Развитие методов исследования статистических зависимостей: регрессионные модели с переменными структурными параметрами

В статье описаны методы верификации статистической модели, которая, во-первых, представлена временными рядами исходных данных и, во-вторых, является линейной по оцениваемым параметрам. Традиционно применение эконометрических методов базируется на представлении изучаемого процесса в виде линейной регрессионной модели. При этом автор исходит из того, что в случае, когда наборы объясняемой и объясняющих переменных представлены временными рядами, стандартная регрессионная модель позволяет получить лишь оценки структурных параметров, усредненные по временному интервалу наблюдаемых переменных модели. Естественное обобщение классической регрессионной модели (представляющее широкий класс практически важных численных задач как в области экономико-статистических исследований, так и в технической и прочих областях) - модель, в которой структурные параметры, подлежащие оцениванию на эмпирических данных, являются переменными во времени. В статье обосновываются методы оценивания структурных параметров различных типов статистических моделей, применительно к которым проблема оценки динамики этих параметров представляется актуальной.

1. Суворов Н.В. Метод построения регрессионных моделей с динамическими структурными параметрами // Проблемы прогнозирования. 2005. № 4. С. 143-155.

2. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1974 (1-е изд.); 1986 (2-е изд.).

3. Суворов Н.В. Верификация эконометрической модели с учетом априорных ограничений на структурные параметры // Вопросы статистики. 2016. № 11. С. 53-66.

4. Суворов Н.В. Актуальные направления и проблемы совершенствования модельного инструментария макроэкономического анализа // Проблемы прогнозирования. 2015. № 5. С. 25-39.

5. Суворов Н.В., Балашова Е.Е., Давидкова О.Б., Зенкова Г.В. Эконометрические методы в исследовании динамики показателей ресурсоемкости отечественной экономики (инструментарий и статистические результаты) // Проблемы прогнозирования. 2013. № 5. С. 15-33.

6. Суворов А.В. и др. Человеческий капитал как фактор социально-экономического развития России. СПб.: Нестор-История, 2016.

7. Анчишкин А.И. Прогнозирование роста социалистической экономики. М.: Экономика, 1973.

8. Браун М. Теория и измерение научно-технического прогресса. М.: Экономика, 1971.

9. Корхин А.С. Моделирование экономических систем с распределенным лагом. М.: Финансы и статистика, 1981.

10. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1981.

11. Пуарье Д. Эконометрия структурных изменений. М.: Финансы и статистика, 1981.

12. Спиди К., Браун Р., Гудвин Дж. Теория управления. М.: Мир, 1974.

13. Брамлер К., Зифлинг Г. Фильтр Калмана-Бьюси. М.: Наука, 1982.

14. Durbin J., S.-J. Koopman. Time Series Analysis by State Space Methods. Oxford: Oxford University Press. 2001.

15. Koopman S.-J., Shephard N., Doornik J.A. Statistical Algorithms for Models in State Space Using SsfPack 2.2 // Econometrics Journal. 1999. Vol. 2. Iss. 1. P. 107-160.

16. Zivot E., Wang J. Modeling Financial Time Series with S-PLUS. New York: Springer-Verlag. 2002.