ugugdliin shinjilgeenii 3-n handlaga

Journal of Economic Methodology 2000gyKevin D.Hoover and Stephen J.Perez

Өгөгдлийн шинжилгээний дгурван хандлага

11/13/2008 ОУЭЗ-4 Э.Дуламрагчаа

Энэхүү илтгэлийг бэлтгэхэд туслалцаа үзүүлсэн ангийн үү д у ц ү үүанд Ө.Амар, Б.Эрдэнэбаатар нартаа талархал

илэрхийлье!

ОУЭЗ-4 Э.Дуламрагчаа11/13/2008

Өгөгдлийн шинжилгээний гурван хандлагаӨгөгдлийн шинжилгээний гурван хандлага

Өгүүллийн товч танилцуулгаүү цууӨгөгдлийн шинжилгээ гэж юу вэ?Өөрсдийн буруу дадлыг өөрчлөх ньRobust /үнэлгээний өөрчлөлт/-ийг үлдээх ньҮнэнийг хайж олох ньӨӨгүүллийн төгсгөлд


Товч танилцуулга

Өгөгдлийн шинжилгээ гэдэг нь тэнцвэрийн олонлог болон бусад тэнцвэрийг хангахуйц

эцсийн үр дүнг олох зорилготойгоор статистикийн болон эконометрикийн аргаар

боловсруулах, эсвэл нэгтгэх үйл явц дээр судалгаа хийх явдал юм. Энд гурван

хандлагыг онцолно:

1. Түүврийн тархалтын арга ба epistemic /мэдлэгээ яаж ашиглахаа мэддэг/ баталгаанд

суурилагдаж, анхаарал татахуйц гажилттай өгөгдлийг статистикийн дүгнэлтээруур р у ү р

сайжруулах ёстойг харуулна.

2. “Robust” ойлголтын тухай авч үзсэнээр ямар ч ач холбогдлын түвшинд гарч болох

үр дүн бол тестэлсэн олон янзын альтернатив өгөгдөл зохих түвшингээс хэтрэхүр дүн бол тестэлсэн олон янзын альтернатив өгөгдөл зохих түвшингээс хэтрэх

явдал юм гэдгийг онцолно.

3. Лондонгийн эдийн засгийн сургуулийн ерөнхийгөөс нарийвчилсан руу хайх заах

арга зүйг ашиглаж, өгөгдлийн шинжилгээ нь эдийн засгийн жинхэнэ харилцан

хамаарлуудын ялгааг тайлбарлахын тулд хэрэглэдэг эконометрикийн аргаар

оновчтой хайх үйл явц бөгөөд зөв өгөгдлийн шинжилгээ нь эдийн засгийн


шинжилгээнд чухал байр суурь эзэлдгийг батална.

Товч танилцуулгаТовч танилцуулга

Зарим хүмүүс өгөгдлийн шинжилгээ нь ямар ч хэрэггүй зүйл хэмээн

мэргэжлийн дургүйцлээ нотлохыг хүсдэг бол зарим нь хулгайн хэрэгт хориг

тавих ямар ч шаардлагагүй гэдэг. Нийгмийн хэм хэмжээнүүдтэй адилаар

эконометрикийн хэм хэмжээнүүд ч гэсэн олон нарийн дарамт шахалтуудыгэконометрикийн хэм хэмжээнүүд ч гэсэн олон нарийн дарамт шахалтуудыг

даган мөрдөх хориг, саадуудтай тулгардаг аж. Бүгд тоон өгөгдлийн хулгайг

буруу гэдэгтэй санал нийлдэг ч хүмүүс хулгай хийж, мөн өгөгдлийг хайсаар л

байна. Тиймээс үе дамжсан сургамжлагчид, улс төрийн гүн ухаантнууд болон

нийгэмд санаа тавигч хүмүүс нийгмийн амьдралыг шударга явуулах үүднээс

й й й й йнийгэмд үүссэн хулгайн уг үндсийг судалж, төрөл зүйлээр нь ангилаад үүний

эсрэг хорио цээр тогтоож, хулгайг багасгаж, үгүй болгох хэрэгтэй гэж үзжээ.


Өгөгдлийн шинжилгээ гэж юу вэ?

“Data mining” буюу өгөгдлийн шинжилгээг нийцтэй загварчиллынData mining буюу өгөгдлийн шинжилгээг нийцтэй загварчиллын

хэмжээнүүдээс салангид орших загварын үйл ажиллагаануудын бүлэг гэж

үздэг. Энэ үзэл нь шинжлэх ухааны судалгааны хэм хэмжээнд тулгуурладаг.

