Классификация эконометрии
Отметим, что существует множество классификаций эконометрических моделей в зависимости от выбранных признаков классификации. Ниже приводится достаточно простая и удобная классификация.
2.6.1. По структуре уравнений регрессии
1). Аддитивные (полиноминальные) уравнения регрессии представляются в виде суммы базисных функций с соответствующими коэффициентами:
(1.10)
где, {¦j(хj)} - совокупность базисных (координаторных) функций.
Пример:
2). Мультипликативная форма в виде произведения базисных функций
(2.11)
Примером такой модели является модель Брандона:
– математическое ожидание (среднее).
2.6.2. По способу учета динамики:
1. Динамические многофакторные.
(2.12)
где, t – время.
2. Квазистатические.
(2.13)
3. Динамические с лаговыми переменными.
(2.14)
здесь t – временной лаг (запаздывание).
4. Статические.
(2.15)
Замечание:Введение в модель лаговых переменных – весьма эффективный прием, который позволяет наряду с основным («быстрым») временем t учесть динамические процессы с большей постоянной времени, т.е. «медленное» время а, значит, предысторию процесса, что важно в эконометрических объектах.
2.6.3. По виду связи между .
Можно выделить модели:
1. Регрессионные (аддитивные и мультипликативные).
2. Системы одновременных уравнений – когда модель состоит не из одного уравнения, а нескольких, т.е. в правой части этих уравнений стоят компоненты векторов , т.е. четко не разделены причины и следствия.
3.Рекурсивные – частичный случай системы одновременных уравнений. В рекурсивных моделях система одновременных уравнений «расщепляются » по рекуррентному алгоритму.
2.6.4. По алгоритму оценки параметров модели.
1. Неадаптивные (метод наименьших квадратов, поисковые методы, алгоритмы нечеткой регрессии, и др.)[
2. Адаптивные (обучаемые, включая нейросенсорный метод).
Замечание: На практике классификационные признаки могут «переплетаться», т.е. использоваться комбинированные (гибридные) модели, например нейро-нечеткие , нечеткие регрессионные и др.
Типы данных
2.7.1. Данные пространственного типа
База данных состоит из кортежей которые образуют матрицу. Каждая строка матрицы – это кортеж (или вектор строка таблицы исходных данных).
Здесь основное требование – независимость наблюдений {yj} между собой, т.е. {yj} – случайные (измеренные независимо) величины в данном фиксированном временном срезе, где t=const, это влечет за собой условие отсутствие коррелированности возмущений.
(2.16)
– коэффициент корреляции.
Как определить, является ли база данных серией независимых наблюдений? Однозначного ответа нет, т.е. это условие реально трудно проверяемо. Считается, что {Yi} не должны быть связаны причинно.
Совокупность кортежей для всех наблюдений i= (таблица 2.1) в фиксированном временном срезе есть входные данные пространственного типа.
2.7.2. Временной (динамический) ряд
Здесь наблюдения упорядочены во времени: {Уt}, t=t1,t2,….ti,…tn; где ti>ti-1
а). Чаще всего Dt = ti - ti-1 = const. Тогда в записи указывается только номер временного интервала {Уt}- временной ряд.
б). Временной ряд может быть многомерным: {Уt, х1t,…xnt} ( ), т.е. другими словами:
если наблюдаются одновременно несколько независимых случайных величин в каждом временном срезе, t=t0, то имеем многомерный временной ряд:
Таблица 2.1
Данные типа многомерного временного ряда
ti | t1 | t2 | …. | tn |
yi | y1 | y2 | …. | yn |
хi | х1 | х2 | …. | хn |
zi | z1 | z2 | …. | zn |
Данные типа многомерных временных рядов имеются часто в многофакторных прогнозных моделях.
Дата добавления: 2020-12-11; просмотров: 329;