EssayAI
Блог
Блог
Гуманитарные науки

Модель Койка: формула распределённого лага и пример

8 ноября 2026Время чтения: 8 минут
#модель Койка#эконометрика#распределённый лаг#временные ряды#динамическая регрессия
Модель Койка: формула распределённого лага и пример

Модель Койка описывает ситуацию, когда изменение экономического фактора влияет на результат не только сейчас, но и в последующие периоды. Например, последствия рекламной кампании могут проявляться в продажах ещё некоторое время после её окончания. Модель задаёт этому следу простую форму: каждый следующий эффект составляет постоянную долю предыдущего. Ниже можно изменить параметры и увидеть распределение отклика; затем разберём формулы, учебный пример и ограничения оценки.

Зачем нужен распределённый лаг

Экономическая реакция редко обязана совпадать по времени с причиной. Покупатели узнают о товаре постепенно, предприятия не сразу меняют оборудование, а решения домохозяйств зависят от ранее полученной информации. В динамической регрессии поэтому рассматривают не только текущее значение фактора xtx_t, но и его прошлые значения xt−1x_{t-1}, xt−2x_{t-2} и так далее. Индекс tt обозначает период; это может быть месяц, квартал или год, но единица времени должна оставаться одной и той же.

Обычная модель распределённого лага записывается как yt=α+β0xt+β1xt−1+⋯+uty_t=\alpha+\beta_0x_t+\beta_1x_{t-1}+\cdots+u_t. Каждый коэффициент относится к отдельному лагу. Если включить много лагов, придётся оценивать много параметров, а соседние значения фактора могут быть сильно связаны между собой. Койк предлагает ограничить форму этих коэффициентов геометрической последовательностью. Это экономит параметры, но требует проверить, подходит ли такая форма самой задаче.

Золотой маркер проходит вдоль откликов на единичный импульс: каждый следующий столбец вдвое меньше предыдущего, а обратное движение возвращает ролик к началу.

В ролике изображён один кратковременный импульс, а не постоянное увеличение фактора. Высота столбца означает вклад этого импульса в соответствующем периоде. Движение маркера показывает, как один и тот же импульс оставляет убывающий след во времени; обратный ход нужен для повторения ролика и не означает обращение экономического времени.

Формула и смысл коэффициентов

В стандартной версии с неотрицательным геометрическим затуханием модель имеет вид:

yt=α+β∑j=0∞λjxt−j+ut,0≤λ<1.y_t=\alpha+\beta\sum_{j=0}^{\infty}\lambda^j x_{t-j}+u_t,\qquad 0\leq\lambda<1.

Здесь α\alpha - постоянная, β\beta - влияние единичного изменения xx в том же периоде, λ\lambda - доля эффекта, сохраняющаяся при переходе к следующему лагу, а utu_t - ошибка исходного уравнения. Коэффициент при xt−jx_{t-j} равен βj=βλj\beta_j=\beta\lambda^j. При положительном β\beta все эти коэффициенты неотрицательны и убывают. При отрицательном β\beta знак всех откликов отрицателен, а их абсолютная величина убывает.

Если λ=0\lambda=0, следа после текущего периода нет. Чем ближе λ\lambda к единице, тем медленнее затухает эффект и тем длиннее его хвост. Условие меньше единицы обеспечивает сходимость геометрической суммы. Для более общей математической модели допускают и отрицательное λ\lambda при ∣λ∣<1|\lambda|<1, но тогда знаки последовательных коэффициентов чередуются. Интерпретация как монотонного затухания в этом случае уже не подходит; калькулятор выше ограничен диапазоном от 0 до 0,9.

При чтении коэффициентов важно различать наблюдение и мысленный эксперимент. Для отдельного импульса мы сравниваем две траектории с одинаковой историей и прочими условиями: в одной фактор на единицу выше только в периоде 0, в другой этого изменения нет. Разность траекторий последовательно равна перечисленным весам. Реальный ряд может одновременно испытывать новые изменения фактора и другие шоки, поэтому отдельные столбцы нельзя просто прочитать из сырых наблюдений без модели.

Преобразование Койка шаг за шагом

Бесконечный ряд неудобно оценивать напрямую. Сдвинем исходное уравнение на один период и умножим его на λ\lambda:

λyt−1=λα+βλxt−1+βλ2xt−2+⋯+λut−1.\lambda y_{t-1}=\lambda\alpha+\beta\lambda x_{t-1}+\beta\lambda^2x_{t-2}+\cdots+\lambda u_{t-1}.