Гэвч энэ үе шатанд олонхи эконометрикчдийн хүлээн зөвшөөрдөг эмпирик

загварын цэгцтэй ажил байхгүй байна.

Ойлгомжтой болгохын тулд тест хийх нэгэн жишээ авъя.

Тестийн зорилго нь у-ийг гаргаж авах процесс ба y=[yt] үед, N *1 туршилтын

вектор t=1,2.... N. Үүнд X={Xj}, j=1,2,3,4,5,6, M , хувьсагчдын орчин болохыг

мөрдөнө. Үүнээс Xp=XX , X-ийн олонлогийн хэмжээ болно. Хэрвээ у нь

шугаман процессоос үүсдэг бол хувьсагчуудын бодит олонлогийг Xp -ийншугаман процессоос үүсдэг бол хувьсагчуудын бодит олонлогийг Xp ийн

элемент үүсгэнэ. Үүнийг Xt ∈ Xp-ийн детерминантын олонлог гэж нэрлээд

жинхэнэ тестийн процесс нь:


Yk= Xtk βi+ ωk

Өгөгдлийн шинжилгээ гэж юу вэ?

ωk =[ωtk] үед алдааны гишүүд болон к нь Х-ийн хувьсагчууд болж, тус бүрийн

өөр өөр харьцааг илэрхийлдэг. Одоо Xt ∈ Xp хувьсагчуудын олонлог болж,

эндээс загварыг тодорхойлбол :эндээс загварыг тодорхойлбол :

Yk= Xtk βi+ εi

k,

εk= [εtk] нь ωk- г агуулж байвал хүчин зүйл бүр тэгшитгэлийн үндсэн үйлεk [εt ] нь ω г агуулж байвал хүчин зүйл бүр тэгшитгэлийн үндсэн үйл

ажиллагаанаас гаждаг. Ерөнхийдөө эдийн засагт эдгээр вариацуудын зөвхөн

нэг харьцаа нь л ажиглалтанд өртсөнөөр дан ганц утга бүхий k бий болно.

Регресс санамсаргүй бол олон аналитик дүгнэлтүүд Хi-ийн таамаглалыг

ашиглаж, алдааны гишүүдийн хэв маягийг нэг бус удаа сайжруулдаг.

Энэ тэгшитгэлд ямар нэг алдааны тодорхой үр дүн ί өгөгдсөнөөр загвар

үнэлэгдэнэ.


Өгөгдлийн шинжилгээ гэж юу вэ?д у

Цаашдаа таамаглалуудын өөр өөр хугацаан дахь алдаанууд нь ижил

тархалттай байвал статистик түүврийн тархалт нь тогтмол шинж чанар бүхий

нэг бус удаагийн зөрүүнээс үүснэ.

Энэ бол Монте Карлогийн тохируулгын стандарт алдааны үнэлгээнийЭнэ бол Монте Карлогийн тохируулгын стандарт алдааны үнэлгээний

тодорхой үйлдэмжээс гарч байгаа явдал.

Энэхүү хэсэгт өгөгдөл тестлэх нь Xi∈ Xp хувьсагчдыг хайж, тэнцвэрийн үү д i p у д , ц р

сонголтод хүрэх тухай авч үзлээ.


Өөрсдийн буруу дадлыг өөрчлөх нь

Өгөгдлийн шинжилгээ нь зарим үед буруушаамаар зүйл ихтэй. Яагаад гэвэл д р ү д уруу р ү д

дэлхий бүхэлдээ санамсаргүй корреляциар дүүрэн байдаг хэдий ч хүмүүс

ертөнц дэлхий дээрх бодит үнэний талаарх өгөгдлөөс илүү, юу олохыг хүсч

байна түүнийхээ талаарх тестийг л хийдэг. Үүнийг шийдэх нэг арга нь дур

зоргоороо хайхыг хориглох явдал.

