Modele wielorównaniowe
Transkrypt
Modele wielorównaniowe
Mariusz Plich Modele wielorównaniowe - mnożniki i symulacje Spis treści: 1. Podstawowe pojęcia i klasyfikacje 2. Czynniki modelowania i sposoby wykorzystania modelu 3. Typy i postacie modeli wielorównaniowych 4. Przykłady modeli wielorównaniowych 5. Symulacja jako technika wykorzystania modeli 6. Miary dopasowania modelu do danych empirycznych 7. Wykorzystanie modeli wielorównaniowych Słowa kluczowe: model wielorównaniowy, symulacja, prognozowanie, analiza scenariuszowa, mnożniki, metoda Gaussa-Seidela 1. Podstawowe pojęcia i klasyfikacje Model może pozostawać konstrukcją czysto teoretyczną (model teoretyczny) ― służy wówczas prezentacji teorii, która legła u podstaw jego konstrukcji. Model empiryczny (aplikacyjny, stosowany) umożliwia weryfikację teorii (praw) przez ich konfrontację z rzeczywistością. Może się również przyczynić do sformułowania nieznanych wcześniej praw rządzących rzeczywistością. Na każdy model składają się zmienne, parametry strukturalne (parametry modelu) oraz łącząca je postać funkcyjna. Parametry to pewne stałe (współczynniki) charakteryzujące związki między zmiennymi w modelu. W przypadku gdy parametry są nieznane mogą być szacowane na podstawie danych statystycznych, a jakość oszacowań weryfikowana przy użyciu odpowiednich metod ekonometrycznych. Parametry mogą być również szacowane na podstawie opinii ekspertów lub ustalane w oparciu o normy i relacje techniczne. Zdarza się, że parametry znane są na podstawie założeń teoretycznych, leżących u podstaw konstrukcji modelu. Zbiór danych statystycznych dotyczących pojedynczej zmiennej określa się mianem szeregu danych. Szeregi danych mogą występować w następujących postaciach: − szeregi czasowe obrazujące wartość zjawiska w kolejnych momentach lub okresach; mają one określoną częstotliwość, np. szeregi dzienne, miesięczne, kwartalne czy roczne; − szeregi przekrojowe dotyczące stanów różnych obiektów w tym samym momencie lub okresie, np. wydatki wylosowanych gospodarstw domowych w listopadzie 2005 r.; − szeregi przekrojowo-czasowe zawierające informacje o stanach różnych obiektów w różnych momentach lub okresach, np. wydatki wylosowanych gospodarstw domowych w kolejnych miesiącach 2005 r. 1 Mariusz Plich Model w sensie algebraicznym, to jedno równanie algebraiczne (model jednorównaniowy) lub układ równań algebraicznych (model wielorównaniowy). Modele jednorównaniowe zazwyczaj opisują kształtowanie wybranej zmiennej ekonomicznej (zmienna objaśniana) w zależności od innych zmiennych (zmienne objaśniające). Uproszczenie rzeczywistości w modelach ekonometrycznych polega na uwzględnieniu jedynie najważniejszych czynników (zmiennych) mających wpływ na kształtowanie zmiennej objaśnianej. W zapisie matematycznym związek taki przyjmuje następującą formę: y = f ( x1 , x 2 ...x k , ε ) co oznacza, że zmienna objaśniana y zależy od zmiennych objaśniających oraz zmiennej losowej xi (i = 1...k ) ε (składnik losowy). Zmienną losową wprowadza się do modelu w celu odzwierciedlenia wszystkich czynników przypadkowych i czynników ubocznych, tj. tych, które nie zostały uwzględnione jawnie w modelu jako zmienne objaśniające. Modele w których występuje składnik losowy określane są jako modele stochastyczne. W praktyce ekonometrycznej znane są również modele deterministyczne (tożsamościowe), czyli związki typu funkcyjnego, określające ściśle (bez udziału składnika losowego) zależności między zmiennymi (np. wartość jako iloczyn ceny i ilości). O składniku losowym zakłada się, że jego nadzieja matematyczna jest równa 0, co w praktyce oznacza, że przeciętnie rzecz ujmując nie ma on wpływu na badane zjawisko (nie wywiera wpływu systematycznego na zmienną objaśnianą). Dlatego prezentując postać modelu ujmuje się ją czasami na poziomie wartości oczekiwanej, co w praktyce oznacza pominięcie składnika losowego. Na przykład, związek pomiędzy popytem a dochodem i ceną, mający charakter stochastyczny można zapisać następująco: popyt = f (dochód , cena ) Aby można było dokonać ekonometrycznej analizy takiego związku o stochastycznej naturze, zmienna objaśniana i zmienne objaśniające muszą być wielkościami obserwowalnymi, a funkcja f musi mieć znaną postać. Jeżeli przyjąć, że funkcja f jest liniowa, model można zapisać w postaci: y = α 0 + α 1 x1 + α 2 x 2 ...