность третьим лицам.
В настоящее время существует достаточно много многофакторных критериев оценки состоятельности компаний, предложенных различными авторами, как отечественными, так и зарубежными (Э. Альтман, Р. Таффлер и Г. Тишоу, Р. Лис, Р.С. Сайфулин и Г.Г. Кадыков, ученые Иркутской государственной экономической академии, О.П. Зайцева, У. Бивер, Ж. Кон-
нан и М. Гольдер, Д. Фулмер, Г. Сприн-гейт). Следует отметить, что зарубежные модели не всегда приемлемы для российских организаций, поскольку в них используются коэффициенты-константы, рассчитанные в соответствии с иными экономическими условиями, особенностями кредитования и налогообложения.
Диагностика факторов, приводящих организации к банкротству, может проводится различными методами, в том числе аналитическим, экспертным, методами линейного и динамического программирования, а также с использованием имитационных моделей.
Цель работы - апробировать новую модель оценки состоятельности компаний при помощи эконометрического инструментария.
На основе метода анализа иерархий нами была разработана новая модель оценки состоятельности организации и опреде-
лено пороговое значение интегрального показателя1:
X = 0,194*P(12) + 0,186*P(15) + 0,19*P(27) + 0,232*P(30) + 0,197*P(33),
P(12) - степень платежеспособности организации;
P(15) - коэффициент текущей ликвидности;
P(27) - рентабельность оборотного капитала;
P(30) - фондоотдача;
P(33) - рентабельность продаж
Метод анализа иерархий представляет собой многокритериальный прием оценки, с помощью которого выбираются показатели-факторы, а также формируется многофакторная модель. В целях нахождения приоритетных показателей-факторов была использована шкала относительной важности Т.Саати и К.Кернса.2 С ее помощью построена матрица попарных сравнений показателей-факторов и сделан выбор локальных приоритетов.
Наиболее приоритетными среди рассматриваемых факторов были признаны: степень платежеспособности, коэффициент текущей ликвидности, рентабельность оборотного капитала, фондоотдача и рентабельность продаж.
Для дальнейшего исследования были скорректированы значения приоритетов выделенных факторов путем деления их начальных значений на сумму последних и таким образом получен нормализованный вектор приоритетов по усеченному набору критериев.
Пороговое значение было найдено с помощью эмпирического анализа на реальных данных. Была сформирована выборка из 100 нефинансовых российских компаний
Суворова Л.В., Суворова Т.Е., Куклина М.В.
с помощью базы данных выборку вошли 50 компаний, которые являются состоятельными, и 50 компаний, которые признаны судом банкротами. Для каждой организации был рассчитан интегральный показатель и построен график зависимости интегрального показателя от состояния компаний.
В рамках разработанной нами модели несостоятельными оказались компании, интегральный показатель которых не превышает 15.
Для оценки взаимосвязи вероятности банкротства организаций и значения интегрального критерия мы применили эконо-метрический инструментарий. Для этого использовалась та же выборка из 100 нефинансовых российских компаний.
Тестировались модели бинарного выбора: РгоЬк-модель4 (кумулятивная функция стандартного нормального распределения) и Logit-модель (интегральная функция вероятности логистического распределения). Бинарные модели позволяют определить зависимость вероятности банкротства компании и значения интегрального критерия.
Согласно моделям такого типа зависимая переменная принимает два значения: 0 и 1. В качестве зависимой переменной нами выбрано состояние компании. Значение «0» присваивается состоятельной организации, а значение «1» - несостоятельной компании. В сформированной выборке количество состоятельных и несостоятельных компаний совпадает и равно 50.
Все рассчитанные коэффициенты, в том числе и интегральный показатель по выбранным компаниям, представлены в таблице 1.
1 Суворова, Л.В., Суворова, Т.Е. Оценка несостоятельности организации с применением метода анализа иерархий // Материалы VIII Международной научно-практической конференции «Инфраструктурные отрасли экономики: проблемы и перспективы развития». - Новосибирск: НГТУ, 2015.
2 Макаров, А.С. К проблеме выбора критериев анализа состоятельности организаций // Экономический анализ: теория и практика. 2008. №3.