Э Э йЭконометрикст гипотез судалгааг ашигладаг. Энд зөвхөн тодорхой

тайлбарлагдсан загвар л үнэлэгдэх ёстой. Хэрвээ тэрхүү гипотез алдагдвал

ажил тэр чигээрээ бүтэлгүйтнэ. Мөн эдийн засагчид илүү тодорхой тест хийх р р ү ү д д үү д р

шаардлагагүй болно. Тиймээс тест маш үр дүнтэй хэрэгцээтэй байх

шаардлагатай. Үүнийг тайлбарлахын тулд “test statistic”-ийн тухай ойлголтыг

авч үзэх хэрэгтэй болдог. Хамгийн оновчтой судалгаа шинжилгээ хийхэд

ашиглагддаг өгөгдлийн тест тийм ч үл хамаарах шинжтэй байж чаддаггүй

учир бүх процессийг давж гарсан “test statistic” нь илүү ач холбогдолтой


учир бүх процессийг давж гарсан test statistic нь илүү ач холбогдолтой

болдог байна .


“Хамгийн нийцтэй нь давж гарна” гэсэн ойлголтыг “Дарвины” /Darwinian/ гэж

нэрлэдэг. “Darwinian test statistic”-ийн кретик утга нь маш дээгүүр байх ёстой

болдог.

Хамгийн хэцүү зүйл нь статистикийн хувьд тохиромжтой хэмжээг тодорхойлох,

харин хандлагын сонирхолтой нь гэвэл статистик руу хувиргах үйл явц. Энд

статистик нь:статистик нь:

- “epistemic” баталгааны хэмжүүр

- тухайн тохиолдлын хамгийн оновчтой үнэлгээний үнэнд итгэх хэмжүүртухайн тохиолдлын хамгийн оновчтой үнэлгээний үнэнд итгэх хэмжүүр

- тухайн тохиолдлын оновчтой үнэлгээний үнэнд хамгийн их ойртох хэмжүүр гэж

үздэг.

Бүх тест бодит таамаглалыг илэрхийлдэггүй ч хэрвээ “test statistic” нь “epistemic”

баталгааны хэмжигдэхүүнүүдээр тодорхойлогдвол стандарт статистик нь тестэд


тохирохгүй болно.


1983 онд Michael Lovell “test statistic” дахь энэхүү “epistemic” хандлагын загварыг бий

болгосон. Тэрээр өөрийнхөө үзэл бодлыг харуулах жишээнүүдийнхээ тоон өгөгдлийг

олж, эхний жишээндээ Х харилцан “orthogonal” байдаг элементүүд бүхий тэгшитгэлийнолж, эхний жишээндээ Х харилцан orthogonal байдаг элементүүд бүхий тэгшитгэлийн

регрессийг авч үзжээ.

Судалгааны үр дүнд гарах кретик утгуудыг засах томъёоллыг гаргав. Үүнийхээ үр дүнд

тоон өгөгдөл харилцан “orthogonal” биш байгааг дүрслэн үзүүлж чадсан юм. Тэрээр

судалгаандаа хамгийн түгээмэл төрөл болох бодит макро эдийн засгийн 20 тоон

өгөгдөл бүхий олонлогийг ашигласан байна. Хамаарах хувьсагчдыг бий болгохын тулд

чухал хувьсагчдыг дахин ашиглаж, өөр тестийн алгоритмыг амжилттай үнэлсэн.

Тус тусад нь Xg ∈ X хувьсагчийн коэффицентийг мөрдлөгөө болгосон ч эдгээр нь

й й б й б й йстатистикийн хувьд тохирсон түвшиндээ тийм ч их ач холбогдолтой байж чадаагүй.



Тэр нэг ба хоёр гэсэн алдааны төрлийг туршилтаар бий болгосон. Түүний хамгийн эхний

симуляцид гажуудлын хэмжээг тодорхойлохыг хичээсэн ч кретик утга нь маш их

төөрөгдөлд оруулжээ.

Ийнхүү зорилтот кретик утга нь “epistemic” баталгааны хэмжигдэхүүнээр “test statistic”-ийг

шууд бусаар тайлбарлаж байгаа Lovell-ийн симуляци болов. Lovell-ийн туршилтын

б й б бэсрэг нөхцөлд ωk нь үнэн өгөгдөл бий болгох процесст алдааны гишүүн болж

засагддаг ч εIk тархалтыг шинэ xi–ийн хувьсагч бүртэй тестийн процесст нарийвчлагдан

хадгалах бүрт үнэлэгдсэн зөрүүг тайлбарладаг.

Оновчтой тестийн процедурын хувьд бодит утгууд илүү нарийвчлагдсан байдаг учраас “t-

statistic” тайлбарлахад хүндрэл гардаг. Тухайн тохиолдлын сонголт нь xр–ийн

нарийвчилсан элементүүдийн хувьд үүний процедурыг заавал бий болгож байх ёстой.нарийвчилсан элементүүдийн хувьд үүний процедурыг заавал бий болгож байх ёстой.