α k x k + ε gdzie α i (i = 0...k ) są parametrami funkcji. Na przykład: popyt = α 0 + α 1 ⋅ dochód + α 2 ⋅ cena + ε 2 Mariusz Plich Parametry α1 i α 2 oznaczają siłę reakcji popytu na wysokość dochodu i ceny. Pozwalają więc poznać bliżej zależność znaną z teorii ekonomii. W przypadku jednorównaniowych modeli liniowych parametr szacuje się najczęściej za pomocą metody najmniejszych kwadratów (MNK). Zmienne użyte modelu odnoszące się do okresu badanego określa się jako zmienne bieżące. Zmienne opóźnione to takie, które odnoszą się do okresów wcześniejszych w stosunku do okresu badanego. W modelach wykorzystuje się czasami zmienne przyspieszone, czyli takie, które odnoszą się do okresów późniejszych w stosunku do okresu badanego. Aby uwzględnić w zapisie modelu zmienne opóźnione lub przyspieszone stosuje się zazwyczaj dodatkowy subskrypt czasu przy nazwie zmiennej. Na przykład, popyt t = f (dochód t , dochód t −1 , cenat , ε ) lub popyt = f (dochód , dochód −1 , cena, ε ) . Spośród zmiennych modelu wielorównaniowego można wydzielić zmienne endogeniczne, których wielkości są wyznaczane przez model i zmienne egzogeniczne, wyznaczane poza modelem, a wpływające na wartości zmiennych endogenicznych. Opóźnione zmienne modelu wielorównaniowego (endogeniczne i egzogeniczne) wraz z bieżącymi zmiennymi egzogenicznymi zaliczane są do grupy zmiennych o wartościach z góry ustalonych (zmienne z góry ustalone). Jeśli model nie zawiera żadnej zmiennej egzogenicznej to jest to tzw. model zamknięty. W praktyce modele w pełni zamknięte nie istnieją, albowiem oznaczałoby to brak wpływu otoczenia na zachowanie modelowanego układu. Z kolei, jeśli model nie zawiera żadnej zmiennej endogenicznej to jest to modele otwarty. Oczywiście modele otwarte w tym sensie nie istnieją, bo każdy model powinien zawierać przynajmniej jedną zmienną endogeniczną. Nie oznacza to jednak, że podział na modele otwarte i zamknięte nie ma żadnego znaczenia. Można bowiem zdefiniować stopień otwarcia (zamknięcia) modelu. Poza tym określeń „model otwarty” i „model zamknięty” używa się na ogół kontekście bloków modeli wielorównaniowych, np. model gospodarki zamknięty ze względu na popyt finalny oznacza, że popyt finalny w tym modelu nie jest egzogeniczny. Ze względu na postać funkcyjną równań modelu wyróżnia się modele liniowe ― jeśli wszystkie równania modelu są liniowe względem parametrów, oraz modele nieliniowe ― jeśli występują w nich równania nieliniowe względem parametrów. Ze względu na ujęcie czynnika czasu, rozróżnia się modele statyczne i modele dynamiczne. Model statyczny nie jest zależny w żaden sposób od czasu. Model dynamiczny to taki, w którym wprowadzono czas do równań modelu (może on być 3 Mariusz Plich wprowadzony bezpośrednio ― w postaci zmiennej czasowej ― lub pośrednio ― przez zmienne opóźnione, przyrosty zmiennych, ich tempa etc.) Wreszcie, ze względu na zadania stawiane modelowi wyróżnia się modele optymalizacyjne oraz modele opisowe. Modele optymalizacyjne ułatwiają podjęcie najlepszej w danych warunkach decyzji (wybór najlepszego rozwiązania ze zbioru rozwiązań dopuszczalnych). Modele opisowe służą do opisu rzeczywistości w celu przedstawienie jej hipotetycznych przeszłych i przyszłych stanów. Model opisowy zwykle utożsamiany jest z modelem stochastycznym, ponieważ modele opisowe najczęściej zawierają czynnik losowy. Stochastyczne modele opisowe są często określane mianem modeli ekonometrycznych. 2. Czynniki modelowania i sposoby wykorzystania modelu Na rysunku 1 przedstawiono czynniki procesu modelowania i sposoby wykorzystania (cele) gotowego modelu empirycznego. Rysunek 1. Czynniki i cele modelowania matematycznego Rzeczywistość (fakty) Teoria Dane Model teoretyczny Dane "oczyszczone" Techniki estymacji parametrów Model empiryczny (operacyjny) Analiza struktury Symulowanie rzeczywistości Źródło: Intriligator 1978: 17 Czynnikami modelowania są: teoria, rzeczywistość i techniki estymacji parametrów. Aby zbudować model empiryczny należy przedstawić teorię w postaci modelu teoretycznego. Rzeczywistość związana z badanymi zjawiskami (fakty) ― drugi składnik służący do budowy modelu ― występuje w postaci zbiorów danych (obserwacji) dotyczących tych zjawisk. Dane te nie zawsze nadają się do bezpośredniego zastosowania podczas budowy modelu. Często