3 FIRA PRO - Информационно-аналитическая система, первое независимое рейтинговое агентство [Электронный ресурс]. - URL: http://www.fira.ru/. -Загл. с экрана
4 Шандор, Золт. Эконометрический ликбез: ограниченные зависимые переменные. Мультиномиальные модели дискретного выбора // Квантиль. - 2009. -№7. - С. 9-20.
Компания Показатель-фактор Интегральный критерий Y: 1- несостоятельная компания 0- состоятельная компания
Фондоотдача, доли Коэффициент текущей ликвидности, доли Степень пла-тежеспособ-ности по текущим обязательствам, доли Рентабельность оборотного капитала, % Рентабельность продаж, %
1 10,82 1,97 3,28 47,66 40 20,48 0
2 1,68 1,17 14,69 65,88 50 25,88 0
3 7,4 3,24 4,64 79,75 100 38,15 0
4 18,08 3,8 4,2 8,37 100 27,05 0
5 6,01 1,08 4,24 23,77 100 26,69 0
50 1,11 20,76 0,62 96,63 100 42,40 0
51 3,52 5,32 0,45 0,43 8,7 3,69 1
52 1,85 0,1 66,96 0,78 2,2 14,03 1
59 1,65 0,91 74,25 115 3,3 37,52 1
66 0,1 1 77,45 1 10 17,41 1
99 3,38 0,024 38,03 -1,47 -2,4 7,41 1
100 0,38 0,05 2,25 1,42 9,6 2,70 1
Две регрессионные модели тестирова- зультаты тестирования моделей представ-лись с помощью программы «Eviews». Ре- лены в таблице 2.
Таблица 2 - Тестирование моделей
Параметры Модель
Количество наблюдений 100 100
Интегральный показатель -0,149***(0,043) -0,338**(0,138)
Константа 2,391***(0,569) 5,155***(1,858)
Prob(LR statistic) 0,000 0,000
McFadden R-squared 0,769 0,804
Примечание. В скобках указаны стандартные ошибки, звездочками обозначены уровни значимости: *p <0,1; **p <0,05; ***p <0,01.
По полученным результатам был сделан вывод, что обе регрессии в целом значимы на 1% уровне. Оценки коэффициентов также значимы на 1% уровне для Probit-модели и нам 5% для Logit-модели. Оценка коэффициента перед переменной, отвечающей за значение интегрального показателя,
отрицательна. Это говорит о том, что чем выше значение интегрального показателя, тем ниже вероятность банкротства.
Полученные результаты оценки регрессий можно представить в следующем виде:
Рг = 2,391 - 0,149 * х{)
Pi =Л (5,155 - 0,338 * xt)
Зависимость значения интегрального показателя от прогнозной вероятности, определенной с помощью Logit и Probit моделей отражена на рисунке 1. Можно заме-
тить, что обе модели дают практически одинаковые результаты, не наблюдается никаких существенных различий. Однако имеется одно отклонение от общей динамики.
1-1-1-1-0 -,-■
♦ Logit-модель ■ Probit-модель
Значение интегрального показателя
Рисунок 1 - Графическое представление соотношения значения интегрального критерия
и оценки вероятности банкротства
Для определения порогового значения были построены прогнозные вероятности банкротства для всех компаний из выборки для обеих бинарных моделей. На рисунках 2 и 3 представлена зависимость прогнозной вероятности от номера наблюдения. Первые 50 компаний выборки являются состоятельными, а последние 50 компаний признаны судом банкротами.
Данные графики также показывают, что имеется одно отклонение. Компания, соответствующая номеру 59, в действительности является банкротом, однако интегральный критерий показал обратный вывод. Для данной компании была спрогнозирована очень низкая прогнозная вероятность банкротства.
