ХУГАЦААН ЦУВААН ЭКОНОМЕТРИК

Батаагийн Эрдэнэбат
Монгол Улсын Их Сургууль
Гарчиг
Эконометрикийн удиртгал.........................................................................................................................7
1.1 Оршил................................................................................................................................................7
1.2 Санамсаргүй хувьсагчтай ажиллах нь............................................................................................7
1.2.1 Хүлээлт болон момент.............................................................................................................7
1.3 Үнэлэгчийн шинж чанарууд............................................................................................................8
1.4 Асимптот (улам дөхөх) тархалтын онол.........................................................................................9
1.5 Таамаглал шалгах нь........................................................................................................................9
1.6 Хоцроох болон ялгаварт үйлдлүүд...............................................................................................12
1.7 Ялгаварт тэгшитгэл........................................................................................................................14
EVIEWS-ийн удиртгал..............................................................................................................................17
2.1 Тэмдэглэгээ болон бусад зүйлс.....................................................................................................17
2.2 Тоон мэдээлэл импортлох..............................................................................................................18
2.3 Шинээр тоон цуваа үүсгэх.............................................................................................................19
2.4 Регресс.............................................................................................................................................19
2.5 EVIEWS-ийн орчинд програмчлах нь............................................................................................20
2.5.1 Анхны програм........................................................................................................................21
2.5.2 Үндсэн ойлголтууд..................................................................................................................22
2.5.3 Регрессийн шинжилгээг програмын орчинд хийх нь...........................................................23
2.5.4 Гарцыг файл руу хадгалах......................................................................................................24
2.5.5 График үүсгэх..........................................................................................................................26
2.5.7 Битүү гогцоо (Loop).................................................................................................................27
2.5.8 Нөхцөлт салбарлалт (Conditional brancching)........................................................................27
2.5.9 Туслах программ (Subroutine).................................................................................................28
2.6 EVIEWS-ийн өргөн хэрэглэгддэг командууд...............................................................................28
2.7 Монте Карло шинжилгээ...............................................................................................................28
Matlab-ын удиртгал..................................................................................................................................31
3.1 Яаж эхлэх вэ?..................................................................................................................................31
3.1.1 Хувьсагчийн нэр......................................................................................................................31
3.1.2 Таслалын дараах орон, шинжлэх ухааны тэмдэглэл, Inf болон NaN...................................31
3.2 Матриц болон түүн дээр хийгдэх үйлдлүүд.................................................................................31
3.2.1 Цэвэрлэгээ................................................................................................................................33
2
 3.3 Хяналтын мэдэгдэл (Control statement).........................................................................................34
3.4 Логик индексчлэл...........................................................................................................................37
3.5 Функц..............................................................................................................................................37
3.6 Локал болон глобал хувьсагч........................................................................................................37
3.7 Статистикийн функцууд................................................................................................................38
3.7.1 Ойролцоолох............................................................................................................................38
3.7.2 Зураг.........................................................................................................................................38
3.7.3 Өгөгдөл ачааллах болох хадгалах нь.....................................................................................38
3.7 Статисткийн функцууд..................................................................................................................39
Нэгж язгууруудын шалгуурууд...............................................................................................................42
5.1 Удиртгал..........................................................................................................................................42
5.2 Интегралчлагддаг процессууд.......................................................................................................42
5.3 Процесс...........................................................................................................................................42
5.3.1 Голч болон вариац...................................................................................................................42
5.4 Нэгж язгуурын таамаглал..............................................................................................................42
5.5 AR(1) тохиолдол дахь нэгж язгуурын шалгуур тэгшитгэл.........................................................43
VAR Загвар...............................................................................................................................................44
6.1 VAR (VECTOR AUTO REGRESSION) загварын удиртгал.........................................................44
6.1.1 Вектор цагаан шуугиа.............................................................................................................44
6.1.2VAR(p) процесс.........................................................................................................................45
6.1.3 Бүтцэт VAR (SVAR): Эхний түвшинд.....................................................................................46
6.2 VAR процессын шинж чанар..........................................................................................................48
6.2.1 Суурин байх нөхцөл....................................................................................................................48
6.2.2 Голч болон автоковариац........................................................................................................49
6.2.3 Хөдлөх дундчийн хэлбэр........................................................................................................51
6.3. VAR загварчлал.............................................................................................................................52
6.3.1 ЕХБКА-ын үнэлгээ..................................................................................................................52
6.3.2 Хоцролтын зэргийг тодорхойлох нь......................................................................................53
6.3.3 Үлдэгдлийн автокорреляцыг шалгах нь................................................................................54
6.5 Дагалдах хэлбэр болон прогноз.....................................................................................................54
6.6 VAR.--ын ур дүнг тайлбарлахуй...................................................................................................55
6.6.1 Үндсэн ойлголт........................................................................................................................55
6.6.2 Импульс хариу үйлдлийн функц............................................................................................55
3
 Бусад таних аргууд...............................................................................................................................56
Коинтеграц................................................................................................................................................59
7.1 Удиртгал..........................................................................................................................................59
7.2 Хоёр хувьсагчийн хоорондох коинтеграц : анхан шатны ойлголт.............................................59
7.3 Нэг болон олон хувьсагчит ADF илэрхийлэл...............................................................................60
7.4 Алдаа засах загвар..........................................................................................................................61
7.5 Коинтеграц загварчлал...................................................................................................................62
7.5.1 Коинтеграцчилдаг векторын тоог шалган тогтоох нь..........................................................62
7.5.2 VECM-ийг үнэлэх нь...............................................................................................................63
7.5.3 VECM загварын хүрээнд таамаглал шалгах нь....................................................................64
7.5.4 Огтлогч болон коинтеграц......................................................................................................64
ARCH болон GARCH...............................................................................................................................67
8.1 Удиртгал..........................................................................................................................................67
8.2 ARCH загвар...................................................................................................................................68
8.2.1 ARCH процессын шинж чанарууд.........................................................................................70
8.2.2 ARCH нөлөө байгаа эсэхийг шалгах нь.................................................................................71
8.3 GARCH загвар...............................................................................................................................72
8.3.1 GARCH (1,1 ) жишээ :.............................................................................................................73
8.3.2 GARCH процессын шинж чанарууд.....................................................................................74
8.3.3 Жишээ: GARCH ( 1,1 )..........................................................................................................75
8.3.4 GARCH загвар ашиглан хэлбэлзлийг урьдчилан таамаглах нь...........................................76
8.4 Голчдоо GARCH-тай процесс.......................................................................................................78
8.5 Тэгш хэмт бус GARCH загвар.......................................................................................................78
8.5.1 TGARCH загвар......................................................................................................................79
8.5.2 EGARCH загвар......................................................................................................................80
8.6 Тавилын шалгуур...........................................................................................................................80
Босготой загвар болон бүтцийн өөрчлөлт..............................................................................................82
9.1 Удиртгал..........................................................................................................................................82
9.2 Бизнесийн мөчлөг дэх дэглэмүүд..................................................................................................82
9.3 Босгот AR Процесс (TAR).............................................................................................................83
9.3.1 Дэглэм солигдох......................................................................................................................84
9.3.2 Үнэлгээ.....................................................................................................................................84
9.3.3 Таамаглал шалгах....................................................................................................................85
4
 9.4 Алгуур шилжих (Smooth Transition) AR процесс.........................................................................86
9.4.1 Шилжилтийн функц................................................................................................................86
9.6 Бүтцийн хугарал.............................................................................................................................88
9.6.1 хугарлын огноо мэдэгдэж байх үе..........................................................................................88
9.6.2 хугарлын огноо мэдэгдэхгүй байгаа үе..................................................................................90
9.6.3 Хувьсалт хугарах нь................................................................................................................91
9.6.4 Олон хугарлын шалгуур..........................................................................................................92
9.6.5 Голчийн тэгшитгэл, хувьсалт хоёр хоёул хугарах нь...........................................................93
9.7 Алгуур бүтцийн өөрчлөлт..............................................................................................................93
9.7.1 Хугацаанаас хамаарсан алгуур шилжилт...............................................................................93
9.7.2 хугацаанаас хамаарах алгуур өөрчлөлтийг шалгах нь..........................................................94
9.8 Зарим Өргөтгөл...............................................................................................................................95
9.9 Урьдчилсан таамаглал....................................................................................................................95
Марковоор солигдох загвар.....................................................................................................................98
10.1 Удиртгал........................................................................................................................................98
10.2 Шилжилтийн магадлалууд...........................................................................................................98
10.3 Дэглэм нь солигдох AR процесс.................................................................................................99
10.3.1 Дэглэмээр солигдох голч......................................................................................................99
10.3.2 Дэглэмээр солигдо х коеффициентүүд..............................................................................100
10.4 Төлөвийн хувьсагчийн шинж чанарууд....................................................................................100
10.4.1 Үргэлжлэх хугацаа..............................................................................................................100
10.4.2 Дэглэмийг VAR-аар илэрхийлэх нь:..................................................................................101
10.5 Дэглэмийн талаарх дүгнэлт.......................................................................................................102
10.5.1 Ажиглагдах хувьсагчийг урьдчилан таамаглах нь............................................................102
10.6 Үнэлгээ ба таамаглал шалгах нь................................................................................................103
10.6.1 Марков солигдох загварыг үнэлэх нь................................................................................103
10.6.2 Таамаглал шалгах нь...........................................................................................................104
10.7 Зарим өргөтгөлүүд......................................................................................................................105
Бүтэцтэй VAR(SVAR)............................................................................................................................107
11.1 Удиртгал...................................................................................................................................107
11.2 Загварын тавил болон үндсэн хэмжигдэхүүнүүд................................................................107
11.3 Богино хугацааны хязгаарлалтаар таних нь............................................................................110
11.3.1 Эрэмбэлэгдэн танигдах загвар............................................................................................111
5
 11.3.2 Хаанаас танилтын нөхцөл гарган авах вэ?.........................................................................112
11.3.3 Эрэмбэлэгдэн танигдах загварын жишээ........................................................................113
11.3.4 Эрэмбэлэгдэлгүйгээр танигдах загвар............................................................................113
11.4 Урт хугацааны хязгаарлалтаар таних.....................................................................................113
11.4.2 Урт хугацааны хязгаарлалтын сул талууд.........................................................................114
11.5 Тэмдгийн хязгаарлалт таних......................................................................................................115
11.5.1 Өвөрмөц онцлог, сул тал.....................................................................................................116
11.5.2 Өргөтгөлүүд.........................................................................................................................117
11.6. Бусад бүтэцтэй VAR аргууд.....................................................................................................117
11.6.1 Санхүүгийн зах зээлийн шокоор таних нь.........................................................................117
11.6.2 Хетероскедастаар таних нь.................................................................................................117
11.6.3 Урагшаа харсан үйл хөдлөлтэй үед загварыг таних нь.....................................................118
11.7 Бүтэцтэй VAR болон DSGE загваруудын харьцуулалт...........................................................118

6
Бүлэг-1
Эконометрикийн удиртгал
1.1 Оршил
Энэхүү бүлэгт хугацаан цуваан шинжилгээг ойлгоход зайлшгүй шаардлагатай
эконометрик болон статистикийн үндсэн хэрэгслүүдээс толилуулж байна. Бүлэгт
дурдагдсан материалуудаар хязгаарлагдалгүй та өмнөх хичээлүүдийнхээ материалууд
болон Монгол хэлээрх эконометрикийн анхан шатны сурах бичгүүд, тухайлбал Базарсад,
Банзрагч, Батзориг, Доржнаран, Дэлгэрсайхан, Лутбат, Мөнхдалай, Энхбат (2007)
номнуудыг хослуулан ашиглавал илүү их үр дүнд хүрэх болно.

1.2 Санамсаргүй хувьсагчтай ажиллах нь

Ихэнх тохиолдолд бид налалтын параметр β-гийн үнэлгээг олж авахыг зорьдог. Ердийн
хамгийн бага квадратын аргаарх (ЕХБКА) түүний үнэлгээг дарааах байдлаар хийдэг.
Cov ( y t , x t ) Cov( α + β xt +ε t , x t )
^B= =
v ar ( x t ) v ar ( x t )

Cov(β xt , x t ) Cov (ε t , x t ) Cov ( y t , x t ) Cov( ε t , xt ) Cov( ε t , xt )

= + =β + =β + (1.1)
v ar ( x t ) v ar ( x t ) v ar ( x t ) v ar ( x t ) v ar ( x t )

(1.1)-р тэгшитгэлд байгаа вариац (Var) болон ковариацын (Cov) хэсгүүд нь практикт
түүврийн утгуудад тулгуурласан хэмжигдэхүүнүүд байна. Өмнөх эконометрикийн сурах
бичгүүдээсээ та ε t-д тавигдсан нөхцөлүүд биелэгдсэн үед ^β нь β-гийн хувьд тууштай
(consistent) үнэлэгч болдгийг санаж байж магадгүй (хэрэв x t нь санамсаргүй бус хувьсагч
бол ^β нь бүр илүү, гажилтгүй үнэлэгч болдог). Зөвхөн алдааны хэсэг ε t-г энд санамсаргүй
хувьсагч гэж үзсэн ч y t , ^β хоёр уг санамсаргүй хувьсагчаас хамаарч байгаа учир мөн
санамсаргүй хувьсагчид болно. Тэдгээрийн хүлээгдэж байгаа утга голч болон вариац нь
ямар байх бол?
1.2.1 Хүлээлт болон момент
Санамсаргүй хувьсагчтай холбоотой хамгийн эхний ойлголт нь түүний момент юм.
Момент гэдэг нь санамсаргүй хувьсагчийн зэрэгтийн хүлээгдэж байгаа утгыг хэлдэг.
Эхний момент нь голч (mean) гэгддэг бөгөөд өндөр зэргийн моментууд нь энэхүү голчоос
хазайлт дээр үндэслэнэ. Санамсаргүй хувьсагчийн хоёрдугаар моментыг вариац,
гуравдугаар моментийг далийлт, дөрөвдэхийг куртосис хэмээнэ. Санамсаргүй хувьсагч ε t
mam (0,σ2) байна гэдэг нь:

E[ε t ] =0

E¿2¿= E¿2¿= v ar [ε t ]=σ 2

E¿3¿= E¿3¿
E¿4¿= E¿4¿

7
болно гэсэн үг. Хэрэв ε t NID (0,σ2) бол гурав , дөрөвдүгээр моментийнх нь талаар илүү
дэлгэрэнгүй ярих боломжтой , тухайлбал:
E¿3¿= E¿3¿=0
E¿4¿= E¿4¿=3

E¿3¿=0 гэдэг нь нормал тархалт тэгш хэмт гэсэн үг. Ер нь ямар ч тэгш хэмт санамсаргүй
хувьсагчийн хувьд гуравдугаар момент нь тэг байна. Нөхцөлт мэдээлэл болох I t-ээ
тодорхой ялган бичдэг, өөрөөр хэлбэл E¿t¿ гэх мэт ε t-ийн хувьд нөхцөлт мэдээлэл болон
нөхцөлт бус хүлээлтүүд ямар ч ялгаагүй нь ойлгомжтой. Ямарч I t-ийн хуьд E¿t¿= E[ε t ] =0
(1.1)-р тэгшитгэлээр өгөгдсөн Уt-ийн хүлээгдэж буй утга нь Хt-ийн утгаас хамаарч байна.

E[δ ε t ]=δ E[ε t ]

E[δ + ε t ]= δ+ E[ε t ]

E¿+ ε t ¿= E[ut ] + E[ε t ]

E¿ ε t ¿≠ E[ut ]E[ε t ]

Var[δ ε t ]= δ2Var[ε t ]

Var[δ +ε t ]= Var[ε t ]

Var ¿+ ε t ¿= E¿+ ε t ¿2¿= E¿2+2 ut ε t +¿ ε t2¿

Эдгээр дүрмийн заримд орсон E¿ ε t ¿ нь ерөнхийдөө цаашаа задарч хялбаршгдаггүй. Энэ нь

ч түүний ач холбогдлыг илэрхийлж байдаг. Хэрэв дээрх хоёр санамсаргүй хувьсагчид
тэгээс ялгаатай голчтой байсан бол уг ковариац Cov¿ , ε t ¿ = E¿)(
ε t−E [ ε t ] гэж бичигдэх ёстой .

Cov[δ , ε t ]=0

Cov[δ ut , ε t ]=δCov[ut , ε t ]

Cov[(ut + ut ) ε t ]= Cov[ut , ε t ]+ Cov[ut , ε t ] Энд ut нь өөр нэгэн санамсаргүй хувьсагч болно.

1.3 Үнэлэгчийн шинж чанарууд

Үнэлэгчийн шинж чанар бол гажилтгүй байх шинж (1.3)-р тэгшитгэл дэхь ЕХБКА-ын
үнэлэгчийг гажилтгүй байна гэдэг. Өөр нөхцлүүд тавилгүйгээр ЕХБКА-ын үнэлэгч үргэлж
гажилтгүй байна гэсэн үг байхгүй. Үнэлэгчийн хоёрдох шинж чанар бол хэмнэлттэй байх.
Гажилтгүй үнэлэгч хэдийгээр Е[ ^β]=β байх буюу дунджаар бид үл мэдэгдэх параметрийг
олж чадахыг баталж байгаач нэгэнт ^β маань санамсаргүй хувьсагч учир түүний авч болох
утга бүр β-тай тэнцэхгүй байх нь мэдээж. Тэгвэл энэ β-тай тэнцэхгүй үед ^β -гийн үүнээс
хэр хол байж болох вэ хэмжүүр нь ^β -гийн вариац.

E¿ ¿х1,х2,........хх)=0
8
Var¿ ¿х1,х2,........хх)=σ 2, 0¿ σ < ∞
E¿ ¿х1,х2,........хх)=0 r ≠ 0
Гаусс-Марковын теором хүчинтэй байхад харин нормал тархалтын нөхцөл шаардлагаггүй.
Энэхүү 3 нөхцөл хангагдсан үед Гаусс-Марковын теором ёсоор ЕХБКА-ын үнэлэгч ^β нь
хамгийн шилдэг шугаман гажилтгүй үнэлэгч буюу ШШГҮ болдог. ^β -гийн бүх боломжит
шугаман бөгөөд гажилтгүй үнэлэгч дотроос ЕХБКА-ын ^β нь хамгийн бага вариац шилдэг
үнэлэгч болдог. ^β -гийн ямар нэг үнэлэгч ^β -r 5 авч үзлээ гэхэд тэдгээрийн хоорондын зай нь
¿ β− ^β∨¿ болно.
1.4 Асимптот (улам дөхөх) тархалтын онол
ЕХБКА-ын үнэлэгч дараах томъёогоор илэрхийлэгдэнэ.
Cov ( y t , x t ) Cov( ε t , xt )
β +
v ar ( x t ) v ar ( x t )

Үүнийг матриц хэлбэрт бичихээсээ өмнө матрицийн тэмдэглэгээ ашиглан бичивэл

y=xβ + ε

Энд Х нь (Т*2) хэмжээстэй матриц бөгөөд эхний баганад нь дан 1 харин удаах баганад нь
хt байна. ЭХБКА-ын үнэлэгчийн матриц хэлбэр нь дараах тэгшитгэлээр өгөгдвөл:
^β=(x' x)-1 x ' y= ^β +( x ' x )-1 x ' ε= ^β +( x ' x /Т )-1(1 x ' ε /Т ) (1.3)

Нийлбэрийн хамгийн эхних болох ^β нь үл мэдэгдэгч гэхдээ тоготмол параметр.

^β| X N ¿-1) (1.4)

Хэрэв Х нь санамсаргүй бус бол түүн дээр нөхцөлдөх эсэх нь нэг их чухал биш. Түүврээ
ашиглан вариацыг σ 2(x ' x)-1 гэж үнэлнэ. Энд ε t- ийн тархалт нормал байх эсэхээс
хамаардаггүй үүнтэй харгалзах том түүврийн үр дүн бий. Үүнийг албан бусаар бол:
β N ¿-1) гэж бичидэг. (1.5)
Энд хэрэв тайлбарлагч хувьсагчид нь санамсаргүй бол М=Е(Х’Х) хэрэв тэдгээр нь
тогтмол бол М=Х’Х байна.
1.5 Таамаглал шалгах нь
Өмнө нь та статистик болон эконометрикийн мэдлэгээ ашиглан олон төрлийн таа маглал
шалгаж байсан биз ээ. Тэдгээр нь цөмөөрөө өөр өөрийн гэсэн таамаглал шалгууртай,
тэдгээрийг хэрэглэх дараалалтай , хүрч болох үр дүн нь ч ондоо ондоо учир нэг бол толгой
тань эргэсэн, эсвэл заримыг нь бүр мартчихсан байгаа гэдэгт эргэлзэхгүй байна.
Энэ хэсэгт зөвхөн ганц таамаглал шалгуур ашиглан таны өмнө мартсан байж болох
дээрх үндсэн асуудлуудыг сэргээхийг оролдъё. Та бидний ажиглаж буй тоон мэдээлэл
дараах Тоо үүсгэгч процесс ( Data generating process = ТҮП ) -ын дагуу үүссэн гэж үзье:

Y t =α + β x t + ε t , ε t N (0 , σ 2 )

9
Бид β параметрийг үнэлэх хүсэлтэй байж. Яагаад ? Учир нь энэхүү параметр тодорхой
эдийн засгийн утга агуулж байж болно. Жишээ нь, энэхүү параметрээр өрхүүдийн
интернэтэд холбогдох эсэх шийдвэр нь орлогоос хэрхэн хамаарч байгааг ( эдийн засгийн
ухаанд үүнийг орлогын мэдрэмж гэдэг ) хэмжиж болно. Мэдээж энэхүү мэдрэмж хэд вэ
гэдгийг хэн ч мэдэхгүй, өөрөөр хэлбэл, β бол үл мэдэгдэгч. Гэвч бид нийт интернэтийн
борлуулалтын орлого, өрхүүдийн орлогын хэмжээ, интернэтийн гэх мэтээр хугацаан
цуваан мэдээлэл цуглуулчихсан , тэдгээрээ ашиглан регресс бодож β -г ЕХБКА-ын аргаар
үнэлэх чадвартай байгаа гэж үзье . Өөрөөр хэлбэл , та β – r

^β= Cov( y t , x t )
Var ( x t )

гэж үнэлжээ ( мэдээж Cov болон Var - ын оронд тэдгээрийн түүврийн утгыг хэрэглэнэ ).
Хэдийгээр энэхүү үнэлгээ чухал ч та энэхүү үнэлгээг жинхэнэ β-тай яг тэнцэхгүй байж
болно гэдгийг хүлээн зөвшөөрөх байх. Үнэхээр ч дээр үзсэнчлэн β болон β хоорондын
холбоо нь дараах хэлбэртэй байна:

^β=β + Cov(ε t , xt )
Var (xt )

Бид мөн ^β - гийн утга ε t- ийн утгаас хамаарч байгаа учир өөрөө санамсаргүй гэж үзсэн.
Дээр яригдсанчлан тодорхой нөхцөл хангагдвал ^β нь дараах тархалттай байна :
^β N ( β , Var ( β ) )

Энэ бол таамаглал шалгах зарчмыг харуулдаг гол хамаарал. Та өөрийн тоон мэдээллээ
ашиглан ^β -ийн нэг утгыг олж авч болох ч санамсаргүй хувьсагчийн утга арай өөр байсан
бол та ^β -гийн утга ч мөн арай өөр болох байсан гэдгийг харж байгаа байх. Энэ маань
тэгэхлээр ^β -гийн тодорхой утга үл мэдэгдэгч жинхэнэ ^β -гийн талаар зөвхөн
хязгаарлагдмал хэмжээний л мэдээлэл агуулж байдаг гэсэн үг болно. Гэсэн хэдий ч тэрхүү
хязгаарлагдмал мэдээлэл таамаглал шалгах боломжоор хангаж байдаг ( хэрэв түүврийн
мэдээлэл огт байхгүй байсан бол энэ огт боломжгүй). Та β- ийн утгын талаар тодорхой
таамаглал дэвшүүлж энэхүү таамаглалаа өөрийнхөө түүврийнхээ мэдээлэлтэй харьцуулж
болно. Энэхүү үйлдлийн дараа өөрийн тань дэвшүүлсэн таамаглал үнэнд нилээд ойр юм
байна даа гэх юм уу, эсрэгээр уг таамаглалыг бодит тоон мэдээлэл огт батлахгүй байна
гэсэн дүгнэлтэд хүрч болно .
Шалгуурын шийдвэр
Ho - ийг зөвшөөр Ho - ийг няцаа
Үнэн : Но ( В < 0.5 ) ✓ І төрлийн алдаа
Үнэн : НА ( В > 0.5 ) II төрлийн алдаа ✓
Хүснэгт 1.1 : Таамаглал шалгуурын боломжит үр дүн
Тодруулбал та β < 0.5 гэж таамаглаж байгаа гэж үзье . Үүнийг тэг таамаглал буюу
H 0 гэж нэрлэдэг . Хэрэв H 0 худал бол β > 0.5 байх бөгөөд үүнийг бид эсрэг таамаглал гэх
бөгөөд НА гэж тэмдэглэе. Жинхэнэ үнэн бол энэ хоёрын аль нэг нь л байна , алийг нь үнэн
болохыг бид хэзээ ч мэдэхгүй. Хоёр таамаглал маань бүх боломжит β-гийн ертөнцийг
хоёр хэсэгт хуваачихсан. Мэдээж та дээрх хоёр дүгнэл тийн аль нэгийг хийх ёстой болно.
Нэг бол та тоо баримт тэг таамаглалыг баталж байна гэдэгт итгэх болно, үгүй бол тоо
10
баримт тэг таамаглалыг няцааж байна гэж дүгнэнэ. 1 Ингэхлээр жинхэнэ (үл мэдэгдэх)
үнэнийг таны шийдвэртэй холбосон 4 боломжит үр дүн бий болж байна. Эдгээрийг ( 1.1 )
-р хүснэгтээр харууллаа.
Та нэг бол Ho - ийг зөвшөөрсөн шийдвэр гаргана (зүүн багана) , эсвэл H 0 - ийг ня
цаана (баруун багана). Энэ тань нэг бол алдсан эсвэл оносон шийдвэр байх бөгөөд аль нь
яг болчихсоныг та хэзээ ч мэдэхгүй (хэрэв та аль нь үнэн болохыг мэдэж байсан бол
анхнаасаа таамаглал шалгахгүй байсан). Таамаглал шалгах нь яагаад чухал юм бэ гэхээр та
үүнийг ашиглан тодорхой алдаа гаргах магадлалаа тооцох цаашилбал түүн дээрээ
тулгуурлан ямар нэгэн шийдвэрийг тодорхой хувийн итгэл тэйгээр хийж болдог явдал юм.
Статистикт уламжлал ёсоор H 0 - ийг үнэн байхад нь буруугаар няцаах буюу I төрлийн
алдаа гарах магадлалыг тодорхой түвшинд барьж байдаг.
Үүнийг санаж байгаад дээр яригдсан β<0.5 үнэн эсэхийг шалгах асуудал руугаа
эргэн оръё. Санамсаргүй хувьсагчтай ажиллах дүрмээ ашиглан t-статистик хэмээх
хэмжүүрийг дорх байдлаар хялбархан гарган авч болно.2
^β−β ^β−0.5
t−stat= =
√ Var ( ^β) √Var ( ^β)
Үүний хүлээгдэж байгаа утга нь Е(t–stat)=0 ба Var(–stat)=1 бөгөөд тэг таамаглал үнэн буюу
β<0.5 үед t-статистик стандарт нормал тархалттай байдаг 3. Энэ тархалтыг H 0- ийг хүлээн
зөвшөөрөх эсвэл няцаахад ашиглах шийдвэрлэх утга гарган авахад хэрэглэнэ . Бидний
жишээн, дээр H 0-ийг ^β -гийн утга 0.5-аас хамаагүй их буюу t-stat >t cv үед няцаана.
Тэгтаамаглал үнэн үед t - статистикийн тархалт нь стандарт нормал байх учир шийдвэрлэх
утгыг уг тархалтаас гарган авна. Тухайлбал энэхүү утгыг тэг таамаглал үнэн байхад нь
түүнийг няцаах магадлал дөнгөж α% байхаар сонгож авдаг. Энэхүү магадлалыг ихэвчлэн
5% -иар тогтоодог бөгөөд үүнийгээ ач холбогдолын зэрэг хэмээнэ. Шалгуур маань нэг талт
таамаглалыг шалгаж байгаа учир шийдвэрлэх утга маань t cv= 1.645 байна. Уг ач
холбогдлын зэрэг бага байх тусам тэг таамаглалыг няцаах боломж улам бүр хумигдана. 5%
-иас гадна өргөн хэрэглэгддэг хоёр ач холбогдлын түвшин бол 1% болон 10% юм.
Энгийнээр бодоход I төрлийн алдаа буюу түүнийг гаргах магадлал P (I төрөл) -г
багасгах үүднээс бид энэхүү боломжийг аль болохоор бага байлгавал дээр юм шиг
санагдаж магадгүй юм . Гэхдээ энд дэнслэх асуудал бий . H 0үнэн үед Р(І төрөл -г багасгах
тусам H A үнэн үе дэх Р(ІІтөрөл) ихэсч байдаг. Гэтэл бид H 0, H A хоёрын аль нь үнэн
болохыг мэдэхгүй байдаг. Хэрэв мэдэж байсан бол өмнө дурдсанчлан таамаглал шалгах
шаардлагагүй.

18
Албан ёсны таамаглал шалгаад эхлэхээр та дээр ярьсан тодорхой бус байдал бүрэн арилчих на
гэж бодож байж магадгүй юм. Гэвч зарим тохиолдолд хоёр таамаглалын яг алинд нь итгэхээ
мэдэгдэхгүй байх үе тохиолдсоор л байх болно.
29
Var ( β ) -г хэрхэн үнэлдэг талаар энд дурдалгүй орхьё. Өмнөх эконометрикийн номуудаасаа та
энэ талаар мэддэг байх ёстой . Гэхдээ энэ нь ( 1.4 ) -р тархалтын үнэлгээнд ашиглагдсан томъёоны
хэсэгт агуулагдаж байгаа.
310
Өмнөх эконометрикийн сурах бичгээсээ та түүврийн хэмжээ бага бөгөөд шокын вариац σ 2-ыг
түүврээ ашиглан үнэлсэн үед уг статистик Т - 2 чөлөөний зэрэг бүхий Student -t тархалттай гэж
үзсэн байх . Гэвч түүврийн хэмжээ нэмэгдэхийн хэрээр уг тархалт нормал тархалттай улам бүр
адилхан болдог . Хэрэв ямар нэгэн байдлаар σ 2- мэдэгдэж байвал ( бодит амьдрал дээр бараг хэзээ
ч ийм зүйл тааралдахгүй ) t – stat - ын тархалт нь түүврийн их бага бүх хэмжээн хувьд яг стандарт
нормал байдаг .
11
 Үүнийг илүү ойлгомжтой болгохын тулд нэгэн зүйрлэл ашиглая. Та өөрийгөө
шүүгч гэж төсөөл. Таны урд нэгэн сэжигтнийг авчраад , яагаад уг хүн сэжиглэгдэх болсон
шалтгаан , баримт нотолгоонуудыг нь танилцуулжээ. Гэхдээ уг хүн үнэхээр сэжиглэгдэж
буй гэмт хэргийг үйлдсэн эсэх нь тодорхой бус бөгөөд уг хүн өөрийгөө буруугүй гэж
байсан гэе. Та тэгэхээр тодорхой бус байдалд байгаа нотолгоо баримтан дээр тулгуурлаж ,
нэг бол уг хүнийг шийтгэнэ, үгүй бол тавьж явуулна. Энд уг хүний үгэнд итгэлгүй
шийтгэвэл энэ нь H 0- ийг няцааж байна гэсэн үг , харин тавьж явуулбал H 0- ийг хүлээн
зөвшөөрч байна гэсэн үг. Та мөн 2 төрлийн алдаа гаргах боломжтой, нэг нь гэмгүй хүнийг
гэмтэй хэмээн шийтгэх буюу I төрлийн алдаа, нөгөө нь гэмтэй хүнийг гэмгүй хэмээн тавьж
явуулах буюу II төрлийн алдаа. Бид дээр І төрлийн алдааг харьцангуй бага байлгахаар
шийдвэрлэх утгаа сонгосон, шүүхийн практикт ч гэсэн энэхүү зарчмыг мөрддөг. Өөрөөр
хэлбэл уг сэжигтэн гэмтэй байх магадлал нэлээн өндөр байвал л, ач холбогдлын түвшин
5% бол тэрхүү магадлал 95% -аас давж байгаа тохиолдолд л шийтгэнэ гэсэн үг.
Дүгнэвэл , таамаглал шалгалтыг үл мэдэх параметрийг таньж мэдэхэд хэрэглэнэ .
Бид эхлээд уг параметрийг үнэлэн , уг үнэлгээ маань үл мэдэгдэх параметр β- гаас ха-
маарсан санамсаргүй хувьсагчийн тархалтаас гаргаж авсан ганц л утга гэдийг хүлээн
зөвшөөрнө . Тэгээд бид тэг таамаглалаа β - гийн хувьд дэвшүүлэхээр энэ маань тэг таа-
маглал үнэн үед β - гийн тархалтын талаар тодорхой мэдээлэл өгнө (бидний жишээн дээр
^β N (0.5Var ( ^β))) . Энэхүү тархалт эсвэл үүнээс үүсэн гарсан тархалтыг (бидний жишээн
дээр t−stat N (0.1)) ашиглан шийдвэрлэх утгаа олно. Шийдвэрлэх утга маань бидний
сонгосон α% -аас хамаарах бөгөөд энэ нь Р(І төрөл ) -тэй холбоотой . Үүний дараа
тооцоолсон t-статистик маань уг шийдвэрлэх утгаас их байна уу үгүй юу гэдэг дээр
тулгуурлан дүгнэлтээ гаргана. Гаргасан шийдвэр тань зөв эсэх талаар та хэдийгээр
мэдэхгүй ч хэрэв H 0 үнэн бол (1 – а) хувийн магадлалтайгаар таны гаргасан шийдвэр зөв
гэж хэлэх боломжтой болно .
Өөр нэг таамаглал шалгалттай холбоотой , бидний эргэн санах ёстой ойлголт бол
р-утга. Дээр ашигласан шийдвэрлэх утгыг хэрхэн гаргаж авснаа санацгаая . Шалгуур
статистикийн тархалт маань тэг таамаглал үнэн үед N(0,1) учир шийдвэрлэх утгыг Z гэсэн
стандарт нормал тархалттай санамсаргүй хувьсагч ашиглан Р(Z> t cv)=α байхаар сонгон
авсан. Таамаглалын р-утга буюу pv гэж нормал тархалттай Z санамсаргүй хувьсагч
тооцоолсон шалгуур статистикийн утгаас даван гарах магадлалыг хэлдэг, товчоор бол
P(Z>t–stat)=pv . Өөрөөр хэлбэл , бага зэрэг хялбаршуулаад үүнийг тэг таамаглал үнэн байх
магадлал гэж тодорхойлж болно. Энэхүү тодорхойлолтоос тэг таамаглалыг pv<a үед
няцаана гэдэг нь ойлгомжтой байгаа байх.
Бид t-шалгуур асимптотын хувьд нормал тархалттай гэж дээр дүгнэсэн учир
стандарт нормал тархалттай хувьсагчийг ашиглаад байгааг анзаарсан байх . Бусад
тохиолдолд өөр шалгуур статистикүүд, өөр тархалтууд ашиглагдана. Гэсэн хэдий ч тэдгээр
тохиолдлуудад таамаглал шалгах зарчим нь энд дурдагдсантай яг адил байна.
1.6 Хоцроох болон ялгаварт үйлдлүүд
Нэгэнт энэхүү ном маань хугацаан цуваан шинжилгээнд төвлөрч буй тул үүнтэй
холбоотой аналитик судалгааны хэрэгслүүдтэй танилцах нь чухал. Тэдгээрийн нэг нь
хоцроох тэмдэг бөгөөд өмнө нь тааралдаж байгаагүй бол санаа зовсны хэрэггүй , удахгүй
маш энгийн зүйл болохыг нь ойлгоно.
Өмнө нь та авторегресс (AR) загвартай таарч байсан байх . Жишээ нь , дараах
AR(2) процессыг авч үзье :

Y T =δ+ Ф1 Y t −1+ Ф2 Y t −2+ ε t , ε t NID (0 , σ 2) ( 1.7 )

12
 Энд Y t өмнө үед авсан утгууд болон ε t гэдэг санамсаргүй хувьсагчаас хамаарч байна.
Анхаарах зүйл нь (1.7) -р тэгшитгэлд у хувьсагчийн хугацааны өөр өөр үе буюу t, t-1,
t-2 үед авсан утгууд ашиглагдаж байна . Хоцроох тэмдэг гэдэг нь дараах үйлдлийг хийдэг:
L Y t=Y t−1 , L2 Y t=Y t −2 гэх мэт ; ерөнхий тохиолдолд Lyt = Уt - 4 болдгийг хэлж байгаа юм .
Өмнөх процессыг тэгвэл :

Y t =δ + Ф1 L Y t +Ф 2 L2 Y t +ε t

гэж , цаашилбал L-ийг зүгээр тогтмол гэж үзэн дээрхийг илүү хялбаршуулж бас болно :

(1−Ф1 L−Ф2 L2 ) Y t =δ +εt

Энэ тэгшитгэлийн зүүн гар талд байгаа хаалтан доторх хэсгийг хоцролтын полино минал
гэдэг . Түүнийг Ф ( L )=1−Ф1 L−Ф2 L2гэсэн тэмдэглэгээг ашиглан илүү товч хэлбэрт

Ф(L)Y t =δ+ ε t

гэж бичих нь ч бий .