muszą być 4 Mariusz Plich odpowiednio przetworzone (oczyszczone) przez zastosowanie ekstrapolacji, interpolacji, usunięcie sezonowości, przeliczenia w celu uzgodnienia danych pochodzących z różnych źródeł etc. Model teoretyczny przedstawia w sformalizowanej postaci teorie leżące u podstaw konstrukcji modelu. Teorie te będą później weryfikowane i wykorzystane w modelu operacyjnym. Konstruując model teoretyczny nie bierze się jednak, na ogół, pod uwagę możliwości estymacji jego parametrów (dostępności danych czy metod estymacji).Teoria w postaci modelu teoretycznego i rzeczywistość odwzorowana poprzez odpowiednio przygotowane dane, w połączeniu z technikami estymacji umożliwiają oszacowanie nieznanych parametrów modelu. W rezultacie otrzymujemy model empiryczny (operacyjny) tzn. model przetestowany empirycznie, gotowy do użycia (symulacji). Jego ostateczna postać jest kompromisem pomiędzy teorią (w postaci modelu teoretycznego) i praktyką (w postaci dostępnych danych, metod estymacji i możliwości obliczeniowych komputerów, ograniczeń czasowych i finansowych). Model empiryczny jest z jednej strony, podstawą testowania zależności formułowanych przez teorię (weryfikacja modelu), a z drugiej, może stanowić podstawę do wnioskowania o rzeczywistości i do jej oceny. Testowanie i wnioskowanie, o których mowa, to główne cele budowy modelu ekonometrycznego. Realizowane są one poprzez analizy struktury i symulowanie rzeczywistości. 3. Typy i postacie modeli wielorównaniowych Model wielorównaniowy to taki model, który zawiera więcej niż jedno równanie. W sensie matematycznym jest to więc układ równań. Zapiszmy ogólną postać modelu wielorównaniowego o M równaniach: Yit = g i (Yt , Yt −1 ,..., Yt − k , Z t , Θ i , U it ) (t = 1,..., T ) (i = 1,..., M ) Ten sam model, zapisany w notacji macierzowej, sprowadza się do następującego równania: Yt = G (Yt , Yt −1 ,..., Yt −k, Z t , Θ, U t ) gdzie: Y1t U 1t Z 1t Yt = ... , U t = ... , Z t = ... YMt U Mt Z Nt k — maksymalne opóźnienie zmiennych endogenicznych modelu, 5 Mariusz Plich t — subskrypt czasu, Yi — i-ta zmienna endogeniczna, U i — składnik losowy w i-tym równaniu modelu, Z — wektor bieżących i opóźnionych zmiennych egzogenicznych, Θ — zbiór wszystkich parametrów modelu, Θ i — podzbiór zbioru Θ , zawierający parametry i-tego równania. Rozwiązanie modelu wielorównaniowego polega na znalezieniu wartości zmiennych endogenicznych przy zadanych wartościach zmiennych egzogenicznych. Jako że zadaniem modeli jest odzwierciedlanie rzeczywistości, rozwiązywanie modeli można nazwać symulacją rzeczywistych zachowań badanych obiektów i zjawisk przy różnych założeniach co do zmiennych egzogenicznych. Równania modeli wielorównaniowych mogą być ze sobą wzajemnie powiązane, gdyż zmienne endogeniczne opisywane przez poszczególne równania mogą być używane jako zmienne objaśniające w innych równaniach. Powiązania te charakteryzuje się za pomocą tzw. macierzy powiązań modelu. Macierz tę oznacza się symbolem [ ] R = rij . Jest to macierz kwadratowa o wymiarach MxM. Jej elementy przyjmują wartości 0 lub 1, wg następujących zasad: rij = 1 gdy zmienna Y j występuje w równaniu objaśniającym zmienną Yi , rij = 1 w przeciwnym razie. W zależności od własności macierzy powiązań wyróżnia się następujące typy modeli: − modele proste — macierz powiązań jest diagonalna; − modele rekurencyjne — macierz powiązań daje się przekształcić do macierzy trójkątnej poprzez zmianę uporządkowania równań lub zmiennych; − modele współzależne — macierz powiązań modelu nie daje się przekształcić do macierzy trójkątnej. Powiązania zmiennych endogenicznych modelu można również przedstawić za pomocą schematów blokowych, na których linie zakończone strzałkami pokazują kierunek zależności pomiędzy zmiennymi. Prosty przykład takiego schematu pokazano na rysunku 2. Nawiązuje on do znanego z podręczników ekonomii zagadnienia zwanego pętlą inflacyjną, w której związki pomiędzy kosztami produkcji, cenami i płacami mają charakter współzależny. 