Курсовая работа: Построение модели инфляционной динамики

Дементьев применил к процессам денежной и кредитной мультипликации технику регрессионного анализа.

Мау и др. дополнили монетаристскую модель авторегрессионной составляющей для цен. Те же авторы в дальнейшем модифицировали свою модель, включив в нее темпы прироста курса доллара

Во всех этих работах использовались помесячные ряды и учитывались связи не только в тот же месяц, но и с лагом в несколько месяцев.

Если посмотреть на перечисленные исследования с точки зрения методов анализа данных, то для них характерны следующие недостатки:

*  не применяются эконометрические методы, либо не в полной мере реализуются возможности используемых эконометрических методов,

*  не обсуждается применимость соответствующих методов,

*  не осознается опасность ложной корреляции и ложной регрессии,

*  не учитывается возможность существования корректирующих механизмов.

Причинные механизмы — способы рассуждений

Когда речь идет о причинах или “природе” какого-либо явления, то требуется проявлять большую осторожность в суждениях. Причинные суждения в экспериментальных науках делать гораздо проще, чем в такой неэкспериментальной науке, как экономика. Здесь мы рассмотрим основные способы рассуждений, применяемые при анализе причин российской инфляции. Для этой цели удобно следующим образом расположить материал: сначала в стилизованном изложении приводится характерный способ рассуждений, затем указываются возможные слабые стороны такого способа рассуждений.

1) В рассматриваемый период времени как величина X, так и величина Y возрастали. Следовательно X, является причиной Y.

Возражения : X может не быть экзогенной величиной, возможна обратная связь Y®X. Связь может быть ложной, вызванной наличием детерминированного или стохастического тренда в обоих независимых процессах X и Y.

2) Как X, так и Y возрастали, но величина X росла медленнее. Следовательно, X не может быть причиной Y.

Возражения : Это рассуждение неверно в случае, когда Y=X+Z и Z возрастала в рассматриваемый период. Но во всяком случае X — не единственная причина.

3) X и Y являются стационарными величинами и Y коррелирует с лагами X. Следовательно X, является причиной Y.

Возражения : Корреляция может быть вызвана тем, что X и Y причинно зависят от третьей величины Z.

4) Единичное событие не может быть причиной перманентного роста некоторой величины.

Возражения : Единичное событие может запустить некоторый механизм самовоспроизводящегося роста (в случае инфляции — “спираль”).

Недостаточность используемых методов

Опишем основные технические методы анализа данных об экономических процессах в современной России, которые использовались в рассмотренных выше работах и разберем их сравнительные характеристики, недостатки и трудности, которые возникают при их применении. Это позволяет наметить способы действий, которые позволили бы избежать отмеченные трудности и недостатки.

1) Сравнение тенденций динамики. Визуальный анализ графиков .

Эти методы обладают очевидными недостатками. Прежде всего это неизбежная субъективность. Кроме того, такие методы не дают возможности получить точные количественные оценки и оценить количественно, насколько вероятно, что просматривающаяся связь между данными не является случайным совпадением.

2) Корреляционный анализ .

Применим только к данным определенного вида: случайным величинам с одинаковыми (по наблюдениям) мат. ожиданиями. В частности, корреляционный анализ неприменим к нестационарным временным рядам и к случайным величинам, математическое ожидание которых зависят от каких-либо других неучтенных переменных и меняется от наблюдения к наблюдению.

E(X_t )=const, E(Y_t )=const, E(X_t ² )=const, E(Y_t ² )=const, E(X_t Y_t )=const, t=1,...,T.

Тогда корреляцию X и Y можно состоятельно оценить обычным способом.

Корреляционный анализ дает плохо интерпретируемые результаты в случае, когда рассматривается больше двух переменных. Кроме того, он не подходит, когда связи между переменными являются нелинейными.

3) Регрессионный анализ .

Является одним из самых мощных статистических инструментов. При его использовании, однако, необходимо учитывать, что теоретические доказательства хороших свойств получаемых оценок верны только при выполнении ряда стандартных предположений. Если используемые данные и оцениваемая модель не удовлетворяют этим гипотезам, то получается бессмысленный результат. В частности можно получить несостоятельные оценки в следующих случаях:

* функциональная форма зависимости задана неверно,

* объясняющие переменные коррелированы с ошибкой регрессионного уравнения (например, регрессоры измерены неточно или ошибка автокоррелирована, а среди регрессоров есть лаги зависимой переменной),