Ихэнх эдийн засагчдын үнэлгээ боломжийн байдаг ч тухайн тохиолдлынхоо хувьд

хамгийн оновчтой тестийг мэддэггүй.


Robust /үнэлгээний өөрчлөлт/ -ийг үлдээх нь

Edward Leamer нь (1978) “судалгааг давтах замаар коэффициентын үр( ) уд д р фф ц үр

дүнгүүдийн ялгаатай үнэлгээг бий болгодог судлаачид”-ын чадварыг

хөгжүүлэх үүднээс өгөгдлийн шинжилгээнд бүрэн дүүрэн туршилтын

судалгааг санал болгосон. Leamer бол Bayesian.

Bayesian-ий эконометрик нь техникийн асуудлуудыг харуулахдаа Leamer-

й й “ й й ”ийнхтэй адилаар “аливаа зүйлийг практикт үндэслэж, хэрэгжүүлэх нь зөв” гэж

үздэг олон хүмүүсийн үзэл санааг үргэлжлүүлсэн юм. Харин Leamer Bayesian-

ийн статистикуудад итгэж болох туршилтын асуудлын санааг “захын цэгийнууд д ур ууд ц

шинжилгээ“ гэдэг.

Leamer(1983) болон Leonald (1983) эконометрикийн дүгнэлтүүд хамгийн

оновчтой байдаг боловч бидний итгэлийг бататгах хангалттай мэдээллийг

агуулдаггүй гэдэг дээр маргадаг байв.


Robust /үнэлгээний өөрчлөлт/ -ийг үлдээх нь

Өгөгдлүүдийг үнэлэхэд тухайн үнэлгээнд магадлах теорем болдог чөлөөт

хувьсах хэмжигдэхүүнүүд заавал багтах ёстой. Мөн шууд хамааралтай олон

тооны чөлөөт хувьсах хэмжигдэхүүний олонлог болох зорилтот хувьсах

йхэмжигдэхүүн, чухал хэмээгддэг тооцоолох теорем, сэжигтэй хувьсагчид

орно. Leamer барагцаагаар хамгийн оновчтойг нь сонгож, зорилтот хувьсах

хэмжигдэхүүний нөлөөн дэх захын цэгүүдийн үр дүнг төгсгөлийн цэгүүдээр д үү д ц үүд үр дү ц үүд р

(± 2 standard deviations) тодорхойлсон нь тухайн тохиолдлын хамгийн

оновчтой коэффициентоор товлогддог. Хэрвээ захын цэгүүд нь хоорондоо

ойрхон бол үүсч буй асуудлын өгөгдлийн импортод зарим нэг зохицуулалт

хийх шаардлагатай, захын цэгүүд хол бол ач холбогдол нь сайн үр дүнд

хүрэхгүй Харин захын цэгүүд тэг дээр төвлөрсөн бол нөлөөллийн чигийгхүрэхгүй. Харин захын цэгүүд тэг дээр төвлөрсөн бол нөлөөллийн чигийг

тодорхойлох боломжгүй болно. Ийм төрлийн хувьсах хэмжигдэхүүн нь

хамгийн оновчтой robust байж чадахгүйд тооцогддог.


Robust /үнэлгээний өөрчлөлт/-ийг үлдээх нь

Хэдий ийм боловч захын цэгүүд болон Bayesian-н бодлогын хоорондох

харьцаа нь нэгээс нэгд гэсэн зарчмаар явагдах бөгөөд үүний гол санаа гэвэл

robustness хамгийн оновчтой альтернатив хэлбэрээр, Bayesian бус байдлаар ч

гэсэн өгөгдлийг тестлэх хандлагыг илэрхийлж байдагт оршино.

Thomas Mayer(1993, 2000)-ын нотолгоо нь судлаачдын ажилласан хамгийн

сүүлийн үеийн илүү нийцтэй хамгийн оновчтой robustness ойлголтооссүүлийн үеийн, илүү нийцтэй, хамгийн оновчтой, robustness ойлголтоос

гаралтай бүхий л үнэлгээ нь олон нийтэд илтгэгдэх ёстой гэдэг. Mayer баримт

нь хаагдаж далдлагдах биш, харин ядаж дүгнэлт хэлбэрээр ч болов илэрч

илтгэгдэх ёстой гэж үздэг.

Эндээс robustness ойлголт нь хялбар жишээн дээрээс ч харагдаж болох юм.