Хэрэв бид тэгшитгэлийн хоёр талыг хоцролтын полиноминалын урвуу буюу Ф−1(L)-д
хуваавал :

Y t =(1−Ф1 L−Ф2 L2 )−1 δ +(1−Ф1 L−Ф2 L2)−1 ε t

болно . Тэгшитгэлийн баруун гар талын эхний хэсэг нь санамсаргүй хувьсагч Y t −¿ээс
ангид байгаагийнхаа хувьд нилээд сонирхолтой. Энд тогтмол δ-ийн хувьд хоцролтын
тэмдэг хэрхэн нөлөөлөх вэ гэдэг асуулт тавигдаж байна . Тогтмол тоог уг тогтмолыг
үргэлж нэг утга авдаг хувьсагчаар үржүүлсэнтэй адил гэж үзэх болно . Энэхүү хувь
сагчийн хоцроосон утга нь өмнөхтэйгөө ижил байх тул L-ээс хамаарсан хэсгүүд уг
тогтмолд хамаагүй гэсэн дүгнэлтэд хүрч , үүнийг дараах байдалтай бичиж болно :

Y t =(1−Ф1 L−Ф2 L2 )−1 δ +(1−Ф1 L−Ф2 L2)−1 ε t (1.8)

Эндээс бид E (Y t ) -г олж болох ч үүнийг дараагийн сэдэвт авч үзэхээр үлдээе. (1.7)-р
тэгшитгэлийг энэ хэлбэрт бичихийн ач холбогдол нь одоо ye - ийн утга зөвхөн тогтмол
болон суурь санамсаргүй хувьсагч болох ε t- ийн утгаас хамааран бичигдэж байна.
Ялгаврын тэмдгийг бид бас санах хэрэгтэй. Үүнийг бид:
∆=1−L

гэж тодорхойлдог . Тэгэхээр жишээ нь , ∆ Y t =( 1−L ) Y t −Y t−1гэх мэт . Үүнтэй адилаар:

2 2 2
∆ =( 1−L ) =1−2 L+ L

Энэ үр дүнг жишээгээр баталж үзвэл :

∆ 2=∆ ( ∆ Y t ) =∆ ( Y t −Y t −1 ) =∆ Y t −∆ Y t −1=¿

( Y −Y t−1 )− ( Y t−1−Y t −2 )=Y t −2 Y t−1 +Y t −2

13
болох бөгөөд шууд (1.9) -ыг ашиглавал мөн л ∆ 2 Y t =( 1−2 L+ L2 ) Y t=Y t−2 Y t −1 +Y t −2 болно .
Хоцроох тэмдгийн өндөр зэргүүдийг ашиглаж болох ч энэ номд зөвхөн ∆ , ∆2хоёр л
ашиглагдах болно .
Хоцроох болон ялгаврын тэмдэгтэй холбоотой анхааруулах нэг жижиг зүйл бий .
Энэ нь L Y tгэсэн илэрхийлэл байлаа гэхэд энэ маань L ( Y t ) -г товчилж бичиж байгаа хэрэг
бөгөөд Y t - г нэг үе ухраа гэсэн утгыг агуулна . Тэгэхлээр Y t L гэсэн зүйл бичиж болохгүй
байх нь . L тэмдгийг үргэлж санамсаргүй хувьсагчийн өмнө тавих хэрэгтэй . ∆- ийн хувьд
ч энэ анхааруулга мөн хүчинтэй .
1.7 Ялгаварт тэгшитгэл
Та дор дурьдагдах материалыг өмнө нь мэддэг байсан байж магадгүй , хэрэв тийм бол энэ
номонд гарах нилээд ойлголтууд тун хялбар болно гэсэн үг .
Бидний өмнө танилцсан AR(2) гэх мэт загваруудыг бид бодит амьдрал дээр ажиглагдах
тоон мэдээллийг үүсгэгч процессууд хэмээн төсөөлөн үзнэ . Эдгээр загварууд Y t хэрхэн
хувьсан өөрчлөгдөж байгааг тайлбарлах бөгөөд бидний хугацаан цуваан шинжилгээнд
бүгд динамик шинжтэй. (1.7)-р тэгшитгэлд байгаа AR(2) тэгшитгэлийг ялгаварт тэгшитгэл
гэж нэрлэдэг бөгөөд нэрнийх нь утга уг тэгшитгэлийн хоёр талаас Y t −1 - ийг хасвал
тодорхой болно :
∆ Y t =Y t −Y t −1 =δ + ( Ф1−1 ) Y t−1 +Ф2 Y t−2 + ε t

Энд Y t өмнөх утгуудаасаа хамааран өөрчлөгдөж байна . Одоохондоо гэхдээ өмнөх хэсэгт
үзсэн түвшингээрх илэрхийлэл нь бидэнд илүү тохиромжтой . Өмнө яригдсан зүйлсээ
ашиглан бид үүнийг дараах байдалтай бичнэ :

(1-Ф1 L−Ф2 L2 ¿ Y t =δ + ε t

Энэ илэрхийлэлд Y t шууд түүний хоцроосон утгуудаас , хоцроосон утгууд нь эргээдε t−1, €
ε t−2, ...- ээс хамаарч байна . ye - ийн хувьслыг цаг хугацаагаар шинжлэхийн үүнийг Y t − j-
гээс бусад хэсгүүдээр , энд тухайлбал δ ,Ф 1 , Ф2 , ε t ( болон түүний ухраасан утгууд ) -ээр
илэрхийлж Y t = F (δ ,Ф 1 , Ф2 , ε t , ε t −1, ... ) хэлбэрт бичдэг . Энэхүү функцийн хэлбэрийг нь
олж тогтоон у яг хэрхэнδ ,Ф 1 , Ф2 , ε t , ε t −1, ... гэсэн аргументуудаас хамаарч байна гэдгийг
олж тогтоосныгоо бид ялгаварт тэгшитгэлийн шийдлийг оллоо гэдэг.
(1.7) -д байгаа ялгаварт тэгшитгэлийн шийдлийг олсноор бид уг процесс суурин
эсвэл тэсэрдэг эсэхийг тогтоох боломжтой болох бөгөөд энэхүү асуудал нь хугацаан
цуваан шинжилгээний нэг чухал зорилго байх болно. Хэрэв бид уг шийдлийг олчихлоо
гэж үзвэл түүнийг (1.7) -д орлуулан тавихад тэнцэтгэл хангагдаж байх ёстой .
Ялгаварт тэгшитгэлийн шийдлийг олох нь заримдаа тийм ч амаргүй . Хамгийн
энгийн бөгөөд ойлгомжтой арга нь давтан орлуулалтын арга бөгөөд бид үүнийг дараах
бүлгүүдэд өргөнөөр ашиглах болно (өөрөөр хэлбэл , бид Y t - ийн хоцроосон утга болох
Y t −1 =δ+Ф 1 Y t −2+Ф 2 Y t −3+Y t−1- ийг (1.7) -руу орлуулах гэх мэтчилэн үргэлж лүүлсээр ямар
нэгэн байдлаар бүх Y t -ийн ураасан утгуудыг бүгдийг устгаж алга болгоно). Энд бид арай
өөр аргын талаар авч үзье .
Эхлээд өмнөхөөсөө арай илүү хялбар AR (1) загвар авч үзье :
Y t =δ + Ф1 Y t −1+ Y t

Эхлээд ялгаварт тэгшитгэлийн хоможен гэгддэг хэсгийг авч үзнэ .

14
Y t =Ф1 Y t−1

Уг ЯТ - ийн шийдэл Y ht = A α 2 , α ≠ 0 ,хэлбэрт байна гэж төсөөлье . Хэрэв үнэн бол үүнийг
(1.10) -д орлуулж тавихад тэнцэтгэл хангагдаж байх ёстой :

A α 2−Ф1 A α t −1=0

α t−Ф 1 α t−1=0

α −Ф1 =0

Тэгэхлээр α =Ф1 үед Y ht = A α t үнэхээр ЯТ - ийн хоможен хэсгийн шийдэл болж чадах бөгөөд
бидний анх хайж эхэлсэн шийдэл Y th= A Ф t1мөн . Эндээс та | Ф1 | > 1 үед Y thтэсрэх замтай
байхыг харж байгаа байх .
Одоо эргээд AR ( 2 ) загвараа авч үзье . Уг ЯТ - ийн хоможен хэсэг нь :
Y −Ф t Y t−1−Ф 2 Y t −2=0

Өмнөхтэй адил энэ ЯТ - ийн шийдэл нь Y th= A α t хэлбэртэй гэе . ЯТ - дээ үүнийг ор луулбал

A α t−Ф 1 A α t−1−Ф 2 A α t−2=0

α 2−Ф1 α −Ф2(1.11)

болох бөгөөд үүнийг характерист тэгшитгэл гэдэг. Энэ маань нэгэнт квадрат тэгшитгэл
учир y ht ,1 =A α t1 болон y ht , 2=A α t2гэсэн хоёр шийдэлтэй. Y t тогтвортой хувьслын замтай
байхын тулд α iабсолют утгаараа нэгээс бага байх ёстой . α i- г (1.11)-р тэгшитгэлийн
характерист язгуур гэж нэрлэдэг.
Дээрх тогтвортой байдлын шалгуур заримдаа хоцролтын полиноминалынх нь хувьд
тавигддаг бөгөөд энэ нь дээрх AR(2) загварын хувьд

(1−Ф 1 L−Ф 2 L2 ) (1.12)

бөгөөд тогтвортой байдлын нөхцөл үүний язгуур дээр тавигддаг (өөрөөр хэлбэл , (
1−Ф 1 z−Ф 2 z 2) - г тэгтэй тэнцүүлдэг 2- ийн хувьд ). Дэлгэрүүлж тайлбарлалгүйгээр
дурдахад (7.7) -р тэгшитгэлийн язгуурууд (1.11) -р тэгшитгэлийн язгууруудын ур вуутай
тэнцүү . Тэгэхлээр тогтвортой процесс байхын тулд 2 бүгд абсолют утгаараа нэгээс их
байх ёстой.
Энд хамгийн сүүлд яригдах ёстой зүйл бол (1.11) болон (7.7) -р тэгшитгэлийн
язгуурууд комплекс тоо байвал яах вэ гэсэн асуудал ( комплекс тоо гэж сөрөг тооноос
язгуур авахад гарч ирдэг тоо). Эдгээрийг бид дэлгэрүүлж авч үзэхгүй ч бодит тооны
абсолют утгыг авдаг шигээ комплекс тооны абсолют утгыг олж болохгүй гэдгийг санаж
байгаа байх . Комплекс язгуур байж болох ерөнхий тохиолдолд тогтвортой байдлын
нөхцөл нь нэгж тойргийн (хэвтээ тэнхлэгт бодит тоо , босоо тэнхлэгт комплекс тоон
тэнхлэг бүхий нэгж тойрог ) дотор байх ёстой гэсэн нөхцөл болон хувирна . Энэ нь бодит
тооны хувьд абсолют утгаараа нэгээс бага гэдэгтэй утга ижил .

15
 (1.11) -р тэгшитгэлийг AR (р) процесс руу хэрхэн дэлгэрүүлэх нь танд одоо ойл
гомжтой байгаа байх гэж бодож байна . AR (р) процесс нь :
Y t =δ + Ф1 Y t −1+ Ф2 Y t −2+ …+Ф p Y t −p + ε t

хэлбэртэй бөгөөд доорх характерист тэгшитгэлтэй :

α p−Ф1 α p−1−Ф2 α p−2−⋯−Ф p−1 α−Ф p=0 ( 1.13 )

Дээрхтэй адилаар, ( 1.13 )-р тэгшитгэлийн бүх характерист язгуурууд нь абсолют ут гаараа
нэгээс бага бол Уt тогтвортой хувьслын замтай байна. Үүнд харгалзах хоц ролтын
полиноминал тэгшитгэл дараах хэлбэртэй байна :

(1−Ф1 L−Ф2 L2 −…−Ф p L p )=0 (1.14)

Үүний бүх язгуур нь абсолют утгаараа нэгээс илүү (нэгж тойргын гадна) байж Y t
тогтвортой хувьслын замтай байна .

16
Бүлэг 2
EVIEWS-ийн удиртгал
Энэхүү бүлэгт онолын материалуудыг ойлгоход маань туслах EVIEWS програмтай
холбоотой зарим ойлголтуудыг өгнө. EVIEWS (Econometric Views) нь статистик,
эконометрик шинжилгээ хийх, загварт тулгуурласан урьдчилсан таамаглал (прогноз)
гаргах, симуляц явуулах зориулалт бүхий програм юм. Энэхүү програмын хэрэглээг
үндсэндээ цэсүүдийг нь ашиглан хэрэглэх эрхийн түвшин; командын мөрийг нь ашиглан
хэрэглэх дунд түвшин; програмын орчинд нь хэрэглэх ахисан түвшин гэж гурав хувааж
болно. Нэгэнт цэсүүдийг нь ашиглан EVIEWS-ийг хэрхэн ашиглах талаар Монгол хэлээр
өмнө нь бичигдсэн материал байгаа учир бид анхаарлаа аль болох ахисан түвшний
хэрэглээ рүү нь чиглүүлэх болно14. Хэдийгээр энэ түвшинд хугацаан цуваан шинжилгээнд
илүү тохиромжтой GAUSS, MATLAB зэрэг программын өндөр түвшний хэлүүд байдаг ч
EVIEWS-ийн цэсүүдийн цаана бэлэн бичигдсэн байгаа кодуудын өргөн цар хүрээ нь уг
дрограмын нэг давуу тал юм.
2.1 Тэмдэглэгээ болон бусад зүйлс
Энд EVIEWS-ийн цэсний сонголтууд ламин налуу үсгээр харин командууд бичгийн
машины үсгээр бичигдсэн байгаа. Мөн энэхүү бүлэгт дараах товчилсон үгсийг ашиглах
болно.
ХЗТД хулганы зүүн товчийг дар
ХБТД хулганы баруун товчийг дар
ХУХД 2 удаа хурдан дар (баруун товч).
Ажлын файлууд (Workfiles) бол EVIEWS-тэй ажиллах гол хэрэгслүүр юм. Тэнд та тоон
мэдээлэл болон түүнд хийсэн шинжилгээнийхээ үр дүнг хадгална. Ажлын файл бүр асар
их хэмжээний тоон мэдээлэл агуулах чадвартай. Та шинээр ажлын файл нээх гэж байгаа
бол (FILE- NEW- WORKFILE) гэсэн дарааллаар үүсгэнэ. Одоохондоо та мэдээллийн бааз,
програм, текст файл шинээр үүсгэх болоогүй.
Шинээр ажлын файл нээх гэхээр танаас тоон мэдээллийн тань давтамж, огнооны талаар
асууна. Хэрэв танд тодорхой давтамжтай тоо байгаа бол regular хэсгээс өөрийн давтамжаа
болон тоо эхэлсэн, дууссан он/сар/өдрөө оруул. Зарим тохиолдолд, ялангуяа хугацаан
цуваан бус шинжилгээнд, “Unstructured/Undated” гэсэн сонголтыг хийх нь зохимжтой байх
нь бий. Энэ тохиолдолд зөвхөн хэдэн үзэгдэл байгаагийнхаа тоог л оруулна (“DATA
RANGE” хэсэгт).хэрэв ажлын файл дотор хэд хэдэн тоон мэдээллийн цуваа байгаа бол
EVIEWS тэднийг тус тусад нь обьект болгон хадгална. Ажлын файл шинээр үүсэхэд resid
болон коеффициентийн вектор c гэсэн обьектууд байх бөгөөд цаашдаа тэнд хамгийн сүүлд
үнэлсэн регрессийн үлдэгдэл болон параметрүүдийг хадгална. c-ийн өмнөх (EVIEWS-ийн
зарим хувилбар дээр β, зарим дээр ньα гэсэн зураг) дүрс түүний параметрийн вектор
болохыг нь харуулж байгаа бол resid-д харгалзаж байгаа муруй зурвас нь уг обьект тоон
цуваа болохыг харуулж байдаг. Хэрэв та өөрөө гараар тоон мэдээлэл оруулах, эсвэл бусад
эх үүсвэрээс (Excel, Notepad, Wordpad) тоон мэдээлэл импортловол тэдгээрийн өмнө resid-
ийнхээ адил зураг харагдана. Тухайн тоон цуваан дээрээ 2 удаа дарвал (ХУХД) та уг
цувааг төрөл бүрийн хэлбэрт үзэх боломжтой болно (Excel-ийнх мэт тоон хүснэгтээр,
статистик шинж чанараар нь, эсвэл график хэлбэрт). Хэрэв та нэгээс илүү тоон цуваа
ашиглаж ямар нэгэн үйлдэл хийхийг хүсвэл эхлээд тэдгээр цуваагаа идэвхижүүлнэ (control

4
Жишээ нь, Энх-Амгалан (2015)-ын гарын авлагыг үз
17
дарж байгаад ХЗТД). Хэрэв та тэдгээр цувааг зэрэг үзэх (group) гэж байгаа бол идэвхижсэн
хэсэг дээр хулганы баруун гар талын товчийг дарж open group гэсэн сонголтыг (эсвэл
идэвхижсэн хэсэг дээр ХУХД), хэрэв тэдгээрийг ашиглан регресс бодох гэж байгаа бол
open equation гэсэн сонголтыг хийнэ. Хэрэв та сонгосон хувьсагчидтайгаа ажиллаад
дууссан бол энэхүү бүлгээ (group) хаах хэрэгтэй. Таны анхны тоон цуваанууд устана гэж
санаа зоволтгүй.
Цэсүүдийн дор (command menu) байгаа цагаан хэсгийг командын мөр гэдэг. Зарим
үйлдлийг энэхүү мөрөнд команд бичин гүйцэтгэвэл хялбар байдаг. EVIEWS-ийг улам сайн
эзэмших тусам та ихэвчлэн энэхүү командын мөрийг ашиглах болно.
2.2 Тоон мэдээлэл импортлох
Тоон мэдээллийг энгийн түвшинд импортлох хоёр арга бий. Эдгээрийг эхлээд тайлбарлая.
Excel-ээс:
EXCEL файлын багана бүрт тоон цуваагаа байрлуул.5 Тоон мэдээллмйн эхний нүд (жишээ
нь, А2), тоон мэдээлэл байгаа хуудасны нэр (хэрэв тухайн Excel файл нэгээс илүү
хуудастай бол) болон оруулж ирэх гэж байгаа хувьсагчийн тоог цээжил. EVIEWS дотроос:

 PROCS – IMPORT - READ TEXT LOTUS EXCEL

 Тэгээд Excel файлаа сонго (импорлогдох Excel файлаа та өмнө нь хаасан байх
ёстой).
 Шаардлагатай мэдээллийг оруул Names of series… гэсэн хэсэгт нэг бол оруулж ирэх
гэж байгаа тоон цуваануудынхаа нэрийг (хооронд нь зайтай), эсвэл хэдэн ширхэг
тоон цуваа оруулж ирэх гэж байгаагаа тоогоор нь бич. Хэрэв зөвхөн тоо бичвэл
EVIEWS EXCEL файлд байгаа нэрсийг (жишээ нь, А1-ээс эхэлсэн мөрөнд байгаа),
эсвэл автоматаар өөрөө нэр өгч оруулж ирнэ.
 ОК товчийг дар
Copy & Paste:
Хоёрдор арга нь Excel болон бусад текст едиторуудаас (Notepad г.м.) компьютерийн
санах ой руу тоогоо хуул (COPY). Тэгээд EVIEWS дотор:

 QUICK – EMPTY GROUP (EDIT SERIES)

 Хамгийн зүүн дээд талын нүхэн дээр ЗХТД
 БХТД тэгээд PASTE сонголт хий.
Энэхүү хүснэгт рүү та өөрөө тоог гараар оруулж бас болно. Ингэхийн тулд та цонхны
дээд талд буй EDIT± товчийг ашиглана. Энэ нь тухайн тоон хүснэгтэд өөрчлөлт хийх
зөвшөөрөл олгоно.
Програмын орчинд тоо импортлож оруулахыг хүсвэл FILE-NEW-PROGRAM гэсэн
дарааллаар эхлээд та програмаа бичих хоосон хуудас гаргаж авна. Үүн дээрээ та жишээ
нь дараах командуудыг бичнэ.

5
Хэрэв Excel-д байгаа тоон мэдээлэл тань баганаар бус мөрөөр өгөгдсөн байвал та үүнийг эхлээд хөрьүүлэх
хэрэгтэй. Үүний тулд бүх тоон мэдээллээ идэвхжүүлээд CTRL+C (copy) гэж санах ой руугаа хуулаад Excel-ийн
өөр нэгэн нүдэн дээр очоод CTRL+ALT+V (paste special) дарж шинээр гарч ирэх цонхон дотроос transpose гэсэн
үгийн өмнөх сонголтыг идэвхижүүлэн ENTER дарна.
18
 workfile togrog d5 6/29/2007 10/20/2009
read(e7, s=sheet1)c:\Lesson1\Exchange_rate.xls dollar
энд эхний мөрөнд togrog нэртэй ажлын файл үүсгэж, түүний эхлэх өдөр нь 2007 оны 6-
р сарын 29, хөрин дуусах өдөр нь 2009 оны 10-р сарын 20 гэж зааж өгч байна. энэхүү
огноон өмнө байгаа d5 тэмдэглэгээ нь уг ажлын файлд байх тоон мэдээллийг давтамж
нь өдрөөр болохыг заана (хэрэв 7 хоногийн 7 өдрөөр бол d7, 7 хоногоор бол w, сараар
бол m, улирлаар бол q, жилээр бол y гэх бөгөөд хэрэв ямар ч огноо ашиглахгүй зөвхөн
хэдэн ширхэг тоо импортлоно гэж бодож байгаа бол зүгээр u гэж тавина). Тэгээд уг
програмаа хадгалсны дараа (энэ жишээн дээр Mongol_data гэсэн нэр өгч хадгалсан)
програмын цонхны зүүн дээд өнцөгч буй RUN товч дарж ажиллуулна.
2.3 Шинээр тоон цуваа үүсгэх
Тэнд шинээр тоон цуваа үүсгэх шаардлага нэлээд их гарна. Жишээ нь та ямар нэгэн
хувьцааны үнэ агуулсан хугацаан цуваа p-г логарифм ашиглан өгөөжийн (үүнээс хойш
лог-өгөөж гэнэ) цуваа болгон хувиргахыг хүссэн гэвэл:

 QUICK – GENERATE SERIES

 Шаардлагатай тэгшитгэлээ оруул. p-ээс өгөөжийг олохын тулд:
rp=log(p) - log(p(-1))
 OK дар
rp нь одоо өгөөжийн тоон мэдээлэ агуулсан шинэ хугацаан цуваа болсон. Энд p=p t, харин
p(-1)=pt-1 болохыг анзаар. Энэ үйлдлийг мөн командын мөр ашиглан гүйцэтгэж болно.
Хэрэв та команд ашигласан бол дээрхээс жишээ нь эхний алхмыг нь хийх шаардлагагүй
болно. Командын мөрөн дээр:

 genr rp = log(p) – log(p(-1)) эсвэл, series rp = log(p) – log(p(-1))

 ENTER дар.
үүнийг хялбараар:

 genr rp = dlog(p)
гэж ч гарган авч болно.
Genr болон series гэдэг нь EVIEWS-ийн шинэ тоон цуваа үүсгэдэг команд болно. Эхнийхээ
тоон цувааг импортлож сурсныхаа дараа та ажлын файлаа хадгалах хэрэгтэй: FILE хэсгээс
SAVE-г сонгох бөгөөд хадгалсан файл тань wf1 өргөтгөлтэй байна.
2.4 Регресс
Регресс үнэлэх хэд хэдэн арга бий. Таны ажлын файлд y болон x гэсэн тоон цуваанууд
байсан бөгөөд та y-нь x-ээс хамаарсан регресс бодохыг хүссэн гэе.
Өөрөөр хэлбэл та дараах регрессийн тэгшитгэлийн α болон β параметрүүдийг үнэлэхийг
хүсчээ: y t =α + β x i+ ε .

 y болон x-ийг сонгож идэвхижүүл.

 ХУХД, тэгээд OPEN EQUATION сонголт хий.

19
  Тэгшитгэл оруулдаг цонхон дотор та y c x гэж бичигдсэнийг харна. y болон x нь
таны сонгосон хувьсагчид. EVIEWS тогтмол параметр c-г автоматаар оруулчихсан
байдаг. Заншил ёсоор эхний хувьсагч нь хамаарах хувьсагч, бусад бүх хувьсагчид
нь тусгаар хувьсагчид болдог. Хэрэв та тогтмол параметргүйгээр регресс бодмоор
байгаа бол энд c хэсгийг тусгаарай6. Мөн хэрэв та нэмэлт хувьсагч оруулах
хүсэлтэй байгаа бол түүнийгээ энд мөн нэмж бичиж болно. Хэрэв жишээ нт та xt-1
гэсэн хувьсагчийг регрессдээ нэмж оруулъя гэвэл x(-1) гэж дарааллын эцэст
бичээрэй (үүний тулдx(-1) хувьсагчийг шинээр бий болгох шаардлагагүй).
 ОК дар.
Үүний дараа та стандарт регрессийн үр дүн агуулсан хүснэгттэй болох бөгөөд үүнийг та
өөрөө тайлбарлаж чадна гэж бодож байна. хэрэв та ой тогтоолтдоо эргэлзэж байгаа бол
дурын статистикийн сурах бичиг сөхөн үзээрэй. Мөн та энэхүү үйлдлийг командын мөрөн
дээр:

 ls y c x гэж бичээд
 enter
дарвал яг адил үр дүнд хүрнэ. Тэгшитгэлийн цонхны зүүн дээд өнцөг дэх VIEW товчийг
дарж та одоо регрессийн үр дүнгээ янз бүрийн хэлбэрээр үзэх , эсвэл төрөо бүрийн
шалгуур хийхэд хэрэглэнэ. Хэрэв та регрессийн тэгшитгэлээ бага зэрэг өөрчилж дахин
бодохыг хүсвэл ESTIMATE товчийг сонгоорой. Зарим тохиолдолд та регрессийнхээ
үлдэгдлийг ашиглан шинэ цуваа гаргаж авах болон өөр зорилгоор хадгалах шаардлагатай
болдог. EVIEWS-ийн resid цуваан дотор хамгийн сүүлл хийсэн регрессийн үлдэгдэл л
хадгалагддаг гэдгийг санаж байгаа байх. Регрессийн үлдэгдлийг хадгалахын тулд шинээр
цуваа (жишээ нь, res1) үүсгэх хэрэгтэй: genr res1 = resid
resid доторх утга шинээр регрессүүд үнэлэх үед өөрчлөгдөх ч res1 цуваа одоо
өөрчлагдахгүйгээр хагалагдчихлаа. Мөн ажлын файлын с обьект доторх утгууд хамгийн
сүүлд бодогдсон регрессийн параметрүүдийш хадгалж байдаг. Хэрэв та эдгээрийг
хадгалъя гэвэл шинээр коеффициентийн вектор үүсгэж дотор нь хадгалах хэрэгтэй. Жишээ
нь: coef c_save=c, гэвэл шинээр c_save, гэсэн коеффициентэн вектор үүсч хадгалагдана.
Та регрессийг тэгшитгэлийн тодорхой үр дүнг хадгалахыг хүсэж болно. Үүний тулд
NAME гэсэн товчийг ашиглаарай. Танаас тухайн тэгшитгэлд өгөх нэр асуух болно. Үүний
дараа таны тэгшитгэл ажлын файл дотор нэг обьект болон орж ирнэ.
2.5 EVIEWS-ийн орчинд програмчлах нь
Өмнөх хэсэгт бид цэснүүдээс сонголт хийхээс гадна нэг мөртэй команд бичиж түүнийгээ
EVIEWS-ээр гүйцэтгүүлж байсан (2 мөртэй програм бичиж тоон мэдээлэл импортолж
оруулж ирснийгээ үл тооцвол). Жишээ нь хэрэв та:
ls y c x1 x2
гэж командын мөрөнд бичвэл EVIEWS хамааран хувьсагч y-г тогтмол болон x1, x2 гэсэн
хоёр тайлбарлах хувьсагчаас хамааруулан регресс бодож өгнө. Програм гэдэг нь
командуудын цуглуулгыг хэлэх бөгөөд тэдгээрийг нэг дор гүйцэтгэдэг. Жишээ нь дээрх

6
Гэвч ийнхүү тогтмол хэсэг оруулаагүй тохиолдолд R2 болон бусал тайлагнагч статистикүүд ердийн утгаа
алддаг болохыг анзаараарай.
20
тоо импортлодог програм дээр саяны регресс бодох командыг нийлүүлвэл нэг програм
биччихлээ гэсэн үг болно. Програм бичихийн ач холбогдол нь:
1. Ижил төстэй шинжилгээг өөр болон шинэчилсэн тоон мэдээллийн хувьд давтан
хийхэд маш амар болно.
2. Зарим шинжилгээ нэг зүйлийг маш олон дахин давтан гүйцэтгэхийг шаарддаг.
Түүнд тохирсон програм бичсэнээр та тэрхүү давтагдсан ажлуудаа компьютерээр
гүйцэтгүүлэх боломжтой болно.
3. Програм бичих нь та үндсэндээ ямар шинжилгээ хийж байгаа талаараа тэмдэглэл
хөтөлж байна гэсэн үг. Энэ нь өмнө нь юу хийснээ эргэн санаж ойлгох, алдааг нь
залруулахад маш чухал үүрэгтэй.
4. Энгийн болон дунд түвшинд ашиглах боломжгүй битүү тооцоо (loop) болон
нөхцөлт салбарлалт (conditional branching) гэсэн үйлдлүүдийг хийх боломжтой
болно.
Хэрэв та өмнө нь Visual Basic, C, C++, Matlab, GAUSS гэх мэт програмын хэлүүдтэй
танилцаж байсан бол энд маш олон зүйлс адилхан бүтэцтэй болохыг нь харна. EVIEWS-
ийн HELP цэсэнд байрладаг. Мөн хүмүүч бие биенээсээ асууж тодорхой асуудлуудаа
шийдэх боломжийг олгодог форумтай: //forums.eviews.com/
2.5.1 Анхны програм
Өмнө бичсэн тоо оруулж ирдэг програм маань уул нь ахных. Түүнтэй адилаар тоон
мэдээлэл оруулаад ирчихсэн IBM.wf1 гэсэн ажлын файл бидэнд байсан гэж үзье. Энэ нь
АНУ-ын хувьцаан дахь зах зээлийн S&P500 индекс болон IBMI-ийн хувьцааны үнийн
11080 үзэгдэл агуулж байгаа. Бид нэгэнт EVIEWS-ийг энгийн түвшинд ашиглаад үзчихсэн
учир одоо програмын түвшинд ашиглах нь ямар ач холбогдолтой болохыг үзнэ.
Өмнөхтэй адил EVIEWS онгойлгосоны дараа FILE-NEW-PROGRAM сонголтыг хийгээд
шинэ програмын хуудас нээ. Энэхүү хуудсан дээрээ та хоёр төрлийн зүйл бичиж болно.
Эхнийх бидний мэдэх жинхэнэ програмын хэсэг. Удаах нь ’ тэмдгийн дараа бичих
програмын тайлбар (EVIEWS крилл фонт танихгүй, тэгэхээр энэхүү тайлбараа датинаар
бичих ёстой). Энэхүү тэмдгийн дараах хэсгийг EVIEWS уншдаггүй бөгөөд үүнийг та
бичсэн програмаа өөртөө болон бусдад ойлгомжтой болгохын тулд тайлбар бичихэд
ашиглана. Програм урт болсон үед ийм төрлийн тайлбар нь бусдын хувьд зайлшгүй
байгаад зогсохгүй таны хувьд ч маш чухол гэдгийг бүү мартаарай.
Тэгээд бид эхэлбэл:
’Ene bol bodnoo anhnii program
’Enehuu program gants kommandaas butsen bogood ene ni IBM.wf1 gesen ajliin file-iig duudaj
oruulj irne.
’Ug file haana hadgalagdsaniig olood programiin zamiig zasaarai
load c:/teaching/ibm.wf1
Одоо RUN гэсэн товчийг, тэгээд гарч ирэх цонхон дээр ОК дарвал програм ажиллана.
Цаашаа үргэлжлүүлэхээсээ өмнө энэхүү програмаа өргөтгөн зөвхөн ажлын файл нээх биш
бас S&P500 индекс болон IBM-ийн хувьцааны өгөөжийг тооцоолон үр дүнг нь IBM2.wf1
гэсэн ажлын файл болгон хадгалъя.
21
’Dorh command IBM.wf1 gesen ajliin file-iig duudaj oruulj irne.
’Ug file haana hadgalagdsaniig olood programaa zasaarai
Loafd c:/teaching/es5512/ibm.wf1
’log ogoojiig tootsyo
series sp500_ret = log(sp500) – log(sp500(-1))
series ibm_ret = dlog(ibm)
save c:/teaching/ibm2.wf1
Энд мэдээж series гэсэн командын genr гэсэн команд ашиглаж болно.
2.5.2 Үндсэн ойлголтууд
Ерөнхийдөө EVIEWS обьект гэгддэг зүйлстэй ажилладаг. Бид ibm.wf1-ыг оруулж ирэхэд
маань 4 обьектыг агуулж байсан: 3 тоон цуваа (ibm8 sp500 болон resid; сүүлчийнх нь
үргэлж EVIEWS ажлын файл дотор байж байдаг), бас с гэдэг коеффициентийн вектор
( регресс бодох бүрд тань энэхүү коеффициентийн векторын утга шинэчлэгдэж байна).
Тэгэхээр бид тоон цуваа болоэ коеффициентийн вектор гэсэн хоёр төрлийн обьект мэддэг
боллоо.

