This HTML5 document contains 81 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Subject Item

dbr:Distributed_lag

rdf:type

yago:Whole100003553 yago:YagoLegalActor yago:Assistant109815790 yago:Organism100004475 yago:YagoLegalActorGeo yago:Model110324560 yago:Object100002684 yago:Worker109632518 yago:Person100007846 yago:WikicatEconometricModels yago:PhysicalEntity100001930 yago:LivingThing100004258 yago:CausalAgent100007347 yago:WikicatTimeSeriesModels

rdfs:label

Распределённый лаг Distributed lag 分布滯後

rdfs:comment

In statistics and econometrics, a distributed lag model is a model for time series data in which a regression equation is used to predict current values of a dependent variable based on both the current values of an explanatory variable and the lagged (past period) values of this explanatory variable. The starting point for a distributed lag model is an assumed structure of the form or the form The concept of distributed lag models easily generalizes to the context of more than one right-side explanatory variable. В эконометрике модель с распределённым лагом — это модель временного ряда, в которой в уравнение регрессии включено как текущее значение объясняющей переменной, так и значения этой переменной в предыдущих периодах. Простейший пример модели с распределённым лагом: . В более общем случае, Здесь можно говорить о краткосрочном воздействии объясняющей переменной на объясняемую, а также о долгосрочномДанная модель, в свою очередь, является частным случаем Модели авторегрессии и распределённого лага. Примеры макроэкономических моделей, в которых важен временной лаг: 分布滯後（英語：distributed lag，又稱落差分配）的模型在統計學與計量經濟學裡是一種時間序列模型，模型的迴歸式依據當期與前期解釋變數的值預估因變數的值。 分布滯後模型源自於下列形式的假設結構 或 其中 yt 是因變數 y 在第 t 期的值，a 是需估計的截距項，而 wi 稱為落差權重（亦需估計），置於前 i 期解釋變數 x 的前面。第一條方程式假設因變數的值會受到過去無數期自變數的值所影響，因此有無數個落差權重（lag weights），故稱為無窮落差分配模型（infinite distributed lag model）。相對的，第二條方程式的落差權重個數有限，假設一定期數前的自變數就不會影響因變數的值；基於這種假設的模型就稱為有限落差分配模型（finite distributed lag model）。 無窮落差分配模型需要估計無數個落差項的權重；顯然只有假設各落差權重之間的關係存在某種結構，才能以有限的假設參數表達無數個落差權重。有限落差分配模型的參數可以直接使用一般最小平方法（ordinary least squares）估計（假設有足夠的資料）；然而估計結果可能會因為各期自變數間的多重共線性而失真，或許還是一樣需要假設各落差權重之間的關係存在某種結構。 落差分配模型的右手側很容易擴充為一個以上的解釋變數。

owl:sameAs

dbpedia-tr:Almon_modeli n11:4ijXv dbpedia-ru:Распределённый_лаг yago-res:Distributed_lag dbpedia-zh:分布滯後 dbr:Distributed_lag n23:03m94z5 wd:Q5283159

foaf:topic

dbr:Outside_lag wikipedia-en:Distributed_lag dbr:Distributed_lag_model dbr:Geometric_lag n16:this dbr:Irving_Fisher dbr:Weight_function dbr:Koyck_lag n26:fiscal_debate dbr:Eric_Ghysels dbr:Mixed-data_sampling dbr:List_of_statistics_articles dbr:Multicollinearity dbr:Time_series dbr:List_of_people_from_Maryland dbr:LSE_approach_to_econometrics dbr:Shirley_Montag_Almon

wdrs:describedby

n5:Model110324560 n12:Time_series_models n13:Multicollinearity n13:Asthma n13:Time_series n13:Linear_regression n5:Assistant109815790 n13:Ordinary_least_squares

dct:subject

dbc:Time_series_models dbc:Econometric_modeling

dbo:wikiPageID

15438225

dbo:wikiPageRevisionID

1115690267

dbo:wikiPageWikiLink

dbr:Shirley_Montag_Almon dbr:ARMAX dbr:Longitudinal_cohort_study dbr:Explanatory_variable dbr:Particulates dbr:Dependent_variable dbr:Statistics dbr:Multicollinearity dbr:Asthma dbr:Linear_regression dbr:Ordinary_least_squares dbc:Time_series_models dbr:Econometrics dbr:Time_series dbr:Independently_and_identically_distributed dbr:Mixed_data_sampling

