Дистрибутивно –
лаговые модели (Часть 3).
Подход Ш. Альмона:
полиномиальный лаг Альмона.
В
предыдущих выпусках рассматривались различные модификации модели Койка для
оценки параметров дистрибутивно-лаговых моделей (ДЛМ). Основным их недостатком
является предположение о том, что коэффициенты убывают в
геометрической прогрессии, которое на практике в некоторых ситуациях является
слишком строгим.
Рассмотрим конечную ДЛМ в периодов:
, (1)
которую
можно записать таким образом:
. (2)
Ш. Альмоном предложен
подход, при котором коэффициенты согласно теореме
Вейерштрасса можно аппроксимировать полиномом соответствующей степени от - величины временного
лага, то есть:
, (3)
где - степень полинома,
причем предполагается, что .
После подстановки (3) в (2)
получим:
.
После замены
,
,
…,
(4)
получим модель Альмона
. (5)
При
условии удовлетворения всем предположениям
классической модели линейной регрессии для оценки параметров и можно использовать
стандартный метод наименьших квадратов (МНК). В этом основное преимущество
модели Альмона перед моделью Койка, так как последняя
имеет серьезные проблемы в связи с присутствием авторегрессионной
переменной , которая возможно коррелирует со
случайной величиной .
Таким
образом, получив оценки параметров модели (5) , находим оценки параметров модели (1) по формуле (3):
,
,
…,
.
Выбор параметров и .
1.
Выбор максимальной длины временного лага до начала исследований является основным недостатком в модели
Альмона. Исследователь должен самостоятельно
определить этот параметр,
исходя из условия задачи. Обычно на практике выбирают относительно небольшим в зависимости от размера исходной выборки.
2.
Не менее важным является выбор степени полинома , которая должна быть хотя бы на единицу больше количества
экстремумов в зависимости . Таким образом, выбор этого параметра также является в
большой мере субъективным. На практике допускается, что при выборе небольших
значений (порядка 2-3)
результаты будут приемлемыми.
Чтобы
определить, достаточно ли
полинома -й степени для аппроксимации
модели (5) находят оценки параметров модели при , то есть:
.
Тогда, если параметр - статистически
значим, а - нет, то можно предположить, что степени полинома достаточно для
аппроксимации. Но в связи с (4) ( - линейные комбинации ) возможно наличие мультиколлинеарности
между , что может дать неадекватную оценку параметра . В этом случае оценка статистически
незначима из-за того, что начальная выборка недостаточно информативна для
оценки влияния переменной на . Поэтому перед принятием решения о ненадобности выбора
полинома -й степени необходимо
убедиться в отсутствии мультиколлинеарности.
Замечание: оценки могут иметь большие
ошибки вследствие мультиколлинеарности , тогда часть коэффициентов будут статистически
незначимыми, но это не означает статистическую незначимость
коэффициентов .
Преимущества метода.
1.
Метод применим для более широкого ряда лаговых структур
в сравнении с моделью Койка, где коэффициенты убывают строго в геометрической прогрессии.
2.
В отличие от модели Койка, нет проблем связанных с
присутствием зависимых переменных.
3.
При выборе полинома небольшой степени значительно
сокращается количество коэффициентов, которые необходимо оценить: .
Недостатки
метода.
1.
Степень полинома и максимальная длина лага ( и ) выбираются достаточно субъективно.
2.
Проблема мультиколлинеарности
переменных .
|