coef series
equation graph
matrix model
sample scalar
vector group
Хүснэгт 2.1: EVIEWS-т өргөн хэрэглэгддэг обьектүүд
Хүснэгт (2.1)-т үүнээс гадна өргөн ашиглагддаг зарим обьектуудыг дурдаж байна (энд
дурдаагүй бас бий):
Ерөнхийдөө бид үргэлж обьектыг ашиглахаасаа өмнө түүний хэлбэрийг зардах ёстой.
Бидний дээр үүсгэсэн цуваан хувьд энэ нь
series sp500_ret
sp500_ret = log(sp500) – log(sp500(-1))
гэж бичих ёстой гэснэ үг. Эхний мөр нт ямар нэртэй обьект бий болгож буйг зарлаж байгаа
бол удаах нь уг обьектыг хэрхэн үүсгэж буй томьёог агуулж байна.
EVIEWS мөн бидний дээр бичсэнчлэн зарлал болон тодорхойлолт хоёрыг нэг мөрөнд
бичихийг зөьшөөрдөг.
series sp500_ret= log(sp500) –log (sp500(-1))
Гэхдээ энд хоёр тусдаа зүйл хийгдэж байгааг мартах ёсгүй. Обьектуудын хувьд бүгдэнд нь
хүчинтэй үйлдлүүд бий. Жишээ нь түүнийг устгах:
delete sp500_ret
22
шинэ нэр өгч хадгалах:
copy sp500_ret sp500_ret_new
эсвэл нэрийг нь өөрчлөх г.м.
rename sp500_ret returns_sp500
Ямар ч програмын хэлд байдагчлан бага зэргийн ч гэсэн алдаа програмыг ажиллуулахгүй
зогсооно.
2.5.3 Регрессийн шинжилгээг програмын орчинд хийх нь
Мэдээж та энд яригдах програмын жижиг хэсгүүдийг нийлүүлээд бүтэн програм болгож
болно. Регресс нь мөн EVIEWS-ийн нэг обьект учир түүнийг бид эхлээд зарлаж түүнд бид
регресс бодож байна гэдгээ анхааруулах ёстой, тэрхүү регрессээ eq1 гжу нэрлэе.
equation eq1
Дараа нь бид IBM-ын өгөөжийг хамааран хувьсагч, харин S&P500-ийн өгөөжийг
тайлбарлах хувьсагч болгосон регресс үнэлэхийг хүслээ гэж үзье. Тө санхүүгийн хичээл
үзсэн бол энэ нь Зах Зээлийн Загвар (Market Model) болохыг санаж байгаа байх.
eq1.1a ibm_ret c sp500_ret
Хэрэв та энэ програмыг ажиллуулбал таны ажлын файл дотор eq1 гэсэн хаягтай
тэгшитгэлэн обьект үүсэхийг харах болно. Хэрэв та тэрхүү тэгшитгэлэн обьект дээр
ХУХД-вал та ердийн регрессийн үр дүнтэй цонх гарган авна (энэ цонх автоматаар
нээгдчихсэн байж бас магадгүй). Та EVIEWS ашиглаж байсан өмнөх туршлагаасаа хамгийн
сонирхолтой үр дүнгүүд нь энэ цонхны VIEW товчийг дарсны дараа гарч ирдгийг санаж
байгаа байх. Энд үлдэгдлийн зураг болон зарим загварын тавилтын шалгууруудын үр дүн
байдаг. Эдгээр зүйлсийг бүгдийг EVIEWS-ийн хэлэнд обьектын үзүүлэн (view) гэж
нэрлэдэг. Обьект бүр өөрийн гэсэн өвөрмөц үзүүлэнгүүдтэй байдаг бөгөөд та тэдгээрийн
талаар EVIEWS-ийн програмын гарын авлагаас дэлгэрүүлэн авч үзэж болно. Энэ хэсэгт бид
ихэвчлэн регрессийн шинжилгээг сонирхож байгаа учир тэгшигтгэлэн обьекттой л
ажиллана.мэдээж цуваа, коеффициент матрицан обьектуудын үзүүлэнгүүд гэх мэтчилэн
байх бөгөөд тэдгээрээс хамгийн чухлыг нь ялгаж тайлбарлая гэсэн ч энэхүү бүлэгч
багтахгүй. Регресс үнэлсний дараа жишээ нь та бүтцийн өөрчлөлтийн Чау(Chow) шалгуур
хийхийг хүслээ гэе. Хэрэв регрессийн цонх нээлттэй байвал та мэдээж
VIEWS-STABILITY TESTS-CHOW BREAKPOINT TEST
гэсэн сонголт хийнэ. Үүний дараа EVIEWS бүтцийн өөрчлөлт хэзээ гарсан байж болох
талаарх саналыг тань асууна. Хэрэв та энэ шалгжжрыг програмын орчинд бүтцийн
өөрчлөлт болсон байж магадгүй огноог нь 5000 дахь үзэгдэл гэж хэрэгжүүлбэл:
eq1.chow 5000
Энэ үед тэгшитгэлийн цонх нээгдэж түүн дээр нь Чау шалгжжрын үр дүн харагдах болно.
Энэхүү команд дээр тулгуурлан EVIEWS-ийн бүх обьектын үзүүлэнгийн ерөнхий бүтцийг
харуулвал:
objectname.view(view_options) list_of_argumrnts
23
Энэ тохиолдолд objectname бидний үнэлсэн тэгшитгэлийн нэр буюу eq1, харин view буюц
үзүүлэн нь Чау шалгуур юм. Чаугын шалгуурт options буюу сонголтууд ашиглагдсангүй.
Зарим үзүүлэнг гаргаж авахын тулд бид сонголтуудаа зааж өгөх ёстой, харин заримд нь,
жишээ нь энэ тохиолдолд, сонголт байх шаардлагагүй; програмын гарын авлагаас
дэлгэрүүлэн уншиж болно. Зарим үзүүлэлтийн хувьд орц хэрэгтэй. Дээрх Чау шалгуурын
хувьд орц нь тэгшитгэлийн бүтэц хэзээ өөрчлөгдсөн байж болох огноо буюу 5000 дахь
үзэгдэл байлаа. Обьектууд үзүүлэнтэй байхаас гадна бас тоон гишүүдтэй (data members.
Энэ нь EVIEWS-ийн хэллэг бөгөөд бид түүнийг илүү ойлгомжтойгоор тэгшитгэлийн
гарцууд гэж болно). Eq1 нэрт тэгшитгэлийн жишээн дээр эдгээр нь үлднгдлийн
квадратуудын нийлбэр, t-шалгуурууд, Дурбин-Ватсоны шалгуур гэх мэт нь юм. Тоон
гишүүний нэг жишээ болох регессийн R2-ыг дуудан r2bar гэдэг скаляр дотор бичвэл.
scalar r2bar
r2bar = eq1,rbar2
Тоон гишүүдийг эхлээд ямар обьектоос (objectname) гарч ирэхийг бичээд (энд eq1) дараа
нь цэг, тэгээд тоон гишүүний нэрийн @datamembername гэж бичиж дууддаг. Тэгшитгэлэн
обьектын өөр нэг чухал тооон гишүүн бол үнэлэгдсэн коеффициентүүд буюу eq1.coefs.
Энд i нь аль коеффициентийг та сонирхож буйг тань илэрхийлэх ёстой (1=эхнийх, 2=удаах
гэх мэт). Үүнтэй адилаар бид бас тодорхой параметрт харгалзах t-шалгуурыг eq1.tstats(i)
гэж, стандарт алдааг нь eq1.stderrs(i) гэж дуудаж болно. Програмын гарын авлагаас бусад
тоон гишүүдийн талаар дэлгэрүүлэн үзээрэй.
Зарим тохиолдолд регрессийг түүврийн зөвхөн тодорхой хэсгийг ашиглан үнэлэх
шаардлагатай болдог. Регрессийн цонхны зүүн доод өнцөгт регресс үнэлэгдэх түүврийн
хэмжээг сонгож болдгийг та санаж байж магадгүй. Мэдээж үүнийг бас програмын орчинд
хийж болно. Жишээ нь та түүврийнхээ зөвхөн эхний 1000 үзэгдлийг регрессийн үнэлгээнд
ашиглахыг хүсвэл регрессийн команд бичихээсээ өмнө дараах мөрийг оруулна.
smpl 1 1000
энэ мөрийг оруулснаа хойш регрессийн үнэлгээгээр зогсохгүй бүх хэсэгт энэхүү
хязгаарлалт үйлчилнэ гэдгийг санах хэрэгтэй (жишээ нь, графикууд), үүнийг та хүсээгүй
байж болно. Тэгвэл та регресс үнэлснийхээ дараагийн мөрөнд
smpl @all
команд бичвэл EVIEWS эргээд бүх байгаа мэдээллийн ашиглана. Эцэст нь дурдахад
ЕХБКА (буюу .1s) нь EVIEWS-ийн тэгшитгэл үнэлэх цорын ганц арга биш бөгөөд та .gmm
буюу Ерөнхий Моментын Арга (Generalised Method of Moments), .tsls буюу хоёр алхамт
хамгийн бага квадратын арга (two stage least squires)-ыг мөн ашиглаж болно. Одоохондоо
гэхдээ ЕХБКА-аар хязгаарлагдая.
2.5.4 Гарцыг файл руу хадгалах
Та нэг тодорхой тоон дээр мэдээллийн хувьд янз бүрийн үнэлгээ хийж шалгуурууд
ажиллуулсан гэе. Хэрэв та эдгээрийг зөвхөн ганц удаа л хийх бол энгийн түвшинд
EVIEWS-ийг ашиглах магадгүй хялбар байж ч болно. Харин хэрэв та эдгээр тооцооллыг
давтан хийж байх ёстой, эсвэл таны анхны тоон мэдээлэлд ямар нэгэн алдаа байгааад та
тооцооллоо дахин хийх ёстой болбол та програм бичсэндээ үнэхээр баярлах бөгөөд бүх
зүйлсийг ганц товч (RUN) дараад л давтан гүйцэтгэн. Үнэлгээний бүх үр дүнгээ текст
24
файлруу хадгалж байх нв иөн энэхүү ажлын горимын давуу талыг бүрэн гүйцэд ашиглах
нэг алхам юм. Програмынхаа эхэн хэсэгт, командаа бичихээсээ өмнө, дараахтай адил
мөрийг оруулах ёстой:
output(t) c:/teaching/ibmout.txt
энэхүү мөр нт EVIEWS-т таны тооцооллын үр дүнг хаана хадгалах ёстойг зааж өгнө (энд
ibmout.txt). Тэгэхгүй бол хэвлэгдэх үр дүн нь таны хэвлэгч рүү очно. Үр дүнг хэвлэх хоёр
арга бий. Дээрх Чау шалгуурын хувьд дараах хоёр мөр яг адил даалгавар гүйцэтгэнэ:
print eq1.chow 5000
eq1.chow(p) 5000
Энд та нэг бол print гэсэн командыг шууд өгөх (эхний мөр) эсвэл Чаугын шалгжжрын
үзүүлэнд суучихсан байдаг сонголтыг идэвхижүүлэх боломжтой. Ихэнх командын хувьд
(p) гэсэн сонголт нь үр дүнг хэвлэх ёстойг EVIEWS-т зааж өгч байдаг.
Регрессийн үр дүнг өөрийг нь дараах хоёр мөрний нэгийг бичиж хэвлэж болно:
print eq1.ls ibm_ret c sp500_ret
eq1.ls(p) ibm_ret c sp500_ret
Програмынхаа эцэст та дараах мөрийг оруулж байх ёстой.
output off
Ингэхгүй бол EVIEWS—ийг ашигдах болгонд бүх үр дүнг тань дээрх файл руу илгээгээд
байх болно. Цаашаа үргэлжлүүлэхээсээ өмнө одоогоор танилцсан байгаа зүйлсийг маань
оруулсан нэг бүтэн програм үзүүүлье. Энэхүү програм юу хийх гэж байгааг ойлгож байгаа
эсэхээ шалгаарай (замыг нь өөрийнхөө компьютерт тааруулан засаарай). Мөн энд алдаа
байгаа түүнийг олж засаарай.
’toon medeelel oruulj irye
load c:\teaching\eviews\ibm
output(t) c\teaching\eviews\ibmtest.txt
’log ogoojiig tootsyo
series sp500_ret = log(ibm) – log (sp500(-1))
series ibm_ret = log(ibm) – log (ibm(-1))
ibm_ret.correl (24, p)
equation eq1
eq1.ls(p) ibm_ret c sp500_ret
print eq1.correl (10)

25
ssr = eq1.ssr
save c:/teaching/eviews/ibm2.wf1
output off
Ийнхүү гарцыг хадгалах явцад график тааралдвал тэр нь файл руу биш, харин таны
ашигладаг хэвлэгч рүү очно.
2.5.5 График үүсгэх
Хэрэв та хэд хэдэн тоон цувааг зэрэг зурахыг хүсвэл тэдгээрийг эхлээд нэгтгэсэн бүлэг
(group-энэ нь EVIEWS хэлэн дэх бас нэг обьект бөгөөд маш хэрэгтэй үзүүлэнгүүдтэй)
үүсгэсэн нь дээр.
group gp1 sp500_ret ibm_ret
Түүний дараа бид жишээ шугаман график үүсгэхийг хүсвэл дараах мөрийг бичнэ.
graph grl.line gp1
Командын эхний хэсэг нь gr1 гэсэн график үүсгэж буйг зарлаж байгаа бол удаах хэсэг нь
gp1 бүлэг дэх бүх цуваан хувьд шугаман график үүсгэ гэсэн даалгаврыг агуулж байна.
Үүний дараа таны ажлын файл дотор график обьект үүссэн байх болно. График обьектын
хэмжээсийг нь өөрчлөх, тэнхлэгүүдэд нь нэр өгөх гэх мэтээр янз бүрийн байдлаар өөрчлөн
засварлаж болно. Мөн график файлаа хадгалан түүнийгээ дараа нь Word-ын ч юм уу файл
руу оруулж болно. Дараах команд ibmgraph.wmf гэсэн график файлыг заасан хавтсан дотор
тань үүсгэнэ.
gr1.metafile c:\teaching\eviews\ibmpraph
2.5.6 Вектор матриц хоёр
Та вектор болон матрицын талаар зохих мэдлэгтэй, тэдгээртэй холбоотой үйлдлийн
дүрмүүдийг бас мэддэг байх ёстой. EVIEWS програмын хувьд эдгээр нь хэдийгээр чухал
үүрэгтэй ч магадгүй хамгийн чухал хэрэгцээ нь өнхөрч регрессийн үр дүнг хадгалана.

Өмнөхтэй адил матриц болон вектор ашиглахаасаа өмнө тэдгээрийг зарлах ёстой.
Команд нь дараах байдалтай:
matrix (4,2) mata
Энд 4 мөр 2 баганатай mata гэсэн матрицыг зарлаж байна. Одоохондоо энэ матриц дандаа
0-ээс бүтэж байгаа. Та одоо матрицынхаа элементүүдийг оруулж өгнө. Вектор гэдэг бол
матрицын нэг мөр эсвэл баганатай байх үеийн тусгай тохиолдол гэдгийг санаж байгаа
байх. EVIEWS мөрөн векторыг rowvector харин баганан векторыг columnvector гэж
нэрлэдэг.
Матрицын хоёр баганын хувьд хоёр шугаман график зурна. Хэрэв та хоёр баганын зөвхөн
нэгийг нь дүрслэн харуулахыг хүсвэл тухайн баганыг эхлээд салган авч дараа нь дээрхтэй
адил дүрслэх хэрэгтэй.
vector mata2 =@columnextract (mata, 2)
26
mata2.line
2.5.7 Битүү гогцоо (Loop)
Энэ нь програмын горимын танд олголж буй маш хүчтэй хэрэгслүүдийн нэг юм. 100 мөр 2
баганатай матриц үүсгэе. Түүнийгээ эхний баганыг битүү гогцоо ашиглан нэгээс нэгж
алхамт дарааллаар дүүргэе. Удаах баганыгстандарт нормал тархалтаас санамсаргүйгээр
сонгон авсан тоогоор дүүргэе:

matrix (100, 2) test

series rand = nrnd
for !i = 1to 100
test (!i, 1)= !i
test (!i, 2)= rand test (!i)
next
энэ кодыг бага зэрэг тайлбарлах хэрэгтэй байх. Өмнө нь үзсэнчлэн бид дүүргэх гээд байгаа
test нэртэй матрицаа зарлаж байна. Түүний дараа бид элемент бүр нь стандарт нормал
тархалттай (~N (0, 1)) санамсаргүй тооноос бүрдсэн цуваа үүсгэж байна. Nrnd гэдэг
EVIEWS-ийн команд нь ийм санамсаргүй тоо үүсгэдэг. Түүний дараа бид битүү гогцоогоо
эхлүүлж байна. Битүү гогцоо бүр дараах бүтэцтэй байдаг.
for !counter = эхлэл to төгсгөл
'давтагдах ёстой командууд
'эдгээр команд нь ихэвчлэн
'тоологч хувьсагч болох !counter-д тулгуурладаг
next
2.5.8 Нөхцөлт салбарлалт (Conditional brancching)
Энэхүү хэсэгт бид EVIEWS-ийн программын горимын өөр нэг давуу талтай танилцана.
Энэ нь if буюу хэрэв гэсэн команд юм. Энэхүү команд нь үйлдлийн дараалал өмнөх үр
дүнгээс хамаарч буй үед маш чухал байдаг. if гэсэн команд нь дараах ерөнхий бүтэцтэй:

if нөхцөлт мэдэгдэл then

'энэхүү нөхцөлт мэдэгдэл биелэгдсэн бол
'тодорхой командуудыг гүйцэтгэнэ
else
'энэхүү нөхцөлт мэдэгдэл биелэгдээгүй бол
'өөр командууд биелэгдэнэ
endif
27
Нөхцөлт мэдэгдэл хэрэв үнэн бол компьютерт then салбарт байгаа командуудыг, үгүй бол
else гэсэн салбарт байгаа командуудыг гүйцэтгэнэ.
2.5.9 Туслах программ (Subroutine)
Туслах процедур гэдэг нь таны програмын үндсэн хэсэгт хийгдэх ажлыг ондоо газар
гүйцэтгэж байгаа (аутсорсинг) жижиг хэмжээний кодыг хэлдэг. Эдгээрийг үндсэндээ хоёр
шалтгааны улмаас хийдэг. Нэгдүгээрт, жижигхэн хэмжээний кодыг тогтмол хэрэглэх ёстой
байлаа гэхэд тэдгээрийг хэрэглэх болгондоо эх програмдаа бичээд байхын оронд өөр газар
биччихээд түүнийг дуудах нь програм илүү цомхон байх боломжийг бүрдүүлдэг.
Хоёрдугаарт, уул нь зарчмын хувьд гүйцэтгэхэд хялбар ч их зай эзэлсэн програмчилал
агуулсан програмын тэрхүү нуршуу хэсгийг өөр газар бичээд түүнийгээ эх кодоосоо
дуудах нь програмтай уншиж танилцаж байгаа хүнд амар байдаг.

subroutine local subtest (series in_a, scalar in_b, series out_c)

'in_a, in_b болон out_c-г ашиглан ямар нэг зүйл хийнэ
endsub
Та тодорхой утга хүртэл эерэг тооны нийлбэрийг олдог туслах процедуртай болохыг
хүслээ гэж бодъё. Хэрэв x=100 гэж өгвөл энэхүү процедур 5050 гэсэн үр дүн өгнө. Үүнийг
та дараах байдалтай хийж болно:
scalar in _x=100
scalar out_res
call niilber (in_x, out_res)
'*****subroutine section********
subroutine local niilber (scalar in_a, scalar out_b)
out_b=0'bid tegees ehelj nemne
for !i=1 to in_a
out_b=out_b+!i
next
endsub
2.6 EVIEWS-ийн өргөн хэрэглэгддэг командууд
EVIEWS-ИЙН командуудыг бүгдийг цээжлэнэ гэдэг боломжгүй зүйл. Зарим командыг
байнга хэрэглэсээр байгаад удалгүй тун танил болчихдог. Гэхдээ хамгийн чухал хэдэн
командуудыг энд оруулах нь зүйтэй.

2.7 Монте Карло шинжилгээ

log(x) x-ийн натурал логарифмыг авах

x(-1) x-ийг нэг үе ухраах

28
x(-2) x-ийг хоёр үе ухраах
d(x) x-x(-1)
scalar a=21,3 a-д тодорхой утга өгөх
scalar b=3^3 b-д 3*3*3=27 гэсэн утга өгч байна
genr a=b*b шинэ цуваа үүсгэх, энд жишээ нь, b-ийн квадрат
genr dy=y-y(-1) dy гэсэн шинэ цувааг y-ийн эхний ялгавар гэж тодорхойлж байна
(үүнийг мөн genr dy=d(y) гэж тодорхойлж болно).
Монте Карло шинжилгээг сүүлийн үед эконометрик, санхүү, болон эдийн засгийн
загварчлалд өргөнөөр ашиглах болсон. Энэ нь судлагдаж буй статистикийн шинж чанар,
үйл хөдлөлийг компьютерийн хиймэл ертөнцөд шинжилж судлахыг хэлдэг. Үүний
хэрэглээг үндсэнд нь хоёр ангилжболно:
1. Үнэлэгч болон шалгуурын онолын болон асимптотик шинж чанарууд нь
хязгаарлагдмал түүврийн хувьд болон практикт хэр сайн хадгалагдаж байна вэ, хэр
хангалттай ойролцоологдож байна вэ гэдгийг шалган, судлах
2. Компьютерийн хүчин чадлыг ашиглан ямар нэгэн процессын эсвэл үнэлэгч болон
шалгуур гэх мэт хэмжигдэхүүнүүдийн аналтик, онолын аргаар судлах боломжгүй
шинж чанаруудыг тогтоох, статистик тархалтуудыг нь гарган авахад хэрэглэж
байна.
Монте Карло шинжилгээ нь ерөнхийдөө дараах алхмуудаас бүрдэнэ:
1. Симуляцлах жинхэнэ загвараа тогтоож авах. Ө.х ТҮП-оо тодорхойлох
2. Уг загвараа ашиглан тоо мэдээлэл шинээр бий болгох
3. Бий болгосон тоон мэдээллээ ашиглан сонирхсон үнэлэгч, эсвэл шалгуур
статистикаа тооцоолно
4. 2,3-р алхмыг маш олон дахин давтана
5. Сонирхсон статистик тань шаардлага хэр хангаж буйг үнэлнэ.
Монте Карло шинжилгээг хийж гүйцэтгэх EVIEWS програмыг дараах байдалтай бичиж
болно.
wfcreate u 100
scalar replication=100 'ta uurchilj bolno
matrix(replication, 10) results_mean
rndseed 19
for !i=10 to 100 step 10
for !j=1 to replication
smp1 @first !i

29
 series x=@rchisq(1)+@qtdist (rnd, 30)
results_mean (!j, !i/10) =@mean(x)
next
vector (replication) vec_mean{!i }=@co1umnextract (results_mean8 !i/10)
freeze (table{!i }) vec_mean{!i }.stats
next
results_mean.distplot(hist)

30
Бүлэг 3
Matlab-ын удиртгал
3.1 Яаж эхлэх вэ?
Matlab-ыг энгийн горимд нь нээхэд дэлгэцнээ коммандын, ажлын талбарын, тухайн үеийн
байрлалын болон эндиторын цонх, мөн заримдаа коммандын түүхийн цонх нээгддэг.

 Коммандын цонх (Command Window): Энэхүү талбарт та коммандаа бичээд тэр дор
нь гүйцэтгүүлдэг. Гэхдээ таны өгсөн комманд болон түүний үр дүн ямар нэгэн
файлд хадгалагдахгүй. Ямар нэгэн програмын эцсийн үр дүн энэхүү цонхонд
тайлагнагддаг.
 Ажлын талбар (Workspace): Компьютерийн санах ойд байгаа бүх хувьсагчийн
талаарх ерөнхий мэдээлэл энд харагдана. Ажлын талбарт буй ямар нэгэн хувьсагч
дээр дараалуулан курсороо дарвал хувьсагч өөрчлөгч нээгдэх бөгөөд (Excel-ийн
хүснэгттэй адил) энд хувьсагчийн утгуудыг харах, өөрчлөх боломжтой.
 Тухайн үеийн хавтас (Current Folder): Таны яг одоо копьютерийн хаана байгааг
харуулна. Ажиллуулах гэж буй файлынхаа байрлалыг энд нээж өгөх хэрэгтэй (хэрэв
файл тань ‘Home’цэсний ‘Set Path’ сонголтын дор ороогүй бол).
 Коммандын түүх (Command History): Өмнө хэрэглэгдсэн коммандуудын жагсаалт
энэ цонхонд бий. Аль нэгэн дээр нь хоёр дарвал уг комманд давтан гүйцэтгэгдэх
болно.
3.1.1 Хувьсагчийн нэр
Matlab-ын хувьсагчийн нэр нь үсгээр эхлэх ёстой бөгөөд үсэг, тоо болон доогуур зураасаас
бүрдэнэ. Тусгай тэмдэгт, зай болон end эсвэл if гэсэн Matlab-ын өөрийнх нь түлхүүр үгс
байж болохгүй. Matlab нь үсгийн хэмжээнд мэдрэмтгий, өөрөөр хэлбэл А болон а гэсэн
хоёр тэмдэгтийг ялгаатай хувьсагчид гэж ойлгодог. Хувьсагчийн нэр сонгохдоо аль хэдийн
байгаа функцийн нэртэй давхцуулахгүй байхгүй бол дотоод зөрчил үүснэ.
3.1.2 Таслалын дараах орон, шинжлэх ухааны тэмдэглэл, Inf болон NaN
Matlab нь цэгээр оронгийн ялгааг, таслалаар матрицын баганууд болон функцийн
аргументүүдийн заагийг тэмдэглэдэг. Мөн шинжлэх ухааны тэмдэглэгээ ашигладаг. 1e5 нь
1*105 гэсэн үг.
Matlab-д түгээмэл тохиолддог хоёр тусгай тэмдэгт бий. NaN нь ‘Not a Number’ гэсэн
үгсийн товчлол бөгөөд 0/0 гэх мэтийн тодорхойлогдоогүй, эсвэл илэрхийлэгддэггүй
тооцооллын үр дүн. Хэрэв ийм тэмдэгт таны тоцооллын явцад гараад ирвэл энэ нь ямар
нэгэн зүйл болохгүй болсны шинж. Inf болон – Inf нь нэмэх, хасах хязгааргүйг тэмдэглэнэ.
Inf гэсэн үр дүн жишээ нь 1/0 гэсэн тоцооллоос гарна.
3.2 Матриц болон түүн дээр хийгдэх үйлдлүүд
Матрицын тодорхойлолт
Matlab-ын дотоод зохион байгуулалт нь матриц дээр тулгуурласан байдаг. Иймээс Matlab-
ын орчинд матрицтай ажиллах нь тун хялбар. Жишээ нь: А гэсэн матрицыг А=[1 2; 3 4]
гэж үүсгэсэн гэе. Энд зай болон таслал нь багануудыг зааглах бөгөөд цэгтэй таслал нь,
мөрүүдийг зааглана. Мөн B=[2 3; 4 5]; гэж үүсгэе (цэгтэй талсал тавьдаг нь уг матрицыг
коммандын цонхонд гарахыг нь зогсоодог).
31
 Матрицын үйлдлүүд
А гэсэн матрицыг B гэсэн матрицын урдаас нь үржүүлэхдээ ердөө л А*B гэж бичнэ.
Хэрэв та А матрицын бүх элементүүдийг B матрицын харгалзах элементүүдээр нь
үржүүлэхийг хүсвэл цэгэн үржүүлэгчийн тэмдгийг ашиглана: А.*B.
Матрицын зүүн ба баруун хуваалт
Хуваах үйлдэл дээрхтэй мөн адил. A/B гэсэн матриц баруун хуваалтнь ойролцоогоор
A*inv(B) гэсэн үг. Матрицын баруун хуваалтаас илүү их хэрэглэгддэг үйлдэл бол
матрицын зүүн хуваалт юм. A\B гэсэн зүүн хуваалт нь ойролцоогоор inv(A)*B гэдэг
үйлдэлтэй дүйнэ. Хэрэв X нь m*n матриц, харин у нь m хэмжээтэй баганан вектор бол
b=X/y нь y=x*b гэсэн тэгшитгэлийн системийн хагийн бага квадратын аргын шийдэл
болно. Энэхүү шийдлийг QR-задаргааны арга ашиглан олдог учир b=X/y нь тооцооллын
хувьд регрессийг бодох b=(X’*X)^(-1)*X’*y гэсэн томяёоноос илүү үр ашигтай арга юм.
Матрицын элементүүдийг дуудах нь
Матрицын элементүүдийг тус тусад нь Матриц (мөр, багана) гэж дуудаж болно. Жишээ нь:
A(1, 2) гэвэл та А матрицын 1-р мөр, 2-р баганын элементийг дуудаж байна гэсэн үг.
Тодорхойлох цэг
Матрицыг вектор болгон хувиргахдаа тодорхойлох цэгийг ашигладаг Matrix(:). Жишээ нь:
1

[]
А=[1 2; 3 4], D=A(:) гэсэн матриц үйлдлүүд нь D= 2 гэсэн үр дүнд хүргэнэ.
3

Matlab баганын дагуу эрэмбэлдэг. Ямар нэгэн дарааллын элементүүдийг

эрэмбэлэхдээ харгалзах баганых нь дагуу тоолдог.
End гэсэн түлхүүр үг
Matlab нь end гэсэн түлхүүр үгийг хоёр зорилгоор ашигладаг. Үүнийг ямар нэгэн матриц
эсвэл векторын сүүлчийн элементийг дуудахад хэрэглэнэ. Танд ямар нэгэн дарааллын
хэжээсийг заавал тогтоолгүйгээр шууд сүүлчийн элементийг нь дуудах боломж олгож
байгаа тулэнэ нь тун хэрэгтэй. Жишээ нь: А(1, end) гэж бичвэл уг матрицын эхний мөр,
хамгийн ссүлчийн баганад байгаа элементяригдаж байна гэсэн үг.
Матриц болон векторыг хөрвүүлэх
‘ гэсэн тэмдгийг ашиглаж матрицыг хөрвүүлдэг. Дээр дурьдсан D матрицын хувьд D’
гэсэн комманд нь [1 2 3 4] гэсэн үр дүнд хүргэнэ.
Матрицын элементүүдийн нийлбэр
Sum гэсэн коммандыг ашиглан ямар нэгэн векторын элементүүдийг, эсвэл матрицын
багана эсвэл мөрийн дагуух элементүүдийг хооронд нь нэмж болно. жишээ нь: sum( D)
гэвэл үр дүн нь 1. Sum(A, 1) гэсэн комманд багана тус бүрийн нийлбэрийг олох бөгөөд үр
3
[]
дүн нь [4 6]. Sum(A, 2) гэсэн команд харин
7
гэсэн үр дүнтэй.

32
 Матрицын хэмжээг тодорхойлох
Ямар нэгэн матриц, эсвэл векторын хэмжээсийг мэдэхийг хүсвэл size( ) гэсэн команд
ашигладаг. Дээрх А матрицын хувьд size(A) гэсэн комманд нь [2 2] бөгөөд энэ нь уг
матриц 2 баганатай, 2 мөртэй гэсэн үг.
Тусгай матриц үүсгэх

Zeros, eye, ones гэсэн коммандууд нь тусгай матриц үүсгэнэ. G=zeros (4, 2) гэвэл 4×2
хэмжээтэй, тэгээс бүтсэн G матриц үүснэ. Ones нь үүнтэй төстэй команд. H=eye(4)
гэсэн комманд нь харин 4×4 хэмжээс бүхий, H гэсэн нэгж матрицыг үүсгэнэ.

