Разместить заказ
Вы будете перенаправлены на Автор24

Фиктивные переменные в эконометрике

8-800-775-03-30 support@author24.ru
Статья предоставлена специалистами сервиса Автор24
Автор24 - это сообщество учителей и преподавателей, к которым можно обратиться за помощью с выполнением учебных работ.
как работает сервис
Все предметы / Эконометрика / Фиктивные переменные в эконометрике
Фиктивные переменные в эконометрике

Понятие фиктивных переменных

Определение 1

Фиктивные переменные используются в противоположность переменным, имеющим значение и отражающим уровень количественного показателя, который принимает значения непрерывного интервала.

Фиктивная переменная представляет собой индикаторную переменную, которая отражает качественную характеристику. Например, такими переменными могут быть атрибутивные признаки:

  • Пол человека,
  • Образование и профессия,
  • Принадлежность к региону,
  • Климатические условия и др.

Ввод фиктивных переменных в модель

Для ввода фиктивных переменных в регрессионную модель им присваиваются цифровые метки, которые представляют собой качественные переменные, преобразованные в количественное состояние.

Помощь со студенческой работой на тему
Фиктивные переменные в эконометрике

Такие сконструированные переменные в эконометрике и принято называть фиктивными (структурными, искусственными).

Пример 1

В опросах групп людей цифра 0 присваивается мужчинам, а цифра 1 женщинам. В данном случае фиктивной переменной будет являться регрессор, который состоит из одних единиц (константа или свободный член), в том числе временной тренд.

С помощью фиктивных переменных можно выстраивать и проводить оценку кусочно-линейных моделей, применяемых в процессе исследования структурных изменений.

Фиктивные переменные моделей с временными рядами

Регрессионные модели с временными рядами используют 3 типа фиктивных переменных:

  • Переменные индикаторы, которые определяют принадлежность наблюдения к соответствующему периоду;
  • Переменные сезонного характера;
  • Линейный временной тренд.
Замечание 1

Переменные-индикаторы принадлежности наблюдения к определенному периоду применяются в процессе моделирования структурных скачкообразных сдвигов. Моменты “скачков” устанавливаются в этом случае из априорных соображений.

Пример 2

При принадлежности наблюдения к периоду 1941 - 1945 годам и 0 в противном случае, что является примером применения моделирования временного структурного сдвига. При этом постоянный структурный сдвиг смоделирован переменной 0 (до определенного момента времени) и 1 (для совокупности наблюдений после этого момента времени).

Сезонные переменные применяются при моделировании сезонности, они принимают различные значения в соответствии с тем, к какому месяцу или кварталу года (дню недели) относится наблюдение.

Линейный временной тренд используется в процессе моделирования постепенных (плавных) структурных сдвигов. Данная переменная отражает промежуток времени, который проходит от определенного (нулевого) момента времени до того времени, к которому отнесли это наблюдение (то есть координаты наблюдения по временной шкале). В случае, когда промежутки времени между последовательными наблюдениями будут равны, то временной тренд составляется из номеров наблюдений. Указанные виды фиктивных переменных можно комбинировать, создавая при этом переменные “взаимодействия” определенных эффектов.

Пример 3

При комбинации рассмотренных фиктивных переменных можно моделировать еще один эффект, называемый изменение наклона тренда с какого-либо момента. В этом случае, кроме тренда, в регрессию вводят следующую переменную: на начало выборки и до определенного момента она будет равна 0, а вторая ее часть будет выглядеть в виде временного тренда (1, 2, 3).

Преимущества использования фиктивных переменных

Использование фиктивных переменных обладает следующими преимуществами:

  1. Не обязательно одинаковые интервалы между наблюдениями, а также наличие пропущенных интервалов между наблюдениями;
  2. Легкая интерпретация коэффициентов при фиктивных переменных, легко и наглядно представляющих структуру динамического процесса;
  3. В процессе оценки модели не обязательно выходить за рамки классического метода наименьших квадратов.