Ангелина Яковлева - Ответы на экзаменационные билеты по эконометрике Страница 3

а) производственная функция вида Q=f(L,K), выражающая зависимость объёма производства определённого товара (Q) от производственных факторов – от затрат капитала (К) и затрат труда (L);

б) функция цены Р=f(Q,Pk), характеризующая зависимость цены определённого товара (Р) от объема поставки (Q) и от цен конкурирующих товаров (Pk);

в) функция спроса Qd=f(P,Pk,I), характеризующая зависимость величины спроса на определённый товар (Р) от цены данного товара (Р), от цен товаров-конкурентов (Pk) и от реальных доходов потребителей (I).

Системой одновременных уравнений называется модель, которая описывается системами взаимозависимых регрессионных уравнений.

Системы одновременных уравнений могут включать в себя тождества и регрессионные уравнения, в каждое из которых могут входить не только факторные переменные, но и результативные переменные из других уравнений системы.

Регрессионные уравнения, входящие в систему одновременных уравнений, называются поведенческими уравнениями. В поведенческих уравнениях значения параметров являются неизвестными и подлежат оцениванию.

Основное отличие тождеств от регрессионных уравнений заключается в том, что их вид и значения параметров известны заранее.

Примером системы одновременных уравнений является модель спроса и предложения, в которую входит три уравнения:

а) уравнение предложения:  =а0+а1*Рt+a2*Pt-1;

б) уравнение спроса:  =b0+b1* Рt+b2*It;

в) тождество равновесия: QSt = Qdt,

где QSt – предложение товара в момент времени t;

Qdt – спрос на товар в момент времени t;

Рt – цена товара в момент времени t;

Pt-1 – цена товара в предшествующий момент времени (t-1);

It– доход потребителей в момент времени.

В модели спроса и предложения выражаются две результативные переменные:

а) Qt– объём спроса, равный объёму предложения в момент времени t;

б) Pt– цена товара в момент времени t.

5. Классификация эконометрических моделей

Общая классификация эконометрических или экономико-математических моделей включает более десяти основных признаков, но с развитием экономико-математических исследований проблема классификации данных моделей всё более усложняется. Помимо появления новых типов моделей (особенно смешанных типов) и новых признаков их классификаций, также идёт процесс интеграции моделей различных типов в более сложные, комбинированные модельные конструкции.

Рассмотрим несколько ключевых классификаций эконометрических моделей:

1) классификация эконометрических моделей по целевому назначению:

а) теоретико-аналитические модели, которые используются при исследовании общих свойств и закономерностей экономических процессов;

б) прикладные модели, которые используются при решении конкретных экономических задач (модели экономического анализа, прогнозирования, управления);

Также эконометрические модели могут быть использованы при исследовании различных сторон народного хозяйства и его отдельных частей.

2) классификация эконометрических моделей по исследуемым экономическим процессам и содержательной проблематике. При этом выделяются:

а) модели народного хозяйства в целом и его отдельных подсистем-отраслей, регионов и т. д.;

б) комплексы моделей производства и потребления;

в) комплексы моделей формирования и распределения доходов;

г) комплексы моделей трудовых ресурсов;

д) комплексы моделей ценообразования;

е) комплексы моделей финансовых связей и др.

3) классификация эконометрических моделей на дескриптивные и нормативные модели:

а) дескриптивные модели предназначены для объяснения наблюдаемых фактов или для построения вероятностного прогноза. В качестве примера дескриптивной модели можно привести производственные функции и функции покупательного спроса, построенные на основе обработки статистических данных;

б) нормативные модели отвечают на вопрос «как это должно бытьβ», т. е. предполагают целенаправленную деятельность. В качестве примера нормативной модели можно привести модели оптимального планирования, характеризующие тем или иным образом цели экономического развития, возможности и средства их достижения;

4) классификация эконометрических моделей по характеру отражения причинно-следственных связей. При этом выделяют:

а) модели жестко детерминистские;

б) модели, в которых учитываются факторы случайности и неопределенности.

Вследствие перехода от жёстко детерминированных моделей к моделям второго типа, были разработаны реальные возможности успешного применения более совершенной методологии моделирования экономических процессов, учитывающих факторы случайности и неопределённости, а именно:

а) проведение многовариантных расчетов и модельных экспериментов с вариацией конструкции модели и ее исходных данных;

б) изучение устойчивости и надежности получаемых решений;

в) выделение зоны неопределенности;

г) включение в модель резервов;

д) применение приемов, повышающих приспособляемость (адаптивность) экономических решений к вероятным и непредвиденным ситуациям

В последнее время широко применяются эконометрические модели, непосредственно отражающие стохастичность и неопределенность экономических процессов. Данные модели используют соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, теорию случайных процессов.

5) Классификация эконометрических моделей по способам отражения фактора времени. При этом выделяют:

а) статические модели, характеризующие исследуемую зависимость между переменными на определённый момент времени;

б) динамические модели, характеризующие изменение экономических процессов во времени.

6. Этапы эконометрического моделирования. Проблемы, решаемые при эконометрическом исследовании

Выделяют семь основных этапов эконометрического моделирования:

1) постановочный этап, в процессе осуществления которого определяются конечные цели и задачи исследования, а также совокупность включённых в модель факторных и результативных экономических переменных. При этом включение в эконометрическую модель той или иной переменной должно быть теоретически обоснованно и не должно быть слишком большим. Между факторными переменными не должно быть функциональной или тесной корреляционной связи, потому что это приводит к наличию в модели мультиколлинеарности и негативно сказывается на результатах всего процесса моделирования;

2) априорный этап, в процессе осуществления которого проводится теоретический анализ сущности исследуемого процесса, а также формирование и формализация известной до начала моделирования (априорной) информации и исходных допущений, касающихся в частности природы исходных статистических данных и случайных остаточных составляющих в виде ряда гипотез;

3) этап параметризации (моделирования), в процессе осуществления которого выбирается общий вид модели и определяется состав и формы входящих в неё связей, т. е. происходит непосредственно моделирование.

К основным задачам этапа параметризации относятся:

а) выбор наиболее оптимальной функции зависимости результативной переменной от факторных переменных. При возникновении ситуации выбора между нелинейной и линейной функциями зависимости, предпочтение всегда отдаётся линейной функции, как наиболее простой и надёжной;

б) задача спецификации модели, в которую входят такие подзадачи, как аппроксимация математической формой выявленных связей и соотношений между переменными, определение результативных и факторных переменных, формулировка исходных предпосылок и ограничений модели.

4) информационный этап, в процессе осуществления которого происходит сбор необходимых статистических данных, а также анализируется качество собранной информации;

5) этап идентификации модели, в ходе осуществления которого происходит статистический анализ модели и оцененивание неизвестных параметров. Данный этап непосредственно связан с проблемой идентифицируемостимодели, т. е. ответа на вопрос «Возможно ли восстановить значения неизвестных параметров модели по имеющимся исходным данным в соответствии с решением, принятым на этапе параметризацииβ». После положительного ответа на этот вопрос решается проблема идентификации модели, т. е. реализуется математически корректная процедура оценивания неизвестных параметров модели по имеющимся исходным данным;