Матрицын диагоналыг салган авах нь

diag гэсэн коммандаар матрицын диоганалыг дуудаж болно. Жишээ нь: diag(A) гэвэл
[1 4] гэж гарна.
Залгах
Та хэд хэдэн матрицыг залган нийлүүлж, шинээр матриц үүсгэж болно: K=[A B] гэвэл
1 2 23
шинээр дараах матриц үүснэ: K= [
3 4 45 ]
Модул
Mod гэсэн модулын тэмдэг ямар нэгэн хуваах үйлдлийн үлдэгдлийг олно. Mod(7, 4) гэвэл 3
гэсэн хариу гарах бөгөөд учир нь 7/4=1 бүхэл тэгээд 3 үлдэж байна.
Абсолют утга
Ямар нэгэн тоо болон дарааллын абсолют утгыг abs(x) комманд ашиглаж олно.
3.2.1 Цэвэрлэгээ
Clear all гэсэн комманд нь бүх хувьсагчийг санах ойгоос арилгана. Close all нь нээлттэй
байгаа бүх зургийг хаана. Clc нь all коммандын цонхыг цэвэрлэнэ.
Хувьсагчийн төрөл
Matlab нь хэд хэдэн төрлийн хувьсагчтай ажиллаж чаддаг. Гэхдээ бусад комьютерийн
хэлнээс ялгаатай нь хувьсагчийн төрлийг илээр зарлах шаалдлагагүй. Хувьсагчийн төрөл
нь түүнийг хэрхэн үүсгэснээс хамааран ажлын талбарт тодорхойлогдоно.
Давхар (doubles)
Тоог doubles буюу давхар гэсэн форматаар хадгалдаг. A=[1 2; 3 4] гэж утга өгвөл энэ нь
double төрлийн А гэсэн шинэ дарааллыг ажлын талбарт үүсгэж хадгална. Double гэдэг нь
Double-Precision Floating Point гэдэг үгсийн товчлол бөгөөд Matlab-д ашиглагддаг хамгийн
түгээмэл тоон өгөгдлийн хэлбэр юм.
Хэлхмэл дараалал (String Arrays)

33
Хоёрдох чухал хувьсагчийн төрөл бол String Arrays буюу хэлхмэл дараалал бөгөөд энэ нь
тоо бишхарин үсэг хадгалдаг хувьсагч юм. Ийм төрлийн хувьсагчийг хашидтанд бичиж
үүсгэдэг: B=’Why so serious?’.
Double болон String Arrays гэсэн үндсэн хувьсагчийн төрлүүдээс гадна cell arrays
болон structures гэсэн хоёр өөр төрлийн хувьсагч байдаг. cell arrays болон structures нь
хоёул маш олон татуургатай шүүгээ мэт ашиглагддаг.
Нүдэн дараалал
Cell arrays буюу нүдэн дарааллыг үүсгэхдээ буржгар хаалт ашигладаг. Жишээ нь: C={‘why
so serious?’; 2} гэсэн комманд нь 2×1 гэсэн хэмжээстэй cell arrays үүсгэх бөгөөд эхний
элемент буюу C{1, 1} нь хэлхмэл (string), харин удаах нь буюу C{2, 1} нь давхар байх
болно.
Бүтэц (Structures)
Struct гэсэн коммандтай Structures буюу бүтэц гэдэг нь олон хэмжээст дараалал бөгөөд
түүний элементүүдийг уг дарааллын индексүүдийг ашиглаж биш, харин текстэн талбар
заагч ашиглан дууддаг. Өмнөх жишээг үргэлжлүүлэн ашиглавал, та жишээ нь ‘Ulaanbaatar
hot’ гэсэн String Array буюу хэлхмэл дараалал эхний талбар, харин 2 гэсэн тоо удаах
талбар нь байх Kino_sudalgaa гэсэн Structures буюу бүтцийг дараах коттандуудыг ашиглан
үүсгэж болно:
Kino_sudalgaa.Ner=‘Ulaanbaatar hot’
Kino_sudalgaa.Orlogo_sayar=2
Цэгээр энд тухайн талбарын нэрийг уг бүтцийн нэрээс тусгаарлаж байна.
Бүүлиан (Boolean)
Boolean төрөл нь Жорж Бүүл (George Boole) гэсэн хүний нэрээр нэрлэгддэг логик
мэдээллийн төрөл бөгөөд зөвхөн хоёр төрлийн утга авч болдог: үнэн буюу true (1) эсвэл
худал буюу false (0). Ийм төрлийн хувьсагчийг логик нөхцөлийг шалгахад ашигладаг.
Жишээ нь, Зураг 3.3-ийн эхний мөрөнд a нь b-тэй тэнцүү эсэхийг шалгаж байна. Энд
анхааруулахад ямар нэгэн хувьсагчид утга ногдуулахад ‘=’ гэсэн тэнцүүгийн тэмдэг, харин
тэнцэтгэлийг шалгахад ‘==’ гэсэн тэмдэг ашигладаг. Энэхүү логик шалгуурын хариу нь
мэдээж худал гэж гарна. Ажлын талбарт уг хариу маань ans гэсэн зөвийн тэмдэгтэй
хувьсагчийн ард Boolean хэлбэртэйгээр хадгалагдана. Логик мэдэгдлийн хувьд 0-ээс
ялгаатай тоонууд бүгд үнэн гэж тайлбарлагдана. Логик мэдэгдлийг and (&) буюу “ба”
болон or (1) буюу “эсвэл” гэсэн логик үйлдэлтэй хамтатган ашиглаж болно. Скаляр
мэдэгдлүүдийн хувьд ихэвчлэн && болон | | гэсэн богино холбооны тэмдэгтүүд ашиглаж
“ба” болон “эсвэл” гэсэн давхацсан нөхцөлийг шалгадаг. Жишээ нь: 1<2 && 2>3 гэсэн
нөхцөл байж болно. Үгүйсгэлийг харин ‘~’ буюу долгионоор илэрхийлдэг.
Any(A, 2) эсвэл all (A, 2) нь түгээмэл ашиглагддаг логик үйлдлүүд бөгөөд энд
хоёрдох аргумент нь А-ийн аль хэмжээсийн дагуу уг нөхцөлийг шалгах болохыг заана (энд
2 гэдэг нь мөрийн дагуу гэсэн үг).

34
3.3 Хяналтын мэдэгдэл (Control statement)
Бүхий л программын нэгэн адил Matlab-д кодын ямар хэсгийг хэзээ гүйцэтгэхийг заасан
нөхцөлт салбарлалт болон гогцоо гэсэн ерөнхий хоёр төрлийн хяналтын мэдэгдэл байдаг.
Хоёул end гэсэн түлхүүр үгээр дуусна.
Нөхцөлт салбарлалт
Хоёр нөхцөлт салбарлалт бий. Хамгийн чухал нь if буюу хэрэв гэсэн мэдэгдэл бөгөөд ямар
нэг логик нөхцөл хангагдсан үед л кодын тодорхой хэсгийг гүйцэтгэх орчинг үүсгэнэ.
Логик нөхцөлийн хувьд Бүүлиан болдог ямар ч мэдэгдэл байж болно. Жишээ болгон
дараах кодыг авч үзье(эдитор ашиглан бичсэнийхээ дараа бүгдийг нь хуулж аваад
коммандын мөрөнд тавьж гүйцэтгэнэ):
mynumber=input(‘too oruul;’);
if mod (mynumber, 2)==0
disp(‘tegsh’);
elseif mod(mynumber, 2)==1
disp(‘sondgoi’);
else
error(‘Natural too bish baina’);
end
Гараас оруулсан тоог mynumber-д хадгалсны дараа mod(mynumber, 2)==0 гэсэн
илэрхийлэх нь уг тоо үлдэгдэлгүйгээр 2-т хуваагддаг эсэхийг шалгаж байна. Хэрэв энэ нь
үнэн бол уг илэрхийлэл нь true (1) болох бөгөөд програм маань оруулсан тоо бол тэгш
гэсэн үр дүнг гаргана. Хэрэв mod(mynumber, 2)==0 нь false (0) худлаа гэж дүгнэгдвэл,
elseif гэсэн хэсэгт mod(mynumber, 2)==1 буюу гараас оруулсан тоо сондгой эсэхийг
шалгана. Үр дүнгээс нь хамаарч нэг бол Sondgoi гэсэн үр дүн харуулна, эсвэл else гэсэн
хэсэг рүү шилжиж програм алдааны текст мессежийг харуулна.
If-end-гэсэн мэдэгпэл нь дангаараа болон дээрх жишээний нэгэн адил elseif болон
else гэсэн нөхцөлүүдээр өргөтгөгдөн үргэлжилж болно. else-гэсэн хэсэг нь if болон elseif-
ээр тавигдаагүй бусад бүхий л нөхцөлүүдийг өөртөө агуулдаг. Энэхүү энгийн else гэсэн
нөхцөлийг хэт ихээр ашиглах нь муу програмчлалын жишээ бөгөөд яагаад гэвэл энэ нь
хангагдах ёстой мэдэгдлүүдийг хангалттайгаар, тодорхой зааж өгөхгүй байхын нэг илрэл
юм.
Үүнээс харьцангуй цөөхөн ашиглагддаг өөр нэг мэдэгдэл бол switch-case-end
бөгөөд үүнийг дараах жишээгээр тайлбарлая:
mynumber=input(‘too oruul;’);
switch number
case-1

35
 disp(‘negative one’);
case 0
disp(‘zero’);
case 1
disp(‘positive one’);
otherwise
disp(‘other value’);
end
mynumber-д өгсөн утгаас хамаарч дэлгэцнээ дарван төрлийн текстийн нэг нь гарч ирнэ.
Хяналтын гогцоо
Хяналтын гогцоо нь кодын тодорхой хэдэн мөрийг дахин давтан бичилгүйгээр коммандыг
давтан гүйцэтгэх боломж олгодог. Энэ нь программын давтан гүйцэтгэх даалгавруудын
хэмнэлттэйгээр загварчлах боломжийг олгодог. For-end-гогцоо нь өмнөөс зааж өгсөн
давалттайгаар тодорхой даалгаврыг гүйцэтгэдэг. Жишээ нь:
total_sum=0
For ii=1:1000
total_sum=total_sum+ii;
end
Мэдэгдлийн эхэнд ii-ийг 1-тэй тэнцүүлж, давталт бүр дээр үүнийгээ 1-ээр ахиулсаар цсийн
давталт буюу ii нь 1000-тай тэнцтэл үргэлжлүүлж байна. 1:1000 гэсэн бичиглэл нь
1:1:1000-ийн товчлол бөгөөд 1-ээс 1000 хүртэлх тоог 1 гэсэн алхамтайгаар авч үзнэ.
Ii=гэсэн хэсгийн ард ямар ч олонлогийг та тодорхойлж болно. Хэрэв 1-ээс 1000-ын
хооронд зөвхөн сондгой тоонуудыг авъя гэвэл for ii=1:2:1000 гэж бичнэ. Мэдээж бас
буурах дараалал байж болно: for ii=1:-1:1000
for-гэсэн гогцоонд давталтын тоо нь урдаас заагдсан байдаг бол while-гэсэн гогцоо нь
тодорхой шалгуур хангагдтал л давталтыг үргэлжлүүлдэг. Факториалын дараах байдлаар жишээ нь
тооцдог.

n=1

nFactorial=1;

while nFactorial < 1e10

n=n+1

nFactorial= nFactorial*n;

end
36
Энд гогцооны дотоод хэсэг нь nFactorial < 1e10 гэсэн нөхцөл true (1) гэж үнэлэгдэж байгаа л бол
давтагдсан л байна. харин false (0) болонгуут код зогсоно. Гогцооныхоо өмнө логик нөхцөлөө зөв
эхлүүлэх нь маш чухал байдаг бөгөөд хэрэв чадахгүй өол гоцоо тань ганц ч удаа гүйцэтгэгдэхгүй
байх аюултай.

3.4 Логик индексчлэл

Логик индексчлэл нь эхлээд ойлгоход бага зэрэг ээдрээтэй ч дурын дарааллын хувьд
ашиглагддаг маш хүчтэй техник юм. Дээрх гогцоо нь хэдийгээр ойлгож, ашиглахад амар ч
Matlab- ын тооцооллыг удаашруулдаг үндсэн эх үүсвэр бөгөөд харин логик индексчлэл
үүнээс зайлсхийх боломж олгодог.
3.5 Функц
Matlab- ын функцыг дуудах нь
Ямар нэгэн функцыг аргумент өгч дууддаг. Тэгвэл уг функц маань гарцын аргумент өгнө.
Бараг бүх Matlab функц заавал функцын аргументтай байдаг бөгөөд, зарим тохиолдолд бүр
нэмэлт аргументтай байх нь бий. Нэмэлт аргументыг орхивол, түүнд харгалзах ердийн
тохиргооны утга нь хэрэглэгдэнэ гэсэн үг. Жишээ нь бидэнд X гэсэн m x n хэмжээст
матриц байсан гэе. Хэрэв та d= max(X) гэсэн команд бичвэл max гэсэн функц 1xn
хэмжээст d гэсэн виктор үүсгэх бөгөөд матрицын багана тус бүрийн максимум утгыг
агуулах болно. Анхны тохиргоогоор максимумыг нь X-ын мөрийн дагуу авна.
Функц өөрөө зохиох нь
Жишээ: compute_variance.m гэсэн нэртэй, Vector тоон векторыг орцны аргумент болгон
авч, уг векторт байгаа тоонуудын вариацыг нь тооцоолж олоод гарцын аргумент болгон
өгөх функц үүсгэе.
Функцын эхний мөр нь дараах бүтэцтэй байдаг;
Function [output] = name_of_the_function(input).
Бидний жишээний хувьд вариацыг тооцдог функц маань
Function [outvalue]=compute_variance(vector);
Var_mean=mean(vector);
Outvalue=1/(length(vector)-1)*sum((vector-var_mean).^2);
Үүнийгээ хадгалсны дараа үндсэн файлдаа та ашиглаж болно:
Variance = compute_variance(vector)
Ингэвэл vector-д байгаа утгуудыг ашиглан вариацыг нь олж түүнийгээ variance гэсэн
хувьсагчид хараглзуулна. Энд анхаарах ёстой нэг чухал зүйл бол функцын тань нэр
түүнийг хадгалсан m-file-ын нэртэй яг адил байх ёстой. Хэрэв зөрчих юм бол matlab
файлын нэрийг л ашиглахаас бус таны нэрлэсэн функцыг ашиглах боломжгүй болно. Мөн
функцын нэрэнд зай байж болохгүйг анхаараарай.

37
3.6 Локал болон глобал хувьсагч
Matlab функц нь анхны тохиргоогоороо локал хувьсагчдыг ашигладаг. Локал хувьсагч
гэдэг нь функц дотроо л тодорхойлогдож, танигддаг, илээр дамжуулж өгөхгүй л бол бусад
функцаас дуудах боломжгүй тийм хувьсагч юм. Бидний дээрх compute_variance – функцын
жишээн дээр var_mean гэсэн хувьсагч нь ийм функц дотроо тодорхойлогдсон локал
хувьсагч юм. Compute_variance-ыг ажиллуулсны дараа ч гэсэн үндсэн файлаасаа та уг
хувьсагчыг дуудаж ашиглах боломжгүй. Энэ хувьсагч нь compute_variance гэсэн функц
дотроо локал учир ажлын тайлбарт орж ирэхгүй. Outvalue ч мөн адил функцдээ локал
хувьсагч юм. Гэхдээ outvalue нь үндсэн уг функцын гарцын аргумент учир уг функцыг
ажиллуулсны дараа түүний утга нь үндсэн бичвэр дэх variance –д хадгалагдаж байх болно.
3.7 Статистикийн функцууд
Matlab-д маш олон статистикийн функц бий. Зарим нь зөвхөн Статистикийн багажны
хайрцаг суулгасан үед л ажилрадаг.
Тайлагнагч статистикууд (Descriptive statistics)
Энд хамгийн өргөн ашиглагддаг функцууд гэвэл mean(A, dim), median(A, dim) бас std(A,
flag, dim) бөгөөд энд A нь олон хэмжээст дараалаль, dim нь уг статистик тооцогдсон
дарааллын хэмжээс, (жишээ нь, мөрийн хувьд 1), харин flag нь Бүүлиан хувьсагч бөгөөд
стандарт хазайлтыг тооцохдоо хуваарьт нь N-1-ыг ашиглаж гажилтгүй үнэлгээ авахыг
хүсвэл үүнд 0 гэсэн утгыг өгнө, харин N-ыг ашиглахыг хүсвэл 1 гэдэг утгыг өгнө. Ямар
нэгэн Х гэсэн дарааллын минимум болон максимум утгыг к-х хэмжээсийн дагуу,
тэдгээрийн байрлалын индексийнх нь хамтаар [d, indices]=min(X, [] , k) болон [d,
indices]=max(X, [], k) гэж олдог бол Х-ийн р- р квантилийг quantile (X, p) гэж тооцдог.
3.7.1 Ойролцоолох
Matlab- ийн ойролцоолол тун ойлгомжтой: round(x) гэсэн командыг х-д хамгийн ойр, бүхэл
тоог олоход ашиглана. Floor(x) гэсэн командыг х-аас бага, түүнд хамгийн ойр бүхэл тоог
олоход ашиглана. Ceil(x) гэсэн коммандыг х-аас их, түүнд хамгийн ойр бүхэл тоог олоход
ашиглана.
3.7.2 Зураг
Хэрэв та ямар нэгэн тоон цувааг зурж дүрслэхийг хүсвэл хамгийн энгийн арга нь ажлын
талбар дахь уг цуваагаа 2 удаа дарж нээж байгаад хувьсагчийн эдитор (variable editor)
дээрх plot гэсэн товчийг ашиглах юм.
3.7.3 Өгөгдөл ачааллах болох хадгалах нь
Нийт ажлын талбараа бүгдийг хадгалахыг хүсвэл save ner гэсэн командыг хэрэглэдэг.
Харин зөвхөн А болон В гэсэн хувьсагчдыг ner гэсэн нэртэй файлд хадгалахыг хүсвэл save
ner A B гэсэн коммандыг хэрэглэдэг, үүсэх файл нь ner.mat гэсэн нэртэй болно. Файлын
нэрэнд зай хэзээ ч үлдээж болохгүй.
Хадгалчихсан байгаа өгөгдлөө ачааллая гэвэл load ner гэсэн командыг харин тэндээс
зөвхөн А хувьсагчийг нь ачааллая гэвэл load ner A гэсэн комманддыг ашигладаг.
Тоон мэдээлэл
Өгөгдлийг Matlab-руу оруулж өгөхөд тусладаг импортлогч хэрэгсэл (wizard) байдаг. Тоо
импортлоход тохиромжтой өөр нэг арга бол тоон мэдээллээ хуулж аваад Matlab-ын .m

38
файл болгон хадгалах. Энэ аргын нэг давуу тал нь та уг файлаа дараа нь тайлбар бичиж
болно.(нэр, хамрах хүрээ, давтамж, эх үүсвэр гэх мэт).
Өгөгдл*-ийг excel-ээс оруулж ирэх шаардлага гарах нь олонтаа. Тэгвэл xlsread гэсэн
команддыг ашигладаг.
*Алдаага олох (Debugging)
Ердийн үед ногоон өнгөтэй байдаг дэлгэцийн баруун дээд булан дахь дөрвөлжин тэмдэгт
улаан болж бичвэрт алдаа гарсныг анхааруулна. Мөн улаан хөндлөн зураас алдаа гарсан
мөрийн ард үүснэ. Тэрхүү улаан зураасан дээр хулганаа аваачихад ямар алдаа гаргасан
талаар тайлбар өгдөг. Баруун дээд өнцгийн дөрвөлжин улбар шар өнгөтэй болох нь бий.
Энэ нь Matlab ямар нэгэн анхааруулах зүйл олсон байгааг илтгэдэг. Анхааруулга тэгэхдээ
алдаа биш. Таны код ажилдагаараа ажиллах ч түүнийг сайжруулах боломж байна гэсэн үг.
Хэрэв та эдгээр анхааруулгыг дагаад байвал удахгүй таны программчлах ур чадвар
мэргэжлийн өндөр түвшинд хүрнэ.
*Тоон оновчлол (Numerical optimization)

Та тооцоллын аргаар y¿ x 2+ 3 x−10 гэсэн функцын хягаарыг олох буюу 0= x 2+ 3 x −10 гэсэн
тэгшитгэлийг бодохыг хүсч байгаа гэе.
Үүнд ашиглагддаг Matlab- ын функц бол fsolve бөгөөд шугаман бус тэгшитгэлийн систем
бодох чадвартай. Комманд нь
[x_opt, fval, exitflag]=fsolve(©(x) x^2+3*x-10,0)
x_opt нь х-ийн хариу, fval нь x_opt дээрх y функцын утга, харин exitflag нь алгоритм зогсох
болсон шалтгааныг агуулсан код. Хэрэв шийдэлд хүрсэн бол fval нь 0, exitflag нь ч мөн 0
гэсэн утга авна. Орцын аргументуудын хувьд ©(x)- ын функцын бариул гэдэг. Энэ нь яг
аль хувьсагчийнх нь хувьд дараах тэгшитгэлийг шийдэх ёстой вэ гэдгийг зааж байдаг. Энд
0 гэсэн утга авсан байгаа хоёрдох аргумент нь алгоритмын эхлэлийн утга юм.

3.7 Статисткийн функцууд

Matlab - ын элемент бүрийн хувьд хийдэг үржүүлэх үйлдэлтэй хольвол асуудал тодорхой
бус болох нь бий. Жишээ нь:
[1 0;0 1].*[1 1;0 1]*[1 2;3 4] нь [1 0;0 1] .*([1 1;0 1]*[1 2;3 4]) гэдэгтэй адил биш. Тэгэхээр
элемент бүрийн хувьд хийдэг үйлдлийг хаалт ашиглан гүйцэтгэж байх хэрэгтэй.
*Обьектэд тулгуурласан програмчлал (Object-Oriented Programming)
Обьектэд тулгуурласан програмчлал нь Matlab-ын дотоод зохион байгуулалтад, ялангуяа
Эконометрикийн багажны хайрцгуудад улам их байр суурь эзэлдэг болж байна. Функцад
тулгуурласан програмчлаас ялгарах гол ялгаа нь objects буюу обьект гэгддэг тоонд
бүтцүүд бөгөөд энэ нь дотроо мэдээллийн хэд хэд төрлийг агуулж чаддаг, тэдгээрт
хувиргалт хийх арга болон функцуудтай, мөн бусад обьектуудайгаа харьцах боломжтой.
Жишээ нь, Мерсэний эргэлдэгч ( Mersenne Twister) алгоритм ашиглан санамсаргүй тоо
үүсгэгчийг 1 гэсэн үрээс (seed) эхлүүлэхийг хүсвэл та RandStream гэсэн обьект үүсгэх
бөгөөд үүнийг:
39
s=Randstream(’mt1993ar’,’Seed’,1)
гэж тодорхойлно. Та одоо s гэсэн обьектын шинж чанарын талаарх мэдээлэл өгдөг get
гэсэн аргыг ашиглаад үзээрэй: s.get;
өмнө нь бидний үзсэн structures буюу бүтцээс ялгарах ялгаа нь функцын нэрийнхээ ард
мэдээллийн талбар биш, цэг тавьж функцыг дуудаж байна. Одоогийн төлөвийг нь харахын
тулд s.State гэж бичдэг. Уг обьектоос санамсаргүй тоо үүсгэхийг хүсвэл rand(s) гэж бичнэ.
Ингэснийхээ дараа одоогийн төлөвийг нь харвал энэ урсгалаас тоо үүсчихсэн учир
өөрчлөгдчихсөн байгаа болохыг нь харна. Санамсаргүй тоо үүсгэгчийг анхны төлөвт нь
эргүүлэн оруулъя гэвэл s.reset; гэсэн коммандыг ашигладаг.
*Кодоо шинжихүй
Таны код ер нь хэр хурдан ажиллаж байна вэ, хаана гацаад байна вэ гэдгийг мэдэхийг
хүсвэл Matlab-ын өөрийнх нь шинжлэгч (profiler)-ийг ашиглаж болно. ’Editor’ дээр очоод
’Run and Time’ гэсэн сонголт хийнэ. Matlab тэгвэл нийт зарцуулсан цаг, бас тодорхой
функц болон мөрөнд хэр их цаг зарцуулж буйг тайлагнана. Энэ зорилгоор ашиглаж болох
өөр нэг энгийн арга бол tic toc хэрэгсэл юм. Жишээ нь, 3.4-р хэсэгт үзсэн логик индексчлэл
болон гогцоо ашиглан векторын сөрөг утгуудыг устгах хоёр аргынхаа кодыг дахин авч
үзье:

a=randn(10000, 1);

b=a;

tic

iter=1

while iter<=length(a)

if a(iter, 1)<0

a(iter, :)=[];

else

iter=iter+1;

end

end

toc

tic

b(b<0,:)=[];

toc

40
Санамсаргүй вектороо үүсгэсний дараа дээрх хоёр аргаа тус бүрийг нь tic toc гэсэн
коммандуудын дунд бичиж байна. Код ажиллаж дууссаны дараа Matlab тус бүрт нь хэр их
цаг зарцуулсан болохыг дэлгэцнээ харуулна.
Elapsed time is 0.149053 seconds.
Elapsed time is 0.001669 seconds.
Эндээс логик индексчлэл нөгөө аргаасаа хамаагүй хурдан байгааг харж болно.

41
Бүлэг 5
Нэгж язгууруудын шалгуурууд
5.1 Удиртгал
5.2 Интегралчлагддаг процессууд
Тодорхойлолт: d зэрэгт интегралчлагддаг процесс гэж d удаа ялгавар авсны дараа суурин бөгөөд
урвуутай болдог процессийг хэлнэ. Ийм процессийг y t I(d) гэж тэмдэглэдэг.

 Урвуутай байх шаардлага

Бидэнд дараах энгийн шугаман чигтэй процесс байлаа гэе

Yt =α + βt + ε t

Өдөөгч нь цагаан шуурга процесс. Дээрх тэгшитгэлээс эхний ялгавар авбал :

∆ y t = α + βt + ε t−¿[α + β (t-1)+ ε t-1]

=β+ε t−ε t-1

=β+(1-L) ε t

Хэдийгээр ∆ yt нь суурин ч хөдлөх дунджын θ (L)= 1-L полиномиал нэгж коэффициенттэй учир уг
процесс урвуугүй, дээрх тэгшитгэлийн суурин бус байдлыг ялгавар авч биш шугаман чигийг нь
устгаж байж арилгах ёстой.

5.3 Процесс
Хэрэв yt I(1) бол yt нь суурин бус, ∆ y t нь суурин бөгөөд урвуутай процесс байна.
Эсрэгээрээ хэрэв yt I(1) бол yt-ийн авторегресс оператор ∅ (L)-ийг дараах байдлаар
задалж болно.

∅ (L)= (1-L)(1-λ2L)… (1-λ2L)

=∆ ∅∗¿(L)

Энд ∅ (L)= (1-L)(1-λ2L)… (1-λ2L)нь (p-1) дүгээр зэргийн полиномиал.

5.3.1 Голч болон вариац

Нэг хувьсагчит процессуудын бүлэгт бид суурин AR(p) процессын талаар үзсэн билээ.
Тэгшитгэлээр өгөгдсөн суурин процесс ∆ yt-ийн хувьд голч нь дараах байдалтай байдаг.

b
E[∆ y t]= µ ∆=
∅∗(1)
Өмнөхтэй адилаар µ ∆=0 ← →δ=0 байх нь тодорхой. E[∆ y t]= µ ∆ учир E[∆ y t]=E[yt-yt-1]= E[∆ y
t]=E[yt-1] болж энэ нь дараах үр дүнд хүргэнэ.

E[ y t]= E[yt-1]+ µ ∆.

E[ y t]-ийн хугацаан цуваан хэлбэр нь тэгэхр µ ∆-аас хамаарч байна.

42
5.4 Нэгж язгуурын таамаглал
Одоо процессыг хэрхэн I(1), I(0) байгаа эсэхийг шалгадагтай танилцана. Нэгж язгууртай холбоотой
тэг болон эсрэг таамаглал нэг бол

H 0: yt I (1)

H A: yt I (0)

ЭСВЭЛ

H0: yt I (0)

HA: yt I (1) гэж тавигдана.

Энэ хоёр боломжийн эхнийх нь илүү түгээмэл бөгөөд учир нь I(1) тэг таамаглалыг нэг
коэффициентийн талаарх тодорхой таамаглал хэлбэрт бичих тун амар байдаг.

5.5 AR(1) тохиолдол дахь нэгж язгуурын шалгуур тэгшитгэл

|∅ |<1 гэсэн параметртэй 5.11 тэгшитгэлээр өгөгдсөн суурин AR(1) процессоос ийм чиг хандлага
гарах боломжгүй.

E(yt) нь HA болон H0 таамаглалуудын аль алинд нь адил шинж чанартай байхын тулд AR(1)-ийг
дараах хэлбэртэй бичье:

Yt-E(yt)=∅[yt-1-E(yt-1)]+ε t
Энд yt голчоосоо хазайх хазайлт буюу y t- E(yt) нь AR(1) процесс гэж байна. Энэхүү тавил нь E(y t)
голчийн детерминист хэсгийг уг процессын стохаст хэсэг болох y t-E(yt)-ээс зааглаж байна. Одоо
E(yt)= β 0+ β 1t гэж үзье. Тэгвэл (5.14)-р тэгшитгэл маань

Yt- β 0- β 1t= ∅ [yt-1- β 0- β 1(t-1)]+ε t

Болох бөгөөд үүнийг цааш нь цомхотгон дараах байдалтай бичиж болно.

Yt = ∅ yt-1+ β 0(1-∅ )+∅ β 1+ β 1 ( 1−∅ ) t+ ¿ ε t

= ∅ yt-1+ δ +γt + εt энд

δ =¿ β 0(1-∅ )+∅ β 1
γ ¿ β 0(1-∅ )
Тэгэхээр хэрэв хувьсагчийн түвшинг цаг хугацааны чигтэй байхыг ерөнхийд нь зөвшөөрсөн үед y t
нь I(1) гэсэн тэг таасаглалыг (5.15)-р тэгшитгэлийн хүрээнд тавих ёстой.

43
Бүлэг 6
VAR Загвар
6.1 VAR (VECTOR AUTO REGRESSION) загварын удиртгал
Бид одоо хэд хэдэн хувьсагчийн хугацаан цувааг хэрхэн зэрэг загварчилдагтай танилцана.
Тодруулбал, К ширхэг хоорондоо холбоотой у 1 t , y 2 t ,…, y kt гэсэн хувьсагчдын тоон
мэдээлэл өгөгдсөн бөгөөд бид эдгээрийн хоорондын харилцан хамаарлыг цаг хугацаагаар
загварчлахыг хүсч байгаа гэе. Тэгвэл бид дараах вектор хугацаан цувааг үүсгэж болох
бөгөөд

y1 t

[] y
y t = 2 t , t=1,…,T
.
y kt

Энд y t нь к х 1 хэмжээст вектор. Жишээ нь, бид хүүний хувь ( r t ) болон инфляцийн хувийн
( π t ) хоорондын харилцан хамаарлыг загварчлал гэвэл дараах векторыг эхлээд үүсгэнэ:

πt
yt=
[]rt
.

Нэгэнт эдийн засгийн шинжлэх ухааны гол зорилго нь төрөл бүрийн хувьсагчдын
хоорондох харилцан хамаарлыг тодорхойлох учир вектор процессууд элийн засагчдын
хувьд маш чухал ойлголт юм. VAR процессын судалгаа нь бидний өмнө үзсэн нэг
хувьсагчийн хувьд хийгддэг шинжилгээнүүдийн зүй ёсны өргөтгөл байх болно. Гэвч
тэдгээр нь макро эдийн засгийн шинжилгээнд ямар чухал ач холбогдолтойг нь дурдахгүй
байхын аргагүй. Жишээ нь өнөөдөр ихэнхи Төв банкууд энэхүү загварыг урьдчилан
таамаглалын үндсэн хэрэгсэл болгон хэрэглэж байна.
Нэг хувьсагчит хугацаан цуваан процессууд нэгэн адил вектор хугацаан цувааны
хувьд ч цагаан шуугианы талаархи ойлголт маш чухал байдаг.
6.1.1 Вектор цагаан шуугиа
к х 1 хэмжээст ԑt вектор цагаан шуугиа процесс дараах шинж чанартай:

E( ԑt ) = 0

E(ԑt ԑ 't) = 0

E(ԑt ԑ 's) = 0, s ≠ t.

Тэгэхээр ԑt –ийн элемент бүр нь (6.1а) нөхцөл ёсоор тэг голчтой, харин (6.1b) нөхцөл ёсоор
вариац-ковариацын матриц нь цаг хугацаагаар тогтмол байна. Ямар ч вариац ковариацын
хувьд байдагчлан ∑ нь тэгш хэмт (симмитрек) бөгөөд хагас эерэг тодорхойлогчтой
(positive semi- definite); практикт бол үүнийг ихэвчлэн эерэг тодорхойлогчтой гэж үздэг1.
(6.1c)-р тэгшитгэл ёсоор ԑt -ийн элемент бүрийн автоковариац нь тэг бөгөөд солбио (cross)
ковариац нь ч цаг хугацаанаас үл хамааран тэг байна.
44
 Сүүлчийн дүгнэлт маш чухал. Үүний ямар утга агуулж буйг харуулахын тулд к = 2
бөгөөд s = t – 1 гэж үзье. Тэгвэл бидний вектор цагаан шуугиа процесс маань дараах
шинжүүдтэй болно.

E(ԑ E(ԑ
E(ԑt ԑ 't−1) =
[ E(ԑ
1t

2t
❑
ԑ 1,t−1)

ԑ❑1t−1) E(ԑ
1t

1t
❑
ԑ2 ,t−1)

ԑ❑
2 ,t−1
) ] =0

Тэгэхээр ԑit –ийн автоковариац нь тэг, өөрөөр хэлбэл i = 1, 2 болон j = 1, 2… үед E( ԑit ԑi , t− j
) = 0, I = 1, 2 байна. Цаашилбал, солбио ковариацууд нь бүх j = 1, 2…-ийн хувьд тэг буюу
E(ԑ ԑ )= E(ԑ ԑ ) = 0. Тиймээс вектор цагаан шуугиа процесс дарь бүрэлдэхүүн бүр нь
1t
❑
2,t −j 2t
❑
1t− j

өөрийн өнгөрсөн утгуудаар зогсохгүй систем дэх бусад цувааны өнгөрсөн утгуудтай
корреляцгүй байна.
Вектор цагаан шуугиа процессын голч болон вариацын шинж чанар нь цаг
хугацаагаар өөрчлөгдөхгүй. Тэгэхээр (доор хэлэлцэх суурин байх нөхцлөөс) цагаан
шуугиа процесс суурин байна. Суурин байхаас гадна тэг автоковариац болон s ≠ t үе дэх
солбио ковариацын нөхцөл нь ԑi , t−s (I = 1,.., k, s > 0) –ийн элементийн ямар ч өнгөрсөн утга
өнөөдрийн ԑt -г прогнозлох чадваргүй гэсэн утга агуулж байна.