6 Mariusz Plich Rysunek 2. Przykład powiązań w modelu współzależnym Przykład powiązań w modelu współzależnym Schemat pętli inflacyjnej Koszty produkcji Płace Ceny Źródło: opracowanie własne Model złożony z równań przedstawionych w postaci, w której były one specyfikowane w procesie budowy modelu to tzw. postać strukturalna modelu. Używając wcześniej wprowadzonych oznaczeń model w postaci strukturalnej można zapisać jako: G (Yt , Yt −1 ,..., Yt −k, Z t , Θ ) = U t lub Yt = G (Yt , Yt −1 ,..., Yt −k, Z t , Θ, U t ) Postać zredukowana powstaje z postaci strukturalnej przez wyeliminowanie wskutek przekształceń matematycznych sprzężeń jednoczesnych między zmiennymi endogenicznymi. Oczywiście zmianiu ulec mogą wówczas zarówno parametry poszczególnych równań, składniki losowe jak również postać analityczna równań: Yt = H (Yt −1 ,..., Yt −k, Z t , Pt Vt ) gdzie: P — macierz parametrów postaci zredukowanej, V — wektor składników losowych postaci zredukowanej. Postać końcowa powstaje w wyniku przekształcenia postaci zredukowanej przez wyeliminowanie z niej opóźnionych zmiennych endogenicznych. Podobnie jak w przejściu od postaci strukturalnej do zredukowanej zmianom mogą ulec parametry, postać analityczna i składniki losowe modelu: Yt = F (Z t −k ,..., Z t −1, Z t , Ft Wt ) gdzie: F — macierz parametrów postaci końcowej, W — wektor składników losowych postaci końcowej. Znalezienie postaci końcowej jest w zasadzie równoznaczne z rozwiązaniem modelu, bowiem obliczenie wartości zmiennych endogenicznych przy zadanych wartościach zmiennych egzogenicznych sprowadza się wówczas do najprostszych podstawień i działań matematycznych. Parametry postaci końcowej nazywa się mnożnikami. 7 Mariusz Plich Pokazują one krańcowe przyrosty zmiennych endogenicznych względem zmiennych egzogenicznych. 4. Przykłady modeli wielorównaniowych Najważniejsze aspekty badań przy użyciu modeli wielorównaniowych przedstawimy na znanych z ekonomi przykładach. Statyczny model Keynesa Model Keynsa w najprostszej wersji zapisywany jest w postaci dwóch równań: równania dochodów i równania konsumpcji: Y =C+I C = f (Y ) gdzie: Y , C — zmienne endogeniczne, I — zmienna egzogeniczna. Równanie konsumpcji często specyfikowane jest w postaci liniowej bez wyrazu wolnego, tzn. C = αY . Przyjmując taką specyfikację równania konsumpcji możemy zapisać model Keynesa w postaci strukturalnej: Y =C+I C = αY gdzie: α — skłonność do konsumpcji. Chcąc zapisać ten model macierzowo, przekształcimy go do równoważnej postaci: Y −C − I = 0 − α 1Y + C = 0 Możemy teraz oddzielić parametry i zmienne, zapisując je w postaci odrębnych wektorów i macierzy: 1 − α 1 − 1 Y − 1 0 + I = 1 C 0 0 Wprowadźmy następujące oznaczenia: − Macierz parametrów związanych ze zmiennymi endogenicznymi 8 1 A= − α 1 − 1 1 Mariusz Plich − Macierz parametrów związanych ze zmiennymi endogenicznymi − Wektor zmiennych endogenicznych Y Y= C − Wektor zmiennych egzogenicznych X = [I ] − 1 B= 0 Stosując powyższe oznaczenia, mamy: AY + BX = 0 Zapis macierzowy ułatwia rozwiązywanie modeli. Rozwiążmy model Keynesa względem zmiennych endogenicznych bieżących (model nie zawiera żadnych zmiennych opóźnionych): AY = (− B )X Y = A −1 (− B )X W powyższym zapisie przedstawiliśmy bieżące zmienne endogeniczne w zależności od pozostałych zmiennych. Oznacza to, że znaleźliśmy postać zredukowaną modelu Keynesa. Ponieważ model ten nie zawiera w ogóle zmiennych endogenicznych opóźnionych, więc jest to jednocześnie postać końcowa tego modelu. Przypomnijmy, że parametry postaci końcowej modelu nazywane są mnożnikami. Przedstawimy ich znaczenie na następującym przykładzie liczbowym. Załóżmy, że dochody, spożycie i inwestycje wyrażone są w tysiącach zł., a skłonność do konsumpcji wynosi 0,6. Wyznaczmy macierz A oraz macierz do niej odwrotną, którą następnie pomnóżmy przez macierz –B: − 1 1 A= , − 0,6 1 2,5 2,5 2,5 A −1 = , A −1 (− B ) = 1,5 2,5 1,5 Rozwiązanie modelu (postać końcowa) przyjmuje więc postać: 2,5 X = [I ] albo inaczej 1,5 Y = 2,5 I C = 1,5 I Powyższy wynik oznacza, że wzrost inwestycji o 1 tysiąc złotych spowoduje wzrost konsumpcji o 1,5 tys. zł. i wzrost dochodów o 2,5 tys. zł. (konsumpcja 1,5 tys. zł. plus inwestycje 1 tys. zł.). Mnożniki modelu Keynesa można oczywiście również wyznaczyć, wykorzystując metodę podstawiania. Podstawiając równanie konsumpcji do równania dochodów mamy: 9 Mariusz Plich Y = α1Y + I Stąd obliczmy Y= Y: 1 1 I= I = 2,5 I (1 − α1 ) (1 − 0,6) a następnie konsumpcję: 2,5I = C + I C = 1,5 I Jak widać rozwiązanie jest identyczne. Statyczny model Leontiefa Przypomnijmy sposób sformułowania modelu Leontiefa. W układzie gospodarczym