Эконометрика — это применение статистических методов к экономическим данным с целью придания эмпирического содержания экономическим отношениям. [1] Точнее, это «количественный анализ реальных экономических явлений , основанный на одновременном развитии теории и наблюдений, связанных соответствующими методами вывода». [2] Во вводном учебнике по экономике эконометрика описывается как позволяющая экономистам «просеивать горы данных для извлечения простых взаимосвязей». [3] Ян Тинберген — один из двух отцов-основателей эконометрики. [4] [5] [6] Другой, Рагнар Фриш , также придумал этот термин в том смысле, в котором он используется сегодня. [7]
Основным инструментом эконометрики является модель множественной линейной регрессии . [8] Эконометрическая теория использует статистическую теорию и математическую статистику для оценки и разработки эконометрических методов. [9] [10] Специалисты по эконометрике пытаются найти оценщики , которые обладают желаемыми статистическими свойствами, включая несмещенность , эффективность и последовательность . Прикладная эконометрика использует теоретическую эконометрику и реальные данные для оценки экономических теорий, разработки эконометрических моделей , анализа экономической истории и прогнозирования .
Основным инструментом эконометрики является модель множественной линейной регрессии . [8] В современной эконометрике часто используются и другие статистические инструменты, но линейная регрессия по-прежнему остается наиболее часто используемой отправной точкой для анализа. [8] Оценку линейной регрессии по двум переменным можно представить как прокладку линии через точки данных, представляющие парные значения независимых и зависимых переменных.
Например, рассмотрим закон Оукена , который связывает рост ВВП с уровнем безработицы. Эта связь представлена в виде линейной регрессии, где изменение уровня безработицы ( ) является функцией точки пересечения ( ), заданного значения роста ВВП, умноженного на коэффициент наклона и член ошибки :
Неизвестные параметры и их можно оценить. Здесь оценивается в 0,83 и оценивается в -1,77. Это означает, что если рост ВВП увеличится на один процентный пункт, уровень безработицы, по прогнозам, снизится на 1,77 * 1 пункт, при прочих равных условиях . Затем модель можно было бы проверить на статистическую значимость , чтобы определить, связано ли увеличение роста ВВП с уменьшением безработицы, как предполагалось . Если бы оценка значимо не отличалась от 0, тест не смог бы найти доказательств того, что изменения в темпах роста и уровне безработицы связаны между собой. Отклонение в прогнозе зависимой переменной (безработицы) как функции независимой переменной (роста ВВП) выражается в полиномиальном методе наименьших квадратов .
Эконометрическая теория использует статистическую теорию и математическую статистику для оценки и разработки эконометрических методов. [9] [10] Специалисты по эконометрике пытаются найти оценщики , которые обладают желаемыми статистическими свойствами, включая несмещенность , эффективность и последовательность . Оценка является несмещенной, если ее ожидаемое значение является истинным значением параметра; он является последовательным, если он сходится к истинному значению по мере увеличения размера выборки, и эффективен, если оценщик имеет меньшую стандартную ошибку, чем другие несмещенные оценщики для данного размера выборки. Для оценки часто используется метод обычных наименьших квадратов (OLS), поскольку он обеспечивает СИНИЙ или «лучший линейный несмещенный оценщик» (где «лучший» означает наиболее эффективный, несмещенный оценщик) с учетом допущений Гаусса-Маркова . Когда эти предположения нарушаются или желательны другие статистические свойства, используются другие методы оценки, такие как оценка максимального правдоподобия , обобщенный метод моментов или обобщенный метод наименьших квадратов . Оценщики, включающие в себя предшествующие убеждения, поддерживаются теми, кто предпочитает байесовскую статистику традиционным, классическим или «частотным» подходам .
Прикладная эконометрика использует теоретическую эконометрику и реальные данные для оценки экономических теорий, разработки эконометрических моделей , анализа экономической истории и прогнозирования . [11]
Эконометрика может использовать стандартные статистические модели для изучения экономических вопросов, но чаще всего они используют данные наблюдений , а не контролируемых экспериментов . [12] В этом дизайн наблюдательных исследований в эконометрике аналогичен дизайну исследований в других наблюдательных дисциплинах, таких как астрономия, эпидемиология, социология и политология. Анализ данных обсервационного исследования проводится в соответствии с протоколом исследования, хотя исследовательский анализ данных может быть полезен для выдвижения новых гипотез. [13] Экономика часто анализирует системы уравнений и неравенств, такие как спрос и предложение, предположительно находящиеся в равновесии . Следовательно, в области эконометрики были разработаны методы идентификации и оценки моделей одновременных уравнений . Эти методы аналогичны методам, используемым в других областях науки, например в области идентификации систем в системном анализе и теории управления . Такие методы могут позволить исследователям оценивать модели и исследовать их эмпирические последствия, не манипулируя системой напрямую.