Рисунок 2 - Графическое представление соотношения прогнозной вероятности банкротства и номера компаний для Logit-модели
Таким образом, был сделан вывод, что тельной, а если прогнозная вероятность если прогнозная вероятность банкротства больше 50% - компания несостоятельна. меньше 50%, то компания является состоя-
10 20 30 40 50 60 70 80 90 100
Рисунок 3 - Графическое представление соотношения прогнозной вероятности банкротства и номера компаний для РшЬк-модели
Как было отмечено ранее, при расчете многофакторного критерия с помощью МАИ были допущены две неточности, а именно, 2 компании с прогнозом состоятельности являются на самом деле несостоятельными. Это соответствует ошибке I рода. Аналогичная неточность произошла при прогнозировании вероятности банкротства с использованием эконометрического инструментария, но ошибка I рода в этом слу-
чае составила 1% (только для одной несостоятельной компании была спрогнозирована низкая вероятность банкротства). Ошибка II рода не наблюдалась в обоих случаях. Объясняющая способность модели находится как 100% за вычетом ошибок I и II рода. Обе сформированные модели, как с помощью МАИ, так и с помощью инструментария эконометрики, имеют высокую объясняющую способность (таблица 3).
Таблица 3 - Сравнительная характеристика МАИ и инструментария эконометрики
Критерий МАИ Инструментарий эконометрики
Пороговое значение Х<15 - компания несостоятельна, Х>15 - компания состоятельна Р <50% - компания состоятельна, Р >50% - компания несостоятельна
Ошибка I рода (компания с прогнозом состоятельности является несостоятельной) 2% 1%
Ошибка II рода (компания с прогнозом несостоятельности является состоятельной) 0% 0%
Объясняющая способность модели 98% 99%
Исходя из полученных результатов, полученная с помощью метода анализа можно сделать вывод, что новая модель, иерархий и проверенная с использованием
инструментария эконометрики, является ки банкротства российских компаний. оптимальной и применимой для диагности-
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Макаров, А.С. К проблеме выбора критериев анализа состоятельности организаций // Экономический анализ: теория и практика. - 2008. - №3.
2. Суворова, Л.В., Суворова, Т.Е. Оценка несостоятельности организации с применением метода анализа иерархий // Материалы 8 Международной научно-практической конференции «Инфраструктурные отрасли экономики: проблемы и перспективы развития», НГТУ, Новосибирск, 2015.
3. Шандор, Золт. Эконометрический ликбез: ограниченные зависимые переменные. Мультиномиальные модели дискретного выбора // Квантиль. - 2009. - №7. - С. 9-20.
4. Altman, E. & Haldeman, R. (1977) ZETA Analysis: A new model to indentify bankruptcy risk of corporations. Journal of Banking and Finance, 1, 29-35.
5. Beaver, W. (1966) Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4,71-111.
6. Conan, J. & Holder, M. (1979) Explicatives variables of performance and management control, Doctoral Thesis, CERG, Universite Paris Dauphine.
7. FIRA PRO - Информационно-аналитическая система, первое независимое рейтинговое агентство [Электронный ресурс]. - URL: http://www.fira.ru/. - Загл. с экрана
8. Fulmer, J. & Moon, J. (1984) A Bankruptcy Classification Model for Small Firms. Journal of commercial Bank Lending, 25-37.
9. Springate, G. (1978) Predicting the Possibilty of Falture in a Canadian Firm. Unpublished M.B.A. Research Project, Simon Fraser Universit
Позиция авторов пособия относительно понимания содержания математико-статистического инструментария эконометрики совпадает с классификацией эконометрических методов, предлагаемой ведущими российскими специалистами в области преподавания эконометрики и практического эконометрического анализа социально-экономических процессов, и несколько отличающейся от общепринятой.
Современные достижения в математико-статической науке (особенно в области многомерного статистического анализа), с одной стороны, и заметное расширение круга экономических задач, требующих эконометрического подхода в их решении, – с другой создали все необходимые предпосылки для пересмотра сложившегося взгляда на математико-статистический инструментарий эконометрики в направлении его существенного пополнения.
Традиционный состав математико-статистических методов эконометрики представлен стандартным набором математико-статистических методов, в следующих пяти разделах:
‑ классическая линейная модель множественной регрессии и классический метод наименьших квадратов;
‑ обобщенная линейная модель множественной регрессии и обобщенный метод наименьших квадратов;
‑ некоторые специальные модели регрессии (со стохастическими объясняющими переменными, с переменной структурой, с дискретными зависимыми переменными, нелинейные);
‑ модели и методы статистического анализа временных рядов;
‑ анализ систем одновременных эконометрических уравнений.
