《滞后变量模型》PPT课件.ppt

5.2 滞后变量模型,一、滞后变量模型二、分布滞后模型的参数估计三、自回归模型的参数估计四、格兰杰因果关系检验,一、滞后变量模型,模型中的解释变量中包含有解释变量或者被解释变量的滞后项,1、滞后效应及其原因,在经济运行过程中，广泛存在时间滞后效应：某些经济变量不仅受到同期各种因素的影响，而且也受到过去某些时期的各种因素甚至自身的过去值的影响。,以下原因可能导致滞后效应的产生,心理原因：固有的心理定势和行为不可能马上改变 技术原因：如当年的产出在某种程度上依赖于过去若干期内投资形成的固定资产。制度原因：如定期存款到期才能提取，造成了它对社会购买力的影响具有滞后性。,滞后效应的存在要求在经济建模过程中，必须考虑过去因素的影响，即在模型中通过引入合适的变量表达滞后效应。,通常把过去时期的、表达滞后作用的变量称为滞后变量（Lagged Variable），将含有滞后变量的模型称为滞后变量模型。滞后变量既可以是解释变量的滞后项，也可以是被解释变量的滞后项 滞后变量模型考虑了时间因素的作用，使静态分析的问题有可能成为动态分析。含有滞后解释变量的模型，又称动态模型（Dynamical Model）。,2、滞后变量模型,一般形式：,q，s：滞后时间间隔,上述模型既含有Y对自身滞后变量的回归，还包括着X分布在不同时期的滞后变量，一般称为自回归分布滞后模型（autoregressive distributed lag model,ADL）：有限自回归分布滞后模型：滞后期长度有限 无限自回归分布滞后模型：滞后期无限，,（1）分布滞后模型（distributed-lag model）,模型中没有滞后被解释变量，仅有解释变量X的当期值及其若干期的滞后值：,0：短期(short-run)或即期乘数(impact multiplier)，表示本期X变化一单位对Y平均值的影响程度。i(i=1,2,s)：动态乘数或延迟系数，表示各滞后期X的变动对Y平均值影响的大小。,称为长期（long-run）或均衡乘数，表示X变动一个单位，由于滞后效应而形成的对Y平均值总影响的大小。,（2）自回归模型（autoregressive model）,其中滞后期q称为自回归模型的阶数（order）。,称为一阶自回归模型（first-order autoregressive model）。,模型中的解释变量仅包含X的当期值与被解释变量Y的一个或多个滞后值：,特别地,3、滞后变量模型的作用,可以更加全面、客观地描述经济现象，提高模型的拟合优度可以反映过去的经济活动对现期经济行为的影响，从而描述了经济系统的运动过程，使模型成为动态模型。动态模型（时间序列模型）已经成为现代计量经济学的重要内容之一。可以用滞后模型来模拟分析经济系统的变化调整过程。例：投资者对利率调整的反应有多快？企业对营销策略的调整需要滞后多长时间才能产生影响？,二、分布滞后模型的参数估计,基本思想在于对滞后变量进行加权，合成新的变量,无限期的分布滞后模型，由于样本观测值的有限性，使得无法直接对其进行估计。有限期的分布滞后模型，OLS会遇到如下问题：没有先验准则确定滞后期长度；如果滞后期较长，将缺乏足够的自由度进行估计和检验；同名变量滞后值之间可能存在高度线性相关，即模型存在高度的多重共线性。,1、分布滞后模型估计的困难,2、分布滞后模型的修正估计方法,人们提出了一系列的修正估计方法，但并不很完善。各种方法的基本思想大致相同：都是通过对各滞后变量加权，组成线性合成变量而有目的地减少滞后变量的数目，以缓解多重共线性，保证自由度。,A、递减型：,即认为权数是递减的，X的近期值对Y的影响较远期值大。如消费函数中，收入的近期值对消费的影响作用显然大于远期值的影响 由此：滞后期为 3的一组权数可取值如下：1/2，1/4，1/6，1/8 则新的线性组合变量为：,（1）经验加权法根据实际问题的特点和经验给各滞后变量主观指定权数，滞后变量按权数线性组合，构成新的变量。