Вычтем это выражение из исходного уравнения. Все лаги xx начиная с xt−1x_{t-1} попарно сокращаются, и получается компактная авторегрессионная форма:

yt=α(1−λ)+βxt+λyt−1+vt,vt=ut−λut−1.y_t=\alpha(1-\lambda)+\beta x_t+\lambda y_{t-1}+v_t,\qquad v_t=u_t-\lambda u_{t-1}.

Коэффициент при yt−1y_{t-1} равен тому же λ\lambda, который управляет затуханием. Однако новая константа равна α(1−λ)\alpha(1-\lambda), а не исходной α\alpha. Предыдущее значение результата здесь представляет накопленное действие прошлых значений xx и ошибок; само по себе это преобразование не доказывает, что прошлое yy причинно воздействует на нынешнее.

Связь с моделью акселератора инвестиций помогает представить экономическую инерцию: капитал нельзя мгновенно перестроить. Но одинаковая авторегрессионная запись может возникать из разных предпосылок. Для содержательного вывода нужно отдельно обосновать механизм и проверить данные.

Краткосрочный и долгосрочный эффекты

Пусть фактор повышается на единицу в одном периоде и сразу возвращается к прежнему уровню. При прочих равных вклад этого импульса в yy равен β\beta сейчас, βλ\beta\lambda через период и βλ2\beta\lambda^2 через два периода. Сумма всех таких вкладов равна β/(1−λ)\beta/(1-\lambda).

Если же фактор повышается на единицу навсегда, результат постепенно приближается к новому уровню. Его предельное изменение при стабильной модели и прочих равных тоже равно:

долгосрочный эффект=β1−λ.\text{долгосрочный эффект}=\frac{\beta}{1-\lambda}.

Численно формула одинакова, но смысл сумм различается: в первом случае складываются отклики одного импульса в разные периоды, во втором рассматривается предельное изменение уровня yy после постоянного сдвига xx. Для денежных или физических величин единицы также важны: если xx измеряется в тысячах рублей, а yy - в единицах товара, коэффициенты показывают единицы товара на тысячу рублей.

Пример расчёта и средний лаг

Пусть β=2\beta=2, λ=0,5\lambda=0{,}5, а единичный импульс фактора произошёл в периоде 0. Это условный пример, не оценка по наблюдаемым данным. Первые четыре вклада составляют 22, 11, 0,50{,}5 и 0,250{,}25. Их сумма равна 3,753{,}75, а полная сумма, включая бесконечный хвост, - 2/(1−0,5)=42/(1-0{,}5)=4. Следовательно, к концу периода 3 накоплено 93,75%93{,}75\% полного эффекта.

Накопленный отклик на единичный импульс достигает 3,75 за лаги от нуля до трёх и стремится к пределу 4
Накопленный отклик на единичный импульс достигает 3,75 за лаги от нуля до трёх и стремится к пределу 4

Средний лаг - средневзвешенный номер периода, если нормировать коэффициенты так, чтобы их сумма стала равной единице. Для 0≤λ<10\leq\lambda<1 и ненулевого β\beta он равен:

jˉ=λ1−λ.\bar j=\frac{\lambda}{1-\lambda}.

В примере средний лаг равен одному периоду. Это характеристика распределения отклика, а не срок, после которого он внезапно исчезает. При λ=0\lambda=0 весь эффект приходится на текущий период и средний лаг равен нулю. При приближении λ\lambda к единице средний лаг растёт, как и долгосрочный множитель при фиксированном β\beta.

Как оценивать модель и когда ей доверять

После преобразования ошибка vtv_t содержит ut−1u_{t-1}. Вместе с тем в yt−1y_{t-1} входит та же исходная ошибка. Поэтому даже если utu_t - некоррелированный во времени шум, yt−1y_{t-1} обычно коррелирует с новой ошибкой: предпосылка экзогенности для обычного МНК нарушена. Само добавление устойчивых стандартных ошибок не устраняет эту эндогенность и не делает коэффициенты состоятельными.

Возможный путь - инструментальные переменные, но инструмент должен быть связан с эндогенным регрессором и удовлетворять условию исключения. Это надо обосновывать для конкретных данных, а не предполагать автоматически. В статье об инструментарии распределённых лагов dLagM авторы обсуждают преобразование Койка и оценивание с помощью инструментальных переменных.

Перед оценкой полезно изучить частоту наблюдений, пропуски, экономический механизм и устойчивость ряда. Проверка стационарности временного ряда помогает оценить свойства данных, хотя сама по себе не решает проблему эндогенности. Диагностика автокорреляции остатков тоже важна, но механически применять критерий с предпосылками, не выполненными для модели с лагом зависимой переменной, нельзя.

Модель предполагает один постоянный темп затухания и максимальный по модулю отклик сразу. Если реакция сначала нарастает, достигает пика позже или меняется после структурного сдвига, такая форма может быть неподходящей. Сравнивайте её с содержательно обоснованными альтернативами и проверяйте устойчивость результатов к выбору лаговой структуры.