6.1.2VAR(p) процесс
Нэг хувьсагчийн AR(p) процессийн хувьд тодорхойлогдсонгүй талаар p дүгээр зэргийн
олон хувьсагчийн авторегресс процесс буюу VAP(p) дараах байдлаар тодорхойлогдох
байдлаар
y t = ẟ + Ф1 у t−1+Ф2 у t−2+…+Ф p у t −p + ԑt

Энд ԑt нь (6.1)-р тэгшитгэлийн системээр өгөгдсөн нөхцөлүүдийг хангасан вектор цагаан

шуугиа болно. Нэг хувьсагчтай байх үед бичсэний адил хоцроох тэмдэг ашиглан уг
процессийг цомхоноор дараах байдалтай бичиж болно.

Ф(L) у t = ẟ + ԑt

Энд Ф(L) нь к х к хэмжээст матрицан полиномиал болно.

Ф(L)= I k - Ф1L - Ф1 L2 -…- Ф1 L p. (6.4)

Жишээ нь: к х 2 хувьсагчтай хамгийн энгийн VAR(1) процесс болох y t = ϭ + Ф у t −1 + ԑt

yt 1 ẟ1 Ø 11 Ø 12 y 1 ,t −1 ԑ1t ẟ1 Ø 11 y 1 ,t−1 Ø 12 y 2 , t−1 ԑ 1 t

[ ][][
y2 t
=
ẟ2
+
Ø 21 Ø 22 y 2 ,t −1
+
ԑ2t
= +
][ ] [ ] [
+ +
ẟ2 Ø 21 y 1 ,t −1 Ø 22 y 2 , t−1 ԑ 2 t ]
Энд

σ 12 σ 12
E( ԑt ԑ )
'
t =¿ =∑= [
σ 12 σ 22 ]
VAR коеффициентийн матрицан полиномиал нь:
Ф(L)= I 2 – ФL = ¿болно.
45
VAR(1) жишээн дээр хувьсагч болон тэгшитгэлийг тэмдэглэсэн хоёр индекс л байсан бол
VAR процессийн хоцролтын зэрэг нь 1-ээс их үед Ф j гэсэн матрицууд гарч ирэх учир j
гэсэн хоцролтын зэргийг илэрхийлэх нэмэлт индекс шаардлагатай болно.
Тэгэхээр хоёр тэгшитгэлтэй
y t = ẟ + Ф1 у t−1+Ф2 у t−2+Ф p у t −p + ԑt

Гэсэн VAR(2) процессыг дараах байдалтай бичиж болох юм.

y1 t ẟ1 Ø (1) Ø (1) Ø (2) Ø (212) y 1 ,t−2 ԑ1t

[ ][][
y2 t
=
ẟ2
11
+ (1)
12

Ø 21 Ø 22 y 2, t−1
(1)
][ ] [
y 1, t−1
+
11

Ø 21 Ø 22 y 2 ,t−2
(2) (2 )
][ ] [ ]
+
ԑ2t

Энд
(2) 2 (2 ) 2
1−Ø (1)
11 L−¿ Ø 11 L −Ø (1)
12 L−¿ Ø 12 L
2
Ф(L)= I 2 – Ф1 L - Ф2 L =
[ −Ø(1) (2) 2
21 L−¿ Ø 21 L 1−Ø (2) (2 ) 2
22 L−¿ Ø 22 L
]
(6.2)-р тэгшитгэлээр өгөгдсөн VAR(p) процессын к хувьсагч нэг бүрийг бид яг адилхан
статустайгаар авч үзэж байгааг анхаараарай. VAR загвар маань уг систем дэх хувьсагчдын
хоорондох динамик харилцан хамаарлыг ямар ч хязгаарлалтгүйгээр авч үзэж байна.
Тодорхой нэгэн хугацаан цаг үе дэх хувьсагчдын хоорондын корреляцийг өдөөгч
хоорондын ковариацын матриц ∑-ын диагонал бус элементүүдээр загварчилна. Тэгэхээр
(6.2)-р тэгшитгэл дэх загварын тавилыг өнгөц харахад зөвхөн y t -д байгаа хувьсагчид
хоорондын динамик харилцан холбоос л байхаас, тухайн үе дэх харилцан холбоос байхгүй
юм шиг байвч тэгээс ялгаатай ковариацууд болох σ ij -ууд тэдгээр статик харилцан
хамаарлыг өөртөө агуулах үүргийг гүйцэтгэж байна.
6.1.3 Бүтцэт VAR (SVAR): Эхний түвшинд
Тухайн үе дэх y t -ын элемент хоорондын корреляцийг ковариацын матриц болох ∑-аар
загварчлах нь нэлээд тойруу бөгөөд, бидний сонирхож буй макро эдийн засгийн харилцан
холбоосыг зохистойгоор тусгахгүй байна хэмээн шүүмжлэгдэх нь бий. Энэхүү үзэл нь
өнөөдөр маш өргөнөөр хэрэглэгддэг. VAR загварын бүтэц хэлбэр бий болоход хүргэсэн.
Жишээ нь Төв банк бодлогын хүүний хувь ( r t )-иа өнөөгийн инфляци( π t )-аас хамааруулан
тогтоодог гэе. Цаашилбал бид хүүний хувь инфляцид зөвхөн хоцролттой нөлөөлнө гэсэн
нөхцөл тавьбал (үүнийг ихэнхи хүмүүс боломжийн нөхцөл гэж үздэг) дараах бүтцэт VAR-
ыг гарган авч болно:

1 0 πt a(111) a(1) e πt
[ ][ ] [
(0 )
a21 1 r t
21 π
= (1 ) (1) t−1 +
a21 a22 r t −1 ][ ] [ ]
ert

Энд бид хялбаршуулах үүднээс огтлогчийг тэг гэж үзсэн.

21 гэсэн параметр y 1 t = π t болон y 2 t = r t -ийн тухайн үе дэх

(6.8)-р тэгшитгэлд a(0)
харилцан холбоосыг тусгаж байгаа бөгөөд бүтцийн өдөөгчид болох e πt , e rt хоёр нь E(e πt e rt )
= 0 буюу хоорондоо ямар ч корреляцгүй байх ёстой. Учир нь Төв банк манай загвар ёсоор
өнөөгийн инфляцид бүрэн хариу үйлдэл үзүүлэх бөгөөд энэ үед e rt нь мөнгөний бодлогын
жинхэнэ “сюрпризүүдийг” агуулна. Ерөнхий тохиолдолд хэрэв
46
y it (i = 1,….k) гэсэн хувьсагчдын тухайн үеийн корреляцийг загварын үндсэн хэсэгт
загварчилсан буюу ԑit гэсэн өдөөгчдөд агуулагдан загварчлагдсан байвал уг системийг
зүгээр л (цомхон хэлбэрийн) VAR гэж нэрлэдэг.
Гэвч SVAR болон VAR хэлбэрүүд хоорондоо салшгүй холбоотой. (6.8)-р
тэгшитгэлийг матриц хэлбэрт бичвэл:
А0 y t = A1 y t−1+e t

болох бөгөөд үүний хоёр талыг (урвуутай) A−1

0 -аар үржүүлвэл:

y t = A−1 −1
y ԑ
0 A1 y t−1 + A0 e t = Ф t −1 + t

болно. Ийнхүү үүссэн хэлбэрийг нь цомхон хэлбэрийн (reduced form) VAR гэх бөгөөд энд;

0 A 1 , ԑt = A 0 e t
Ф = A−1 −1

∑=
Болно. Бид дахиж энэхүү хоёр илэрхийлэлийн хоорондын холбоосыг нарийвчлан авч үзэх
бөгөөд тэгэхдээ тэдгээрийн тус тусын үнэлгээ болон бүтцийн параметрүүдийг таних
талаар хэлэлцэнэ. Юуны өмнө эхлээд (6.2)-р тэгшитгэлээр өгөгдсөн VAR загвар дээрээ
төвлөрье. Хугацаан цуваан шинжилгээний статистик арга зүйн үүднээс VAR процессууд
нь нэлээд эртний сайтар судлагдсан байдаг ч эдийн засгийн шинжлэх ухаанд түүнийг
өргөнөөр ашигладаг болсон нь 2011 оны Нобелийн шагналыг эдийн засгийн шинжлэх
ухаанаар хамтран хүртэгчдийн нэг Крис Симсийн нэгэн алдартай ажлаас эхтэй гэдэг (Sims,
1980a). Уг судалгааны ажлаараа Симс тухайн үед моодонд ороод байсан хэмжээний макро
эдийн засгийн загваруудыг шүүмжилсэн байдаг. Тийм загварууд маш олон
тэгшитгэлүүдтэй, тэдгээрийн ихэнхи нь зэрэг тодорхойлогдсоны гажилттай (simultaneity
bias) байдаг байв. Энэхүү асуудлын гүн рүү оролгүйгээр тайлбарлавал, асар олон тооны
эндоген хувьсагчид загварт байх нь тэдгээрийн хоорондох холбоосыг хэмжих
параметрүүдийн үнэлгээг тун хүндрэлтэй болгодог. Өөрөөр хэлбэл, ямар нэг эндоген
хувьсагч өөр нэг эндоген хувьсагчийн хувьсагчийн хувьд үл хамааран хувьсагч болсон үед
энэхүү хувьсагч болон тухайн регрессийн өдөөгч хоёрын хооронд корреляци үүсгэх
бөгөөд энэ нь ЕХБКА-ын үнэлэгчийг гажилттайгаас гадна тууштай бус болгодог (E(
X ' u ¿=0 гэсэн нөхцөл шаардлагатай байдгийг санаж байгаа байх). Энэхүү асуудлаас
зайлсхийх зорилгоор судлаачид макро эдийн засгийн загварынхаа харилцан нөлөөллийн
зарим сувгуудыг хааж, хязгаарладаг байв. Тийм хязгаарлалтууд нь эдийн засгийн онолын
үндэслэлгүй, зөвхөн эконометрикийн үүднээс хийгдэж байна гэсэн нь Симсийн
шүүмжлэлүүдийн нэг байсан юм.
VAR загваруудад бүх хувьсагчийг тэгш хэмтэйгээр загварчилдаг учир судлаач
харилцан нөлөөллийн сувгууд дээр урьдчилан хязгаарлалт тавих шаардлагагүй бөгөөд аль
нь эндоген хувьсагч (энэ нь тухайн систем загварт тодорхойлогдох бидний сонирхож буй
хувьсагч), аль нь эгзоген хувьсагч (энэ нь тухайн систем загварт тодорхойлогдох бидний
сонирхож буй хувьсагч), болохыг урьдчилан зааж өгөх шаардлагагүй. Энэ нь өмнөх зэрэг
тодорхойлогдсон тэгшитгэлүүд бүхий загваруудаас ялгагдах давуу тал нь юм.
Динамик харилцан холбоост төвлөрдөг VAR системийг үнэлэхэд ямар ч хязгаарлалт
тавигдахгүй. Гэвч VAR загварын үр дүнг тайлбарлахад дөхөмтэй болгох үүднээс макро
47
эдийн засагчид тодорхой хязгаарлалт хийж байх нь зүйтэй гэх нь бий (дараах хариу
үйлдлийн функцийн талаархи хэлэлцүүлгийг үз).
6.2 VAR процессын шинж чанар
VAR процессыг сайтар ойлгохын тулд эхлээд (хоёрдугаар эрэмбийн) суурин байх байдлыг
VAR тохиолдол руу өргөтгөе. Тэгээд VAR процессын суурин байх зарим шинж чанарыг авч
үзнэ.
6.2.1 Суурин байх нөхцөл
Дараах нөхцлүүдийг хангасан VAR процессыг суурин гэнэ:

E( y t ) = μ бүх t-ийн хувьд (6.10a)

E( y t - μ)( y t - μ ¿ ¿' = Г 0 бүх t-ийн хувьд (6.10b)

E( y t - μ)( )( y t −1 −μ ¿ ¿' = Г j бүх t болон l-ийн хувьд (6.10c)

Техникийн хувьд (6.10)-д заагдсан нөхцөлүүд нь хоёрдугаар эрэмбийн суурин байх

нөхцөлүүд бөгөөд энэ нь практикт (нэг хувьсагчтай байх үеийнхтэй адилаар) суурин байх
тодорхойлолт хэмээн ашиглагддаг. (6.10c)-р тэгшитгэлд байгаа Г l-ын матриц илэрхийлэл
нь l хоцролтын зэрэг дэх уt-ийн автоковариацын матриц юм.
Одоо бид анхаарлаа суурин байх нөхцөл рүү төвлөрүүлье. Эхлээд нэг хувьсагчтай,
ф1,.....,фр буюу ф(L) = 1 − ф1L − … − фрLp гэсэн параметрүүдтэй AR(p) процессийн хувьд
суурин байх нөхцөл хэрхэн тавигдаж байсныг санацгаая. Энэхүү AR процесс суурин
байхын тулд zp – ф1 zp-1– ф2 zp-2 – … – фр = 0 гэсэн характерист тэгшитгэлийн язгуурууд нь
бүгд абсолют утгаараа нэгээс бага байх ёстой байсан (өөрөөр хэлбэл “нэгж тойргийн дотор
байх ёстой”).
Дээрхтэй адил хоцролтын полиномиал нь олон хувьсагчтай үед (6.4)-р тэгшитгэлээр
өгөгдөх бөгөөд VAR-ын суурин байх байдал нь ч энэхүү полиномиалаас хамаарна. Гэвч
юуны өмнө энэхүү матрицан тэгшитгэлийг скаляр болгон хөрвүүлэх шаардлагатай. Үүний
тулд түүний тодорхойлогчийн тэгшитгэлийг ашигладаг бөгөөд VAR (болон бусад ямар ч
динамик системийн хувьд)-ын суурин байх нөхцөлийг тодорхойлох хоцролтын
полиномиал тэгшитгэл нь дараах байдалтай байна:

|Ф(L) = |Ik– Ф1L – Ф2L2– … – ФpLp| = 0. (6.11)

Харин VAR-ын характерист тэгшитгэл нь

|Ikzp– Ф1zp-1– … – Фp-1 z – Фp| = 0 (6.12)

болох бөгөөд суурин байхын тулд (6.12)-р тэгшитгэлийн бүх язгуур нь абсолют утгаараа
нэгээс эрс бага, харин (6.11)-ынх нэгээс эрс их байх ёстой. Нэг хувьсагчтай байх үеийнхтэй
адилаар энэ нь (6.11)-р тэгшитгэлийн тодорхойлогчийг үржвэр хэлбэрт задалбал тэрхүү
скаляр задаргаан дах бүх коэффициент нь нэгээс бага байна гэсэн үг болно.
Систем дэх динамик харилцан холбооны улмаас VAR доторх бүх хувьсагч ихэнхдээ
нэгэн ижил интегралчлалын зэрэгтэй байдаг. Тэгэхээр нэг бол бүх y it ̴ I(0) (i = 1,…..,k),
эсвэл бүх yit ̴ I(1) (i = 1,…..,k) байна. Хэдийгээр параметрүүдийн маш онцгой утгуудын
хувьд энэхүү дүгнэлт хүчингүй байх нь бий ч бид тэдгээрийг түр зуур хойш тавин

48
системийн динамик нь интегралчлагдах зэргийг бүх хувьсагчийн хувьд ижил байлгадаг
тохиолдлыг эхлээд авч үзнэ.

Жишээ
K = 2 хувьсагчтай, Ф(L) нь (6.5)-р тэгшитгэлээр өгөгдсөн VAR(1) загварыг авч үзье. Энд,
ф11=1, ф12=-0.6, ф21=0.5, ф22=-0.7 гэе. Тэгвэл

1−ф 11 L −ф 12 L 1−t 0.6 L =¿

|Ф(L) = |
−ф 21 L 1−ф 22 L
= ||
−0.5 L 1+ 0.7 L |
= (1 – L)(1 + 0.7L)+0.3L = 1 + 0.3L – 0.7L2 + 0.3L2
2

= 1 – 0.3L – 0.4L2
болно. Энэ тохиолдолд характерист тэгшитгэл нь тэгэхээр
z2 – 0.3z – 0.4 = 0
1
→ z1,2 = ¿
2
z1 = −0.5, z2 = 0.8
Нөгөө талаар үүнтэй адилаар,
|Ф(L)| = 1− 0.3L – 0.4L2 = (1 – 0.8L)(1 + 0.5L)
нь λ1 = 0.8 болон λ2 = −0.5 гэсэн коэффициентүүдтэй байгаа нь |λi| < 1 бүх i = 1,2 гэсэн
нөхцөлийг хангаж байна.
Тэгэхээр энэхүү VAR бол суурин. Эхний тэгшитгэлд ф11 = 1 гэж байхад ийм
дүгнэлт хийж байгаа нь сонирхолтой санагдаж байж болох юм. Гэвч суурин байх нөхцөл
нь гагцхүү энэхүү коэффициентээс хамаарахгүй бөгөөд бид мөн y1t болон y2t –ын
хоорондын харилцан хамаарлыг авч үзэх ёстой.
Хоёр хувьсагчит VAR(1)-ын өөр нэг жишээ авч үзье. Энд ф11 = 0.9, ф12 = 0.1, ф21 =
0.2, ф22 = 0.8. Хэрэв ийм бол,

1−ф 11 L −ф 12 L 1−0.9 L −0.1 L =¿

|Ф(L)| = | ||
−ф 21 L 1−ф 22 L
= |
−0.2 L 1−0.8 L
= (1 –0.9L)(1 − 0.8L) − 0.2L2
= 1 – 1.7L + 0.7L2 = (1 − L)(1 – 0.7L)
Энд дээрхийн яг эсрэг зүйл болж байна. Хэдийгээр авторегресс коэффициеэтүүд ф 11 болон
ф12 тус бүрдээ нэгээс эрс бага байгаа ч систем бүхэлдээ суурин бус байна. Энэхүү
тохиолдолд (1 − L) гэсэн үржигдэхүүн байгаагаас |Ф(L)| нь нэгж язгууртай байгааг та харж
байгаа байх. Тэгэхээр y1t , y2t ̴ I(1).

6.2.2 Голч болон автоковариац

VAR(p) процесс суурин бол (6.2)-р тэгшитгэлийн 2 талаас хүлээлт авбал:

µ = δ + ф1µ + ф2µ + ... + фрµ (6.13)

болох бөгөөд энэ нь цаашилбал:

µ = (Ik – Ф1 – Ф2 – ... – Фр )−1 δ = Ф−1(1)δ. (6.14)

Тэгэхээр процесс суурин байхын тулд Ф(1) матриц урвуутай байх ёстой болж байна. Нөгөө
талаас хэрэв систем суурин юм бол
49
 |Ф(L)| = (1 – λ1L)…(1 – λqL).

гэсэн тэгшитгэлийн λi-ууд нь | λi |< 1 байх ёстой. Тэгэхээр

|Ф(1)| = (1 – λ1)…(1 – λq) > 0

болох бөгөөд Ф(1) нь урвуугүй байж болохгүй.
Матрицын тэгшитгэл ашиглагдаж байгааг нь үл ойшоовол (6.14) нь нэг хувьсагчтай
байх үеийн AR(p) процессын илэрхийлэлтэй тун төстэй байгааг анзаарч байгаа байх.
Нэг хувьсагчтай процессын хувьд гарган авч байсанчлан автоковариацыг,
цаашилбал автокорреляцыг VAR процессын хувьд мөн гарган авч болно. Гаргалгааны гол
үр дүн нь суурин VAR процесс үүссэн хувьсагчдын автоковариац болон автокорреляцууд
нь тус бүрдээ давтагдашгүй цор ганц хэлбэртэй байх бөгөөд тэдгээр нь хязгаартай байдаг
шинж юм.

Эхлээд (6.13)-р тэгшитгэл дэх µ-г (6.2)-р илэрхийлэр өгөгдсөн VAR(p)-ээс хасвал:

yt − µ = Ф1(yt-1 − µ) + Ф2(yt-2 − µ) + … + Фp(yt-p − µ) + et (6.15)

болох бөгөөд энэ нь VAR(p)-ын голчоосоо хазайх хэлбэр юм. Автоковариацыг нь

тооцохын тулд суурин VAR процессын j-р хоцролт дээрх автоковариацын матриц нь Гj =
E(yt − µ)(yt-j − µ)’ болохыг санацгаая. Энд Гj нь ерөнхий тохиолдолд тэгш хэмт бус гэдгийг
анхаарах хэрэгтэй. Энэ нь зөвхөн j = 0 үед л тэгш хэмт болно. Гэвч энэхүү тусгай
тохиолдлоос бусад үед холбогдох диагоналын бус элементүүд өөр өөр динамик харилцан
хамаарлыг илэрхийлнэ. Дараах жишээнд үүнийг тодруулж байна.

Жишээ: VAR(p) процесс эдийн засгийн өсөлтийн хувь (y1t = gt), инфляцийн хувь (y2t = ∆pt),
хүүний хувьд (y3t = rt) гэсэн 3 хувьсагчтай гэе. j = 1 хоцролт дахь автоковариацын матриц
Г1 нь тэгвэл:
gt −μ g

[ ]
E ∆ p t−μ p [ gt −1−μg ∆ pt −1−μ p r t−1−μ r ] =
r t−μ r
E(gt −μg )( gt −1−μg ) E(g t−μ g )( ∆ pt−1−μ p) E (g t−μ g )(r t −1 −μ r )

[ E( ∆ pt −μ p )(gt −1 −μg ) E( ∆ pt −μ p)(∆ p t−1−μ p) E (∆ pt −μ p )(r t−1−μ r )

E( r t−μ r )( g t−1−μ g) E(r t −μr )(∆ pt −1−μ p ) E(r t −μr )(r t−1−μr ) ]
Энд хувьсагч бүрийн голч нь µ, тэгээд хувьсагчийн индекстэйгээр тэмдэглэгдсэн байгаа.
Одоо Г1 матрицын (1,2)-р элемент нь t-1 үеийн инфляци болон t үеийн өсөлт хоорондын
ковариац бол (2,1)-р элемент нь t-1 үеийн өсөлт болон t үеийн инфляци хоорондын
ковариац байгааг харж болно. Энэ хоёр ковариац хоорондын тэнцүү байх ямар ч
статистикийн (болон эдийн засгийн) үндэслэл байхгүй.

Өөр өөр хоцролтууд дээрх автоковариацуудын хоорондын хамаарлыг VAR(p)-ын

голчоосоо хазайх хэлбэр (6.15)-ыг ашиглан гарган авч болно. Тухайлбал энэхүү
илэрхийллийн хоёр талыг (yt-j − µ)’-аар хойноос нь үржүүлж, хүлээлт авбал:
Гj = E(yt − µ) (yt-j − µ)’

50
 = Ф1Е( y t −1 −μ )( y t − j−μ)’+ Ф2Е( y t −2 −μ )( y t − j−μ)’+...+ ФрЕ( y t −p −μ)( y t − j−μ)’+ E
[ ε t ( y t − j−μ)' ]
= Ф1−Г j−1 +Ф2−Г j−2 +…+Ф p−Г j− p j>1 (6.16)
ε iнь цагаан шуугиа процесс гэдгээс өнгөрсөн үзэгдлүүдтэй корреляцгүй учир E
[ ε t ( y t − j−μ)' ] гэсэн хэсэг нь j > 1 үед тэг.
Энд анхааруулахад (6.16)-р илэрхийлэл дэх зарим j – i гэсэн индексүүд сөрөг
утгатай болж болох бөгөөд сөрөг хоцролт дахь автоковариац гэдэг нь түрүүлэх үеийн
автоковариац гэсэн үг болно. Тодорхойлолт ёсоор Г − j=¿ Е( y t −μ)( y t + j −μ)’ гэвч суурин
байх нөхцөл ёсоор автоковариац нь цаг хугацаагаар тогтмол учир Г − j=¿ Е( y t −μ)( y t + j −μ)’=
Е( y t − j−μ)( y t −μ)’. Гэхдээ Гj-ийн тодорхойлолтоос

' '
Г 'j=E [ ( y t −μ ) ( y t − j−μ ) ]
'
= E ( y t − j−μ ) ( y t −μ )
= Г − j j = 1, 2, … (6.17)
γ
(6.17)-р тэгшитгэл нэг хувьсагчтай байх үеийн j − j гэсэн үр дүнг матрицын орчинд
=γ
өргөтгөж байна.
Бид j = 0 үед харгалзах тухайн үеийн вариац-ковариацын матриц Г 0-ийг авч үзээгүй
байгаа. (6.16)-р тэгшитгэлд ашигласан аргаа энд мөн хэрэглэвэл:

Г 0 =E ( y t −μ ) ( y t−μ )'
' ' ' '
= Ф1 Е ( y t−1−μ )( y t−μ ) +Ф 2 E ( y t −2 −μ ) ( y t−μ ) + …+Ф p E ( y t− p −μ ) ( y t −μ ) + E [ ε t ( y t − p−μ ) ]

Одоо хамгийн сүүлийн хэсгийг нь авч үзээд, ( y t −μ)’-ийнх нь оронд (6.15)-р тэгшитгэлээс
орлуулбал:
E
[ εt ( y t −μ )' ]=E [ εt ( y t −1−μ )' ] Ф'1+ E [ εt ( y t−2−μ )' ] Ф'2 +…+ E [ εt ( y t − p−μ )' ] Ф'p + E [ ε t ε t ' ]
=∑

Учир нь дээрхийн адил ε t гэсэн цагаан шуугиа нь өнгөрсөн үеийн үзэгдлүүдтэй

корреляцгүй. Тэгэхээр,

Г 0 =Ф1 Г −1 +Ф2 Г −2 +…+Ф p Г − p +¿∑

= Ф1 Г 1 ' +Ф2 Г 2 ' +…+Ф p Г p ' + ¿∑

(6.16), (6.17) болон (6.18)-р тэгшитгэлд өгөгдсөн харилцан хамаарлууд нь нэг талаас Г j (j =
0, 1, 2, …), гэсэн автоковариацын матрицуууд, нөгөө талаас ∑ болон Фi (i = 1 … P) гэсэн
VAR коэффициентэн матрицуудын хооронд нэгээс нэгд гэсэн оноолт бий болгож байна.
Үүнийг (6.14) дэх голчийн үр дүнтэй хамт хэрэглэвэл VAR(p)-ын параметрүүд болох δ ,Ф i
(i = 1,…,P) ба ∑-г y t гэсэн векторын голч болно гэсэн дүгнэлтэнд хүрч байна. Нэгэнт нэгээс
нэгд гэсэн оноолт байгаа учир энэхүү үр дүнг эсрэг чиглэлд ч мөн хэрэглэж болно.

6.2.3 Хөдлөх дундчийн хэлбэр

51
Суурин VAR процесс дэх нэг бүр хязгааргүй үргэлжлэх вектор хөдлөх дундчийн (VMA)
хэлбэртэй байдаг. VAR(1) загварын хувьд ( I k −ФL) y t =δ + ε t бөгөөд

y t =Ф−1 ( L ) [ δ +ε t ]=(I k +ФL+Ф2 L2+ …) [ δ +ε t ]

= (I k + Ф+Ф2 +…)δ +ε t + Фε t−1 +Ф2 ε t −2 +…
∞
i
= μ+ ∑ Ф ε t−i (6.19)
i=0

Энд μ=( I k + Ф+Ф2 +… ) δ=( I k −ФL ) δ .[Анхаар: (I k −ФL ¿¿ ( I k −ФL) =I k байдаг учраас
−1 −1

( I k −ФL)−1=I k + ФL+Ф 2 L2 +…]

Суурин, Ф(L) y t =δ + ε t гэсэн VAR(p)-ын хувьд дараах хэлбэртэй хязгааргүй
үргэлжлэх VMA хэлбэр оршин байх бөгөөд

y t =Ф−1 ( L ) [ δ +ε t ]
∞
= μ+ ∑ φl ε t−l (6.20)
l=0
Энд дээрх (6.14)-р тэгшитгэлийн нэгэн адилаар μ=Ф−1 (1)δ , харин φ 0=I k бөгөөд
φ l(l=1 ,2 , …) нь VAR коэффициентийн матрицууд болох ф 1 , … ,Ф p-аас хамаарсан шугаман
бус функц байна. Энд вектор хөдлөх дундчийн хэлбэрт байгаа Et нь бидний анхны VAR
дахь Et гэсэн өдөөгчид гэдгйин анхаарах нь чухал. Нэг хувьсагчит AR процессын хувьд
хийсэн шиг VAR(p) процесс дахь хоцроосон y t −i , i=1,2 , …-уудыг нэг нэгээр нь зайлуулж
оронд нь Et −i гэсэн хэсгүүд оруулж ирж байгаа учир анхны цагаан шуугиа өдөөгчид
өөрлөгдөлгүй хэвээр үлдэнэ. VMA хэлбэрийг ийм үргэлжлүүлсэн орлуулалтын үр дүн
хэмээн үзэж болно. Ерөнхий VAR(p)-ын хувьд VAR коэффициентийн матрицууд болон
вектор хөдлөх дундчийн коэффициентэн матрицуудын хоорондын холбоос харьцангуй
төвөгтэй байдаг.
Голчийг нь зохих ёсоор зайлуулсан хугацаан цуваануудын хувьд үнэлсэн
огтлогчгүй VAR(p) загварыг авч үзье. Тэгвэл түүний параметрүүдээс VMA-ийн
параметрүүдийг дараах дараалуулан орлуулалтыг ашиглан гарган авдаг:

φ i=Ф1 φi−1+ Ф2 φi−2+ …+Ф p φi− p

Энд φ 0 нь нэгж матриц, i < 0-ын хувьд φ i=0

Хэдийгээр VAR процессын вектор хөдлөх дундчийн хэлбэрийг VAR
коэффициентүүдээс байнга гарган аваад байдаггүй ч энэхүү хэлбэрийг нь эдийн засагчид
загварын үр дүнгээ тайлбарлахдаа өргөнөөр хэрэглэдэг. Бид энэ талаар VAR системийн
үнэлгээний товчхон хэсгийн дараа дэлгэрүүлэн авч үзэх болно.

6.3. VAR загварчлал

6.3.1 ЕХБКА-ын үнэлгээ
Нэг хувит АR процессын талаар тайлбарласантай ижил шалтгаанаар бид "эхлэлийн
уул"болгон р ширхэг үзэгдлийг "зарлагадах"ёстой болох бөгөөд жинхэнэ үнэлгээ

u, y,-ын t = p+1, ..., Т гэсэн үзэгдлүүд дээр тулгуурлана. Өөрөөр хэлбэл бид т* - Т – р гэсэн
хэмжээний түүврийг үнэлгээндээ ашиглана.
52
(65)-р тэгшитгэлээр өгөгдсөн, хоёр хувьсагчит VAR(1) загвараа дахин авч үзье.

систем маань тэнцүүгийн тэмдгийн баруун гар талд өмнө нь тодорхойлогдсон

tоrеdetermined) хувьсагчид бүхий хоёр тэгшитгэлээс бүрдэж байна. Энд өдөөгчийн Морийг
цаг хугацаагаар тат байна гэж үзсэн. Энэ нь ЕХБКА-ыг системийн хоёр тэг

тэл тус бүрд хэрэглэх нь асимптотийн хувьд үр ашигтай бөгөөд үнэлэгчид (6.5)-р отварын
тэгшитгэл тус бүрийн параметрүүдийн хувьд тууштай байна гэсэн утгыг агуулна. Ийнхүү
тэгшитгэл тус бүрээр үнэлгээ хийх нь зарим мэдээллийг ашиглахгүй орхигдуулж байгаа
учраас (тухайлбал тэгшитгэл хоорондын холбоос үүсгэсэн өдөөгчийн хоорондох корреляц)
үр ашигтай байна гэсэн үр дүн таныг гайхашруулж байж магадгүй юм. Гэвч VAR загварын
хүрээнд энэ нь үр ашигт сөргөөр нөлөөлдөггүй болохыг нэгэнт батлаЖЭЭ.

Хоцролтын зэрэг р-г хэрхэн тогтоодогтой танилцахаасаа өмнө нэг асуудлыг товчхон
дурдах ёстой. Өмнө нь бид параметрүүд нь ямар нөхцөл хангасан тохиолдолд VAR систем
суурин байдагтай танилцсан. Харин дөнгөж сая, аз болоход, бид тэдгээр параметрүүдийг
ЕХБКА-аар үнэлж болохыг үзсэн бол нэлээд түрүүнд тэдгээр үнэЛэгдсэн параметрүүдийн
хувьд хийгдэх асимптот дүгнэлтүүд нь хувьсагчид суурин байх нөхцлөөс хамаардаг
болохыг үзсэн. Эдгээр нь бүгд нийлээд VAR загварыг зөвхөн суурин хувьсагчдын хувьд
үнэлж болно гэсэн дүгнэлтэд хүргэж байгаа юм шиг санагдаж болох юм. Ихэнх
эконометрикийн сурах бичгүүдэд ч үнэхээр ийнхүү заадаг. Нөгөө талаас бид хэрэв у
векторт байгаа хувьсагч бүр І(1) бол эхний ялгавар авч байж тэднийг суурин болгодгийг
мэднэ. Гэвч VAR-ын арга зүйг суурин бус тоон мэдээллийн хувьд ч ашиглаж болдог
бөгөөд харин үүнийхээ төлөө бидний төлөх үнэ нь стандарт статистикийн дүгнэлт хийх
процедурууд бүгд хүчингүй болдог. Энэхүү асуудлын талаар бид дараах коинтеграцын
бүлэгтээ дэлгэрүүлэн үзэх болно.

6.3.2 Хоцролтын зэргийг тодорхойлох нь

(6.2)-р телеТГЭлд анх VAR процессыг танилцуулахад өдөөгчийн хэсэг болох є нь вектор
цѕ4шуугиа гэж үзсэнийг санаж байгаа байх. Тэгэхээр бид Є гэсэн өдөөгчдийг
автотрреляцгүй байлгах хамгийн бага хоцролтын зэрэг р-г сонгох арга боловсруулж би
Анка. Хэдийгээр энэ нь зохистой хоцролтын зэргийг тодорхойлох нэлээд сайн арга ч
практикт өөр хоёр арга түлхүү хэрэглэгдсээр ирсэн.