A, B болон C-г “orthogonal” хувьсах хэмжигдэхүүнүүд гэж үзье. Энэ гурвыг

шулуун нэгдэл гээд мөн дөрөв дэх хувьсах хэмжигдэхүүн болох D-г дурын

й ё


алдаат нөхцөл гэж тодорхойлъё.


C-гийн коэффициент нь өөрийн вариацуудтай ялгаагүй орших A болон B-ын

коэффициентуудаас бага байг. C-гийн вариац нь алдаат нөхцөлийн вариацаас

бага байх C дээрхи коэффициент нь бага хэвшмэл байдлаар тооцоологдсон t-бага байх. C дээрхи коэффициент нь бага хэвшмэл байдлаар тооцоологдсон t-

статистик болж, өндөр стандарт алдаатай болно. C-г үнэн хамгийн

оновчтойгоор таамаглагдсан үед ач холбогдолын түвшин (5 хувь) гэж үзье. C

нь захын цэгийн шинжилгээ дор хэрхэх бол? A эсвэл B-г, эсвэл хоёуланг

хасах нь стандарт алдаануудыг бодитоор өсгөдөг ба 2 дахин нэмэх эсвэл хасах

б ффстандарт хэлбэлзэлтэй C дээрхи коэффициентийн магадласан цэг нь тэг рүү

хамаарна. Эндээс C нь өөрчлөлтийн хувьсах хэмжигдэхүүн биш бөгөөд

хуучин гипотез нь D-ийн зөв тодорхойлогч байсан ч “consensus”-д хүрэх уу о ез зө одор о ло ба са co se sus д үрэ

боломжгүй гэж дүгнэж болно.



Н й йНэг хариу гэвэл, магадгүй заримдаа өгөгдлүүд нь хангалтгүй ялгагдсан

байх санамсаргүй факт байж болно. Тиймээс хэрвээ бодит үнэнийг

тодорхойлох хэрэгтэй болбол “epistemic” баталгааг гаргана Гэвч “robustness”тодорхойлох хэрэгтэй болбол epistemic баталгааг гаргана. Гэвч robustness

шинжлэх нь “epistemic” баталгааны ажил биш юм.

Leamer-ийн эконометрик бол өгөгдлийг онцгойлж тодорхойлох тухай боловч

өгөдлийг бий болгогч бодит процессыг олж нээх явдал биш. Өгөгдлүүдийн

хоорондох хамаарлууд нь өөрийн тодорхойлогдсон бодит агуулгыг

илэрхийлсэн тохиолдолд л сонирхол татахуйц байдаг.

Шинэ мэдээллээр өмнөхөө бататгах Bayesian-ын санааг авч үзвэл хуучин

болон шинэ мэдээллүүд нь энгийн байдлаар хоорондоо хамаарч байдгийгболон шинэ мэдээллүүд нь энгийн байдлаар хоорондоо хамаарч байдгийг

урьдчилан гаргасан байна.


Үнэнийг хайж олох нь

Өгөгдөл хайж олох гурав дахь хандлага бол үнэн өгөгдөл бий болгох процесс байдаг.

Сайн оновчтой судалгааны арга зүй нь олон олон өгөгдөл дээр судалгаа үргэлжлэх

явцад нарийн тодорхойлогдоно. Анхаарах зүйл гэвэл тухайн өгөгдлийн шинжилгээний ц д р д р д р ү у д

арга нь сайн эсэхэд л байгаа юм.

Энэхүү өгөгдлийн шинжилгээний хандлагад LSE /London school of Economic/ -ийн арга

зүй хамгийн энгийн. Энэхүү LSE-ийн арга зүй ерөнхийгөөс нарийвчилсан хэлбэртэй

байдаг.

Энэ нь зөгнөн хандсан санаанд тулгуурладаг. Ерөнхийдөө хамгийн төвөгтэй загвар л

эдийн засгийн ертөнцийг тайлбарлаж чадна. Өөр нэгэн загвар нь тэдгээр төвөгтэй

загваруудад нэмэлт сайжруулалт болдог. LSE-ийн тогтолцоон дахь загварын үр дүн нь

нийтлэг загварын үндэслэлтэй “parsimonious” хязгаарлалт бүхий загваруудыг хайхаднийтлэг загварын үндэслэлтэй parsimonious хязгаарлалт бүхий загваруудыг хайхад

оршино.