Прикладной анализ должен также учитывать частоту данных. Коэффициент затухания, оценённый на месячных наблюдениях, относится к одному месяцу, а не к кварталу; сравнивать его с квартальной оценкой напрямую некорректно. Изменение частоты может менять и наблюдаемую форму отклика. Для прогноза необходимо задать будущую траекторию фактора и начальное значение результата, а также объяснить, как учитываются неизвестные будущие ошибки.

Если исследователь выбирает инструмент, недостаточно показать лишь его связь с регрессором: общие ненаблюдаемые причины могут связывать инструмент и с ошибкой уравнения. Проверки чувствительности к альтернативным спецификациям и экономический аргумент о происхождении инструмента делают такой выбор более прозрачным, хотя ни одна диагностическая статистика не заменит содержательного обоснования.

Частые ошибки

  • Путать импульс и постоянный сдвиг. Для первого суммируют отклики по времени, для второго находят предельное изменение уровня.
  • Считать λ\lambda долей полного эффекта. Это отношение соседних коэффициентов; доля полного эффекта в периоде 0 равна 1−λ1-\lambda.
  • Отбрасывать хвост без оговорки. Конечная сумма меньше полной при положительных β\beta и λ\lambda.
  • Считать преобразование исправлением эндогенности. Оно сокращает число лагов в записи, но создаёт составную ошибку, связанную с yt−1y_{t-1}.
  • Выводить причинность из хорошего совпадения с данными. Для причинной интерпретации нужны дополнительные предпосылки и дизайн исследования.

FAQ

Чем модель Койка отличается от модели с конечным числом лагов?

В модели Койка лагов бесконечно много, но их коэффициенты связаны одной геометрической закономерностью. В конечной модели учитывают заданное число лагов, и их коэффициенты могут оцениваться без такого ограничения.

Всегда ли долгосрочный эффект больше краткосрочного?

При 0<λ<10<\lambda<1 и положительном β\beta он больше по величине. При отрицательном β\beta долгосрочный эффект тоже больше по абсолютной величине, но численно он более отрицателен. При λ=0\lambda=0 эффекты совпадают.

Можно ли узнать средний лаг без данных о β\beta?

Да, при ненулевом β\beta и геометрических весах он зависит только от λ\lambda. Но саму оценку λ\lambda всё равно нужно надёжно получить из данных и проверить применимость формы модели.

Коротко

Модель Койка заменяет множество свободных коэффициентов лага геометрическими весами βλj\beta\lambda^j. Преобразование приводит её к уравнению с yt−1y_{t-1}, а полный эффект и средний лаг выражаются через β\beta и λ\lambda. Это удобная учебная и исследовательская модель инерции, если форма затухания обоснована, а эндогенность при оценивании учтена.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Коинтеграция: как найти долгосрочную связь рядов

Коинтеграция: как найти долгосрочную связь рядов

Коинтеграция временных рядов простыми словами: как проверить стационарность остатка, провести тест Энгла и Грейнджера и понять модель коррекции ошибки на примере.

8 ноября 20268 минут
Тест Льюнга-Бокса: проверка автокорреляции

Тест Льюнга-Бокса: проверка автокорреляции

Тест Льюнга-Бокса проверяет автокорреляцию сразу на нескольких лагах. Разбираем формулу Q, выбор числа лагов, степени свободы и пример интерпретации p-значения.

8 ноября 20268 минут
Индекс корреляции: формула и пример расчёта

Индекс корреляции: формула и пример расчёта

Как рассчитать индекс корреляции по группам и остаткам модели, прочитать его квадрат и отличить нелинейную связь от коэффициента Пирсона: пример с таблицей.

8 ноября 20268 минут
Логит-модель: формула, пример и смысл коэффициентов

Логит-модель: формула, пример и смысл коэффициентов

Как логит-модель описывает бинарный выбор: формула вероятности, шансы и отношение шансов, расчёт на примере дохода, оценивание и границы интерпретации.

8 ноября 20268 минут
Модель Хольта-Винтерса: формулы и пример прогноза

Модель Хольта-Винтерса: формулы и пример прогноза

Модель Хольта-Винтерса для сезонного временного ряда: формулы уровня, тренда и сезонности, пошаговый расчёт прогноза по кварталам и способы проверки его точности.

8 ноября 20268 минут
Модель с фиксированными эффектами: формула и пример

Модель с фиксированными эффектами: формула и пример

Модель с фиксированными эффектами для панельных данных: формула, расчёт на примере двух фирм, метод отклонений от средних, условия применения и ограничения.

8 ноября 20268 минут