权数的类型有递减、矩型、倒V型等。,即认为权数是相等的，X的逐期滞后值对值Y的影响相同。如滞后期为3，指定相等权数为1/4，则新的线性组合变量为：,B、矩型：,认为权数先递增后递减呈倒“V”型（或A型）。如在一个较长建设周期的投资中，历年投资X为产出Y的影响，往往在周期期中投资对本期产出贡献最大。由此，若滞后期为4，权数可取为 1/6，1/4，1/2，1/3，1/5 则新变量为,C、倒V型（或A型）,【例5.2.1】对一个分布滞后模型：,给定递减权数：1/2，1/4，1/6，1/8,令:,原模型变为：,该模型可用OLS法估计。假如参数估计结果为,则原模型的估计结果为：,经验权数法的优点是：简单易行；缺点是：设置权数的随意性较大,通常的做法是：多选几组权数，分别估计出几个模型，然后根据常用的统计检验（2检验，检验，t检验，-检验），从中选择最佳估计式。,（2）阿尔蒙（Almon）多项式法（Almon，1965）,主要思想：针对有限滞后期模型，通过阿尔蒙变换，利用有限多项式近似模型待估参数，定义新变量，以减少解释变量个数，然后用OLS法估计参数。主要步骤为：第一步：阿尔蒙变换 对于分布滞后模型,假定其回归系数 i 可用一个关于滞后期i 的适当阶数的多项式来表示，即:,其中，ms。阿尔蒙变换要求先验地确定适当阶数k。例如取m=2，得,将上式代入分布滞后模型：,定义新变量,将原模型转换为：,第二步：模型的OLS估计,对变换后的模型进行OLS估计，得,再计算出:,求出滞后分布模型参数的估计值:,由于ms，新模型中的变量个数少于原模型中的变量个数，从而自由度得到保证，并在一定程度上缓解了多重共线性的问题。使用阿尔蒙法需要事先确定两个问题：滞后期长度s：经济理论、实际经验、统计检验 多项式次数m：主观确定,需注意的是，在实际估计中，阿尔蒙多项式的阶数m一般取2或3，不超过4，否则达不到减少变量个数的目的。,Eviews提供实现上述方法的估计命令：LS Y C PDL(X1，s1，m1)PDL(X2，s2，m2),【例5.2.2】表给出了中国电力基本建设投资X与发电量Y的相关资料，拟建立一多项式分布滞后模型来考察两者的关系。,由于无法预见知电力行业基本建设投资对发电量影响的时滞期，需取不同的滞后期试算。,（13.62）（1.86）（0.15）（-0.67）,求得的分布滞后模型参数估计值为:,经过试算发现，在2阶阿尔蒙多项式变换下，滞后期数取到第6期，估计结果的经济意义比较合理。2阶阿尔蒙多项式估计结果如下：,对滞后6期的模型进行OLS估计的结果：,最后得到分布滞后模型估计式为：,（3）科伊克（Koyck）方法,科伊克方法是将无限分布滞后模型转换为自回归模型，然后进行估计,如果偏回归系数i随滞后期i按几何级数衰减：,其中，01，称为分布滞后衰减率，1-称为调整速率（Speed of adjustment），称上述模型为几何分布滞后模型（科伊克模型）。可以通过科伊克变换转换为自回归模型。,对于无限分布滞后模型：,科伊克变换的具体做法:,将科伊克假定i=0i代入无限分布滞后模型，得,滞后一期并乘以，得,(*),将（*）减去（*）得科伊克变换模型：,(*),整理得科伊克模型的一般形式：,科伊克模型的特点：,以一个滞后因变量Yt-1代替了大量的滞后解释变量Xt-i，使无限分布滞后模型变换为一个一阶自回归模型，最大限度地节省了自由度，解决了滞后期长度s难以确定的问题；由于滞后一期的因变量Yt-1与Xt的线性相关程度可以肯定小于X的各期滞后值之间的相关程度，从而缓解了多重共线性。但科伊克变换也同时产生了两个新问题：模型存在随机误差项vt的一阶自相关性；滞后被解释变量Yt-1与随机项vt不独立。这些新问题需要进一步解决。,三、自回归模型的参数估计,主要考虑滞后被解释变量与随机扰动项的关系,一个无限期分布滞后模型可以通过科伊克变换转化为自回归模型。事实上，许多滞后变量模型都可以转化为自回归模型，自回归模型是经济生活中更常见的模型。