Ерөнхийгөөс нарийвчилсан загварын хандлага нь маш олон зүйлийг өөртөө

агуулдаг теоремтой хамааралтай. Хэрвээ нэг загвар нь өөр нэг загварын

б й б йдамжуулах бүх л мэдээллийг дамжуулж чадаж байвал нэг загвар нөгөөгөө

өөртөө агуулж байна гэж хэлж болно. Өөртөө агуулах загварын шатлал нь

ерөнхийгөөс нарийвчилсан загварын дадлага хийх явцад өөрөө бүрэлддэг. р р р д д ц д р үр дд

Загвар нь LSE хандлага дээр дараах тохиолдлуудад туршилтын бодлогыг

агуулна. Үүнд:

Загварт тогтвортой түвшинд байх өгөгдөл нь хэмжих системтэй нийцсэн байна.

Тухайн өгөгдөл нь магадлалын онол дахь стохастик процесс болон “white noise”

алдаанууд агуулсан өгөгдөлтэй уялдаа холбоо бүхий байнаалдаанууд агуулсан өгөгдөлтэй уялдаа холбоо бүхий байна.

Мөн тогтвортой байдалд орших өгөгдлүүд хоорондоо нийцсэн байдал тус тус

болно.



Е й й й б й йЕрөнхийгөөс нарийвчилсан хандлагын нэг үгүйсгэл бол хэдийгээр ерөнхий

загварт судлаачид өөр арга замаар судалгаа хийдэг боловч эцсийн үр дүн нь

автоматаар өөртөө агуулах хамаарал бий болгодоггүйавтоматаар өөртөө агуулах хамаарал бий болгодоггүй.

Хоёр дахь үгүйсгэл нь хувьсах хэмжигдэхүүнүүд харилцан хамааралтай

байдаг. Учир нь тэдний хооронд бодит хамаарал оршдог, эсвэл богинор р р р ,

жишээтэй үед тэдгээр нь санамсаргүй байдлаар харилцан хамааралтай байдаг.

Энэ нь Hess et.al (1988)-ийн үгүйсгэл бөгөөд Baba et.al (1992)-ын ерөнхийгөөс

нарийвчилсан тест нь хэт зохицсон загварыг сонгодог.

Тестийн алгоритм нь жижиг жишээнд олон тохиолдох санамсаргүй

й й Эхамааралтай үед хувьсах хэмжигдэхүүнүүдийг үлдээдэг. Эдгээр

хэмжигдэхүүнүүд нь зөвхөн “priori” теоремтой хэмжүүрийн үед хасагдах

боломжтой.



“Darwinian test statistic”-ийн санаа Lovell-нхтой адил, учир нь тухайн

тохиолдолд хамгийн зөв, сайн тайлбарлагдаж чадах “test statistic”-ууд

нь үнэлэгдэж харьцуулагддаг гэж үздэг. Гэхдээ бүгд зөв байх албагүй.

Ерөнхийгөөс нарийвчилсан хандлага нь ийм үр дүнд шугаман

хамааралтай байдаг. Харин энэ төрлийн судалгаа нь тухайн

тохиолдлын хамгийн оновчтой байдал болон өгөгдлүүдийн

Т й “t t t ti ti ”хоорондын хамааралд анхаарлаа төвлөрүүлдэг. Тиймээс “test statistic”-

ийг “epistemic” баталгааны хэмжүүр гэхээсээ илүү түүврийн

тархалтын нотолгоо гэж тайлбарладагтархалтын нотолгоо гэж тайлбарладаг.



Хамгийн оновчтой байдал нь судлаачийн тухай, эсвэл судалгааны

түүхийн тухай байхаас илүүтэйгээр мэдээллийн чанартай байвал бүхтүүхийн тухай байхаас илүүтэйгээр мэдээллийн чанартай байвал бүх

өгөгдөл тус тусдаа үнэлэгдэн дүгнэгдэх ёстой.

Нэг нь ч гажуудлын индекс хэлбэрээр урьдчилан таамаглагдажНэг нь ч гажуудлын индекс хэлбэрээр урьдчилан таамаглагдаж

хэрэглэгдэх ёсгүй. “White” теоремоор тухайн тохиолдолд хангалттай

үнэн өгөгдөл бий болох нь зөвхөн тестийн олонлогийг арай ядан давж ү р

гарахад хангалттай байж чадна. Ерөнхийгөөс нарийвчилсан арга зүй

нь үнэнд хамаарах тесттэй төсөөтэй хэлбэрээр явагддаг.



