иманих з МНК залишків.
Єдина тонкість - визначити довжину лага p, але це можна зробити, використовуючи інформаційний критерій, такий як AIC або BIC. p> На рівні матричних рівнянь рекурсивна і структурна VAR виглядають однаково. Ці дві моделі VAR враховують у явному вигляді одночасні взаємодії між елементами Y t , що зводиться до додаванню одночасного члена до правої частини рівняння (17). Відповідно, рекурсивна і структурна VAR обидві представляються в наступному загальному вигляді:
(18)
де b - вектор констант;
B 0 , ..., B p - матриці;
h t - помилки.
Наявність у рівнянні матриці B 0 означає можливість одночасної взаємодії між n змінними; тобто B 0 дозволяє зробити так, щоб ці змінні, що відносяться до одного моменту часу, визначалися спільно. p> рекурсивно VAR можна оцінити двома способами. Рекурсивна структура дає набір рекурсивних рівнянь, які можна оцінити з допомогою МНК. Еквівалентний спосіб оцінювання полягає в тому, що рівняння наведеної форми (17), що розглядаються як система, множаться ліворуч на нижню трикутну матрицю. p> Метод оцінювання структурної VAR залежить від того, як саме ідентифікована B 0 . Підхід з частковою інформацією тягне використання методів оцінювання для окремого рівняння, таких як двокроковий метод найменших квадратів. Підхід з повною інформацією тягне використання методів оцінювання для декількох рівнянь, таких як трехшаговий метод найменших квадратів.
Необхідно пам'ятати про множинність різних типів VAR. Наведена форма VAR єдина. Даному порядку змінних в Y t відповідає єдина рекурсивна VAR, але все мається n! таких порядків, тобто n! різних рекурсивних VAR. Кількість структурних VAR - тобто наборів припущень, які ідентифікують одночасні взаємозв'язку між змінними, - обмежене тільки винахідливістю дослідника.
Оскільки матриці оцінених коефіцієнтів VAR скрутно інтерпретувати безпосередньо, результати оцінювання VAR зазвичай представляють деякими функціями цих матриць. До таких статистикам розкладання помилки прогнозу.
Розкладання дисперсії помилки прогнозу обчислюються в основному для рекурсивних або структурних систем. Таке розкладання дисперсії показує, наскільки помилка в j-му рівнянні важлива для пояснення несподіваних змін i-й змінної. Коли помилки VAR некорреліровани по рівнянням, дисперсію помилки прогнозу на h періодів вперед можна записати як суму компонентів, що є результатом кожної з цих помилок/17 /.
3.2 Факторний аналіз
У сучасній статистиці під факторним аналізом розуміють сукупність методів, які на основі реально існуючих зв'язків ознак (або об'єктів) дозволяють виявляти латентні узагальнюючі характеристики організаційної структури та механізму розвитку досліджуваних явищ і процесів.
Поняття латентності у визначенні ключове. ...