Мэдээллийн шинжүүр

Нэг хувьсагчит АR процессын хувьд бид аль хэдийн танилцсан мэдээллийн тулгуурлан
хоцролтын зэргийг тогтоох арга өнөө үед хамгийн өргөнөөр ха байна. Стандарт регрессийн
онолоос бид нэмэгдэл хувьсагч бүр загвар тыг сайжруулдгийг мэднэ. Тэгэхээр VAR(p+1)
загвар VAR(р) загварыг бо мэдээлэлд илүү таарах нь дамжиггүй юм. Гэвч энэхүү
тааралтын сайх. ширхэг параметр нэмж үнэлэх зардал дагалдана. Мэдээллийн шинжуур н
загвар хэр таарсан байгаа байдал болон үнэлэгдсэн параметрийн тоон ха дэнсийг тогтоох
зорилготой.

Нэг хувьсагчтай загварын хувьд бид дараах шинжүүрүүдийг үзсэн

∑ e2t 2 p
AIC ( p )=¿ ( )+
T¿ T¿
53
 ∑ e 2t p ln ( T ¿ )
SIC ( p )=¿ ( )
T¿
+
T¿

энэ загварын тааралт нь үлдэгдлийн вариацын үнэлгээн натурал логарифмаар жигдэж

∑ e2t
байсан ln ⁡( ¿ ) Энэ нь VAR -ын ерөнхий тохиолдолд дараах байдалтай тавигдана
T

AIC ( p )=¿ ¿

SIC ( p )=¿ ¿

Нэг хувьсагчтай үеийнхтэй яг адилаар АІС(р) болон SIC(р) гэсэн эдгээр

хэмжигдэхүүнүүдийг p = 0, 1, ..., Pmax гэсэн хоцролтын зэргүүдийн хувьд тооцоолно
(тооцоо- | лолт In |E|-ын өөр өөр үр дүнд хүргэнэ. Тэгээд SIC(р), эсвэл AIC (р)-г хамгийн
бага байлгах хоцролтын зэргийг оновчтой хоцролтын зэрэг гэж үзнэ. Эдгээр шинжүүрийн
үр дүн заавал адил байх албагүй бөгөөд SIC нь АІС -г бодвол илүү цомхон хоцролтын
зэрэг сонгодог.

Доош нь шалгах

Албан ёсны шалгуур статистик

L=(T ¿ −e)(ln |∑ 1|−ln |∑ 2|)

энэхүү тааралтын римжаа өгөх бол үнэлэгдсэн парамет ratio test) гэдэг бөгөө

ааралтын сайжралт статистикийн хувьд ач холбогдолтой эсэх талаар баөгөх болно (энд c
нь илүү ерөнхий VAR (pa)-ын тэгшитгэл бүрийн хувьд параметрийн тоо).

6.3.3 Үлдэгдлийн автокорреляцыг шалгах нь

Нэг хувьсагчит AR(р)-ынхтай яг ижил шалтгааны улмаас тоон мэдээлэл намик хэлхээ
холбоог бүрэн загварчлахуйцаар VAR-ын зэрэг р-г тогтоох байнга шалгаж байх нь чухал.
Вектор тохиолдолд шалгуураа зөвхөн хур бүрийн хувьд бус нийт системийн хувьд
хэрэглэх ёстой.

Автокорреляцын LM шалгуурын VAR(р) загвар дахь өргөтгөл ёсоор эхлан аа үнэлж,

үлдэгдэл вектор Et, t = p+1, ..., Т-ыг нь аваад тэдгээрийг система тэрхүү өргөтгөсөн систем
дэх хоцроосон үлдэгдлийн векторын ач холбогдлы даг. Тэгэхээр т дүгээр зэргийн
үлдэгдлийн автокорреляцыг VAR(р)-ын хvн гасан шалгуур нь дараах туслах регрессээр
эхэлж

y=∂+φ1 y t−1 +…+ φ1 y t − p+ B1 Et −1 +…+ B m E t−m +ut

улмаар дараах бүлэг таамаглалыг шалгах бөгөөд

Но : B1 = ... = Bm = 0
54
харин эсрэг нь дараах таамаглал байна:

H a дор хаяж нэг B j ≠0 , j=1 , … ,m

6.5 Дагалдах хэлбэр болон прогноз

Zt = Azt −1+ ∈t

Харин zt нь kр элементтэй zt = [y, y, ,..., y-p+1], €t нь kp хэмжээст [E, 0, 0... и гэсэн вектор
болно. Алдааны вариац-ковариацын матриц нь

∑ 0 … 0 0

[ ]
0
E ( ∈t ∈t ) = 0
⋮
0
0
0
0
⋮
0
0
…
…
…
…
…
0
0
⋮
0
0
0
0
⋮
0
0

болно. VAR(р) процесс маань энэ дагалдах хэлбэрийн эхний k мөрт агуулагдаж туу. Нээс
дооших мөр нь тэнцэтгэлүүд болно гэсэн үг.

Дагалдах хэлбэр нь VMA процессын параметрүүдийг хялбар олоход туслахаас гадна

прогноз хийхэд тун тохиромжтой.

6.6 VAR.--ын ур дүнг тайлбарлахуй

6.6.1 Үндсэн ойлголт
6 хувьсагчтай, р= 4 үед (энэ ч гэсэн харьцангуй жижиг системд тооцогдоно)

ффициентийн тоо нь бүр 6 х (6 х 4 + 1) = 150 болно гэсэн үг. ашилбал VAR

коеффициентүүдээр загварчлагдсан хувьсагчид хоорондын ди

элхээ холбоо маань нэлээд түвэгтэй байж болно. Жишээ болгон гарцын зө

фляци болон хүүний хувь гэсэн гурван хувьсагч буюу у = (Уt, Пk, Tt)-тай Логвар авч үзье.
Тэгшитгэлүүд нь ТЭГВЭЛ:

π t =δ 1 +ϕ 11 π t −1+ ϕ12 y t −1+ ϕ13 r t −1+ ε π t

ŷ t =δ 2+ ϕ21 π t −1 +ϕ 22 y t−1 +ϕ 23 r t −1 + ε y t

r t =δ 3+ ϕ31 π t −1+ ϕ32 y t −1 +ϕ 33 r t −1+ ε r t

хувийн ирээдүйн инфляцид үзүүлэх нөлөөг сонирхож байгаа гэе. тууний шууд нөлөө нь
Ф13rt-1 гэж орж ирнэ. Мөн шууд бус нөлөө -ээр бас
орж ирнэ. (учир нь тt-2 нь Уt –1-д нөлөөлж байгаа бөгөөд харин Уt -1 нь , тэгшитгэлд
байгаа. Цаашилбал, өсөлт болон инфляци хоёул хүүний хувийн итгэлд байгаа учир
55
тэдгээрийн нөлөө те өөрөөр нь дамжин бас орж ирнэ. рийн засагчид ихэвчлэн ямар нэгэн
хувьсагчийн өөрчлөлтөөс үүдэх нийт нөлөөг
our хүсдэг. (6.28)-р тэгшитгэл дэх шиг системийн хувьд VAR коеффициентүүд гаараа
зөвхөн асуудлын нэг талыг л харуулна; тодруулбал тодорхой хувьсагчийн
сон утгын нөгөөдөө үзүүлэх нөлөөг бусад хувьсагчдийн бүх утгыг тогтмол гаж байгаад
хэмжиж байна гэсэн үг болно. Асуудлын зөвхөн нэг тал эдийн олал тийм ч их сонин биш
байдаг бөгөөд бидний сонирхож буй нийт нөлөөus талаар хангалттай мэдээлэл өгч
чадахгүй. VAR-ыг тайлбарлахтай холбоотой оор хундрэлүүд нь коеффициент тус бүрийг
тайлбарлах цаашдын оролдлогуу
шаардлагагүй болгодог. Харин эдийн засагчид тодорхой VAR-ын эдийн засгийн суулгыг
судлах, түүний үр дүнг тайлбарлахдаа импульс хариу үйлдлийн функц (impulse response
function) гэгддэг зүйлийг ихэвчлэн хэрэглэдэг.
6.6.2 Импульс хариу үйлдлийн функц
Леэрх (6.28)-р тэгшитгэлээр өгөгдсөн VAR(1)-ээ дахин авч үзье. Энэ маань мөнгөний
бодлого (хүүний хувийн тэгшитгэлээр илэрхийлэгдсэн), инфляци болон өсөлтийн
харилцан хамаарлыг харуулсан маш энгийн загвар юм. r-ийн тэгшитгэлд Төв банк
бодлогын хүүний хувиа өнгөрсөн үе дэх инфляци болон өсөлтөөс хамааруулан тогтоодог
гэж үзэж байна. Тэгэхээр хүүний хувь эгзоген байдлаар бус харин сүүлийн үеийн (болон
магадгүй тухайн үеийн эдийн засгийн нөхцөл байдлыг илэрхийлэн тогтоогдож байна.
Ямар чt үед тэгэхдээ Төв банк энэхүү тэгшитгэлээр тавигдсан наас өөрөөр хүүний хувиа
тогтоох эрхтэй. Ийм Төв банкны үйлдэл дэх “сюрприз” буюу “цочрол”-ын хэмжээ Ert
гэсэн өдөөлтийн хэсэгт тусгагдана. VAR болон түүн доторх хувьсагчдын хэлхээ холбоосыг
ашиглан ямар нэг цочролын нийт системийн хувьсагчдад цаг хугацаагаар үзүүлэх нөлөөг
голчлон судалж болдог. Макро эдийн засагчид үүнийг импульс хариу үйлдлийн функцын
(impulse response function) шинжилгээ хэрхэн нэрлэдэг.

Дээрх хуулий хувьд гарсан ганц цочрол Ert-г дагалдан VAR-ын гурван хувьсагч бүрт
харгалзах гурван хариу үйлдлийн функц бий болно. Хариу үйлдлийн функц бүр тэрхүйц
цочрол Ert-ын (бүх l> 0 -ийн хувьд Ert+ = 0 гэж үзэж байгаад) тодорхой х эсагч yi-ийн
дараа дараагийн утгууд болох уit, yi,t+1, yi,t+2, ...-д үзүүлэх нөлөөг хэмжинэ. k хувьсагчтай
ерөнхий VAR-ын хувьд k өдөөгч бүр kxy нөлөөлөх учир нийтдээ 2 тийм хариу үйлдлийн
функцийг тооцоолж болно

(6.20)-р тэгшитгэлд өгөгдсөн VMA хэлбэр нь

∞
y t =μ+ ∑ φ l ε t−l
l=0

Зарим тохиолдолд Фо = Іх гэсэн хялбаршуулсан тодорхойлолтыг е = 0-ийн ашигладаг

бөгөөд энэ нь дараах үр дүнд хүргэнэ:

δy
= 1 хэрэв i= j
δε
it

jt
{0 хэрэв i≠ j

Цочролын хэмжээ нэгээс ялгаатай бол хариу үйлдлийн функцийг зүгээр л цочролын
тэрхүү хэмжээгээр нь нэмэгдүүлэх болно. Тэгэхээр жишээ нь, хэрэв бид , — гэж тогтоовол
yi-д үзүүлэх түүний динамик нөлөө нь аз р., (0 = 0, 1, 2, ...) гэсэн да. рааллаар өгөгдөнө
56
гэсэн үг. Гэвч цочролын хэмжээг үнэмшихүйцээр байлгахын тулд аз-г Еj -ын стандарт
хазайлтын үнэлгээтэй тэнцүү байхаар тогтоож байгаад хариу үйлдлийн функцийг
тооцоолох нь олонтаа.

e (6.30)-аар өгөгдсөн хариу үйлдлийн функцын дарааллыг (j)-р тэгшитгэлд гарсан ямар нэг
өөрчлөлт системийн бүх хувьсагчдаар дамжин (i)-р хувьсагчид үзүүлж буй нийт динамик
нөлөөг цаг хугацаагаар илэрхийлж байна хэмээн тайлбарлавал зохистой.

Бусад таних аргууд

Өмнөх хэсэгт (6.32)-р тэгшитгэлээр өгөгдсөн Чолескийн задаргаа нь (6.34)-р, рээр
өгөгдсөн бүтцэт VAR-ын параметрүүдийн хувьд ямар хязгаарлалт тав үзүүлсэн. Энэхүү
Чолескийн задаргаа буюу эрэмбэлэлт нь ортогонал өдөөгчли них цорын ганц арга биш.
Дээрх бүтцэт VAR-аа матриц хэлбэрт бичвэл:

( 0)
1 −β(130) y 1 , t

[ ][ ] [ β 11 β12 β 13 y 1 ,t −1 e 1 ,t
−β12
−β (210)
−β (310)
1
( 0)
−β32 1
( 0)

y3 , t ][ ] [ ]
−β23 y 2 , t = β 21 β22 β 23 y 2 ,t −1 + e 2 ,t
β 31 β32 β 33 y 3 ,t −1 e 3 ,t

B0 y t=B0 y t− x + et

y t =B−1 −1
0 B1 y t−1 +B 0 E t

y t =ϕ0 y t −1 + ϵ t

Энд хамгийн сүүлийн мөр нь Ф. = Ba'в, болон Et = Bo et гэсэн тодорхойлолтыг ашигласан

үед бидний энгийн VAR(1) илэрхийлэлтэй ижил болох нь тодорхой байна.  тэнцэтгэлийн

6+3 = 9 параметр (Во-ийг 6 параметртэй гэж үзнэ, энэ нь диагонал і холбоотой; 22e нь
дотроо 3 вариацтай). Энэ нь өмнөхтэй ижил үр дүн гар талд буй параметрүүдийн хувьд
гурван хязгаарлалт тавьж байж

дахь бүх мэдэгдэхгүй параметрийг олох боломжтой болно(VAR-ыг параа 2 дэх

параметрүүд, дор хаяж тэдгээрийн үнэлгээнүүд, мэдэгдэж

лбарласанчлан Чолескийн задаргаа нь Bo-ийг гурвалжин байлгахаар

авьдаг. Мөн (6.32)-р тэгшитгэлд C = Во хэмээн тогтоох нь бүтцэт VARгчид нь 1 гэсэн

ортогоналчлагдсан үлдэгдлүүдтэй тэнцүү гэсэнтэй утга буй нэг юм.

Мэдэгдэхгүй байгаа бу хязгаарлалт бий. Ере Дэслэгдэх ёстой. Эл бүгд k = 3 хувьсагчтай

VAR-дбайгаа бүх параметрийг танихад ашиглаж болох хэд хэдэн төрлийн т бий.
Ерөнхийдөө тэдгээр хязгаарлалтууд бүгд эдийн засгийн онолд үнстой. Эдгээрээс зөвхөн
зарим боломжуудтай нь одоо танилцах бөгөөд хувьсагчтай VAR-д тулгуурлана.

1. B0 дэх 3 параметрийг гурвалжин бүтэц тогтоохгүйгээр мөн дараах байдлаар

хязгаарлаж болно.

57
 1 0 − β(0)

[ (0)
−β 21
0
1
(0)
−β22
0
1
13

]
2. B0 –ийн хувьд тэг хязгаарлалтууд тавихын оронд тэгш хэмийн хязгаарлалт мөн
ашиглаж болох бөгөөд

1 0−β(0) −β (0)

[ (0)
−β 21
(0)
1
−β 31 0 −β32
21

(0)
1
31

0−β (0)
32
]
энэ нь үл мэдэгдэгч параметрийн тоог гурваар цөөрүүлнэ. Гэвч эдийн засгийн онолын
үүднээс макро эдийн засгийн харилцан хамаарал тэгш хэмтэй байна Гэсэн хязгаарлалт гарч
ирэх нь ховор.

3. Бланчард-Куагийн (Blanchard and Quah, 1989) задаргаа. Танилтын энэхүү аргыг

(6.35)-ын хүрээнд тайлбарлах боломжгүй бөгөөд бид үүний тулд тэмдэглэГЭЭГ
хялбаршуулах үүднээс тогтмол хэсгийг нь орхигдуулсан VAR(1)-ын хөдлөх
дундчийн хэлбэрийг ашигладаг.
∞ ∞ ∞
−1
y t =∑ φl ϵ t−l=∑ φl B ϵ =∑ φl ϵ t −l
0 t−l
l=0 l=0 l=0

Ийм хязгаар мийг бүрэн танихад хангалттай. Тэдний санал болгосон энэхүү арга
элементүүдэд өгч байгаа тодорхой тайлбарт тулгуурладаг бөгөе Бланчард ба Куа хоёр
тэрхүү ажилдаа хоёр хувьсагчит систем авч va нэг элементийг нь эрэлтийн талаас үүдэлтэй
цочрол, нөгөөхийг нь на тийн талаас үүдэлтэй цочрол хэмээн тайлбарладаг. Тэд эрэлтийн
та дэлтэй цочрол нь нийт гарцад зөвхөн түр зуурын, урт хугацааны бус байдаг болохоор
ийм төрлийн хязгаарлалт ашиглах нь зохистой хэм тавигддаг. Тодорхой эдийн засгийн
онол дээр тулгуурласан ийм төрлийн хязгаарл байж параметрүүдийг нь таньж буй VAR-ыг
ерөнхийдөө бүтцэT VAR (SVA байна. Яг ямар төрлийн хязгаарлалт ашиглах нь шийдэх
ёстой асуудлын ма болон түүнийг тайлбарлах ямар ямар онолууд байна гэдгээс хамаарна.

58
Бүлэг 7
Коинтеграц
7.1 Удиртгал
Өмнө нь нэгж язгуурыг шалгуурын хүрээнд үзсэнчлэн коинтеграц гэдэг нь
интегралчлагддаг хувьсагчидын хооррондох суурин шугаман холимог юм . Хэдийгээр
коинтеграц нь нэгээс дээш зэргийн интегралчлагддаг процессуудын хувьд яригдаж болох ч
бид энэхүү ойлголтыг зөвхөн I ( 1 ) процессуудын хүрээнд авч үзнэ .
7.2 Хоёр хувьсагчийн хоорондох коинтеграц : анхан шатны ойлголт
Эдийн засгийн шинжлэх ухаанд тодорхой хувьсагч хооронд урт хугацааны тэнцвэрт
харилцан холбоос бий гэж үздгийг бид мэднэ . Коинтеграц гэдэг нь энэхүү ойлголтод
харгалзах статистикийн шинжлэх ухааны ойлголт юм . Энэхүү хоёр салбараас
коинтеграцын статистикийн ойлголтыг нь эхлээд авч үзье . Жишээ нь танд γ 1 ,γ 2 гэсэн
хоёр I ( 1 ) цуваа байлаа гэж үзье . Энд анхааруулахад олонх эдийн засгийн хувьсагч чид ,
тухайлбал ДНБ , хэрэглээний үнийн индекс , ажилгүйдлийн түвшин , хэрэглээ , MI зэргийг
I ( 1 ) хэмээн үзэх нь тун түгээмэл . Ерөнхий тохиолдолд ийм хоёр цувааны шугаман
холимог болох z t= β0 + β 1 y1 t + β2 y 2 t нь бас І ( 1 ) цуваа байдаг .

Жишээгээ улам тодруулбал , бидэнд санамсаргүй алхах процесс ( I ( 1 ) ) байлаа гэхэд t

өсөхийн хэрээр уг цувааны варивц нь хязгааргүй өсдөг шинжтэй болохыг бид мэднэ . Ийм
хоёр санамсаргүй алхааны хоорондын нийлбэрийн хувьд ч энэхүү шинж хадгалагдах нь
тодорхой .

Тэгвэл одоо эдийн засаг дахь өрхүүдийн зарлагадаж болох орлого INCt болон тэдний нийт
бодит хэрэглээ C t гэсэн хоёр І ( 1 ) хувьсагчийг авч үзье . Эрхүү хоёр хувьсагчийн хооронд
дараах холбоос байна гэвэл нэг их олон хүн маргахгүй байх жижиг үсгээр том үсгээрх
хувьсагчийн логарифмыг тэмдэглэсэн
c t =δ 0+ δ 1 inc t

Мэдээж энэхүү хамаарал нь цаг ямагт хангагдаж чадахгүй бөгөөд тэр үед нь гарах зөрүү
e t =c t−δ 0−δ 1 inc t ийг тэнцвэрийн алдаа гэе . e t ≠ 0 бол орлого хэрэглээ хоёр тэнцвэрт
харилцаанаас гажсан байна гэсэн үг болно . Эндe t нь хоёр I(1 ) хувьсагчийн шугаман
холимог байгааг анхаараарай. Гэвч хэрэв ( 7.1) - р тэгшитгэлээр өгөгдсөн шиг тэнцвэрт
хамаарал үнэхээр байдаг юм бол e t нь бас I(1 ) цуваан шинжтэй байна гэж үзэх нь зөв үү
Энгийнээр бодоход хэрэв үнэхээр тэнцвэр гэж байна л юм бол e t нь дунджаар 0 байх
бөгөөд цаашилбал Var (e t ) нь цаг хугацаа өнгөрөх тусам хязгааргүйгээр нэмэгдэх ёсгүй.
Бүр цаашилбал үнэхээр тэнцвэрт харьцаа байгаа л юм бол тэнцвэрээсээ хазайх гажилт нь
алга болох хандлагатай байх буюу статистикийн үүднээс бол e t –ийн процесс урт
хугацаанд голч утга болох 0 рүүгээ буцаж ирдэг байх ёстой. Өөрөөр хэлбэл бид e t ийг
суурин процессын шинж чанартай байхыг шаардах болно

Мөн хэрэв c t болон inc t - ийг хооронд нь холбож байдаг эдийн засгийн харилцаа байгаа л
юм бол e t даялаад алга болох учиргүй . Тэгэхээр тэнвэрийн алдаа байгаа бол ( e t−1 ≠ 0)
энэхүү хоёр хувьсагч дараах үеүүдэд тэрхүү алдаагаа засахаар тохиов өөрчлөгдөх ёстой.
59
❑❑хэлбэл , t - 1 үед тэнцвэр ( e t−1> 0 гэж алдагдвал ( бид ( 7 .1)-р тэгшитгэлд ∂1 ¿ 0 гэж үзье
тэгэхээр (7.1)-р тэгшитгэл ёсоор c t −1 нь тэнцвэрийн үеийнхээсээ өндөр эсвэл ,inc t −1 нь
тэнцвэрийн үеийнхээсээ доогуур , эсвэл өмнөх хоёр нөхцөл хоёулаа хангагдаж байна
гэсэн үг болно ) энэ нь засагдахын тулд нэг бол E ( ∆ ct ∨e t−1) < 0 , үгүй бол Е (∆ inc t ¿ e t−1)
> 0 , эсвэл энэ хоёр өөрчлөлт зэрэг болон ёстой . Хялбаршуулах үүднээс динамик нөлөөг
нь түр орхиод албан ёсоор үүнийг бичвэл
∆ ct =γ 10 +γ 11e +υ ct t−1

∆ inc t =γ 20 +γ 21 e +υ2 t t−1

ADF шалгуурт хэрэглэгдэх шийдвэрлэх утгууд нь y 1 t болон y 2 t - ын суурин эсэхийг

тогтооход хэрэглэгдэх ердийн шийдвэрлэх утгуудаас ялгаатай байдаг гэдгийг маш сайн
анхаарах ёстой . Хэрэв ε t суурин гэсэн дүгнэлт гарвал Энгл , Гранжер нар сүүлчийн алхам
болгон алдаа засах хэлбэрийг нь мөн үнэлэхийг зөвлөдөг .
∆ y 1t =¿γ 10 +γ 11 ε t−1+υ 1t ¿

∆ y 2t =¿γ 20 +γ 21 εt−1+υ 2t ¿

7.3 Нэг болон олон хувьсагчит ADF илэрхийлэл

∅ ( L ) y t =δ + ε t гэсэн суурин AR(p)процессын нэгж язгуурын хамаардаг болохыг бид өмнө

нь үзсэн . Жишээ нь нэг хувьсагчтай процессын хувьд нэгж язгуурын шинж чанарууд нь
∅ ( z ) характерист полиномиалын язгуураас хамаардаг болохыг бид өмнө нь үзсэн.Жишээ нь
нэг хувьсагчтай процессын хувьд нэг язгуурын шалгуур хэрэгжүүллээ гэхэд бид y t ¿ I (1)
¿

юмуу y t ¿ I ( 0 ) сонирхож байна гэсэн үг:Тэгэхээр

¿

φ (z)-ын бүх p язгуур нэгж тойргийн гадна оршино,эсвэл

φ (z) нь нэг ширхэг нэгж язгууртай бусад язгуур нь нэгж тойргийн гадна оршино

ADF илэрхийллийг ашиглавал

φ∗( L ) ∆ y t=∝ y t −1 +δ +ε t (7.2)

Үүнтэй яг адилаар , VAR процессын бүлэгт үзсэнчлэн

Ф(L) y 2 t =δ+ ε t (7.3)
Ф*(L)∆ y t =П y t−1+δ +ε t (7.4)
Энд П=-Ф(1) (7.5)
y t =Ф y t −1+ε t (7.6)
Энд авторегресс полиномиал матриц нь
Ф(L)= I k -ФL (7.7)
(7.6)-ийн 2 талаас y t −1 -ыг хасвал энэ тохиолдолд (7.4) болон (7.5) нь дараах
хэлбэртэй болон хувирна.
∆ y t =П y t−1+ε t (7.8)
П=Ф- I k (7.9)

60
7.4 Алдаа засах загвар
Тэгвэл тэгээс ялгаатай Zt = y 1 t -3 y 2 t t үе дэх у1 болон у2 ын хоорондох тэнцвэрийн алдаа
болно . Хэрэв y 1 t -3 y 2 t ээс даван гарвал Zt нь эерэг байна. Хэрэв y 1 t нь 3 y 2 t - ээс бага
байвал Zt нь сөрөг байна

1.5 −0.5
[−0.5
−0.1 0.3 ] [−0.1 ]
= [ 1−3 ] Тэгэхээр А=[−0.5 ]
−0.1
ECM ийн хоёр тэгшитгэлийг бичье
∆ y 1 t =-0.5( y 1 ,t −1-3 y 2 ,t −1)+ε 1t
∆ y 2 t =-0.1( y 1 ,t −1-3 y 2 ,t −1)+ε 2t

Гурван тэгшитгэлтэй тохиолдолд

3х 1 хэмжээст y t вектор дахь бүх элементүүд I ( 1 ) байсан гэж үзье . Хялбаршуулах

үүднээс мөн y t нь δ=0 VAR ( 1 ) процессоор загварчлагддаг гэе . VECM хэлбэр нь Тэгвэл

∆ π 11 π 12 π 13 y 1 ,t −1 ε 1 t

[ ][ ][ ] [ ]
∆ y 2 t = π 21 π 22 π 23 y 2 ,t −1 + ε 2 t
∆ y 3 t π 31 π 32 π 33 y 3 ,t −1 ε 3 t

Хэрэв y t - ийн элементүүдийн хооронд r = 1 коинтеграцчилдаг хамаарал байвал тэрхүү

суурин шугаман холимогийг дараах байдлаар бичиж болно :

z t =B’ y t =β 1 y 1 t + β 2 y2 t + β3 y 3 t

Энд z t нь скаляр сана y 1 t мсаргүй хувьсагч . Энэ тохиодолд коинтеграцчилдаг векторуудын

матриц нь ердөө ( β 1 , β 2 , β 3 ) ' гэсэн вектор байна . Тохиргооны коеффициентүү дийн
матриц болох А нь мөн 3 х1 хэмжээст вектор байх бөгөөд VECM нь харин

∆ y 1 t a1 ε 1t a1 y 1 t−1 ε 1 t

[ ] [ ] [ ] [ ] [ ][ ]
∆ y 2 t = a2 z t−1 + ε 2t = a2 [1 β 2 β 3] y 2 t−1 ε 2 t
∆ y 3 t a3 ε3 t a3 y 3 t−1 ε 3 t

Дахиад k=3 хувьсагчтай VAR ( 1 ) загварынхаа хүрээнд y t дэх I ( 1 ) элементүүд хооронд r =

2 коинтеграцчилдаг хамаарал байлаа гэж үзье . Тэгвэл хоёр шугаман тусгаар , суурин
холимог гарч ирэх ёстой

y
z1 t
[ ][
z2 t
=
1 β 12 β 13 1t
β21 1 β 23 2t
y
y 3t
][ ]
β 11=β 22 = 1 гэж нормалчлах нь тэдгээр нь тэгээс ялгаатай байсан үед тун түгээмэл жишиг
юм . Энэ үед А нь 3 х 2 хэмжээстэй байх бөгөөд VECM нь

61
∆ y1 t a11 a12 ε1 t

[ ] [ ][ ] [ ]
∆ y 2 t = a 21 a22
∆ y3 t a 31 a32
z1 t −1
z2 t −2
+ ε2 t
ε3 t

Тэгэхээр z 1 t−1болон z 2 t−2 гэсэн тэнцвэрийн алдаа хоёул VECM - ын гурван тэгшитгэлийн
алинд нь ч орж болно.
7.5 Коинтеграц загварчлал
Энгл-Гранжерийн арга нь боломжит гэгдэж буй коинтеграцчилагдсан хамаарлын
үнэлгээнээс гарч ирэх үлдэгдэл дээр тулгуурлаж байсан. Энэ нь таамаглаж байгаа
хамаарлаа эхлээд үнэлээд тэндээс гарч ирсэн үлдэгдэл нь суурин байгаа эсэхийг шалгана
гэсэн үг ( энэ нь коинтеграц байгаа эсэхийг шалгаж байна гэсэн үг ) Гэвч энэхүү арга нь
хувьсагч хооронд зөвхөн ганц ( хамгийн ихдээ ) коинтеграц байна гэсэн далд нөхцөл
агуулж байдаг. Энэхүү аргыг k =2 хувьсагчтай үед хэрэглэх нь тун оновчтой. Харин
бүгдээрээ I ( 1 ) k =2 хувьсагч хооронд k −1 хүртэл коинтеграцчилдаг хамаарал байж болно.
Регрессээс k хувьсагч хоорондох зөвхөн ганц хамаарлыг үнэлэн гаргах боломжтой бөгөөд
энэхүү аргаар r >1үед r ялгаатай коинтеграцчилагдах хамаарлыг илрүүлэх боломжгүй.
Тэгэхээр k > 2хувьсагч хооронд коинтеграцчилдаг хамаарал байгаа бол Энгл-Гранжерийн
арга тохиромжгүй болох нь.
Олон хувьсагчтай байгаа үед хамгийн өргөнөөр хэрэглэгддэг коинтеграц загварчлал бол
Соран Ёхансеных ( Soren Johansen, 1995 ) r нь хэд байгааг нь тогтоочихвол, дайварт нь бас
коинтеграцчилдаг векторууд өөрсдийг нь буюу В матрицын багануудыг нь үнэлчихэж
болдог. Энэ нь z t -ийн элементүүдийг гарган авах боломж олгох ба VECM хэлбэрт загварыг
үнэлж болно.
7.5.1 Коинтеграцчилдаг векторын тоог шалган тогтоох нь
Ёхансены арга нь k × k хэмжээст дөрвөлжин матриц бүр k ширхэг хувийн утгатай
(eigenvalue) байна, түүний ранг нь тэгээс ялгаатай хувийн утгуудынх нь тоотой тэнцүү
гэсэн математикийн үр дүнд тулгуурладаг. Энэ аргын гол санаа нь r =ранг (П )-ыг
тодорхойлно гэдэг нь П-ийн хувийн утгуудын хэд нь эерэг, өөрөөр хэлбэл тэгээс их байна
вэ гэдгийг шалгана гэсэн үг.VAR загварын хувьд П-ийн хувийн утгууд нь нэгээс эрс бага,
тэгээс эрс их буюу тэнцүү байна.

П-ийн k хувийн утгыг λ i ( i=1 , … , k ) гэж тэмдэглэдэг бөгөөд энэ нь утгуудынхаа хэмжээгээр
эрэмбэлэгдэнэ. Өөрөөр хэлбэл 1> λ1 ≥ λ2 ≥ … ≥ λk . ра нг ( П )=r гэдэг нь i=1 , … , r−¿ын хувьд
λ i> 0, харин i=r +1 , … , k-ын хувьд λ i=0 байх нь. Ёхансены аргаар эхлээд ра нг ( П )=0 гэсэн
ерөнхий нэг таамаглалыг шалгаж хэрэв няцаагдвал алхам алхамаар ра нг ( П )=k гэсэн
таамаглалыг шалгах зүг рүү ахидаг. Шалгууруудын дараалал нь:
H 00 : r=0 ; H A 0 :r >0

H 01 :r =1; H A 1 :r >1

⋮
H 0 , k−1 :r=k−1 ; H A , k−1 :r =k

(7.15)
62
H 00-ыг авч үзэхэд энэхүү тэг таамаглал няцаагдвал хувьсагчид хооронд дор хаяж нэг
коинтеграцчилдаг хамаарал байна гэсэн үг. Дараа нь H 01-ийг авч үзэхэд энэхүү таамаглал
няцаагдахгүй бол r =1 гэж дүгнэж болно. Няцаагдвал H 02 :r =2-ыг авч үзнэ гэх мэт. Хэзээ
H 0 r няцаагдахаа больсон тэр үед r-ын үнэлгээ гарч ирнэ. Ёхансен энэхүү процедурыг
хэрэгжүүлэх хоорондоо холбоотой хоёр шалгуур статистик бий болгосон.

 Трейсийн ( trace ) шалгуур статистик бөгөөд дараах байдлаар тавигдана:

k
η^ r =−T ∑ ln (1− ^λi ) , r =0,1 ,… , k −1
i=r +1

Хэрэв η^ r нь 0-ээс хамаагүй өндөр байх юм бол H 0 r -ыг няцаана.

 Хамгийн их хувийн утгын статистик бөгөөд

ς^ r+1 =Tln ( 1− ^λr +1 ) , r =0,1 ,… , k −1

энэ нь тэгээс хамаагүй их байгаа эсэхийг шалгана.

