Cтраница 1
Несомненно, модели векторной авторегрессии имеют недостатки. Например, в ряде случаев трудно подвести теоретическое обоснование и дать экономическую интерпретацию параметрам модели VAR. Однако определенная теоретическая база заложена в начальный выбор переменных, которые войдут в модель. [1]
Другой недостаток моделей векторной авторегрессии - необходимость принятия решения относительно величины лага, адекватных методов оценки параметров модели, поскольку обычный МНК, как было показано выше, чаще всего неприменим при оценке параметров моделей с распределенным лагом и тем более неприменим для оценки параметров моделей авторегрессии. Поэтому методы оценки параметров моделей VAR очень громоздки, и в настоящее время далеко не все статистические пакеты прикладных программ имеют эту функцию. Однако в целом модели VAR потенциально значительно проще структурных моделей. [2]
Несомненно, модели векторной авторегрессии имеют недостатки. Например, в ряде случаев трудно подвести теоретическое обоснование и дать экономическую интерпретацию параметрам модели VAR. Однако определенная теоретическая база заложена в начальный выбор переменных, которые войдут в модель. [3]
Другой недостаток моделей векторной авторегрессии - необходимость принятия решения относительно величины лага, адекватных методов оценки параметров модели, поскольку обычный МНК, как было показано выше, чаще всего неприменим при оценке параметров моделей с распределенным лагом и тем более неприменим для оценки параметров моделей авторегрессии. Поэтому методы оценки параметров моделей VAR очень громоздки, и в настоящее время далеко не все статистические пакеты прикладных программ имеют эту функцию. Однако в целом модели VAR потенциально значительно проще структурных моделей. [4]
Реальные модели VAR имеют более длительные лаги и большее число переменных. Однако по сравнению со структурными моделями модели VAR имеют меньшее число параметров и менее строгие ограничения на их значения, что делает модели векторной авторегрессии чрезвычайно полезными при возникновении трудностей со сбором исходной информации. [5]
Однако методы построения структурных моделей ( особенно крупных моделей, содержащих большое количество уравнений и переменных) достаточно сложны, поэтому в последние десятилетия был разработан и получил широкое распространение еще один подход - построение моделей векторной авторегрессии. [6]
Как и большинство использующих временные ряды ( time series) методов, он рассматривается как нейтральный с точки зрения любых конкретных экономических теорий. Метод не делает различия между эндогенными ( endogenous variable) и экзогенными переменными ( exogenous variable), а исследует временную траекторию вектора ( vector) тех переменных, которые представляют интерес в данной задаче. Прогнозы, получаемые с использованием векторной авторегрессии, не всегда превосходят прогнозы, выполненные по методу Бокса-Дженкинса ( Box-Jenkins) с использованием полной эконометрической модели. [7]