Hoover Perez (1999) нар Lovell ийн Monte Carlo ын механикжсан судалгааныHoover, Perez (1999) нар Lovell-ийн Monte Carlo-ын механикжсан судалгааны

алгоритмын симуляцийг ерөнхийгөөс нарийвчилсан арга зүйг ашиглан

үнэлсэн. Lovell-ын дүгнэлтээр түүний шалгасан 3 энгийн алгоритм нь үнэн ү дү р үү р ү

өгөгдөл бий болгох процессийг хангахааргүй бүгд тааруу үзүүлэлттэй байв.

Мөн алгоритмын хэмжээ болон дүгнэлт нь түүврийн тархалт дээр

тулгуурласан үр дүнгээс тааруу бөгөөд бага зэрэг ялгаатай байжээ. Өгөгдлийг

шинжлэх болон ижил өгөгдөл бий болгох процессыг хэрхэн хэрэглэх нь

Lovell ийн жил бүр өгөгдлүүд дээр туршиж байсан алгоритмын үр дүнгээсLovell-ийн жил бүр өгөгдлүүд дээр туршиж байсан алгоритмын үр дүнгээс

харагдах болно.Дараа нь судалгаагаа ерөнхийгөөс нарийвчилсан судалгааны

процедур уруу тэлж болно. Энд ижилхэн хувьсах хэмжигдэхүүн ашигладаг ч

дөрөвний нэг давтамжаар буюу улирлын зарчмыг хэрэглэдэг ба үүнийг

standart test-д стационари болтол нь бүх цуваануудыг ялгаварладаг.



LSE сургуулийн эконометрикийн ерөнхийгөөс нарийвчилсан арга зүй нь

Lovell-ийн хамаарах хувьсагчдын төлөв байдал, эсвэл бусад алгоритм шиг р у , у р

механик биш юм. Ийм боловч Lovell ерөнхийгөөс нарийвчилсан хандлагын

хамгийн оновчтой зарим гол хуулбарлагч механик алгоритмуудыг хөгжүүлэн

дэвшүүлсэн. Тиймээс Lovell-ийн өгөгдлийн олонлогийн бүх хувьсах

хэмжигдэхүүн нь ерөнхий загварын хамт үнэлэгч хэлбэрээр тодорхойлогдоно.

Энэхүү үнэлэгч нь нийцтэйгээр тестлэгддэг Хэрвээ энэ шалгуурыг давбалЭнэхүү үнэлэгч нь нийцтэйгээр тестлэгддэг. Хэрвээ энэ шалгуурыг давбал

хялбарчилгаа эхэлнэ. Сул “test statistic”-тай үнэлэгч нь цуваанаас устгагддаг.

Үнэлэгч устгагдахад шинэ үнэлгээ бий болж, ерөнхий загвараа өөртөө хэр

сайн агуулж чадаж байна вэ гэдгийг шалгадаг.



Хэрвээ шалгагдахгүй, эсвэл аль нэг нийцтэй тестийг давж чадахгүй

тохиолдолд үнэлэгч ахин байршиж, өмнөх үнэлэгчийн сул “test statistic”-тай

хувьсах хэмжигдэхүүн оронд нь хасагддаг. Харин шалгаад давж чадвал

одоогийн байгаа үнэлэгч дэх сул, ач холбогдолгүй “test statistic”-ийн хувьсах

хэмжигдэхүүн хасагдаж шалгах процесс дахин давтагдана Хасах үйлхэмжигдэхүүн хасагдаж, шалгах процесс дахин давтагдана. Хасах үйл

ажиллагааны хүрээнд бүх үлдсэн хувьсах хэмжигдэхүүний ач холбогдлыг

шалган нэг ч хувьсах хэмжигдэхүүн шалгуулахгүй хасагдаж болохгүй. Эсвэл

нэг ч хувьсах хэмжигдэхүүн ерөнхий загварыг өөртөө агуулах шалгалтыг

өнгөрүүлэн хасагдаж болохгүй. Ийнхүү хамгийн боломжит арван өгөгдөл

тодорхойлогдоход эдгээр арваас бусдыгаа өөртөө хамгийн сайн агуулж чадаж

байгаа нь эцсийн загвараар сонгогддог.