Тодорхой сонгогдсон r-ын хувьд трейс статистик нь үндсэндээ λ r+1=…=λ k =0 гэдгийг

бүлэглэн шалгаж байгаа бол хамгийн их хувийн утгын статистик нь дараагийн хувийн
утгыг нь аваад λ r+1=0 эсэхийг шалгаж байна. Онолын хувьд бүх (жинхэнэ) хувийн утга
сөрөг бус, мөн тэдгээрийг хэмжээгээр нь ихээс бага руу нь эрэмбэлчихсэн байгаа учир нэг
утга гараад ирвэл дараах хувийн утгууд нь мөн тэг гэсэн үг болно. Практикт харин
жинхэнэ бус үнэлэгдсэн хувийн утгууд байгаа учир хоёр шалгуур статистик маань r-ын
зохих утгын талаар үргэлж ижил дүгнэлтэд хүрээд байдаггүй. Коинтеграцчилдаг векторын
тоог тогтоохдоо судлаачид η^ r болон ς^ r+1 -ыг хоёуланг нь ашигладаг. Практикт энэ хоёрын
нэгийг нь нөгөөгөөс нь илүүд үзэх шаардлагатай болвол η^ r нь ганц үнэлэгдсэн хувийн утга
дээр бус ^λ r+1=…=λ k =0 гэсэн бүлэглэсэн шалгуур гэдэг утгаараа түүний дүгнэлтийг илүүд
чухалчлах нь олонтаа.
7.5.2 VECM-ийг үнэлэх нь
Коинтеграцчилдаг хамаарлын тоо буюу r-ыг үнэлэх нь (зарчмын хувьд) коинтеграц
загварчлалын хамгийн хэцүү хэсэг нь байдаг. Энэхүү r гэсэн тоог гаргаад авчихсан байхад
коинтеграцчилдаг векторуудын матриц В-ын элементүүдийн үнэлгээ нь дайвар маягаар
гарч ирнэ. Үр дүнд нь z t=B ' Y t -ын r элемент нь сонгогдсон r-ын хувьд үргэлж
үнэлэгдчихсэн байна гэсэн үг. Суурин бус хувьсагчид хоорондох тйим суурин хамаарлыг
үнэлэхэд супер-тэмүүлэгчийн шинж илэрнэ.
Супер-тэмүүлэгчийн шинж чанар нь тохируулагч матриц А-г үнэлэхэд чухал ач
холбогдолтой. Үүнийг харуулахын тулд өгөгдсөн VAR(1)-ийг авч үзье:
∆ y t = A z t−1 +ε t .

Энэхүү В-ийн үнэлгээнд гарч ирж буй супер-тэмүүлэгчийн шинжээс болж (r ×1) хэмжээст
нь z t=B ' Y t векторын утгыг үндсэндээ аль хэдийн өгөгдчихсөн r хувьсагч мэт үзэж болно.
Энэ нь А-ын коэффициентүүдийг тэгшитгэл тус бүрээр нь ЕХБКА-аар үнэлж авах боломж
олгодог.

63
Илүү тодорхой болгохын тулд k =3 хувьсагчтай r =2 коинтеграцчилагддаг хамааралтай
жишээгээ дахин авч үзээд түүнийхээ VECM-ыг дараах хэлбэртэй бичье.

∆ y1 t a11 a12 ε1 t

[ ] [ ][ ] [ ]
∆ y 2 t = a 21 a22
∆ y3 t a 31 a32
z1 t −1
z2 t −1
+ ε2 t
ε3 t

Үнэлэгдсэн коинтеграцчилагдсан хамаарлуудаасаа z 1 ,t −1 болон z 2 ,t −1 -ын утгуудыг олсны

дараа
Δ y 1 t =a11 z 1 ,t −1+ a12 z 2 ,t −1 + ε 1 t

Δ y 2 t =a21 z1 , t−1 +a22 z 2 , t−1+ ε 2 t

Δ y 3 t =a 31 z1 , t−1 +a32 z 2 , t−1+ ε 3 t

(7.16)

гэсэн тэгшитгэлүүд дэх a ij (i=1,2,3 , j=1,2) гэсэн коэффициентүүдийг ЕХБКА-аар үнэлж

болно.
7.5.3 VECM загварын хүрээнд таамаглал шалгах нь
Коинтеграцчилдаг хамаарлыг үнэлэхэд гарч ирэх супер-тэмүүлэгчийн шинжийн улмаас z t -
ыг ажиглагдсан мэт үзэж болох учир А дахь тохируулагч коэффициентүүдын талаарх
таамаглалыг ердийн аргаа ашиглан шалгаж болно.
z j , t−1 ( j=1, … , r ) гэсэн тэнцвэрийн алдаа бүр систем дэх тэгшитгэлүүдийн дор хаяж нэгд нь
ач холбогдолтой байх ёстой. Хэрэв ямар нэгэн z j , t−1 системд буй k тэгшитгэлийн алинд нь
ч орохгүй байвал энэ нь түүнд харгалзах коинтеграцчилдаг хамаарал хүчингүй гэсэн үг
болно. Дараах VECM загварын хувьд
Φ ¿ ( L ) ∆ y t = A z t−1 +ε t

Коинтеграцын хамаарлыг сахиулж, урт хугацааны тэнцвэр рүү систем дэх яг аль хувьсагч
нь засварлагдан өөрчлөгдөж байна вэ буюу аль тохируулагч коэффициент нь ач
холбогдолтой байна вэ гэдгийг тогтоох нь тун сонирхолтой байдаг. z t дотор r ширхэг
коинтеграцчилдаг хамаарал байна гэдгээс a i1=ai 2=…=air =0 гэсэн бүлэг таамаглал нь ∆ y it
ер нь ямар нэгэн тэнцвэрийн алдаанд хариу үйлдэл үзүүлж байгаа эсэхийг шалгаж байна
гэсэн үг.
7.5.4 Огтлогч болон коинтеграц
Нэг хэмжээст процесс y t I ( 1 ) бол ∆ y t нь суурин хугацаан цуваа байдаг.∆ y t -ын процесс нь
дараах хэлбэртэй гэж үзье:

ϕ ¿ ( L ) ∆ y t =δ +ε t (7.17)

энд ϕ ( L ) ∆ y t нь суурин. Тэгшитгэлд δ ≠ 0 бол E( y t ) нь цаг хугацаанаас хамаарсан чигтэй

¿

байна, харин δ =0 бол E( y t ) нь тогтмол байна.

64
VAR(1)-т огтлогч нэмвэл олон хувьсагчтай ADF илэрхийлэл
∆ y t =П y t−1 +ε t (7.18)

болох бөгөөд энэ нь тэгшитгэлээс δ гэсэн огтлогчдын вектороор ялгагдана.

∆ y t = A B' y +δ +ε t
t −1
(7.19)

энд А болон В нь k × r хэмжээстэй, r рангтай матрицууд болно.

δ нь хязгаарлагдсан болон хязгаарлагдаагүй гэсэн хоёр төлөвийн нэгэнд байж болдог.

Хязгаарлагдсан огтлогч
Эхний тохиолдолд огтлогчид зөвхөн коинтеграцчилах хамааралд үүсэх бөгөөд загварын
бусад хэсэгт өөр огтлогч огт байхгүй. Коинтеграцын хамааралд огтлогч орж ирнэ гэдэг нь:

z t=B' y +δ 0
t
(7.20)

Огтлогчид зөвхөн коинтеграцчилдаг хамаарлаас үүсэх учир VECM илэрхийллээ дараах

байдалтай бичиж болно:
Δ y t = A z t−1+ ε t

¿ A ( B' y + δ 0 ) + ε t
t−1

¿ AB' y t −1+ A δ 0 +ε t (7.21)

Тэгшитгэлд буй үр дүнгээс харахад огтлогчид коинтеграцчиллын огторгуйд

хязгаарлагдсан байна. Эдгээр хязгаарлалтууд нь δ-д k элемент байхад δ 0-д зөвхөн r < k
элемент байгаатай холбогдон үүсэж байна.
Хязгаарлагдаагүй огтлогч
Хязгаарлагдаагүй огтлогчидтой байгаа үед тэдгээр нь коинтеграцчилдаг хамаарлаас гарч
ирэхээс гадна богино хугацааны динамикаас ч мөн гарч ирж болно. Өмнөхтэй адил
коинтеграцилдаг хамааралд огтлогч байгаа учраас

z t=B' y +δ 0
t

болох бөгөөд энд E( z t ) = 0 байна. Гэвч өмнөх тэгшитгэлээр өгөгдсөн VECM загварт δ нь
ямар ч утга авч болно, тэгэхээр δ = A δ 0байх албагүй. Энэхүү хязгаарлалтыг тавихгүй
байхын үр дүн нь

E( Δ y t )≠ 0

бөгөөд цаашилбал

E( y t ) ≠ E ( y t −1) .

65
болно. Өөрөөр хэлбэл y t -ын элементүүд чигтэй байхыг зөвшөөрч байна гэсэн үг. Хэрэв
коинтеграцын шинжилгээ хийж буй I (1) хувьсагчдын нэг нь л цаг хугацаагаас хамаарсан
чигтэй байх юм бол огтлогчдыг хязгаарлах ёсгүй.
Жишээ
Коинтеграцын хамгийн энгийн жишээ болох k =2 хувьсагчдын хоорондох
r =1 коинтеграцчилдаг хамаарлыг авч үзье. Коинтеграцчмлдаг хамаарлыг дараах байдлаар
бичиж болно:
z t= y 1t + β y 2 t + δ 0 (7.23)

Энд E ( z t ) =0

Хэрэв огтлогч нь зөвхөн коинтеграцын огторгуйдаа хязгаарлагдсан байвал VECM

тэгшитгэлүүд нь
Δ y 1 t =α 1 z t−1 +ε 1t

Δ y 2 t =α 2 z t−1 +ε 2t

болно. E ( z t ) =E ( z t−1 )=0 учир E ( y 1 t ) =E( y 1 , t−1), мөн E ( y 2 t ) =E ( y 2 ,t −1) , тэгэхээр y 1 t болон y 2 t
-ын аль нь ч цаг хугацаанаас хамаарсан чигтэй байх боломжгүй. Харин огтлогч нь
хязгаарлахгүй тохиолдолд VECM тэгшитгэлүүд нь
Δ y 1 t =α 1 z t−1 +δ 1+ ε 1 t

Δ y 2 t =α 2 z t−1 +δ 2+ ε 2 t

болох бөгөөд цаашилбал

E ( y 1 t ) =E ( y 1 ,t −1 ) + δ 1 (7.24)

E ( y 2 t ) =E ( y 2 ,t −1) + δ 2 (7.25)

болно. Тэгэхээр огтлогчийг хязгаарлахаа больчихоор δ 1 болон δ 2 нь тэгээс ялгаатай байж

болох тул y 1 t , y 2t хоёул цаг хугацаанаас хамаарсан чигтэй байх боломжтой болж байна.
Эцэст нь эдгээр тэгшитгэлүүд дэх δ 1 болон δ 2-ын утгууд хоорондоо холбоотой байгааг
анзаарах хэрэгтэй. Учир нь E ( z t ) =0 гэдгээс E ( Δ z t )=0 болох нь тодорхой. (7.23)-р
тэгшитгэлд буй коинтеграцын хамаарлаас эхний ялгавар авах юм бол
E ( Δ y1 t ) + βE ( Δ y 2 t ) =0

болох бөгөөд энэ нь

E ( Δ y1 t )=−βE ( Δ y 2 t )

66
гэсэн үг. Гэтэл (7.24) болон (7.25)-өөс E ( Δ y1 t )=δ 1 ба E ( Δ y2 t )=δ 2 болохыг нь мэднэ.
Тэгэхээр эндээс
δ 1=−β δ 2

болох ёстой нь харагдаж байна. Өөрөөр хэлбэл хувьсагчид хооронд коинтеграц байх л юм
бол нэг нь чигтэй, нөгөө нь чиггүй байх боломжгүй.

67
Бүлэг 8
ARCH болон GARCH
8.1 Удиртгал

Саяхныг болтол эконометрикчид регрессийн тэгшитгэлийн алдааны хэсэг нь тогтмол

нөхцөлт болон нөхцөлт бус вариуцтай хэмээх үзэж зөвхөн тийм хомоскедаст алдааны
хэсэгтэй загваруудтай л ажилладаг байв. Энэхүү нөхцөл хангагдсан үед Гаусс-Марковын
теором ёсоор ЕХБКА-ын үнэлэгчид хамгийн сайн , шугаман , гажилтгүй шинж чанарыг
агуулж, коеффициентүүдийн стандарт хазайлтыг хялбархан тооцож болдог. Бид өмнө нь
энэхүү үр дүн AR процессын хувьд AR коеффициентүүдын үнэлгээний хувьд ч мөн
хүчинтэй гэж үзсэн. Зураг 8.1 –д нам давтамжит макро эдийн засгийн хувьсагчдын
төлөөлөл болгон Монгол Улсын ДНБ-ийн өсөлтийг харуулж байна. Өндөр давтамжит тоон
мэдээллийн олдоц сайжрах тусам , ялангуяа санхүүгийн зах зээлийн хэрэгслүүдийн
арилжааны мэдээллийн хувьд , дээрх хялбаршуулсан нөхцөл шаардлагагүй , бүр садаа
болж эхэлдэг. Жишээ нь: S&P500 буюу АНУ-ын хувьцааны зах зээл дээр арилжаалагддаг
хамгийн том 500 хувьцааны үнээс бүрдсэн индексийн өгөөж дээр AR (1) загвар үнэлж
үлдэгдлийг нь зураг 8.2-д харуулж байна. Харваас үлдэгдэл зарим үед бусад үеэсээ
хамаагүй илүү хэлбэлзэмтгий байна. Ийм учраас үлдэгдэл бүрийг адил тархалттай гэж
үзэж болохгүйн зэрэгцээ , тэдгээрийн хооронд тодорхой зүй тогтол харагдаж байгаа учир
бие биеэс нь тусгаар гэж үзэх бүр ч боломжгүй (independently and identically distributed
буюу i.i.d – m.a.m ). Үүнээс үүдэн ХБКА-аар параметрүүдийг үнэлсэний дараа тэдгээрийн
стандарт хазайлтуудыг үнэлэхэд хүндрэлтэй болдог бөгөөд цаашдын статистик шинжилгээ
зогсонги байдалд ордог. Энэхүү хүндрэлтэй асуудлыг Вайт (white, 1980 ) болон Нюви,
Вэст ( Newey and West , 1987 ) нар шийдвэрлэж, вариац нь цаг хугацаагаар өөрчлөгдөж
байх үед ч хүчинтэй стандарт алдааны үнэлэгчдийг боловсруулсан. Тэгэхээр хэрэв бид

зураг 8.1 Монгол улсын ДНБ-ий өсөлтийн хувьд үнэлэгдсэн AR(1 ) загварын үлдэгдэл , Улирлын
хэлбэлзлийг Эрдэнэбат , Осбори, Сенсиер ба Дайк ( Bataa , Osborn, Sensier , Dijk, 2014 ) нарын аргачлалын
дагуу эхлээд засварласан.

68
эконометрик загварын нөхцөлт голчийг л сонирхож байгаа бол Вайт болон Нюви- Вэст
нарын санал болгосон стандарт алдааг үнэлэх аргыг ашиглан зохистой дүгнэлт хийж
болно.
Өндөр давтамжит санхүүгийн тоон мэдээллийн олдоц сайжирснаар хүмүүс экономметрик
загварын зөвхөн голч тэгшитгэл бус ба бусад асуудлуудыг нарийвчлан үзэх болсон .
Санхүүгийн мэдээллийн хувьд үлдэгдлийн вариац өөрийн гэсэн тайлбартай болдог. Жишээ
нь: та дээр дурдагдсан S&P500-д багтдаг хувьцаануудаас бүрдсэн багц бүрдүүлж байгаа
гэе. Тэгээд тухайн багцын өгөөжийн тоон мэдээлэл дээр AR загвар үнэлбэл энэ маань
тухайн өгөөжийн динамик буюу инерцийг , харин уг тэгшитгэлийн үлдэгдлийн вариац их
байна гэдэг нь таны багцын өгөөж загварын таамаглаж байснаас заримдаа хэт өндөр ,
заримдаа хэт их алдагдалтай байна гэсэн үг. Харин үлдэгдлийн вариац нь бага бол таны
загварын тайлбарлах чадвар нь өндөр , таамаглалын алдаа бага, цаашилбал эрсдэл бага
байна гэсэн үг болно. Тэгэхээр таны сонирхох ёстой зүйл тань зөвхөн өгөөжийн
динамикаар зогсохгүй бас энэхүү үлдэгдлийн вариацыг хэрхэн загварчлах вэ гэдэг асуудал
байх болно. Энэхүү бүлгийн зорилго нь үлдэгдлийн вариацыг загварчилж буй гол
аргуудтай танилцуулах юм.

зураг 8.2 S&P500 индексийн өгөөжийн хувьд үнэлэгдсэн AR ( 1 ) загварын үлдэгдэл

8.2 ARCH загвар
Юуны өмнө yt-ийн хувьд дараах хялбар AR (1 ) загварыг авч үзье2:

69
yt= δ +фу t-1+εt ( 8.1 )
εt|It-1 ~ N (0,
σt2 ) ( 8.2 )

Бидний лөмнө үзэж байсан AR загвараас ялгагдах гол ялгаа нь ε t|It-1 ~ N (0, σt2) гэсэн хэсэг
бөгөөд энгийн AR загварын хувьд вариац нь t гэсэн индексгүй байсан билээ. Санамсаргүй
хувьсагчтай холбогдох дүрмээ ашиглан үүнийг илүү ойлгомжтойгоор дараах хэлбэрээр
бичиж болно.
yt= δ +фу t-1+εt

yt= δ +фу t-1+√ σ t2ƞt

ƞt ~ N ( 0,1 )
Энэ хоёрдох хэлбэр зарим тохиолдолд хэрэг болдог ч одоохондоо эхний хувилбараа цааш
нь хөгжүүлье. Роб Энгэл (Engle, 1982 ) σt2-ийг дараах байдлаар загварчлахыг санал
болгосон байдаг.
σt2 = Ε[ εt2| εt-12, εt-22 , …] =
= к+ α1εt-12+ α2εt-22+ … + αmεt-m 2
Ийм байвал
εt-г ARCH процесс гэж нэрлэдэг. ε t нь өмнөхийн адил автокорреляцгүй , өөрөөр
хэлбэл Ε [εtεs] = 0 , s≠t , мөн нөхцөлт болон нөхцөлт бус хүлээгдэж буй утга нь тэг гэж
үзнэ. Гэхдээ εt-гүүд хоорондоо автокорреляцгүй байна гэдэг нь εt2 автокорреляцгүй байна
гэсэн үг биш. Зураг 2-т жишээ нь εt нь автокорреляцгүй ( хэвтээ тэнхлэгтэй ойр цуваа )
мөртлөө εt2 тодорхой хэмжээний автокорреляцтай байгааг ( хэвтээ тэнхлэгээс даялсан
утгууд нэлээд их цуваа ) харуулж байна.

Энэ маань өнгөрсөн εt-г ашиглаж ирээдүйн εt-г таамаглах боломжгүй , харин өнгөрсөн ε t2 –
г ашиглан ирээдүйн εt2-г таамаглах боломж байж магадгүйг харуулж байна. Ер нь ихэнх
тохиолдолд εt2 нь эерэг автокорреляцтай байдаг. Үүний үр дүн хувьцааны зах зээлийн
70
хэлбэлзэл тодорхой зүй тогтлын дагуу хувьсаж буй мэт харагдах бөгөөд үүнийг нь
хэлбэлзлийн бөөгнөрөл эсвэл хэлбэлзлийн тэсвэр хэмээн нэрлэдэг бөгөөд үүнийг зураг 8.2-
оос харж болно. Бид дээр яригдсан зүйлсийг доорх А1 болон А2 гэсэн процессуудын
нөхцөлт болон нөхцөлт бус хүлээлтүүдийг ашиглан дүгнэе:
уt=δ+Φyt-1+εt

А1 : εt | It-1 ~N ( 0, υ2)

А2: εt | It-1 ~N ( 0, σt2) σt2 = α1ε2t-1+α2ε2t-2 +… +αmε2t-m . ( 8.3 )

Дараах хүснэгтэд холбогдох хүлээлтүүдийн тооцооллыг харуулж байна. нөхцөлт хүлээлт
нь Ε [ It-1] гэсэн тэмдэглэгээтэй бөгөөд энд It-1 нь t-1 болон түүнээс өмнөх утгууд ,
тухайлбал уt-1, yt-2, … бүгдийг нь та мэдэж байгаа гэдгийг илтгэж байна.

А1 А2
Ε[уt] = δ ∕ ( 1-ϕ) δ ∕ ( 1-ϕ)
Ε[уt] It-1 = δ +ϕy t−1 δ +ϕy t−1
Ε[εt]= 0 0
Ε[εt ] It-1 = 0 0
E[ ε 2t ¿=¿ υ2 ?
E [ ε 2t| I t−1= υ2 σ 2t

Хэдийгээр дээрх хүснэгт бус вариацын хүлээлт процессын бусад параметрүүдээр хэрхэн
илэрхийлэгдэж байгааг харуулаагүй ч ( асуултын тэмдгээр тэмдэглэж орхисон )
хомоскедаст ( А1 ) болон ARCH алдааны хэсэгтэй ( A2 ) AR загваруудын гол ялгаа нь
нөхцөлт болон нөхцөлт вариацын тэгшитгэлд байгааг харж болно. Суурин процессын
сэдвийн хүрээнд нөхцөлт болон нөхцөлт бус хүлээлтүүд зөвхөн богино хугацаанд л
ялгаатай байдаг болохыг бид харсан. Хэтийн талаарх өнөөдөр байгаа бүх мэдээллээ
ашиглан хийсэн нөхцөлт хүлээлт нөхцөлт бус хүлээлт рүү үргэлж тэмүүлж байдаг. Энэ нь
тэгэхээр ε 2t - ын хувьд бичигдэж буй процесс суурин эсэхийг тогтоохын ач холбогдлыг
харуулж байна.
8.2.1 ARCH процессын шинж чанарууд
Дээрх ( 8.3 )-р тэгшитгэл σ 2t гэдэг нь t-1 үед байгаа мэдээлэлд тулгуурласан ε 2t –ийн
таамаглал гэдгийг харуулж байна. Мэдээж таамагласан σ 2t маань үргэлж яв цав ε 2t –тай
нийцээд байхгүй. Ийм учир вариацын таамаглалын алдаа гэсэн ойлголт хэрэгтэй болно.
Энэ нь :

w t =ε 2t −σ 2t

Энэхүү хамаарлыг ашиглан σ 2t -ийн хувьд бичигдсэн ARCH ( m ) процесс арай өөрөөр бас
бичиж болно.

σ 2t =к + α 1 ε 2t −1 + α 2 ε 2t −2 +…+ α m ε 2t−m

ε 2t ¿ к+ ¿ α 1 ε 2t−1 +α 2 ε 2t−2 +…+α m ε 2t−m +w t

71
Эндээс та хоёрдох мөрөн дэх тэгшитгэл бол ε 2t –ийн хувь дах AR ( m ) загвар болохыг шууд
таньж байгаа байх . Өмнөх AR ( m ) загварын талаарх мэдлэгээ ашиглан доорх
полиномиал тэгшитгэлийн бүх язгуур нэгж тойргийн гадна байх үед энэхүү процесс
суурин байна гэдгийг та харж байгаа биз ээ.

1−α 1 z + α 2 z 2−…−α m z m= 0

Түүнчлэн бид өмнөх нэг хувьсагчит процессын бүлгээс энгийн AR загвар суурин байхын
тулд
m

∑ α j< 1
j=1

Гэсэн нөхцөл хангагдсан байх ёстойг мэднэ. Цаашилбал энгийн AR загварын

шинжилгээнээсээ бид AR процессын хувьд нөхцөлт бус хүлээлт нь
k
α 2=E[ε 2t ] ¿ 1−α
1−α 2−…−αm

Бидний одоогийн жишээн дээр ε 2t нь AR процессоор загварчлагдаж байгаа учир ε t-ийн

нөхцөлт бус вариац нь к\ ( 1-α 1−α 2−…−α m) гэж дүгнэж болно. ( дээрх хүснэгтэн дэх
асуултын тэмдгийг одоо үүгээр орлуулна гэсэн үг ). Вариацыг загварчилж байгаа үед
анхаарах ёстой нэг чухал асуудал байдаг. Энэ бол вариацын тодорхойлолт ёсоор σ 2 –ын
үнэлгээ болон загварчлан гарч ирэх ε 2t нь нэгэнт квадрат анзахсан хувьсагчийн хүлээгдэж
буй утга учир үргэлж эерэг тоо байх ёстой. Тэгвэл процесс суурин бөгөөд

α j ≥ 0 ( j=1 , … ., m ) , k >0 үед σ 2 нь гарцаагүй эерэг байх болно. ARCH –ын энэхүү хэлбэр өөр
нэгэн аятайхан шинжтэй. Энэ нь α j ≥ 0 ( j=1 , … ., m ) тохиолдол буюу ε 2t ямар ч тэсвэргүй
үеийг авч үзье.

Тэгвэл

σ 2= k

ε 2t = k + wt

Цаашилбал : E [ ε 2T ] ¿ σ 2 ¿ k

Болох бөгөөд : E [ ε 2t | I t−1] ¿ σ 2t ¿ σ 2

Мэдээж энэ үед өнгөрсөн үеийн ε t−1 нь σ 2t – ийн талаар ямар ч мэдээлэл агуулахгүй бөгөөд
ARCH загвар хомоскедаст алдааны хэсэгтэй энгийн загвар болон хувирна.
8.2.2 ARCH нөлөө байгаа эсэхийг шалгах нь
Өмнөх хэсгийг хомоскедаст AR загвар гэдэг бол илүү ерөнхий ARCH процессын нэг
тусгай тохиолдол гэдэг нь тодорхой байна. Гэтэл ARCH нөлөө байхгүй үед ARCH
72
загварыг үнэлбэл m ширхэг илүү параметрийг үнэлнэ гэсэн үг болно. Ер нь ARCH
загварын үнэлгээ энгийн хомоскедаст алдааны хэсэгтэй регрессийн загвар үнэлэхээс
төвөгтэй байдаг учир бид тийм илүү ажил үнэхээр хийх хэрэгтэй эсэхээ тогтоохыг хүсэх
нь мэдээж. Энэхүү шалтгааны улмаас ихэвчлэн тусгай тохиолдлын загварыг ( хомоскедаст
алдааны хэсэгтэй загвар ) эхлээд ХБКА- аар үнэлж, дараа нь ARCH нөлөөг загварчлалгүй
орхиж уу үгүй юу гэдгийг шалгадаг. Тухайлбал ARCH нөлөө байгаа эсэхийг дараах
алхмуудаар шалгана:

1. y t –ийн хувьд хүссэн загвараа, жишээ нь y t =δ+ фу t−1 +ε t гэсэн загварыг үнэлж
үлдэгдлийг үнэлгээг гаргаж ав : е t ¿ y t −δ −фуt −1
2. Энэхүү үлдэгдлийг ε t−ийн оронд ашиглан ARCH ( m ) загварыг үнэлнэ:
е 2t = k + α 1 e 2t−1+ α 2 e 2t−2 +…+ α m e 2t−m ( 8.4 )
3. H 0: α 1 = α 2 = … = α m гэсэн тамааглалыг шалгана. X эсвэл F шалгуурын алиныг нь
2

ч хэрэглэж болно. Гэвч эхнийхийг нь хүмүүс түлхүү хэрэглэдэг.

Энэхүү шалгуур процедурыг хэрэглэхийн тулд эхлээд m-ийг тогтоох хэрэгтэй. Хэдийгээр
сарын давтамжтай тоон мэдээлэлд m=12, өдрийн давтамжтай тоон мэдээлэлд m=5 эсвэл
m=10 гэж ашиглах нь олонтаа ч төрөл бүрийн m-ийн хувьд шалгуурыг ажиллуулж үзэх,
эхнээс нь нэлээд өндөр тоо тавих нь буруутахгүй гэдгийг санах хэрэгтэй ( шалтгаан нь
дараах хэсэгт үзэх GARCH загвараас харагдана ). EVIEWS бидэнд энэхүү шалгуурыг хийж
өгнө ( LMARCH test гэж VIEW сонголтын дор бий ) . үүнийг хомоскедаст нөхцөлийг
шалгахад өргөнөөр ашигладгийг та санаж байгаа байх. Гэхдээ 8.4-р тэгшитгэлд үнэлэгдэж
байгаа параметерүүд нь жинхэнэ ARCH загварын параметрээс ялгааай байж болохыг
анхраах хэрэгтэй. Өөрөөр хэлбэл ε t- ийн утгууд нь эхэлж үнэлэгдсэн δ болон ϕ
параметрүүдээс хамаарна эдгээр нь цаашилбал k, α 1 , α 2, … α m –ийн үнэлгээнд нөлөөлнө.
Ийм ч учраас жинхэнэ ARCH загварын хувьд бүх параметрийг зэрэг үнэлдэг.
8.3 GARCH загвар
y t = δ +ф y t−1+ ε t –ын хувьд тавигдсан ARCH (m ) дараах хэлбэртэй байна:

σ 2t = E ¿ | I t−1] = k + α 1 ε 2t−1 +α 2 ε 2t−2 + … + α m ε 2t−m

Энэхүү ARCH загварыг амьдрал дээр бодит тоон дээр тааруулахад нэлээд өндөр m
шаардалагатай байдаг. Үнэхээр ч зураг 8.3 дээрх квадрат үлдэгдлийн автокорреляц
хоцролтын зэргийн нэлээд өндөр утгын хувьд ч тэг болохгүй , эерэг байгаад байна.
Болерслевын ( Bollerslev , 1986) санал болгосон GARCH загварын санаа нь богинохон
хоцролтын зэрэгтэй AR загвар хязгааргүй үргэлжлэх хоцролтын зэрэг бүхий M A
загвартай адилхан гэсэн ажиглалтаас гарч ирсэн байдаг. Өөрөөр хэлбэл хэрэв бид σ 2t - ийн
хувьд бичигдэж буй ARCH загварт AR маягийн гишүүн нэмчихвэл үнэлэх шаардлагатай
параметрийн тоо эрс буурч болно. Ерөнхий тохиолдолд GARCH ( r, m ) загвар нь:

σ 2t =E[ε 2t ∨I t −1]=k + β 1 σ 2t −1 + β 2 σ 2t−2 + … + β r σ 2t −r +α 1 ε 2t−1 +α 2 ε 2t −2+ …+α m ε 2t −m

(8.5)

73
Өмнөх сэдвүүдтэйгээ мөн адил бид энэхүү томьёог хоцроох тэмдэг ашиглан хялбарчлан
бичиж болно. β ( L ) =1−β 1 L−β2 L2−¿… - β r Lr, α ¿ (L ) = 1+ α 1L + α 2 L2 +¿… + α r Lm гэвэл
вариацын тэгшитгэл маань

β ( L ) σ 2t =k+ α ¿ ( L)ε 2t

β(L )-ийн хувьд ердийн суурин байх нөхцөлүүд биеелэгдсэн гэж үзвэл үүнийг мөн арай
өөрөөр бичиж бас болно:
k
σ 2t = + β (L)−1 α ¿ ( L)ε 2t (8.6)
β (1)

β ( L ) –ийн урвуу нь төгсгөлгүй буурах хоцролтын полиномиал үүсгэх учир энэ бол
төгсгөлгүй хоцролттой ARCH загварын GARCH ( r,m ) илэрхийлэл юм. 8.6 –р
тэгшитгэлээр өгөгдсөн тавилаас σ 2t > 0байх хангалттайнөхцөлүүд нь:

 k>0
 β ¿(L ) полиномиалын бүх коэфициентүүд нь эерэг буюу ийм байх хангаллтай
нөхцөл нь бүх α j >0 , бүх β j> 0 байх явдал юм.
( 8.6)-р тэгшитгэлийн эхний хэсгийн хувьд вариацыг хязгаартай байлгах хангалттай
нөхцөл нь :

 β ( z ) полиноминалын бүх язгуур нь нэгж тойргийн гадна байх ёстой

GARCH(r,m ) маань төгсгөлгүй хоцролтын зэрэг бүхий ARCH процесс хэлбэрт бичигдэж
болдог учир GARCH нөлөө байгаа эсэхийг шалгахдаа ARCH нөлөө байгаа эсэхийг
шалгахдаа яг адил алхмууд хийнэ гэсэн үг. Мэдээж ингэж шалгахдаа нэлээд өндөр
хоцролтын зэрэг ашиглах ёстой . GARCH загварын тавилын зарим шинж чанаруудыг авч
үзэхээсээ өмнө түүний их түгээмэл хэрэглэгддэг тусгай тохиолдлыг нь авч үзье.
8.3.1 GARCH (1,1 ) жишээ :
Нөхцөлт нормал тархалттай алдаа бүхий GARCH ( 1,1 ) загвар дараах байдлаар тавигдана:
y t =δ+ ф y t −1+ ε t

ε t N (0 , σ 2t )

σ 2t =k + βσ 2t −1+ αε 2t−1

Өмнө дурдсанчлан ε t -ийг нөхцөлт нормал тархалттай байна гэж үзэж байгаа нь зайлшгүй
шаардлагатай бус бөгөөд энэ нь тайлбараа аль болох хялбаршуулах зорилгоос үүдэн гарч
¿
байна. Энэхүү тусгай тохиолдолд β ( L ) =1−βL , α ( L )=α 1 L учир

2 2 2 2 k
σ 2t =(1−βL) [ k + αεt −1 ] =( 1+ βL+ β L + … ) [ k + αεt −1 ]= + αε2t −1 +αβ 2t−2 +αβ 2 ε 2t −3 + …
−1
1−β

K ¿ 0 , β ≥ 0 , α ≥ 0байх нь σ 2t нь эерэг байх хангалттай нөхцөлүүд болно. Энэхүү GARCH

(1,1 ) процесс нь маш олон санхүүгийн хугацаан цуваа хэлбэлзлийн динамикийг төлөөлж

74
чаддаг учир тун өргөн хэрэглээтэй. Уг загварын өдрийн давтамжтай S&P500 хувьцааны
индексийн өгөөжийн хувьд үнэлбэл параметрүүд нь дараах байдалтай байна:
y t =0.0005−0.0004 y t−1 +ε t

e t N (0 , σ 2t )

σ 2t =0.000000136+0.907 σ 2t−1 +0.086 e 2t−1

Иймэрхүү параметрүүдийн утгууд нь ер нь маш олон санхүүгийн үзүүлэлтүүдийн өдрийн