wyróżnia się producentów i odbiorców końcowych (finalnych). Układ gospodarczy podzielono na n sektorów (producentów). Każdy sektor wytwarza jednorodny produkt. Powiązania „technologiczne” pomiędzy sektorami (przepływy produktów z gałęzi i-tej do j-tej na przeliczone jednostkę produktu gałęzi [ ] j-tej) przedstawia macierz A = ai j . Postać strukturalna modelu Leontifa przybiera następującą formę: X = AX + Y lub n X i = ∑ aij X j + Yi dla i = 1,..., n j =1 gdzie X n×i — wektor produktów globalnych, Yn×i — wektor produktów finalnych, An×n — macierz współczynników kosztów. W roli zmiennych endogenicznych tego modelu występuje na ogół wektor produkcji globalnych X. Rozwiążmy ten model względem wektora X. −1 X = (I − A ) Y Powyższe równanie stanowi postać zredukowaną modelu Leontiefa. Jest ona jednocześnie postacią końcową ze względu na statyczny charakter modelu. 10 Mariusz Plich Dynamiczny model Keynesa W celu zbudowania dynamicznej wersji modelu Keynesa zmieńmy specyfikację równania spożycia, wprowadzając do niego opóźnioną wartość zmiennej Y. Nowa wersja postaci strukturalnej modelu Keynesa ma teraz następującą formę: Y =C+I C = α1Y + α 2Y−1 Przedstawimy go teraz w postaci macierzowej. W tym celu wprowadźmy następujące oznaczenia: -I =0 Y− C =0 − α1Y + C − α 2Y−1 Tak jak poprzednio, przedstawimy parametry i zmienne w postaci oddzielnych macierzy i wektorów: 1 − α 1 − 1 Y 0 + 1 C − α 2 0 Y−1 − 1 0 + [I ] = 0 C −1 0 0 Teraz wprowadźmy następujące oznaczenia: 1 A= − α 1 − 1 Y 0 , Y = , A 1 = 1 C − α 2 0 Y − 1 , Y-1 + −1 , B = , X = [I ] 0 0 C −1 Zwróćmy uwagę, że w porównaniu z wersją statyczną pojawił się nowy wektor, na który składają się zmienne endogeniczne opóźnione o 1 okres (tyle wynosi maksymalne opóźnienie w modelu) oraz nowa macierz złożona ze współczynników związanych z tym zmiennymi. Model w zapisie macierzowym wygląda następująco: AY + A 1 Y−1 + BX = 0 Równie łatwo jak poprzednio wyznaczamy postać zredukowaną, wykonując kolejne przekształcenia: AY = −BX − A 1 Y−1 Y = − A −1 BX − A −1 A 1 Y−1 W celu uproszczenia zapisu oznaczmy: M 1 = − A −1 A 1 M = − A −1 B Ostatecznie postać zredukowana wygląda następująco: Y = MX − M 1 Y−1 Znalezienie postaci końcowej jest nieco bardziej kłopotliwe. Zacznijmy od zapisania postaci zredukowanej z opóźnieniem o 1 i 2 okresy: 11 Mariusz Plich Y−1 = MX −1 + M 1 Y− 2 Y− 2 = MX −2 + M 1 Y−3 Podstawiając Y−1 do postaci zredukowanej, mamy: Y = MX + M 1 (MX −1 + M 1 Y− 2 ) = MX + M 1 MX −1 + M 12 Y− 2 Podstawiając Y−2 do powyższej postaci, mamy: Y = MX + M 1 MX −1 + M 12 (MX − 2 + M 1 Y− 3 ) = MX + M 1 MX −1 + M 12 MX − 2 + M 13 Y−3 Uogólniając powyższy wzór dla opóźnienia o s okresów, mamy: Y = MX + M 1 MX −1 + M 12 MX − 2 + ... + M 1s −1 MX −(s −1) + M 1s Y−s Zauważmy, że jeżeli macierz M 1 ma taką własność, że przy s dążącym do nieskończoności kolejne jej potęgi dążą do macierzy zerowej, to iloczyn kolejnych potęg macierzy M 1s przez wektor Y−s dąży do wektora o składowych równych 0, tzn.: M 1s → 0 ⇒ M 1s Y−s → 0 s →∞ W takim razie, suma takich iloczynów jest skończona i postać końcową modelu można zapisać następująco: s −1 Y = MX + M 1 MX −1 + M 12 MX − 2 + ... + M 1s −1 MX − (s −1) = ∑ M 1k MX −k k =0 Pamiętamy, że parametry postaci końcowej nazywa się mnożnikami. W przypadku modeli dynamicznych mamy do czynienia z następującymi rodzajami mnożników: − mnożniki bezpośrednie M = − A −1 B , − mnożniki opóźnione o k okresów M1k M , S − mnożniki skumulowane dla okresu S ∑M k 1 M, k =0 ∞ − mnożniki całkowite ∑M k 1 M. k =0 Tak jak poprzednio wyznaczymy mnożniki na konkretnym przykładzie. W tym celu określmy parametr α1 na dotychczasowym poziomie 0,6, natomiast parametr α2 przyjmijmy na poziomie 0,18. Przebieg obliczeń mnożników pokazano na rysunku 3. Podsumowanie obliczeń przedstawione zostało na rysunku 3, zawierającym tabelę i wykresy mnożników. Mnożniki pokazują siłę reakcji spożycia i inwestycji na 12 Mariusz Plich początkowy impuls polegający na wzroście inwestycji o 1 tys. zł. Wartości mnożników maleją wraz ze wzrostem opóźnienia i po 8 okresach są praktycznie równe 0. Łączny efekt oddziaływania po 8 okresach (mnożniki skumulowane) jest wyraźnie wyższy od efektu bezpośredniego. W przypadku dochodów efekt bezpośredni wynosi 2,5 tys. zł, podczas gdy skumulowany ponad wynosi on 4,5 tys. zł., a