Для решения некоторых задачи социально-экономической теории и практики требуются методы прикладной статистики, выходящие за рамки традиционного эконометрического инструментария.
Остановимся на этих задачах более подробно.
Первый тип задач – типологизация и кластеризация социально-экономических объектов. Моделирование и статистический анализ распределения по среднедушевому доходу, выявление основных типов потребительского появления, задачи социально-экономической стратификации общества, межстрановый макроэкономический анализ и многие другие решаются сегодня с привлечением современного аппарата многомерного статистического анализа – методов дискриминантного анализа, моделей расщепления смесей распределений, методов кластерного анализа.
Второй тип задач – построение и анализ целевых функций и интегральных индикаторов. Один их эффективных и достаточно распространенных в теории и практике экономических исследований подходов к описанию и анализу поведения хозяйствующего субъекта (индивидуума, домашнего хозяйства, фирмы, предприятия и т.п.) связан с построением соответствующей целевой функции, которая, по-существу, является некоторой сверткой ряда частных показателей его поведения. Аналогичные задачи возникают при построении и анализе комплексных, агрегатных показателей какого-либо сложного свойства – качества населения, качества жизни, научно-технического уровня производственной системы и т.п. Как правило, при решении подобных задач не удается обойтись привлечением только методов регрессионного анализа и анализа временных рядов. Чаше исследователю приходится обращаться к таким методам снижения размерности факторного пространства, как главные компоненты, факторный анализ, многомерное шкалирование.
Третий тип задач – анализ динамики «состояний» объекта (типологии потребительского поведения семей, социально-экономической и демографической структуры общества и т.п.). Эффективным средством решения задач подобного типа являются модели Марковских цепей.
Этот методы прикладной статистики, приспособленные к специфике экономических и социально-экономических задач, можгут быть отнесены к математико-статистическому инструментарию эконометрики.
Которые используются в курсе эконометрики. Цель этой главы - напомнить читателю некоторые сведения, но никак не заменить изучение курса теории вероятностей и математической статистики , например, в объеме учебника .
В этом смысле большими преимуществами обладает статистический метод моментных наблюдений , в основе которого лежат фундаментальные положения теории вероятностей и математической статистики . Изучение данного и подобных ему методов проводится в курсах статистики и эконометрики.
Эконометрика - это научная дисциплина, объединяющая совокупность теоретических результатов, приёмов, методов и моделей, предназначенных для того, чтобы на базе экономической теории (математической экономики), социально-экономической статистики теории вероятностей и математической статистики придать конкретное количественное выражение общим качественным закономерностям, обусловленным экономической теорией.
Предполагается, что студенты, изучающие эконометрику, уже прослушали базовые курсы по высшей математике, теории вероятностей и математической статистике , микро- и макроэкономике. Однако опыт показывает, что многим начинающим изучение вводного курса эконометрики необходимо восстановить знания основных положений теории вероятностей и математической статистики , без которых невозможно понимание излагаемого материала. Именно на ликвидацию пробелов в этой области направлены первая и вторая главы данного пособия. При этом особое внимание уделяется экономическим приложениям рассматриваемых понятий.
Эконометрика как научная дисциплина зародилась и получила развитие на основе слияния экономической теории , математической экономики , экономической статистики и математической статистики.
Целью этой и последующих глав является ознакомление читателя с методами исследования (проверки, обоснования, оценивания) количественных закономерностей и качественных утверждений (гипотез) в экономике на основе анализа статистических данных. Эти методы являются составной частью эконометрики - науки, изучающей экономические явления с количественной точки зрения . Эконометрика устанавливает и исследует количественные закономерности в экономике на основе методов теории вероятности и математической статистики , адаптированных к обработке экономических данных.
Авторы данного учебника попытались хотя бы в некоторой степени восполнить имеющийся пробел. Учебник написан в соответствии с требованиями Государственного образовательного стандарта по дисциплине Эконометрика для экономических специальностей вузов. При изложении учебного материала предполагается, что читатель владеет основами теории вероятностей , математической статистики и линейной алгебры в объеме курса математики экономического вуза (например, и ).