foaf:isPrimaryTopicOf

wikipedia-en:Distributed_lag

prov:wasDerivedFrom

n25:0

dbo:abstract

分布滯後（英語：distributed lag，又稱落差分配）的模型在統計學與計量經濟學裡是一種時間序列模型，模型的迴歸式依據當期與前期解釋變數的值預估因變數的值。 分布滯後模型源自於下列形式的假設結構 或 其中 yt 是因變數 y 在第 t 期的值，a 是需估計的截距項，而 wi 稱為落差權重（亦需估計），置於前 i 期解釋變數 x 的前面。第一條方程式假設因變數的值會受到過去無數期自變數的值所影響，因此有無數個落差權重（lag weights），故稱為無窮落差分配模型（infinite distributed lag model）。相對的，第二條方程式的落差權重個數有限，假設一定期數前的自變數就不會影響因變數的值；基於這種假設的模型就稱為有限落差分配模型（finite distributed lag model）。 無窮落差分配模型需要估計無數個落差項的權重；顯然只有假設各落差權重之間的關係存在某種結構，才能以有限的假設參數表達無數個落差權重。有限落差分配模型的參數可以直接使用一般最小平方法（ordinary least squares）估計（假設有足夠的資料）；然而估計結果可能會因為各期自變數間的多重共線性而失真，或許還是一樣需要假設各落差權重之間的關係存在某種結構。 落差分配模型的右手側很容易擴充為一個以上的解釋變數。 В эконометрике модель с распределённым лагом — это модель временного ряда, в которой в уравнение регрессии включено как текущее значение объясняющей переменной, так и значения этой переменной в предыдущих периодах. Простейший пример модели с распределённым лагом: . В более общем случае, Здесь можно говорить о краткосрочном воздействии объясняющей переменной на объясняемую, а также о долгосрочномДанная модель, в свою очередь, является частным случаем Модели авторегрессии и распределённого лага. Примеры макроэкономических моделей, в которых важен временной лаг: * Функция потребления * Создание денег в банковской системе * Связь между денежной массой и уровнем цен * Лаг между расходами на НИОКР и производительностью * «Кривая джей» (J-curve) связи между валютным курсом и торговым балансом * Модель акселератора инвестиций Причины существования лагов можно разделить на три группы: * Технологические * Институциональные * Психологические Основную сложность для эмпирической оценки модели с распределённым лагом представляет наличие мультиколлинеарности, так как в экономических данных соседние значения одного и того же ряда данных обычно высоко коррелированы друг с другом. Кроме того, не всегда возможно априори определить, сколько лаговых переменных стоит включать в модель. Существуют даже модели с бесконечным числом лаговых регрессов, коэффициенты при которых бесконечно уменьшаются (например, в геометрической прогрессии). Существует множество специальных технологий для работы с распределенными лагами: так, метод Тинбергена и Альта представляет собой «метод большого пальца» для определения оптимального числа лаговых переменных, не внося дополнительных предпосылок в модель. Модели Койка и Алмон, напротив, вводят предпосылки относительно лаговых коэффициентов, позволяющие упростить их оценку. In statistics and econometrics, a distributed lag model is a model for time series data in which a regression equation is used to predict current values of a dependent variable based on both the current values of an explanatory variable and the lagged (past period) values of this explanatory variable. The starting point for a distributed lag model is an assumed structure of the form or the form where yt is the value at time period t of the dependent variable y, a is the intercept term to be estimated, and wi is called the lag weight (also to be estimated) placed on the value i periods previously of the explanatory variable x. In the first equation, the dependent variable is assumed to be affected by values of the independent variable arbitrarily far in the past, so the number of lag weights is infinite and the model is called an infinite distributed lag model. In the alternative, second, equation, there are only a finite number of lag weights, indicating an assumption that there is a maximum lag beyond which values of the independent variable do not affect the dependent variable; a model based on this assumption is called a finite distributed lag model. In an infinite distributed lag model, an infinite number of lag weights need to be estimated; clearly this can be done only if some structure is assumed for the relation between the various lag weights, with the entire infinitude of them expressible in terms of a finite number of assumed underlying parameters. In a finite distributed lag model, the parameters could be directly estimated by ordinary least squares (assuming the number of data points sufficiently exceeds the number of lag weights); nevertheless, such estimation may give very imprecise results due to extreme multicollinearity among the various lagged values of the independent variable, so again it may be necessary to assume some structure for the relation between the various lag weights. The concept of distributed lag models easily generalizes to the context of more than one right-side explanatory variable.

dbo:wikiPageLength

11605

dbp:wikiPageUsesTemplate

dbt:Reflist dbt:Math