w przypadku spożycia mnożniki te wynoszą odpowiednio 1,5 i ponad 3,5 tys zł. Rysunek3. Wyliczenie i wykres mnożników modelu Keyenesa w wersji dynamicznej Dynamiczny model Keynesa - mnożniki Y=C+I 1 0,60 C= 1Y+ 2Y-1 2 0,18 A 1 -0,6 A-1 2,5 1,5 -1 1 A1 0 -0,18 0 0 2,5 2,5 M1 0,45 0,45 0 0 40 82 B M 2,500 1,500 M 13M 0,228 0,228 M16M 0,021 0,021 M 11M 1,125 1,125 M 14M 0,103 0,103 M17M 0,009 0,009 M 12M 0,506 0,506 M 15M 0,046 0,046 M18M 0,004 0,004 -1 0 Źródło: opracowanie własne Mnożniki modelu Keyenesa w wersji dynamicznej opóźninie 0 1 2 3 4 5 6 7 8 skumulowane Mnożniki wartość dochody spożycie 2,500 1,500 1,125 1,125 0,506 0,506 0,228 0,228 0,103 0,103 0,046 0,046 0,021 0,021 0,009 0,009 0,004 0,004 4,542 3,542 Mnożniki 3,0 dochody 2,5 spożycie 2,0 1,5 1,0 0,5 0,0 0 1 2 3 4 5 6 7 8 Źródło: opracowanie własne 5. Symulacja jako technika wykorzystania modeli Wykorzystanie modeli wielorównaniowych polega na wyznaczeniu mnożników lub wielokrotnym rozwiązywaniu modeli przy różnych założeniach dotyczących zmiennych 13 Mariusz Plich egzogenicznych. Przykłady, które były dotychczas prezentowane dotyczyły modeli liniowych, w przypadku których stosunkowo łatwo można dokonać przekształcenia od postaci strukturalnej do końcowej. Zastosowanie zapisu macierzowego umożliwia podanie ogólnych reguł rozwiązywania tych modeli. Reguły te mogą być zastosowane niezależnie od liczby zmiennych i liczby równań. Znając postać końcową znamy wszystkie mnożniki modelu. Nie sprawia też problemu znalezienie rozwiązania w przypadku przyjęcia określonych założeń co do wartości zmiennych egzogenicznych. W przypadku modeli nieliniowych przejście od postaci strukturalnej do końcowej jest bardzo trudne (o ile w ogóle możliwe) i najczęściej nieopłacalne. Nie istnieją uniwersalne wzory umożliwiające wyliczanie mnożników. Dlatego dla modeli nieliniowych nie poszukuje się postaci zredukowanej i końcowej, operując najczęściej postacią strukturalną. Mnożniki wyznacza się przez wielokrotne rozwiązywanie modelu metodami iteracyjnymi. Rozwiązywanie modelu nazywa się symulacją. Symulacja jest podstawową techniką badawczą stosowaną na etapie wykorzystania modelu wielorównaniowego Metoda Gaussa-Seidela Jest to podstawowa metoda symulacji. Jest to metoda iteracyjna. Iteracja 0 Przyjmujemy wartości startowe dla zmiennych z góry ustalonych i zmiennych endogenicznych występujących w roli zmiennych objaśniających pierwszego równania i znajdujemy pierwsze „zerowe” rozwiązania równania (obliczamy wartość zmiennej objaśnianej w iteracji 0). Obliczenia powtarzamy dla kolejnych równań, wykorzystując już otrzymane, najnowsze przybliżenia rozwiązań tam gdzie zmienne endogeniczne występują w charakterze zmiennych objaśniających: ( ) Ykt(0 ) = Gk Yt 0(0 ) , Yt 0−1 ,..., Yt 0− k ' Z t0 , Θ k dla k = 1,2,..., m gdzie Yt 0(0 ) oznacza wektor przybliżeń startowych lub przybliżeń otrzymanych w iteracji 0 zmiennych endogenicznych występujących w roli zmiennych objaśniających w k-tym równaniu. Iteracja i+1 (i=1, 2, ...) Dla kolejnych równań modelu znajdujemy „i plus pierwsze” przybliżenie zmiennych endogenicznych, wykorzystując „najnowsze” przybliżenia tam, gdzie zmienne endogeniczne występują w charakterze zmiennych objaśniających: 14 Mariusz Plich ( ) Ykt(i +1) = Gk Yt (i +1)(i ) , Yt 0−1 ,..., Yt 0− k ' Z t0 , Θ k dla k = 1,2,..., m gdzie Yt (i +1)(i ) — wektor przybliżeń zmiennych endogenicznych (z tej lub poprzedniej iteracji) występujących w roli zmiennych objaśniających w k-tym równaniu. Po obliczeniu przybliżenia dla ostatniego równania sprawdzamy, czy rozbieżność pomiędzy przybliżeniami z iteracji bieżącej iteracji (iteracja i+1) oraz iteracji poprzedniej (iteracji i) są dostatecznie małe. Jeśli nie, to wracamy do punktu 3 i wykonujemy kolejną iterację). Jeśli tak, to przyjmujemy bieżące przybliżenie jako rozwiązanie modelu. ∧ Kryterium „stopu”: k Ykt(i +1) − Ykt(i ) < ε , gdzie ε — żądana dokładność. Ykt(i ) Typy symulacji Symulacje klasyfikuje się wg różnych kryteriów. Poniżej przedstawiamy te kryteria i związane z nimi rodzaje. Tabela 1. Klasyfikacja symulacji wg różych kryteriów Kryterium Typ symulacji Założenia o składniku deterministyczna losowym stochastyczna Okres którego dotyczy ex post symulacja ex ante rozwiązanie pojedynczych równań Zasób informacji na których opieramy