Роль эконометрического моделирования в изуч-ии социально-экономич-х процессов

Необходимость использования метода моделирования определяется тем, что многие объекты (или проблемы, относящиеся к этим объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств. Процесс моделирования включает три элемента:

1) субъект (исследователь);

2) объект исследования;

3) модель, опосредствующая отношения познающего субъекта и познаваемого объекта.

Любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько специализированных моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.

Моделирование — циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта и ошибками в построении модели, можно исправить в последующих циклах. В методологии моделирования, таким образом, заложены большие возможности саморазвития.

Эконометрика существенно усовершенствовала построение моделей множественной регрессии , методы отделения существенных переменных от несущественных, определения достаточного количества переменных, выявления зависимости (интерколлинеарности ) переменных. Особенности экономических переменных и связей между ними привели к включению в уравнение регрессии переменных не только в первой, но и во второй степени и вообще более сильных нелинейностей, приводя тем самым к учету существенно нелинейных связей. Наконец, взаимодействие социально-экономических переменных может рассматриваться как самостоятельная компонента в уравнении регрессии.

Проникновение математики в экономическую науку связано с преодолением значительных трудностей. В этом отчасти была повинна математика, развивающаяся на протяжении нескольких веков в основном в связи с потребностями физики и техники. Но главные причины лежат все же в природе экономических процессов, в специфике экономической науки. Большинство объектов, изучаемых экономической наукой, может быть охарактеризовано кибернетическим понятием «сложная система» . Наиболее распространено понимание системы как совокупности элементов, находящихся во взаимодействии и образующих некоторую целостность, единство.

Важным качеством любой системы является эмерджентность — наличие таких свойств, которые не присущи ни одному из элементов, входящих в систему. Поэтому при изучении систем недостаточно пользоваться методом их расчленения на элементы с последующим изучением этих элементов в отдельности. Одна из трудностей экономических исследований в том, что почти не существует экономических объектов, которые можно было бы рассматривать как отдельные (внесистемные) элементы. Сложность системы определяется количеством входящих в нее элементов, связями между ними, а также взаимоотношениями между системой и средой.

Многочисленные модели множественной регрессии позволяли включать все большее количество так называемых объясняющих переменных , или факторов, в стандартной терминологии статистики. Эти независимые переменные, их влияние на результативный фактор и взаимодействия (связи) между ними, которые показывают, что факторы в действительности не являются полностью независимыми друг от друга, довольно часто не удается объединить в полноценную модель. Стремление использовать очень большое количество объясняющих переменных приводит зачастую к противоречивым результатам.

С другой стороны, наряду с отражением свойства оптимальности экономических переменных следовало также учитывать взаимодействие социально-экономических переменных , которое может рассматриваться как самостоятельная компонента в уравнении регрессии, например, в следующем простейшем уравнении регрессии:

y = a + b₁ x + b₂ z + b₃ xz (1.1)

Правда, эффект взаимодействия (параметр b₃) может оказаться статистически незначимым.

Корреляционно-регрессионный анализ описывает совместные изменения переменных, но это вовсе не означает обязательной причинной связи между этими переменными. Для выяснения истинного характера взаимосвязей между переменными необходимо изучение структуры модели и корреляционной связи, проблемы так называемой ложной корреляции , проблемы лага (сдвиг во времени, индицирующий связь между показателями). В частности, при изучении динамики временных рядов выяснилось, что следует измерять корреляции не самих уровней (показателей) двух временных рядов , а первых разностей уровней для линейных основных тенденций развития (трендов).