分布滞后模型与阿尔蒙多项式

分布滞后模型的公式

1. 分布滞后模型的原理

分布滞后模型（Distributed Lag Model, DLM）是用于分析自变量的当前值及其滞后值对因变量影响的模型。在经济学中，许多现象具有滞后效应，某些影响可能在自变量变化后的若干时期才逐步显现出来。通过分布滞后模型，可以探究不同滞后期的自变量对因变量的影响大小。

基本的分布滞后模型可以表示为：

$$Y_t= \alpha + \sum_{i=0}^{p} \beta_i X_{t-i} + \epsilon_t$$

即：

$$Y_t= \alpha + \beta_0 X_{t} + \beta_1 X_{t-1} + \beta_2 X_{t-2} +...+ \beta_i X_{t-i} +...+ \beta_p X_{t-p}+ \epsilon_t$$

其中：

• $Y_t$是因变量在时刻$t$的值；
• $X_{t-i}$ 是自变量在时刻$t-i$ 的值；
• $\beta_i$是自变量在滞后期 $i$对因变量的影响系数；
• $\epsilon_t$是误差项；
• $p$ 是自变量滞后期的最大值。

2. 阿尔蒙法的原理

阿尔蒙法（Almon’s Method）是分布滞后模型中估计滞后系数的一种方法。阿尔蒙法的基本思想是用一个多项式函数来逼近自变量滞后效应的分布，而不是为每个滞后期分别估计一个系数。这样，阿尔蒙法可以减少滞后期数，简化模型估计。

阿尔蒙法的基本假设是：滞后系数可以通过一个多项式来表示，通常使用线性或二次多项式形式。

3. 阿尔蒙法的公式

假设滞后系数 $\beta_i$是滞后期$i$ 的函数，可以用一个多项式表示为：

$$βi= \gamma_0 + \gamma_1 i + \gamma_2 i^2 + \cdots + \gamma_m i^m$$

其中：

• $\gamma_0, \gamma_1, \gamma_2, \dots, \gamma_m$是多项式的参数（系数）。
• $i$是滞后期（例如，1, 2, 3,…）。
• $m$是多项式参数，一般取值为2，3或4。

这样，我们就可以将分布滞后模型改写为：

$$Y_t= \alpha + \sum_{i=0}^{p} (\gamma_0 + \gamma_1 i + \gamma_2 i^2 + \cdots + \gamma_m i^m) X_{t-i} + \epsilon_t$$

由于：

$$\begin{cases} β0= \gamma_0 \\ β1= \gamma_0 + \gamma_1 + \gamma_2 + \cdots + \gamma_m \\ β2= \gamma_0 + 2\gamma_1 + 4\gamma_2 + \cdots +2^m\gamma_m \\ β3= \gamma_0 + 3\gamma_1 + 9\gamma_2 + \cdots + 3^m\gamma_m \\ \cdots \\ \end{cases}$$

代入：

$$Y_t = \alpha + \gamma_0 X_{t} \\ + (\gamma_0 + \gamma_1 + \gamma_2 + \cdots + \gamma_m) X_{t-1} \\ + ( \gamma_0 + 2\gamma_1 + 4\gamma_2 + \cdots +2^m\gamma_m) X_{t-2} + ...\\ + (\gamma_0 + \gamma_1 i + \gamma_2 i^2 + \cdots + \gamma_m i^m) X_{t-i} + ... \\ + (\gamma_0 + \gamma_1 p + \gamma_2 p^2 + \cdots + \gamma_m p^m) X_{t-p} \epsilon_t$$

4. 阿尔蒙法的步骤

1. 设定多项式的阶数：选择滞后系数的多项式阶数 m，例如，选择二次多项式（m=2）来描述滞后效应的变化。
2. 构建滞后系数的多项式：将滞后系数 $\beta_i$写成多项式的形式，如上所示。
3. 回归分析：使用最小二乘法（OLS）对模型进行估计，得到多项式系数$\gamma_0, \gamma_1, \dots, \gamma_m$。
4. 计算滞后效应：根据估计的多项式系数，计算滞后期对应的滞后效应。

5. 阿尔蒙法的优点与局限

优点：

• 简化模型：通过用多项式近似滞后效应，避免了为每个滞后期单独估计系数，从而减少了模型的复杂性。
• 灵活性：阿尔蒙法通过选择不同阶数的多项式，可以灵活地描述滞后效应的变化。

局限：

• 依赖形式假设：阿尔蒙法假设滞后效应是一个多项式函数，这意味着如果实际滞后效应的形式与假设不符，可能会导致估计不准确。
• 阶数选择问题：多项式的阶数需要根据数据特征选择，选择不当可能导致过拟合或欠拟合。

6. 举例

假设我们有以下分布滞后模型，其中自变量 X的滞后效应被假设为一个二次多项式：

$$Yt= \alpha + \sum_{i=0}^{p} (\gamma_0 + \gamma_1 i + \gamma_2 i^2) X_{t-i} + \epsilon_t$$

这个模型中的滞后系数 $\beta_i$被表示为：

$$\beta_i = \gamma_0 + \gamma_1 i + \gamma_2 i^2$$

通过最小二乘法估计出 $\gamma_0, \gamma_1, \gamma_2$，我们就可以计算不同滞后期（如$i = 0, 1, 2, \dots$）的系数，进而分析滞后效应的变化。

7. 结论

阿尔蒙法为处理具有滞后效应的回归模型提供了一种简化的估计方式。通过假设滞后系数为多项式形式，它在避免高维参数估计的同时，仍能保留一定的灵活性，适用于分析复杂的动态关系。然而，这种方法也需要谨慎使用，特别是在选择多项式阶数和滞后效应的形式假设上。