rozwiązanie symulacja statyczna symulacja dynamiczna Źródło: opracowanie własne Symulacja stochastyczna polega na znajdowaniu rozwiązania modelu (najczęściej wielokrotnym) dla generowanych losowo, zgodnie z założonym rozkładem prawdopodobieństwa, wartości składników losowych lub wartości estymatorów parametrów modelu: ( = G (Y YtR = G YtR , Yt −1 ,..., Yt −k , Z t , Θ k , U t YtR 15 R t , Yt −1 ,..., Yt −k ' Z t , Θ Γ ) ) Mariusz Plich gdzie YtR to rozwiązanie układu, natomiast U t i Θ Γ oznaczają funkcje rozkładu prawdopodobieństwa składnika losowego i estymatorów parametrów modelu (odpowiednio). Symulacja deterministyczna to rozwiązanie modelu, zakładające realizację składnika losowego na poziomie wartości oczekiwanej (wynoszącej 0): ( YtR = G YtR , Yt −1 ,..., Yt −k , Z t , Θ ) Wszystkie pozostałe typy symulacji powinny być realizowane w wariancie deterministycznym lub stochastycznym. Symulacja ex post oznacza rozwiązanie modelu dotyczące okresu, dla którego znane są realizacje zmiennych endogenicznych (najczęściej jest to okres, na podstawie którego szacowano parametry równań modelu): ( ) YtR = G YtR , Yt −1 ,..., Yt −k , Z t , Θ dla t ∈ (1,..., T ) Symulacja ex ante to rozwiązanie modelu otrzymane przy nieznajomości prawdziwych wartości zmiennych endogenicznych: ( ) YtR = G YtR , Yt −1 ,..., Yt −k , Z t , Θ dla t ∈ (T + 1,..., T + L ) Rozwiązanie pojedynczych równań polega na wyliczeniu wartości zmiennych objaśnianych w modelu poprzez podstawienie do kolejnych równań wartości zmiennych objaśniających bez uwzględnienia powiązań pomiędzy równaniami modelu, tzn.: YtR = G (Yt , Yt −1 ,..., Yt −k ' Z t , Θ ) Symulacja statyczna polega na rozwiązaniu modelu względem zadanych wartości zmiennych z góry ustalonych: ( YtR = G YtR , Yt −1 ,..., Yt −k ' Z t , Θ ) Symulację statyczną wykorzystuje się najczęściej do testowania jednoczesnych sprzężeń zwrotnych modelu. Symulacja dynamiczna (symulacja) polega na rozwiązaniu modelu na podstawie zadanych wartości zmiennych egzogenicznych — opóźnione wartości zmiennych endogenicznych generowane są przez model: ( YtR = G YtR , Y tR−1 ,..., YtR− k ' Z t , Θ ) Symulacja dynamiczna jest podstawowym typem symulacji. 16 Mariusz Plich Weryfikacja reszt to symulacja ex post dla okresu, na podstawie którego szacowano parametry Θ , otrzymana przez rozwiązanie pojedynczych równań, w której wartości zmiennych objaśniających przyjmujemy na zaobserwowanych historycznie poziomach: ( YtR = G YtH , YtH−1 ,..., YtH− k ' Z tH , Θ E ) dla t ∈ (1,..., T ) gdzie superskrypt H wprowadzono dla oznaczenia wartości historycznych, natomiast Θ E oznacza oszacowania parametrów modelu otrzymane na podstawie próby. Weryfikacja reszt wykonywana jest najczęściej jako pierwsza symulacja, po zapisaniu modelu jako programu komputerowego. Równość reszt otrzymanych przez odjęcie wyników symulacji od wartości historycznych zmiennych endogenicznych i reszt otrzymanych na etapie estymacji parametrów, świadczy o poprawności zakodowania modelu jako procedury komputerowej. Rozwiązaniem podstawowym modelu nazywa się wynik symulacji dynamicznej ex post, przeprowadzonej dla okresu próby, przy założeniu, że wartości zmiennych egzogenicznych kształtują się na poziomach historycznych: ( YtR = G YtR , YtR−1 ,..., YtR−k ' Z tH , Θ E ) dla t ∈ (1,..., T ) Rozwiązanie podstawowe stanowi podstawę oceny stopnia dopasowania modelu do rzeczywistości. Ocenę taką ułatwiają odpowiednie miary stopnia dopasowania. Symulacją kontrfaktyczną nazywa się rozwiązanie otrzymane w wyniku symulacji ex post przy użyciu wartości zmiennych egzogenicznych innych niż dane historyczne dla (Z t ( ) ) ≠ Z H lub wartości parametrów różnych od wartości oszacowanych Θ ≠ Θ E : ( ) YtR = G YtR , Y tR−1 ,..., YtR− k ' Z t , Θ dla t ∈ (1,..., T ) Symulacją zamrożoną nazywa się symulację przeprowadzoną dla stałych wartości zmiennych egzogenicznych: ( YtR = G YtR , Y tR−1 ,..., YtR− k ' Z 0 , Θ gdzie ) Z 0 oznacza wektor stałych w czasie wartości zmiennych egzogenicznych. Symulacja zamrożona pozwala ocenić „wewnętrzną” dynamikę modelu przez wyeliminowanie wpływu dynamiki czynników egzogenicznych na wyniki symulacji. Symulację zamrożoną przeprowadza się zwykle począwszy od okresu następującego bezpośrednio po ostatniej obserwacji w próbie, przyjmując jako wartości zmiennych egzogenicznych w okresie symulacji wartości ostatniej obserwacji w próbie ( YtR = G YtR , YtR−1 ,..., YtR− k ' Z T , Θ ) dla Z0 = ZT t ∈ (T + 1,..., T + L ) . Wyniki symulacji zamrożonej służą do testowania własności dynamicznych modelu. 