Спецификация переменных в уравнение регрессии. Ошибки спецификации.
Построение математической модели — это скорее искусство, чем наука, и, прежде всего, требует глубоких знаний предметной области. Социально-экономические системы имеют чрезвычайно сложную структуру, со многими явными и неявными взаимосвязями между элементами системы, подвержены влиянию многих скрытых факторов, относятся к классу так называемых больших систем. Стечением времени меняются не только их характеристики, учитываемые в модели в виде отдельных параметров, но и структура самих уравнений, которые описывают процесс. Для их адекватного описания требуется соответствующий математический аппарат. Однако, даже самые сложные математические методы не в состоянии описать реальную систему во всех ее деталях, да это и не нужно. Модель не должна быть слишком сложной. Излишняя детализация и учет второстепенных факторов затрудняет
исследование и не дает существенной информации об изучаемой системе. Если модель слишком сложна, то ее трудно использовать и интерпретировать на практике. Относительная простота — важная характеристика удачно построенной модели. С другой стороны, слишком упрощенная модель не будет адекватно описывать реальную систему. Таким образом, сложность модели должна соответствовать сложности изучаемого экономического объекта.
В связи с этим возникает необходимость формулировки некоторых разумных упрощающих гипотез (предположений), исключения из анализа второстепенных факторов и т. п., с тем, чтобы была возможность описать процесс математически. При этом существенные для данного социально-экономического процесса характерные черты должны быть учтены в модели в соответствии с поставленной целью исследования.
Другой характерной проблемой, с которой сталкивается эконометрист, является то, что часто приходится довольствоваться неточными данными, которые имеются в наличии и быстро устаревают. Этих данных не всегда хватает, а провести управляемый эксперимент с целью получения дополнительной информации невозможно. В подобном случае целесообразно сочетание количественных методов с привлечением экспертных знаний и суждений.
Таким образом, при создании эконометрической модели возникают следующие вопросы.
1. Какую модель желательно построить — статическую или динамическую (с учетом фактора времени), нелинейную или линеаризованную? Как учесть влияние внешней среды (возмущений)? (Ответ на эти вопросы определяет желаемую точность и сложность модели, выбор адекватного математического аппарата и т. д.)
2.Достаточно ли имеющихся данных, необходимых для построения адекватной модели, насколько они достоверны? Существует ли возможность получения дополнительной информации, если это необходимо? Следует ли привлечь экспертную информацию?
3. Как оценить качество модели, т. е. определить, насколько адекватно (правильно) она описывает поведение реального объекта?
В рамках эконометрического подхода существует мощный арсенал средств, который включает многие современные эффективные математические методы, такие, например, как аппарат нейронных сетей, и разработанные на их основе компьютерные технологии, в известной степени помогающие справиться с этими проблемами. Но решающая роль принадлежит специалисту — эконометристу. Окончательный успех зависит от его способности к неформальному анализу проблемной ситуации, адекватной оценке возможностей современных эконометрических методов, от их правильного применения и интерпретации полученных результатов.
Построив удачную математическую модель и оценив ее количественно с использованием эконометрических методов, экономист-аналитик получает в распоряжение эффективнейшее средство анализа и прогноза, а управляющий-практик — инструмент для обоснования управленческих решений. Такие модели широко применяются на практике.
Практически величина y складывается из двух слагаемых:
, где
- фактическое значение, результат признака;
- теоретическое значение результата признака, найденное из математической модели или уравнения регрессии;
- СВ, характерное отклонение реального значения результата признака от теоретического.
СВ называется возмущением. Она включает влияние неучтённых в модели факторов, случайных ошибок и особенно измерения. Её присутствие в модели порождено тремя источниками:
1) спецификацией модели;
2) выборочным характером исходных данных;
3) особенностями измерения.
От правильно выбранной спецификации модели зависит величина случайных ошибок: они тем меньше, чем больше теоретические значения результативного признака подходит к фактическим данным y.
К ошибкам спецификации будут относиться не только неправильный выбор той или иной математической функции для , но и недоучет в УР какого-либо существенного фактора (например, использование парной регрессии вместо множественной).
Наряду с ошибками спецификации могут иметь место ошибки выборки (неоднородность данных в исходной статистической совокупности). Если совокупность неоднородна, то УР не имеет практического смысла.
Для получения хорошего результата обычно исключают из совокупности единицы с аномальными значениями исследуемых признаков, то есть результаты регрессии представляют собой выборочные характеристики.
Наибольшую опасность в практическом использовании методов регрессии представляют ошибки измерения. Если ошибки спецификации можно уменьшить, изменяя форму модели, а ошибки выборки – увеличивая объём исходных данных, то ошибки измерения практически сводят на нет все усилия по количественной оценке связи между признаками. Особенно велика роль ошибок измерения при исследовании на макроуровне.
Дата добавления: 2016-05-16; просмотров: 824;