当前位置:
文档之家› 第十一讲 分布滞后模型及格兰杰因果关系检验(1)
第十一讲 分布滞后模型及格兰杰因果关系检验(1)
量没有最大滞后长度或滞后长度为无穷大。
• 在分布滞后模型中,回归系数0表示X变化一个单位时,Y
均值的同期变化,故称其为短期乘数或即期乘数; • 回归系数1、2、…称为延期的过度性乘数,因为它们测 度的是以前不同时期X变化一个单位对Y均值的滞后影响。 • 设定∑i=0+1+2+…=<∞,则称为长期影响乘数。
本章主要内容
第一节 分布滞后模型 第二节 格兰杰因果关系检验
第一节 分布滞后模型
• 传统的经济时间序列模型,一般是从已知的经济理
论出发设定模型的形式,再由样本数据估计模型中
的参数。这种建模方法也叫做结构建模法,其建模 过程对相关理论有很强的依赖性。 • 分布滞后模型在建模方法上较传统的经济时间序列 模型有一个很大的进步,这就是考虑了变量的滞后 影响,使模型能够较好地模拟变量之间跨越时间的 动态关系。但分布滞后模型的建立,仍然依赖于有
2.
3.
• 总之,由于上述原因,滞后在经济学中 占有重要地位。这点明显地反映在经济 学的短期——长期方法论中。也正由于
经济学上滞后的普遍性,使得分布滞后
模型在经济问题的研究中得到了广泛的
应用。
三、无约束有限分布滞后模型 • 在有限分布滞后模型(3.1)中,模型参 数没有任何的样本以外的约束的限制, 这种模型可称为无约束有限分布滞后模 型。
• 对于无约束有限分布滞后模型,如果滞后长度k已 知,并且变量和随机误差项都满足古典假设时, 那么可以利用普通最小二乘法估计得到参数估计 量,并且是线性、无偏和有效的。 • 但是,事实上,适当的滞后长度k很少是已知的;
另外,对于无约束有限分布滞后模型,采用普通
最小二乘法估计也面临许多问题 。
如何确定适当的滞后长度k ?
心理上的原因。作为一种习惯势力(或惰性)的结果,人 们在收入增加或价格上升后,并不马上改变他们的消费习 惯,甚至生活方式。 技术上的原因。比如,相对于劳动力而言,资本价格下跌 会使得用资本代替劳动力较为经济 。但是,资本的添置 (或这种代替过程)是需要时间的。 制度上的原因。例如,由于受契约的约束,也许会妨碍厂 商从一个劳动力或原料来源转向另一个来源。类似的例子 还有保险合同。
为确定适当的滞后长度 k,一种常用的方法是通过比 较调整后的多重可决系数R 2 ,选择使 R 2 达到最大的滞 后长度 k。也就是,先用 Yt 对 Xt 和 Xt-1 进行回归,再
2 R Y X X X 用 t 对 t、 t-1 和 t-2 进行回归,……,直到使 达
到最大为止。 其中:
T 1 T 1 2 R 1 (1 R ) 1 (1 R ) T (k 1) 1 T k 2
关的经济理论。
一、分布滞后模型的概念
在现实中,许多事件的影响在时间上具有持久性。
– 如:某消费者从某一年起每年的收入增加2000元,则按
照一般经验,该消费者不会马上花完增加的收入。假如该消 费者把各年增加的收入按以下形式分配:当年增加消费支出
800元,第二年增加消费支出600元,第三年又增加消
费支出400元,而把所余的部分长期储蓄起来,则到第三 年此人的年消费支出将增加1800元。不难看出,第三年 的消费支出不仅取决于当年的收入,还与第一年和第二年的 收入有关。
• 对于这种事件,一个适当的模型应该包括滞后变量, 即将模型一般地表示为
Y X X
t 0 t 1 t 1
X
k
t k
t
(3.1)
比如:对于上述例子,模型中自变量(收入)X的滞后 期数为k=2。
在某些场合,某事件的影响也许是无限持久的,这 时可以将模型写成:
Y X X
动态计量经济学模型 理论与方法
时间序列数据的顺序性
• 时间序列数据与横截面数据的最大区别在于 数据的顺序性。
– 这种顺序性给我们利用数据对经济问题做模型分 析带来了许多问题,如序列的自相关性在本质上 就是由这种“顺序性”而引起的; – 但是,这种数据的顺序性在给估计带来新问题的 同时,也给模型赋予了许多令人感兴趣的特征; – 时间序列数据的这些特征正是时间序列分析关注 的主要问题,也是动态计量经济学建立各种模型 的出发点和依据。
t 0 t
1 t 1
X
ห้องสมุดไป่ตู้k t k
t
(3.2)
• 模型(3.1)和(3.2)反映了由于某一原因 (如收入)而产生的效果分散在若干时期里 的事实,这种模型就称为分布滞后模型。
– 其中,模型(3.1)为有限分布滞后模型,因为
自变量变化的滞后影响分布在有限k个时期上;
– 模型(3.2)为无限分布滞后模型,因为其自变
– 长期影响乘数也称为均衡乘子,因为它表示经济体在
受到发生在某时期的一个事件冲击后,从原来的均衡经 过充分的调整达到新的均衡之间的变化。
• 当然,分布滞后模型可以不仅含有两个时间序 列。这里主要是为了简化起见,实际上,在有 多个时间序列的情形,方法是类似的。
二、滞后的原因
•
1.
归纳起来,产生滞后影响的原因有:
解决办法:
• 对于问题(3),一般通过引入被解释变量的滞后值 (AR项)作为解释变量,或引入随机误差项的滞后 值(MA项)来解决,即建立自回归分布滞后 (ADL:Auto-regressive Distributed Lag)模型:
2 2
式中,T、k分别为样本容量和滞后长度,R2为多重可决系数。
• 此外,还可以采用赤池信息准则(Akaike Information Criterion,简称为AIC准则)、施瓦
茨准则(Schwarz Criterion,简称为SC准则)来确
定适当的滞后长度k:
– 用这两个准则确定滞后长度k时,都要求使所计算的统计 量(AIC值或SC值)达到最小。
对于无约束有限分布滞后模型,采用OLS
法估计所面临的特殊问题
• 对于无约束有限分布滞后模型,采用普通最小二乘法 估计,经常遇到下列问题:
(1)通常时间序列较短,而模型(3.1)需要占用较多的自 由度; (2)时间序列数据大多存在序列相关问题(如Xt-1和Xt-2相 关),在分布滞后模型中这种序列相关问题则转化成了解 释变量之间的多重共线性问题,在滞后长度k较大时,多重 共线性问题更严重; (3)随机误差项t往往是严重自相关的。