Практикум может быть полезен при освоении не только эконометрики, но и курса Математическая статистика.
Эти методы взяты эконометрикой из статистики и хорошо знакомы студентам, изучавшим такие дисциплины, как Статистика, Математическая статистика . Таким образом обеспечивается преемственность дисциплин.. При изложении проблем анализа взаимосвязей на основе пространственных данных в учебнике уделяется внимание спецификации модели . Отмечается, что любое изолированно взятое уравнение регрессии не позволяет раскрыть структуру связей между переменными. Из этого следует естественный переход к изложению структурных моделей и путевого анализа как разновидности такого подхода.
ГЕТЕРОСКЕДАСТИЧНОСТЬ - понятие, используемое в математической статистике и эконометрике, которое означает случай, когда дисперсия ошибки в уравнении регрессии изменяется от наблюдения к наблюдению.
Эконометрика - наука, исследующая количественные закономерности и взаимозависимости в экономике при помощи методов математической статистики. Основа этих методов - корреляционно-регрессионный анализ . Использование современных методов математической статистики началось в биологии. В последней четверти XIX века английский биолог К.Пирсон положил начало современной математической статистике изучением кривых распределения числовых характеристик человеческого организма. Затем он и его школа перешли к изучению корреляций в биологии и построению линейных функций регрессии.
Данная глава несколько отличается от других глав. Разделы 10.1-10.4 фактически содержат справочный материал по , широко применяемому в математической статистике . Подробное изложение этого материала можно найти, например, в (Айвазян (1983), Крамер (1975), Рао (1968)). Раздел 10.5 во многом повторяет описанные кратко в разделах 2.7, 5.3 и приложении МС (п. 7) способы применения этого метода к моделям парной и множественной регрессии . Причина, по которой мы поместили этот материал не в приложении МС, а здесь, состоит в следующем. Первое, метод максимального правдоподобия является традиционно трудным для студентов разделом курса математической статистики , и его, по нашему мнению, следует повторить в курсе эконометрики, включающем в себя темы временных рядов и дискретных зависимых переменных , в которых этот метод интенсивно используется. Второе, удобство читателя, для которого все необходимые факты по методу максимального правдоподобия собраны в одном месте книги.
Подведем итоги. Классические экономико-математические теории не отражают реального существа экономических объектов и уж совсем не замечают их динамики, т.е. фактора времени, создающего их постоянное изменение. Механизм самоорганизации экономики существует только в головах теоретиков, не знающих реальной жизни. Оптимальные решения в управлении экономикой вообще не -су-ществуют. Математическая статистика (и эконометрика в том числе) традиционно применяется для создания рекомендаций по управлению экономикой , но это напоминает управление автомобилем на весьма узкой горной дороге с большим количеством автомашин при закрытом переднем стекле с использованием только зеркала заднего обзора. Можно представить себе, какие рекомендации можно предложить в таких условиях Все сказанное подводит нас к кризису в области управления экономикой старыми экономико -математическими инструментами. Чтобы возникли корректные теории, необходимо сначала разработать инструмент, который позволит достаточно адекватно отражать моделируемый макроэкономический объект.
Во-вторых, неверно традиционное представление о том, что погрешности измерений нормально распределены. Тщательный анализ погрешностей реальных наблюдений показал, что их распределение в подавляющем большинстве случаев отличается от нормального . Среди специалистов распространено такое шуточное мнение Прикладники обычно думают, что математики доказали нормальное распределение погрешностей, а математики считают, что прикладники установили это экспериментально. К сожалению, в настоящее время в экологической и экономической литературе существует ряд ошибочных утверждений. Существенная часть ошибок относится к прямолинейному использованию математических методов в области статистики и эконометрики . "
В этой, заключительной, главе мы обсудим, чем собственно занимается эконометрист, рассмотрим связь между эконометрикой и физикой, эконометрикой и математической экономикой , эконометрикой и математической статистикой , разрыв между теорией и практикой, методологиями сверху вниз и снизу вверх, слабые звенья , агрегирование и как использовать опыт других исследований. Это попытка суммировать все то, что могло бы быть образно названо патологией эконометрики.