Lovell ба оновчтой өгөгдөл хайх эхний үзэгдлийн дэмжигчид олон нийтэд

илтгэхийг хүссэн боловч коэффициентийн стандарт алдаануудыг сайжруулах,

үнэлэгчүүдийн хэрэглээг нэмэх шаардлагатай болсон. Leamer болон өгөгдөл

хайх хоёр дахь үзэгдлийн дэмжигчид бүх л үнэлэгчүүдэд анхаарал

хандуулахыг зөвлөсөн ба судалгааны явцад сүүлийн үр дүн нь чухал бишхандуулахыг зөвлөсөн ба судалгааны явцад сүүлийн үр дүн нь чухал биш,

зөвхөн коэффициентийн тархалт чухал ач холбогдолтойгоор өөрчлөгддөг

хувьсах хэмжигдэхүүнүүдийг сонгохыг хүссэн. Ерөнхийгөөс нарийвчилсан

хандлага нь үнэнд хамгийн сайн ойртуулдгийг илтгэхийн тулд эцсийн

тодорхойлолтыг ашигладаг. Энэхүү алгоритмын амжилтыг шалгахын тулд

Lovell-ийн хэрэглэж байсан загвартай төстэй, шинэчлэгдсэн улирлын

чанартай өгөгдлүүдэд симуляци хийх хэрэгтэй.



Lovell-ийн алгоритмыг эсрэг өнцгөөс харахад ерөнхийгөөс нарийвчилсан арга

зүйг үнэн өгөгдөл боловсруулах процесс гэдгийг олох болно. Гэхдээ энэ нь ү ү д руу р ц д д

үргэлж амжилттай байж чадахгүй. Хамгийн их алдаа гарах тохиолдол нь сул

нөлөөтэй “noise ratio”-аас хамааралтай байдаг. Энэ нь мөн өгөгдөлд

хангалттай бус мэдээлэлтэй үед, үнэн загварыг олох шаардлагатай болоход

зарим үед ямар ч арга барил найдлагагүй байдгийг харуулдаг. Үйл ажиллагаа

хийгдэж буй прогресс нь “non stationary” /стационар бус/ ба болон “crossхийгдэж буй прогресс нь non-stationary /стационар бус/ ба болон cross-

section” өгөдлийн үнэлгээг өргөтгөж өгдөг.


Өгүүллийн эцэст

Эконометрикс нь эдийн засгийн талаар судлах нэгэн арга хэрэгсэл юм. Эдийн

засгийн бодит байдлын таамаглалуудыг ялгаж салгаж сурахын тулд баримт

нотолгоонуудыг батлах нь гол биш, харин тэдгээрийн үнэн зөв байдлыг

илэрхийлдэг тоон өгөгдлийн бодит байдал ба онцлог шинж чанарыг

эконометрикс статистикийн тооцооллуудын аргаар боловсруулах арга замыгэконометрикс, статистикийн тооцооллуудын аргаар боловсруулах арга замыг

олох хэрэгтэй болдог. Эдийн засаг үнэнийг агуулж байдаг хэдий ч үүнийг

ялгаатай эконометрикийн арга хэрэгслүүдээр үнэлэхэд өөр өөр үр дүн

илэрхийлэгдэхийг харах болно. Бидний гол асуудал нь судалгаа шинжилгээг

ихэсгэж, “epistemic” баталгааг багасгах хэрэгтэй гэдэг дээр маргацгааж байна.


Өгүүллийн эцэст

Сэтгэлгээний сургууль нь алс хол орших галаксын нарийвчилсан зургийг авах

хэцүү байдаг гэж үздэг учраас үүнийг шууд няцаахад бэлэн байдаг. Үүгээр

астрономичоос илүү астрономын объект нь сонирхол татахуйц болохыгастрономичоос илүү астрономын объект нь сонирхол татахуйц болохыг

харуулж байна. Ерөнхийдөө объектыг судлахад хүнд байдаг ч эцэст нь маш

өндөр судалгааны үр дүнг харах болно.

Маш олон шинжлэх ухааны үр дүн нарийн үнэлэгдсэн байдаг ч тэдгээрийг хайж

олоход хүндрэлтэй юм. Ерөнхийгөөс нарийвчилсан руу хайх арга зүй гэх мэт

тодорхой зохицуулагдсан судалгааны зорилго нь экономикст

эконометриксийг хэрэглэхийг оролдож байна. Энэ нь баримтад тулгуурлаж,

үнэнийг илрүүлэхийг зорьдгоороо бидний хувьд илүү үр дүнтэй байж чаднаүнэнийг илрүүлэхийг зорьдгоороо бидний хувьд илүү үр дүнтэй байж чадна.


А бАнхаарал тавьсан та бүхэнд баярлалаа.р


ugugdliin shinjilgeenii 3-n handlaga

Documents