17 Mariusz Plich Symulacja bazowa (rozwiązanie bazowe, rozwiązanie kontrolne, symulacja kontrolna) to dowolne rozwiązanie modelu, stanowiące podstawę do porównań z innymi rozwiązaniami. Rozwiązaniem bazowym dla okresu próby jest najczęściej rozwiązanie podstawowe, a poza okresem próby — prognoza. Symulacja zaburzona (zakłócona) polega na wprowadzeniu zmian (zaburzeń) w stosunku do symulacji bazowej. Zmiany mogą dotyczyć: − wartości zmiennych egzogenicznych, − specyfikacji równań modelu lub − wartości parametrów modelu. 6. Miary dopasowania modelu do danych empirycznych Przed zastosowaniem modelu wielorównaniowego należy ocenić stopień zgodności rozwiązania modelu z rzeczywistością. W tym celu wyznacza się i analizuje następujące miary dopasowania modelu do danych empirycznych. Średni błąd symulacji (średnia wartość reszt): 1 I ˆ SB = ∑ Yit − Yit T t =1 ( ) Średni błąd procentowy symulacji: SB % = ( ) 1 T Yˆit − Yit × 100 ∑ T t =1 Yit Średni kwadrat błędu symulacji (błąd średniokwadratowy): 1 T SB = ∑ Yˆit − Yit T t =1 ( 2 ) Średni kwadrat błędu procentowego (procentowy błąd średniokwadratowy): 1 T Yˆ − Yit SKB% = ∑ it T t =1 Yit 2 × 100 Średni bezwzględny błąd symulacji: SBB = 1 T ˆ ∑ Yit − Yit T t =1 Średni bezwzględny błąd procentowy: SKB% = 18 1 T Yˆit − Yit × 100 ∑ T t =1 Yit Mariusz Plich 7. Wykorzystanie modeli wielorównaniowych Analiza struktury Pod pojęciem analizy struktury rozumie się użycie oszacowanego modelu do ilościowego pomiaru związków zachodzących wewnątrz modelowanego systemu przez badanie reakcji (wrażliwości) zmiennych endogenicznych modelu na zmiany: − wartości zmiennych egzogenicznych, − postaci równań (wartości parametrów, specyfikacji, postaci funkcyjnej) oraz rozkładów prawdopodobieństw składnika losowego). Siłę tych reakcji przedstawia się najczęściej w postaci mnożników. Mnożniki klasyczne Mnożniki mierzą siłę reakcji wybranej zmiennej endogenicznej modelu na jednostkową zmianę wartości zmiennej egzogenicznej. Mnożnikami są parametry postaci końcowej. Z matematycznego punktu widzenia mnożniki to pochodne cząstkowe układu równań. Typy mnożników Klasyfikację mnożników w modelach liniowych (mnożników klasycznych) przedstawia tabela 2 Tabela 2. Klasyfikacja mnożników wg różnych kryteriów Kryterium Mnożniki − mnożniki bezpośrednie, jeśli pokazują reakcje zmiennych endogenicznych dla okresu, w którym Okres nastąpiła zmiana zmiennej egzogenicznej, reakcji − mnożniki pośrednie (opóźnione, dynamiczne), jeśli dotyczą reakcji w następnych okresach. Sposób − mnożniki impulsowe, gdy zmiana dotyczy tylko jednego, początkowego okresu, wprowadz enia − mnożniki podtrzymane (skumulowane), gdy impulsu zmiana dotyczy wszystkich okresów, dla których liczone są mnożniki. Źródło: opracowanie własne W przypadku modeli liniowych suma mnożnika bezpośredniego dla wybranej zmiennej egzogenicznej i mnożników opóźnionych dla tej samej zmiennej daje w wyniku mnożnik podtrzymany. 19 Mariusz Plich Mnożniki uogólnione Mnożnik w sensie uogólnionym jest charakterystyką reakcji rozwiązania modelu na dowolne zmiany w jego elementach (zmiennych, parametrów, postaci funkcyjnej równań). Oblicza się je przez znalezienie rozwiązania bazowego oraz zaburzonego: m t,yτ = ytz+τ − ytb+τ dla (τ = 0,1,2,..., L ) gdzie: m t,yτ — wartość mnożnika dla zmiennej y w okresie t , opóźnionego o τ okresów, ytz+τ — rozwiązanie zaburzone, ytb+τ — rozwiązanie bazowe, t — okres początkowy symulacji zaburzonej. Mnożnik można przedstawić również w wyrażeniu procentowym: m y t,τ ytz+τ − yTb +τ = y tb+τ (τ = 0,1,2,..., L ) . dla Symulowanie rzeczywistości Symulowanie rzeczywistości polega na odgadywaniu, na podstawie modelu, przeszłych lub przyszłych stanów rzeczywistości, przy różnych założeniach dotyczących elementów modelu (zmiennych, parametrów, postaci funkcyjnej równań). Scenariusz to zbiór wszystkich założeń przyjętych do symulacji. Analizy scenariuszowe to wyniki symulacji otrzymanych w oparciu o scenariusze. Prognoza jest analizą scenariuszową, której scenariusz największe szanse realizacji. Scenariusz ten nazywa się założeniami prognozy. 20