以自适应预期模型以及局部调整模型为例进行说明。,1、自回归模型的构造,（1）自适应预期（Adaptive expectation）模型,在某些实际问题中，因变量Yt并不取决于解释变量的当前实际值Xt，而取决于Xt的未来“预期水平”Xt1e。例如：家庭现期消费水平，取决于未来的预期收入；投资取决于对未来利润的预期；商品的需求量往往取决于对未来价格水平的预期 这些例子表明：某些经济变量的变化会受到另一些经济变量预期值的影响。,为了处理这种现象，可以将解释变量预期值引入模型，建立“期望模型”。包含一个预期解释变量的期望模型具有如下形式：,由于预期变量是不可实际观测的，实际应用中往往对预期的形成机理作出假定。常用的假定之一是：自适应预期假定（AE假设）：经济活动主体会根据自己过去在作预期时所犯错误的程度来修正其以后每一时期的预期。即：,其中：r为预期系数（coefficient of expectation),0r 1。,这个假定还可写成：,将此代入“期望模型”，有：,将“期望模型”滞后一期，并两端同乘(1-r)，得：,(*),(*),以(*)减去（*），整理得：,其中：,该模型称为自适应预期模型。显然，这是一个自回归模型。,（2）局部调整(Partial Adjustment)模型,经济活动中，同样存在这样一类现象：为了适应解释变量的变化，因变量有一个预期的最佳值与之对应。例：企业为了保证生产和销售，必须保持一定的原材料储备。对应于一定的产量或销售量Xt，存在着预期的最佳库存Yte。为确保经济健康发展，央行必须保持一定的货币供给。对应于一定的经济总量水平，存在着一个预期的最佳货币供给量 上述例子说明：解释变量的现值影响着因变量的预期值，即有：,Yte同样不可观测。而可以想像，因变量的实际变化往往只是预期变化的一部分。例如由于生产条件的波动，生产管理方面的原因，库存储备Yt的实际变化量只是预期变化的一部分。故有如下局部调整假设：,或,(*),其中，为调整系数，0 1将(*)式代入,得,这一模型称为局部调整模型。显然这也是一个自回归模型。,2、自回归模型的参数估计,科伊克模型：,对于自回归模型,估计时的主要问题：滞后被解释变量的存在可能导致它与随机扰动项相关；以及随机扰动项出现序列相关性。,自适应预期模型：,显然存在：,局部调整模型：,存在：滞后被解释变量Yt-1与随机扰动项t的异期相关性。,因此，对自回归模型的估计主要需视滞后被解释变量与随机扰动项的不同关系进行估计。对于随机解释变量与误差项的同期相关问题，可以采用工具变量法 对于随机误差项之间的序列相关问题，可以采用广义差分法 以一阶自回归模型为例说明:,(1)工具变量法,若Yt-1与t同期相关，则OLS估计是有偏的，并且不是一致估计。因此，对上述模型，通常采用工具变量法，即寻找一个新的经济变量Zt，用来代替Yt-1。由此得到的参数估计量具有一致性。,对于一阶自回归模型,由于原模型已假设随机扰动项t与解释变量X及其滞后项不存在相关性，因此上述工具变量与t不再线性相关。一个更简单的情形是直接用Xt-1作为Yt-1的工具变量。,的工具变量,（2）普通最小二乘法,若滞后被解释变量Yt-1与随机扰动项t同期无关（如局部调整模型），可直接使用OLS法进行估计，得到一致估计量。,上述工具变量法只解决了解释变量与t相关对参数估计所造成的影响，但没有解决t的自相关问题。事实上，对于自回归模型，t项的自相关问题始终存在，对于此问题，至今没有完全有效的解决方法。唯一可做的，就是尽可能地建立“正确”的模型，以使序列相关性的程度减轻。,注意：,例5.2.3 建立中国长期货币流通量需求模型,经验表明：中国改革开放以来，对货币需求量(Y)的影响因素，主要有资金运用中的贷款额(X)以及反映价格变化的居民消费者价格指数(P)。,长期货币流通量模型可设定为,由于长期货币流通需求量不可观测，作局部调整:,(*),(*),将（*）式代入（*）得短期货币流通量需求模型：,对局部调整模型,运用OLS法估计结果如下,（-2.93）(2.86)(3.10)(2.87),最后得到长期货币流通需求模型的估计式：,注意：,尽管D.W.