Сравнивайте с английским: нажмите на абзац — оригинал откроется в окне. Кнопка EN под абзацем показывает его прямо в тексте.
Введение
В статистике, и особенно в эконометрике, сокращенная форма системы уравнений – это результат решения системы относительно эндогенных переменных. Это выражает их как функции экзогенных переменных, если таковые имеются. В эконометрике уравнения модели структурной формы оцениваются в их теоретически заданной форме, тогда как альтернативный подход к оценке заключается в предварительном решении теоретических уравнений относительно эндогенных переменных для получения уравнений сокращенной формы, а затем в оценке этих уравнений сокращенной формы. Пусть Y – вектор переменных, которые необходимо объяснить (эндогенных переменных) с помощью статистической модели, а X – вектор объясняющих (экзогенных) переменных. Кроме того, пусть ε – вектор случайных ошибок. Тогда общее выражение для структурной формы имеет вид Y = f(X, ε), где f – функция, возможно, отображающая векторы в векторы в случае многоуравневой модели. Сокращенная форма этой модели задается как Y = g(X), где g – функция.
In statistics, and particularly in econometrics, the reduced form of a system of equations is the result of solving the system for the endogenous variables. This gives the latter as functions of the exogenous variables, if any. In econometrics, the equations of a structural form model are estimated in their theoretically given form, while an alternative approach to estimation is to first solve the theoretical equations for the endogenous variables to obtain reduced form equations, and then to estimate the reduced form equations. Let Y be the vector of the variables to be explained (endogeneous variables) by a statistical model and X be the vector of explanatory (exogeneous) variables. In addition let be a vector of error terms. Then the general expression of a structural form is , where f is a function, possibly from vectors to vectors in the case of a multiple equation model. The reduced form of this model is given by , with g a function.
Общий линейный случай
Пусть y — вектор-столбец из M эндогенных переменных. В рассмотренном выше случае с Q и P, мы имели M = 2. Пусть z — вектор-столбец из K экзогенных переменных; в вышеуказанном случае z состоял только из Z. Структурная линейная модель имеет вид:
Let y be a column vector of M endogenous variables. In the case above with Q and P, we had M = 2. Let z be a column vector of K exogenous variables; in the case above z consisted only of Z. The structural linear model is
где — вектор структурных возмущений, а A и B — матрицы; A — квадратная матрица M × M, а B — M × K. Приведенная форма системы:
where is a vector of structural shocks, and A and B are matrices; A is a square M × M matrix, while B is M × K. The reduced form of the system is:
с вектором ошибок приведенной формы, каждый из которых зависит от всех структурных возмущений, где матрица A должна быть невырожденной для существования и единственности приведенной формы. Снова, каждая эндогенная переменная зависит от потенциально каждой экзогенной переменной. Без ограничений на A и B коэффициенты A и B не могут быть идентифицированы по данным о y и z: каждая строка структурной модели представляет собой просто линейную зависимость между y и z с неизвестными коэффициентами. (Это снова проблема идентификации параметров.) Уравнения приведенной формы M (строки матричного уравнения y = Π z выше) могут быть идентифицированы по данным, поскольку каждое из них содержит только одну эндогенную переменную.
with vector of reduced form errors that each depends on all structural errors, where the matrix A must be nonsingular for the reduced form to exist and be unique. Again, each endogenous variable depends on potentially each exogenous variable. Without restrictions on the A and B, the coefficients of A and B cannot be identified from data on y and z: each row of the structural model is just a linear relation between y and z with unknown coefficients. (This is again the parameter identification problem.) The M reduced form equations (the rows of the matrix equation y = Π z above) can be identified from the data because each of them contains only one endogenous variable.