Одним из фундаментальных статистических методов, используемых эконометриками, является регрессионный анализ . [14] Методы регрессии важны в эконометрике, поскольку экономисты обычно не могут использовать контролируемые эксперименты . Обычно наиболее доступные данные являются ретроспективными. Однако ретроспективный анализ данных наблюдений может подвергаться систематической ошибке из-за пропущенных переменных , обратной причинно-следственной связи или другим ограничениям, которые ставят под сомнение причинную интерпретацию корреляций. [15]
В отсутствие данных контролируемых экспериментов специалисты по эконометрике часто ищут проясняющие естественные эксперименты или применяют квазиэкспериментальные методы , чтобы сделать достоверные причинно-следственные выводы. [16] Методы включают в себя регрессионный дизайн с разрывом , инструментальные переменные и разницу в разностях .
Простой пример зависимости в эконометрике из области экономики труда :
В этом примере предполагается, что натуральный логарифм заработной платы человека является линейной функцией количества лет образования, которое он получил. Параметр измеряет увеличение натурального логарифма заработной платы за дополнительный год обучения. Этот термин представляет собой случайную величину, отражающую все другие факторы, которые могут иметь прямое влияние на заработную плату. Эконометрическая цель состоит в том, чтобы оценить параметры при конкретных предположениях о случайной величине . Например, если оно не коррелирует с годами обучения, то уравнение можно оценить с помощью обычного метода наименьших квадратов .
Если бы исследователь мог случайным образом распределить людей по разным уровням образования, полученный таким образом набор данных позволил бы оценить влияние изменений в продолжительности обучения на заработную плату. На самом деле такие эксперименты проводить невозможно. Вместо этого специалист по эконометрике наблюдает за количеством лет обучения и заработной платой людей, которые различаются по многим параметрам. Учитывая такого рода данные, расчетный коэффициент по годам обучения в приведенном выше уравнении отражает как влияние образования на заработную плату, так и влияние других переменных на заработную плату, если эти другие переменные коррелируют с образованием. Например, люди, родившиеся в определенных местах, могут иметь более высокую заработную плату и более высокий уровень образования. Если специалист по эконометрии не учитывает место рождения в приведенном выше уравнении, влияние места рождения на заработную плату можно ошибочно отнести на счет влияния образования на заработную плату.
Самый очевидный способ контролировать место рождения — включить в приведенное выше уравнение показатель влияния места рождения. Исключение места рождения вместе с предположением о том, что оно не коррелирует с образованием, приводит к неверной спецификации модели. Другой метод заключается во включении в уравнение дополнительного набора измеряемых ковариат, которые не являются инструментальными переменными, но могут быть идентифицированы. [17] Обзор эконометрических методов, используемых для изучения этой проблемы, был предоставлен Кардом (1999). [18]
Основными журналами, публикующими работы по эконометрике, являются «Эконометрика », «Журнал эконометрики» , «Обзор экономики и статистики» , «Эконометрическая теория» , « Журнал прикладной эконометрики» , «Эконометрические обзоры» , «Эконометрический журнал » [19] и « Журнал деловой и экономической статистики». .
Как и другие формы статистического анализа, плохо определенные эконометрические модели могут демонстрировать ложную связь , когда две переменные коррелируют, но не связаны причинно-следственной связью. Изучая использование эконометрики в крупных экономических журналах, Макклоски пришел к выводу, что некоторые экономисты сообщают о p -значениях (следуя фишеровской традиции проверки значимости точечных нулевых гипотез ) и пренебрегают проблемами ошибок типа II ; некоторые экономисты не могут сообщить оценки размера эффектов (кроме статистической значимости ) и обсудить их экономическое значение. Она также утверждает, что некоторые экономисты не могут использовать экономические аргументы при выборе модели , особенно при принятии решения о том, какие переменные включить в регрессию. [20] [21]
В некоторых случаях экономическими переменными нельзя манипулировать экспериментально, поскольку лечение назначается испытуемым случайным образом. [22] В таких случаях экономисты полагаются на наблюдательные исследования , часто используя наборы данных со многими тесно связанными ковариатами , что приводит к появлению огромного количества моделей со схожей объяснительной способностью, но с разными ковариатами и оценками регрессии. Что касается множества моделей, совместимых с наборами данных наблюдений, Эдвард Лимер призвал, чтобы «специалисты ... должным образом воздерживались от убеждений до тех пор, пока не будет показано, что вывод адекватно нечувствителен к выбору предположений». [22]
В конечном итоге все это потребует общего набора инструментов, включая, например, модель множественной регрессии, использование моментных условий для оценки, инструментальные переменные (IV) и оценку максимального правдоподобия. Учитывая это, данная книга организована следующим образом: в первой половине текста излагаются фундаментальные результаты, общие для всех приложений. Концепция множественной регрессии и, в частности, модель линейной регрессии составляют основу большинства моделей моделирования, даже если сама линейная модель в конечном итоге не используется в качестве эмпирической спецификации.