=1.733，但不能据此判断自回归模型不存在自相关(Why?)。但 LM=0.7855，=5%下，临界值2(1)=3.84，判断：模型已不存在一阶自相关。,如果直接对下式作OLS回归,得,（-4.81）(58.79)(5.05),可见该模型随机扰动项具有序列相关性，,四、格兰杰因果关系检验,先有鸡还是先有蛋？,自回归分布滞后模型旨在揭示：某变量的变化受其自身及其他变量过去行为的影响。然而，许多经济变量有着相互的影响关系,GDP,消费,问题：当两个变量在时间上有先导滞后关系时，能否从统计上考察这种关系是单向的还是双向的？（先有鸡还是先有蛋？）即:主要是一个变量过去的行为在影响另一个变量的当前行为呢？还是双方的过去行为在相互影响着对方的当前行为？,1、格兰杰因果关系含义（Granger causality）,因果关系是指变量间的一种依赖性，原因变量的变化将引起结果变量的变化。从一个回归关系式中，无法确定变量间是否存在因果关系。所谓的“解释变量”、“被解释变量”通常是先验设定的格兰杰从预测角度给出了因果关系的一种定义，将这种定义下的因果关系称为格兰杰因果关系。,一般地，如果X是Y的格兰杰原因，则X的变化应先于Y的变化，因此，在做Y对其它变量（包括自身过去值）的回归时，如果把X的过去或滞后值包括进来能显著改善对Y的预测，则可以认为X是Y的格兰杰原因。,2、格兰杰因果关系检验（Granger test of causality）,对两变量Y与X，格兰杰因果关系检验要求估计:,(*),(*),对（*）式，检验的原假设是：,对（*）式，检验的原假设是：,可能存在有四种检验结果：（1）X对Y有单向影响，表现为（*）式X各滞后项前的参数在统计上整体显著不为零，而（*）式Y各滞后项前的参数在统计上整体显著为零；（2）Y对X有单向影响，表现为（*）式Y各滞后项前的参数在统计上整体显著不为零，而（*）式X各滞后项前的参数在统计上整体显著为零；（3）Y与X间存在双向影响，表现为（*）式X各滞后项前的参数与（*）式Y各滞后项前的参数在统计上整体均显著不为零；（4）Y与X间不存在影响，表现（*）式X各滞后项前的参数与（*）式Y各滞后项前的参数在统计上整体均显著为零；,格兰杰检验是通过受约束的F检验完成的。,如：针对,中X滞后项前的参数整体为零的假设(X不是Y的格兰杰原因),分别做包含与不包含X滞后项的回归，记前者与后者的残差平方和分别为RSSU、RSSR；再计算F统计量：,k为无约束回归模型的待估参数的个数。,如果:FF(m,n-k)，则拒绝原假设；同理，进行（*）式的检验，如果不拒绝原假设：Y各滞后项前的参数整体显著为零，则认为X是Y的格兰杰原因。,注意：格兰杰因果关系检验对于滞后期长度的选择有时很敏感。不同的滞后期可能会得到完全不同的检验结果。因此，一般而言，常进行不同滞后期长度的检验，以上述检验模型中的随机误差项不存在序列相关的滞后期长度来选取滞后期。Eviews提供了格兰杰因果关系检验的选项，可以直接进行相应的检验。,例 检验19782000年间中国当年价GDP与居民消费CONS的因果关系。,取两阶滞后，Eviews给出的估计结果为：,判断：=5%，临界值F0.05(2,17)=3.59 拒绝“GDP不是CONS的格兰杰原因”的假设，而接受“CONS不是GDP的格兰杰原因”的假设。因此，从2阶滞后的情况看，GDP的增长是居民消费增长的原因，而不是相反。但在2阶滞后时，检验的模型存在1阶自相关性。,随着滞后阶数的增加，拒绝“GDP是居民消费CONS的原因”的概率变大，而拒绝“居民消费CONS是GDP的原因”的概率变小如果同时考虑检验模型的序列相关性以及赤池信息准则，发现：滞后4阶或5阶的检验模型不具有1阶自相关性，而且也拥有较小的AIC值，这时判断结果是:GDP与CONS有双向的格兰杰因果关系，即相互影响。,分析：,