Фриш (Fris h) Рагнар Антон Киттиль (1895-1973), норвежский экономист, один из основоположников эконометрики, автор норвежского варианта системы национальных счетов . Окончил университет в Осло, с 1931 г. до выхода на пенсию в 1965 г. - профессор экономических дисциплин в том же университете. Преподавал также в Йельском (США) и Парижском университетах. Научная и практическая деятельность Фриша охватывает теорию программирования и макроэкономического планирования, анализ спроса и теорию индекса стоимости жизни , теорию экономических моделей циклического, общего равновесного и неравновесного экономического развития , методологию макроэкономической динамики и математической статистики . Фриш первым определил эконометрию как синтез экономической теории , статистики и математики, он был в 1930 г. организатором Эконо-метрического общества и первым редактором журнала "Эконометрика". Нобелевская премия по экономике (1969) - за научный вклад в формирование понятий эконометрии и математической экономики . Почетный член АН США, Швеции и ряда других стран.
ЭКОНОМЕТРИКА - научная дисциплина, предметом которой является изучение количественной стороны экономических явлений и процессов средствами математического и статистического анализа . (Близкое, но не тождественное значение имеет термин "эконометрия", под ним обычно понимается наука, которая тесно связана с математической экономией и отличается от последней в основном применением конкретного числового материала.) В Э. как бы синтезируются достижения теоретического анализа экономики с достижениями математики и статистики (прежде всего математической статистики).
В течение длительного времени существовала потребность в книге, специально написанной для статистиков и эконометриков, которая содержала бы замкнутое в себе и единое изложение матричного дифференциального исчисления . Предполагается, что данная книга удовлетворит эту потребность. Она может служить учебником при изучении курса эконометрики в магистратуре, углубленных курсов эконометрики в бакалавриате, а также в качестве справочника для прикладных эконометриков. Специалисты по математической статистике и психометрике также могут найти что-то интересное для них в этой книге.
ЭКОНОМЕТРИКА (англ, e onometri s) - комплекс методов, с помощью которых проводится анализ взаимосвязей различных экономических факторов и показателей, при данном исследовании используется статистический аппарат (в том числе аппарат математической статистики), а также теория вероятностей . На основании этих методов представляется возможным выявление неизвестных взаимосвязей, доказательство или отвержение гипотез, предлагаемых экономической теорией , о существовании некоторых из них (взаимосвязей экономических показателей).
Мощным инструментом эконометрических исследований является аппарат математической статистики. Действительно, большинство экономических показателей носит характер случайных величин , предсказать точные значения которых практически невозможно. Например, весьма сложно предвидеть доход или потребление какого-либо индивидуума, объемы экспорта и импорта страны в течение следующего года и т. д. Связи между экономическими показателями практически всегда не носят строгий функциональный характер, а допускают наличие каких-либо случайных отклонений (особенно это касается макроэкономических данных). Вследствие этого использование методов математической статистики в эконометрике естественно и обосновано. Однако в силу специфики получения статистических данных в экономике (например, в экономике невозможно проведение управляемого эксперимента) эконометристам приходится использовать свои собственные наработки и специальные приемы анализа, которые в математической статистике не встречаются.
В физике, химии, биологии, медицине можно проводить контролируемые эксперименты, но только не в экономике. (Астрономические данные также не являются экспериментальными мы не можем изменить орбиту Марса, чтобы посмотреть, как это повлияет на орбиту Земли.) Отсюда следуют серьезные последствия для экоиометрической теории. Традиционные методы математической статистики - теория оценивания и проверки гипотез - были развиты для экспериментальных наук, но не для экономики. Эти методы, таким образом, не могут быть без какой-либо модификации применены в эконометрике.
Второй фактор успеха РЭШ - двуязычие и тщательный отбор преподавателей. Среди российских профессоров РЭШ 2 академика РАН, 14 докторов наук - ведущих ученых из РАН, МГУ, ВШЭ, 8 опытных кандидатов наук, а также 15-20 ежегодно приглашаемых зарубежных профессоров из университетов США, Англии, Европы, Израиля и др. Если в 1992-1993 гг. российские профессора читали в основном математические дисциплины - математику для экономистов,