өгөөжийн хувьд түгээмэл. Эдгээр параметрийн утгыг ашиглавал:
k
σ 2t = +0.086 e 2t −2 +0.07 e2t −2+0.0067 e2t −3+ …
0.093
GARCH (1,1 ) процессын ARCH (∞) гэсэн хэлббэрт буй коеффициентүүд нь өнгөрсөн
үеийг ямарваа нэгэн цочролын нөхцөлт хувьсалтад үзүүлэх нөлөө нь харьцангуйгаар
буурах боловч энэхүү бууралт нь маш алгуур байна гэдгийг тодорхой харуулж байна.
Өөрөөр хэлбэл хэлбэлзэл нь тэсвэртэй процесс мэт харагдаж байна. Энэ нь цаашилбал ийм
нөлөө байгаа эсэхийг ARCHLM шалгуур шалгахдаа m – ын нэлээн өндөр зэрэг хэрэглэх
ёстойг харуулж байна.
8.3.2 GARCH процессын шинж чанарууд
Үнэлэгдсэн GARCH процессоо ашиглан хиыйх хэлбэлзлийн урьдчилсан таамаглал иаань
ямархуу шинж чанартай байх вэ гэдэгт үнэлэгдсэн хэлбэлзлийн процесс маань суурин
эсэхийг тогтоох нь тун чухал нөлөөтэй. Бид саяхан санхүүгийн өгөөжийн мэдээлэллийн
хувьд үнэлэгдсэн дийлэнх GARCH (1,1 ) процессын хэлбэлзлийн тэсвэр нь нэлээд өндөр
байдгийг харсан. Нэгж язгууртай процесс маш их тэсвэртэй, түүнийг санах ой нь
муудаггүй болохыг та санах ёстой. Ерөнхий тохиолдолд вариац нь эерэг л байж байвал
вариацын процесс нь суурин бус байх ёсгүй гэсэн зүйл байхгүй юм шиг. Үнэхээр ч тийм
суурин бус процессуудыг санал болгосон нь байдаг ( интегралчлагдсан GARCH буюу
IGARCH гэх мэт ) гэхдээ санхүүгийн хувьсагчдийн хувьд вариац нь суурин бус замналтай
байх нь тун ховор бөгөөд хэрэв үнэхээр тийм байх юм бол нөхцөлт бус вариац нь
хязгааргүй болчих аюултай байдаг. GARCH процессын суурин байх шинж чанарыг
тогтоохын тулд GARCH (r, m ) процессыг дараах байдлаар томьёолон бичих нь дөхөмтэй:

σ 2t =E ¿

Энэхүү процесс ARMA процесс штг харагдаж байж болох юм. Гэхдээ сайтар ажиглавал
үүнийг ( одоохондоо ) ARMA процесстой адилтгах нь утгагүй юм байна. гэдэг нь танд
тодорхой болох ёстой. Энд бодитоор ажиглагдах хувьсагч нь ε 2t гэсэн дараалал (
δ болон ф гэсэн параметрүүдийн үнэлгээ өгөгдсөний дараа л ажиглагдана). Өмнө нь
2 2
дурдсанчлан σ t –г ε t - ын урьдчилан таамагласан утга гэж тайлбарлаж болдог бөгөөд тэр ч
утгараа ( 8.8 )-р тэгшитгэлээр өгөгдсөн процесс нь одоохондоо ямар ч алдааны хувьсагчгүй
байна. Үүнийг вариацын үл ажиглагдах болох дүр ε 2t ба түүний урьдчилан таамаг болох σ 2t
хоёрын хоорондын харилцан хамаарлыг санах замаар залруулж болно:

ε 2t =σ 2t +ω t
75
Энд ω t-г урьдчилан таамаглахын алдаа гэж үзэж болно. Энэхүү хамаарлыг дээрх вариацын
процесст орлуулбал дараах үр дүн гарна:

ε 2t −w t=k + β 1 ( ε 2t−1−ωt −1 ) + …+ β r ( ε 2t−r −ωt −r )+ α 1 ε 2t −1 +… α m ε 2t −m

Дахиад бага зэрэг хувирган бичвэл:

ε 2t =k + ( α + β 1 ) ε 2t −1 +…+ ( α p+ β p ) ε 2t− p +ω t−β 1 ωt −1−…−β1 ω t−1

Болох бөгөөд энд p= max (r , m)4 гэж тодорхойлдог болохыг анхаар. Ингээл харин ε 2t -ын
хувьд ARMA процесс үүсэх бөгөөд ω t−β 1 ωt −1−…−β1 ω t−1 нь хөдлөх дунджийн хэсэг нь
болон. Хэрэв ε t GARCH ( r,m ) бол ε 2t ньARMA ( p,r ) p= max ( r,m ) байна.
Эндээс суурин байх нөхцөлүүд нь тодорхой . ε 2t суурин байх нь ARMA- ийн шинжүүдээс
гарч ирэх бөгөөд тухайлбал

1−( α 1 + β ) z−( α 2+ β2 ) z 2−…−( α p+ β p ) z p=0

гэсэн тэгшитгэлийн язгуурууд нь нэгж тойргийн гадна орших ёстой. Бид мөн суурин ε 2t -
ийн тавигдсан ARMA процессын нөхцөлт бус голчийг дараах байдлаар хялбархан гарган
авч болдгийг мэднэ:
2 k K
E [ε 2t ] = σ = 1− α = ¿
( 1+ β )−…−(α p β p ) 1−α ( 1 )−β (1)
1

Энд α ( 1 )=α +…+α m , β (1 ) =β 1+ … + β r . ε 2t -ын нөхцөлт бус голч буюу E( ε 2t ) нь мэдээж

¿

дээрх хүснэгтэд σ 2 нэрлэгдсэн ε t–ийн нөхцөлт бус вариац юм. Нэг хувьсагчит ARMA
процесстой үргэлжлүүлэн адилтгавал суурин байхын тулд дараах нөхцөл хангагдах ёстой:
α ( 1 ) + β ¿ ( 1 )=α+ β 1+ α 2 + β 2 +…+α p + β p <1

Энэ нь бүх i-ийн хувьд α i , β i ≥ 0 бөгөөд k¿ 0гэсэн нөхцөлүүдийн хамтаар σ 2> 0байх
хангалттай нөхцөлийг бүрдүүлдэг.
8.3.3 Жишээ: GARCH ( 1,1 )
GARCH ( r,m ) процессын шинж чанаруудыг түүний тусгай тохиолдол болох GARCH (1,
1 ) –ийн ашиглан харуулж болно:
y t =δ+ ф y t −1+ ε t

ε t N (0 , σ 2t )

σ 2t =k + βσ 2t −1+ αε2t −1

Энэ нь σ 2t , ε 2t - ω t гэдгийг ашиглавал арай өөрөөр , дараах байдалтай бичиж болно.

ε 2t −ωt =k+ β ( ε 2t −1−ωt −1) + αε2t −1

Өөрөөр хэлбэл :

76
ε 2t =k + ( α + β ) ε 2t−1 +ω t−β ωt −1

Эндээс хэрэв σ 2t нь GARCH (1,1 ) процессоор загварчлагддаг бол ε 2t нь ARMA ( 1,1 )

процессоор загварчлагдах нь тодорхой байна. Хэрэв ( α + β) гэсэн нийлбэр нэгээс бага бол
энэхүү процесс нь суурин байна. Ихэнх санхүүгийн эмпирик ссудалгаанд ялангуяа өндөр
давтамжит тоон мэдээлэл ашигласан тохиолдолд , энэхүү нийлбэр нь 1-д маш ойрхон
байдаг бөгөөд тун тэсвэртэй процесс болохыг харуулна. Уг вариац тарилын үнэлгээ нь
дараах байдалтай гарч ирсэн :

0.00000136+0.907 σ 2t−1 + 0.086e 2t−1

Бид тэгэхэд σ 2t гэсэн нөхцөл хэлбэлзэл нь мөн дараах хязгааргүй үргэлжлэх өнгөрсөн
квадрат үлдэглүүдээр холбогддог болохыг харуулсан :
k
σ 2t = + 0.086e 2t−1+ 0.078e 2t−2 + 0.0067 e 2t−3 + …
0.093

Бид одоо GARCH (1,1) процессоо ашиглан σ 2t –ын дараах ARM A (1,1 ) тавилыг мөн гарган
авч болох

σ 2t =¿0.00000136+0.907 σ 2t−1 + 0.086σ 2t−1

Бөгөөд t нь энд суурин бус байдалд их ойр байгааг харж болно. Практикийн үүднээс бол
энэ нь харьцангуй хувьсамтгай үеүүд буюу ε 2t маш өндөр утга авч буй үеүүд мөн
тиймэрхүү өндөр квадрат алдааны хэсэгтэй үеүүдийн урьтал болдог гэсэн үг. Мэдээж энэ
нь харьцангуй тогтмол үе нэгэнт эхэлбэл тодорхой хугацаанд мөн тэр чигээрээ үлддэг
гэсэн үг болно. Энэхүү үзэгдлийг хэлбэлзлийн бөөгнөрөл буюу хэлбэлзлийн тэсвэр гэж
нэрлэдэг. Эцэст нь бид нөхцөлт бус ( ерөнхий ) вариацыг мөн дараах байдлаар гарган авч
болно:
0.00000136
E( ε 2t ) = σ 2t = = 0.000194
1−0.993
8.3.4 GARCH загвар ашиглан хэлбэлзлийг урьдчилан таамаглах нь
Санхүүгийн хувьсагчдыг ашиглан хийсэн цаг хугацаагаар өөрчлөгдөх нөхөцөлт
хетероскедастын судалгаануудын үр дүнгээс харахад хэдийгээр өгөөжийг урьдчилан
таамаглах нь үндсэндээ боломжгүй ч ( үр ашигт зах зээлийн онол ёсоор үнэхээр тийм байх
ёстой ) өгөөжийн вариацыг харин тодорхой хэмжээгээр таамаглаж болох юм байна гэсэн
дүгнэлт гараад байгаа. Зураг 8.2 болон 8.3 ч мөн үүнийг харуулж байна. Эдгээр зургаас
өнгөрсөн өгөөжийн утгуудыг ашиглан ирээдүйн өгөөжийг урьдчилан тааамаглах нь
үндсэндээ боломжгүй ч квадрат зэрэгт дэвшүүлсэн өгөөж тодорхой тэсвэртэй байгаад
байгааг харж болно. Гэвч мэдээж ϵ 2t гэсэн цуваа нэлээд хэмжээгээр хувьсаж байна. Нэлээд
дээр үеийн судалгааны ажлуудад ϵ 2t өгөөжийн хэлбэлзэл санамсаргүй хувьсагчийн маань
вариац нь зураг 8.5-д үзүүлсэн шиг тийм их савлагаатай байх үндэслэлгүй гэдэг
шалтгаанаар няцаагдсан байдаг. Зарчмын хувьд хувьцааны индексийн өгөөжийн хувьсалт
нь арай алгуур хөдлөх процесс байх нь илүү үнэмшилтэй . Өөрөөр хэлбэл , ϵ 2t гэсэн цуваа
нь өгөөжийн хувьсамтгай байдлын дүр болоход хэтэрхий шуугиантай хэмжигдэхүүн болж
таарч байна. GARCH загварчлалын үнэхээр нэг том амжилт нь хэлбэлзлийн дүрийг

77
харьцангуй гөлгөр байхаар тооцооллох боломж олгосон явдал юм. S&P500-ын өгөөжын
хувьд үнэлсэн GARCH загвар руугаа эргэн очицгооё.
y t =0.0005−0.0004 y t−1 +e t

e t N (0 , σ 2t )

σ 2t =0.000000136+0.907 σ 2t−1 +0.086 e 2t−1

Үнэлэгдсэн параметрүүд болон y t −ын5,767 үзэгдлийг ашиглан e 2t гэсэн үлдэгдлийн үнэлгээ

болон болон e 2t гэсэнквадрат үлдэгдлүүдийг дараах тэгшитгэлээс олж авна:

e t = y t−0.0005+ 0.004 y t−1

σ 12 буюу эхний үлдэгдэл харгалзах нөхцөлт вариацыг тооцохын тулд бидэнд σ 20 болон
e 20−ынталаарх мэдээлэл хэрэгтэй. Мэдээж эдгээр үзэгдлүүд бидэнд байхгүй , тэгэхээр
тэдгээрийн утгыг σ 20=σ 2( энд = 0.000194 ) болон e 0= y 0 =0 гэж зааж өгдөг уламжлалтай.
Эдгээр уламжлалт эхлэлүүд болон y 1=0.006136 ба y 2=−0.00109 гэдгийг ашиглавал дараах
дараалуулан орлуулах тооцооллыг хийж болно:

σ 12=¿ 0.00000136 + 0.907× 0.000194+0.086 × 0=0.000177

σ 1 =¿ 0.006136 – 0.0005 + 0.0004 × 0=0.005636

σ 22=¿ 0.000000136 + 0.907× 0.000177+0.086 ×0.00563622=0.000165

σ 2=−0.00109−0.0005× 0.0004 ×0.006136=−0.001588

σ 32=¿ 0.000000136 + 0.907 × 0.000165+ 0.086 ×(−0.001588)2 =0.000151

Тэдгээрийн утгыг σ 20=σ 2(энд=0.000194) болон е0=y0=0 гэж зааж өгдөг уламжлалтай5. Эдгээр
уламжлалт эхлэлүүд болон y1=0.006136 ба y2= -0.00109 гэдгийг ашиглавал дараах
дараалуулан орлуулах тооцооллыг хийж болно:

σ 12=0.000000136+0.907×0.000194+0.086×0=0.000177

е1=0.006136-0.0005+0.00040=0.005636

σ 22=0.00000136-0.9070.000177+0.086×0.00563622=0.000165

е2= -000109-0.0005+0.00040.006136= -0.001588

σ 32=0.00000136+0.907×0.000165+0.086×(-0.001588)2=0.000151 г.м.

Ер нь суурин вариацын процессын хувьд σ 20,е 0 болон y0 гэсэн эхлэлийн утгуудыг яаж ч
тогтоосон тооцоололд ямар ч сөрөг үр дагаваргүй байдаг болохыг харуулж болно. Энэхүү
дараалуулан орлуулалтыг нийт түүврийн хувьд гүйцээвэл σ 2Tt t−1 гэсэн дараалал гарч ирнэ.

78
Энэхүү тооцооллоос харахад β их байх нь(бидний хувьд 0.907) σ 2t −ын харьцангуй гөлгөр
байх боломжийг олгож байна. Зураг 8.6-д үл үзэгдэх, цаг хугацаагаар өөрчлөгдөх вариац
σ 2t −ын түүвэр доторх үнэлгээг нь харуулж байна. Хамгийн сүүлчийн үзэгдлийг y T гэж
тэмдэглэе(бидний жишээн дээр T=4,794) . yT-1 болон е T-1-ын утгууд өгөгдсөн үед бид σ T2 -д
харгалзах утгыг олох боломжтой. Энэхүү ажиглалтаас бид GARCH загварын үнэлгээгээ
ашиглан T+1 үе дэх вариацыг урьдчилан таамаглах боломжтойг харц болно:

σ T2 +1=E[ε 2T+1 ∨¿IT]=к+βσ T2 +αε 2T энд малгайтай утга нь түүврээс гаднах урьдчилсан
таамаглалыг илэрхийлнэ. Харин уг загвараа ашиглан олон алхмын дараах урьдчилсан
таамаглал хэрхэн хийх вэ гэдэг тийм ч ойлгомжтой биш байж болох юм. Гэвч энэ нь
дээрхтэй адил энгийн дараалуулан орлуулалт дээр тулгуурладаг:

σ T2 +2 =¿ E[ε 2T+2 ∨¿IT]

=k+ βσ T2 +1+ αE[ε 2T+1 ∨¿IT]

= k+ βσ T2 +1+ α 2T +1=k+(β+α)σ T2 +1

σ T2 +3 = k+(β+α)σ T2 +2

σ T2 + j= k+(β+α)σ T2 + j−1

Урьдчилан таамаглах ёстой хугацаа холдохын хэрээр нөхцөлт вариацын урьдчилан

таамагласан утга нь σ 2 гэсэн нөхцөлт бус вариацын утга руугаа тэмүүлдэг гэвэл та одоо нэг
их гайхах ёсгүй:

j→ ∞ үед σ T2 + j → σ 2

Энэ нь мэдээж суурин процессын нэг үндсэн шинж чанар юм.

8.4 Голчдоо GARCH-тай процесс
Бидний одоогоор үзээд байгаа ARCH,GARCH загваруудад нөхцөлт голчид нөхцөлт
вариацын өөрчлөгдөөд байгаа утгууд нөлөөлөх ямар ч боломжгүй. Энэхүү нөхцөл нь
үнэхээр хангагдах тохиолдол олон байж болох ч заримдаа тухайн үеийн хэлбэлзлийн
түвшин нөхцөлт голчид нөлөөлдөг байхаар загварчлах нь илүү зохимжтой байх нь
олонтаа.
Жишээ нь бидний хамгийн сайн мэдэх нэг тохиолдол бий. Санхүүгийн онолын нэг
үндсэн ойлголт бол эрсдэлтэй хөрөнгийн хүлээгдэж буй өгөөж нь түүний эрсдэлийн
хэмжээтэй эерэг корреляцтай байдаг явдал6. Ямарваа нэгэн санхүүгийн хэрэгслийн
өгөөжийн тэгшитгэлийн үнэлгээнээс гарч ирэх үлдэгдлийн вариацыг тухайн хэрэгсэлд
оруулсан хөрөнгө оруулалтын эрсдлийн нэг хэмжигдэхүүн хэмээн дээр тайлбарлаж
байсныг санацгаая. Үлдэгдлийн вариац болох σ 2t нь цаг хугацаагаар өөрчлөгддөг, мөн ямар
нэгэн хөрөнгийн хүлээгдэж буй өгөөж нь нөхцөлт вариац өсөхийн хэрээр өндөр байх ёстой
болдог гэж үзье. Өөрөөр хэлбэл:
∂Е[ yt]
>0
∂ σ 2t

79
Хэрэв yt-ийн нөхцөлт хүлээлт нь (1)-р тэгшитгэлээр загварчлагддаг гэвэл ийм байх
боломжгүй. Энгл, Лилиен, Робинс(Engle, Lillen, Robins, 1987) нар тийм нөлөөг анх оруулж
ирэхээр ARCH загварыг өөрчилсөн. Тэдний өөрчлөлтийн гол санааг дараах GARCH-М
тавилын хүрээнд тайлбарлаж болно.

yt= δ+фyt-1+γ σ 2t +ε t

ε t~ N(0, σ 2t )

σ 2t = k+ βσ 2t−1+α ε 2t−1

Энэхүү бүлэгт дэлгэрүүлэн тайлбарлахгүй ч нөхцөлт голч болон нөхцөлт вариацын

процесс дахь параметрүүдийг зэрэг үнэлэх шаардлага маш ихээр тавигдаж байгаа нь
эндээс тодорхой байгаа байх гэж найдаж байна.
8.5 Тэгш хэмт бус GARCH загвар
GARCH(r,m) загвараа дахин авч үзье.
yt= δ+фyt-1+ε t

ε t~ N(0, σ 2t )

σ 2t = E[ε 2t ∨¿It-1]

=k+ β1σ 2t−1+…+ βr σ 2t−r +α1ε 2t−1+…+ αmε 2t−m

ε t гэсэн үлдэгдлийг ямар нэгэн хөрөнгө оруулалтаас орж ирэх хүлээгдээгүй өгөөж гэж
тайлбарлаж болно. Бид хөрөнгө оруулалтын өдрийн өгөөжийн тухай ярьж байхад
хүлээгдэж буй өгөөж нь ерөнхийдөө тэгээд тун ойрхон байх бөгөөд эерэг ч бай сөрөг ч бай
нэлээд томоохон хэмжээний өгөөж гараад ирвэл түүнийг хүлээгдээгүй өгөөж буюу цочрол
хэмээн тайлбарлаж болно. Вариацын тавилыг сайтар ажиглавал ε t-1 нь квадрат зэрэг
дэвшчихэж байгаа учраас нөхцөлт вариац тийм эерэг болон сөрөг хүлээгдээгүй өгөөжид яг
ижил маягаар хариу үйлдэл үзүүлж буйг харж болно. Өөрөөр хэлбэл ε 2t =(-ε t)2 учир нөхцөлт
вариацын тавил хүлээгдээгүй байсан өгөөж нь эерэг байна уу, сөрөг байна уу гэж огт
ялгахгүй. Гэтэл санхүүгийн зах зээл дээр зарим санхүүгийн хэрэгслийн нөхцөлт өгөөжийн
вариац нь эерэг болон сөрөг хүлээгдээгүй өгөөжид өөр өөрөөр хариу үйлдэл үзүүлдэг
гэсэн баримт байх нь бий. Тухайлбал сөрөг хүлээгдэж байгаагүй өгөөж(ялангуяа том
хэмжээний)-ийн нөхцөлт вариацад үзүүлэх нөлөө нь түүнтэй яг ижил хэмжээний эерэг
өгөөжийнхөөс илүү ноцтой байдаг. Дараах хоёр дэд хэсэгт нөхцөлт вариацын ийм тэгш
хэмт бус хариу үйлдлийг тусгасан GARCH загварын өргөтгөлүүдийг танилцуулах болно.
Ийм тэгш хэмт бус хариу үйлдлийг хөшүүргийн нөлөө гэж нэрлэх нь бай бий.
8.5.1 TGARCH загвар
Босготой GARCH(TGARCH) загвар тэгш хэмт бус чанарын энгийн хуурмаг хувьсагч
ашиглан оруулж ирдэг. Энэхүү тэгш хэмт бус GARCH загварыг хамгийн түрүүнд Глостен,
Жаганатан, Ранкл нар(Glosten, Jaganatan, Runkle, 1993) ашигласан 7 бөгөөд тэрч утгаар нь
түүнийг GJR-GARCH загвар гэж нэрлэх нь олонтаа. Нэгэнт бид эерэг,сөрөг цочролуудын
нөлөөг ялгаатай байлгах гэж буй учир дараах хувьсагчийг шинээр үүсгэнэ:
ε t-1<0 үед It-1=1; (8.8)
80
 ε t-1≥0 үед It-1=0;

GARCH(1,1) вариацын тавилыг дараах байдлаар өөрчилнө

σ 2t = k+ βσ 2t−1+α0ε 2t−1+ α1ε 2t−1It-1 (8.9)

Энэхүү тавил ёсоор ε t-1 гэсэн цочролын хариуд үзүүлэх тэгш хэмт бус хариу үйлдэл нь:

Хэрэв ε t-1<0бол σ 2t = k+ βσ 2t−1+(α0+ α1) ε 2t−1

Хэрэв ε t-1≥0бол σ 2t = k+ βσ 2t−1+α0ε 2t−1.

Санхүүгийн эмпирик хэрэглээнд, ялангуяа yt нь хувьцааны өгөөж байгаа үед бид α 1≥0
байх ёстой гэсэн хүлээлттэй байх бөгөөд энэ үед нөхцөлт хэлбэлзэл сөрөг хүлээгдэж
байгаагүй өгөөжид илүү хүчтэй эерэг хариу үйлдэл үзүүлнэ.
α 1≠0 үед TGARCH загвар нь тэгш хэмт бус байна. (8.9)-р тэгшитгэлээр өгөгдсөн энэхүү
тавилын давуу тал нь α 1≥0 үед уг загвар стандарт GARCH загвар болж хувирдаг.
Цаашилбал, стандарт GARCH загварынхтай харьцуулахад энэхүү загварын тогтмол
нөхцөлт бус вариац орших нөхцөл нь арай өөр гэдгийг тэмдэглэх нь зүйтэй. Стандарт
GARCH(1,1) загварын хувьд α+β<1 байх нь үүнийг баталгаажуулахад хангалттай байсан
бол тэгш хэмт бус загварын хувьд α0+0.5 α1+β<1 гэсэн нөхцөл шаардлагатай болдог.
8.5.2 EGARCH загвар
Өнөөдөр тун өргөнөөр хэрэглэгдэж буй өөр нэг тэгш хэмт бус GARCH загвар бол зэрэгт
GARCH (EGARCH) загвар юм. Уг загвар нь ε 2t -д харгалзах процессыг загварчлахын оронд
ln(ε 2t ) –д харгалзах процессыг авч үздэг:

yt = δ+фyt-1+ε t

ε t~ N(0, σ 2t ) (8.10)

ε t−1 θ ¿ ε t −1∨ ¿ ¿
ln(ε 2t ) =k+βln(ε 2t−1)+α + σ t−1
σ t−1

Ингэх нь асар их давуу талтай. Стандарт GARCH(1,1) процесст ε 2t −ыгэерэг байлгахын

тулд параметрүүд дэр хэд хэдэн хязгаарлалт зайлшгүй тавих шаардлагатай болдгийг бид
үзсэн. Энд тийм хязгаарлалтууд тавих шаардлагагүй. ln(ε 2t ) нь эерэг ч байж болно, сөрөг
ч байж болно гэхдээ эндээс σ 2t =exp(ln(ε 2t ))-ын утгыг гарган авбал энэ нь илтгэгч функцийн
онцлогоос болж үргэлж эерэг болчихно. Бусад бүх талаараа энэхүү тавил нь GJR-GARCH
загварынхтай адил чанар, шинжүүдтэй байна. EGARCH загварт буй βln(ε 2t−1) u\гэсэн хэсэг
нь β>0 үед (эмпирик судалгаануудаас үнэхээр тэгэж гардаг) вариацын процессын хэр
тэсвэртэй байгааг илтгэнэ. Нөхцөлт вариацын хүлээгдээгүй өгөөжид үзүүлэх хариу
үйлдлүүдийг αε t−1/σ t−1 болон θ(¿ α ε t−1∨¿ σ t−1) гэсэн хэсгүүд агуулж байна. Эдгээр
хэсгүүд t-1 үеийн заримдаа стандартчилсан “цочролууд” гэгддэг ε t−1/σ t−1 гэсэн хэсгийг
агуулж байгаа нь тун сонирхолтой шинж юм. Учир нь (8.10)-р тэгшитгэлээс бид тэдгээр
стандартчилсан цочролууд стандарт нормал тархалттай байхыг харж болно, ε t−1/σ t−1
~N(0.1). Вариацын хариу үйлдэл дэх тэгш хэмт бус байдлыг эерэг болон сөрөг цочрол орж
ирсэн үед процесс хэрхэх вэ гэдгээс тус бүрд нь задлан бичиж харж болно:
81
 ¿
Хэрэв ε>0 бол ln(σ 2t ) =k+βln(σ 2t−1)+(θ+ α )¿ ε t−1∨ σ t−1 ¿

¿
Хэрэв ε<0 бол ln(σ 2t ) =k+βln(σ 2t−1)+(θ−α ) ¿ ε t−1∨ σ t−1 ¿

Эндээс αε t−1/σ t−1 гэсэн хэсэг л вариацын хариу үйлдэл тэгш хэмт байх эсэхийг шийдэж
байгаа нь тодорхой байна. Үнэхээр хэрэв вариацын хариу үйлдэл нь тэгш хэмт байх юм
бол α=0 байх ёстой болно. Өмнө бидний яриад байсан тэгш хэмт бус хариу үйлдлийг
оруулж ирэхийн тулд, өөрөөр хэлбэл, сөрөг цочролд вариац илүү эерэг хариу үйлдэл
үзүүлдэг байхын тулд α<0 байх ёстой болно. Тэгэхээр үнэхээр тэгш хэмт бус байгаа
эсэхийг бид H0: α=0 гэсэн таамаглалыг HА: α<0-ын эсрэг шалгаж тогтоож болно гэсэн үг.
Стандарт GARCH загварын нэгэн адил β j ln(σ 2t− j ) болон θj(¿ α ε t− j∨¿ σ t− j) гэсэн
хоцроосон хэсгүүдийг нэмж вариацын динамикийн нарийн ширийнийг илүү сайн тусгаж
болох нь мэдээж.

8.6 Тавилын шалгуур

Эконометрикч ердийнхөөрөө өөрт байгаа загвараа тэгш хэмт бус болгох шаардлага байгаа
эсэхийг шалган тогтоохыг хүсэх нь мэдээж. Эсвэл GJR, EGARCH загваруудын нэгийг
үнэлчихээд тэгш хэмт байдлын нөхцөл тавьж болох эсэхийг нь шалгахыг зорих нь
тодорхой. Одоо тэгэхээр бид GARCH загваруудын тавил зөв байна уу үгүй юу гэдгийг
хэрхэн шалгадаг талаар авч үзье. EGARCH тавилд ашиглагдсан стандартчилагдсан
алдааны хэсгийг ргээд нэг харъя:
ε t /σ t~N(0.1).

Стандартчилаагүй алдааны хэсэг болох ε t~ N(0, σ 2t )-тай харьцуулахад энд

стандартчилагдсан алдааны хэсгийн тархалтад ямар ч нөхцөлт элемент байхгүй байна,
өөрөөр хэлбэл загвар зөв тавигдсан үед тэдгээр үзэгдлүүд хоорондоо яг адилхан
тархалттай байна гэсэн үг. Энэхүү ажиглалт маш чухал үр дүнгүүдэд хүргэх бөгөөд
тавилын шалгуур бий болгох нэг үндэслэл болдог 8. Үзэгдлүүд бие биеэсээ тусгаар бөгөөд
адил тархалттай (i.i.d.~m.a.m.) байна гэдэг нь ε t/σ t болоод ε 2t /σ 2t -тай өөр ямар ч мэдээлэл
корреляцтай байх боломжгүй гэсэн дүгнэлтэд хүргэнэ. Энэ хоёрын сүүлчийнх нь вариацын
дүр гэдэг утгаараа бидний хувьд хамгийн сонирхолтой хэсэг нь юм. Үүний хүлээлт нь Е[
ε 2t /σ 2t ]=1.

Хэрэв ε 2t /σ 2t нь t хугацаан дахь ямар нэгэн мэдээлэлтэй корреляцтай байна гэдгийг

тогтоож чадах юм бол энэ нь σ 2t -ын цувааг үүсгэхэд ашигласан вариацын загварын тавил
алдаатай байна гэсэн үг. Бид тэгэхээр дараах стратегийг ашиглан тэгш хэмт бус нөлөө
байгаа эсэхийг шалгана. Эхлээд стандарт GARCH загвар үнэлж, параметрүүдийн үнэлгээг
нь ашиглан үлдэгдэл e Tt t =1 болон σ 2T
t t=1-ыг дээр тайлбарласан маягаар гарган авна. Түүний
дараа νt=et/σ t гэсэн хувьсагчийг үүсгээд түүнийгээ дараах туслах регресст ашиглана:

ν 2t =γ 0+γ 1mt +ut .

Mt гэсэн хувьсагч нь ν 2t -тай корреляцтай гэж таамаглагдаж байгаа мэдээллийг агуулна.

Хэрэв бид вариац нь тэгш хэмт бус байх ёстой гэж сэжиглэвэл mt-гээ mt=It хэмээн
тодорхойлох ёстой бөгөөд It-ийн тодорхойлолт нь (8.9)-р тэгшитгэлд өгөгдсөн. Тэгэхээр
σ 2T
t t=1-ыг тооцоолоход ашиглагдсан загвар, энд стандарт GARCH зөв гэсэн тэг таамаглал
82
үнэн бол mt нь ν 2t -ыг тайлбарлах ямар ч чадваргүй байх ёстой. Энэхүү таамаглалыг
шалгахад өргөнөөр ашигладаг шалгуур статистикийг туслах регрессээс эь гаргаж авна:
LR=T*R2
LR~X2(1)
Энд шалгуур статистик маань тэг таамаглал үнэн үед ганц хязгаарлалт л шалгагдаж байгаа
учир (γ 1=0 гэсэн) 1 чөлөөний зэрэг бүхий X2 тархалттай байдаг. Гэхдээ энэхүү шалгуурын
зарчим нь ерөнхий тохиолдолд ч хүчинтэй бөгөөд mt-ээс өөр тавилын алдааны эх
үүсврүүдийн хувьд ч ашиглагдаж болно.

83
Бүлэг 9
Босготой загвар болон бүтцийн өөрчлөлт
9.1 Удиртгал
Сүүлийн жилүүдэд эдийн засгийн хугацаан цуваан хувьд хийгдэж буй шинжилгээнд
шугаман бус загварууд маш өргөн хэрэглэгддэг хэрэгсэл болон хувирч байна. Маш олон
төрлийн шугаман бус загвар байдаг ч эдийн засгийн болон санхүүүгийн салбарт
хэрэглэгдэж буй загварын дийлэнх нь “дэглэм- шилжих төрлийнх байна. Ийм төрлийн
загварууд эдийн засгийн шинжлэх ухааны хувьд бизнесийн мөчлөгийн шинжилгээнд
өргөн хэрэглэгддэг бөгөөд хувьсагчдийн суурин шинж чанарууд нь эдийн засаг агшилт
болон тэлэлтийн үеүүдэд ялгаатай байх боломжийг олгодог. 7 Санхүүгийн салбарт эдгээр
нь “бух” болон “баавгай” зах зээлийн шинж чанарыг тусгах зорилгоор асар их ашиглагддаг
боллоо.8 Бид өмнөх бүлэгт иэгш хэмт бус GARCH загвартай \жишээ нь TGARCH загвар\
танилцсан бөгөөд энэ нь мөн шугаман бус загвар юм.
Бид хоёр төрлийн дэглэм- солигдох загварыг авч үзнэ. Эхнийх нь босготой төрлийн
загварууд, нөгөөнх нь Марковоор шилжих загварууд. Энэхүү бүлэгт эхний төрлийн
загваруудтай танилцах бөгөөд дараах бүлэгт Марков шилжиа загваруудыг тусад нь авч
үзнэ.
Дэглэм шилжих загваруудыг ямар нэгэн байдлаар бүтцийн өөрчлөлтийг тусгасан
загварууд гэж ойлгож болно. 9 Бизнесийн мөчлөгийн судлагааны хүрээнд эдгээр “бүтцийн
өөрчлөлтүүд” нь агшилтаас тэлэлт рүү, эсвэл эсрэг чиглэлд шилжих өөрчлөлтийг хэлнэ.
Гэвч тодорхой дэглэмүүд дахин давтагддаг учих ийм өөрчлөлтүүд нь ирээдүйд хэзээ нэгэн
цагт буцаж өөрчлөгддөг байх ёстой болно гэсэн хэдий ч босго хувьсагчаа тодорхой
байдлаар сонговол дэглэм- шилжих загварын хүрээнд дахин давтагддаггүй “нэг удаагийн”
бүтцийн өөрчлөлтийг шинжилж болдгийг энэ бүлгийн төгсгөл хэсэгт үзэх болно.
Босготой AR процессыг хэлэлцэхээсээ өмнө бизнесийн мөчлөгийн дэглэмүүдийг авч үзье.
9.2 Бизнесийн мөчлөг дэх дэглэмүүд
Хэдийгээр маш олон төрлийн дэглэмүүд байж болох ч энэхүү сурах бичгийн хүрээнд
ихэнх шугаман бус загварууд маань бизнесийн мөчлөгийн тэлэлт, агшилт гэдэгтэй адил
хоёр төрлийн дэглэмтэй байна. Өөрөөр хэлбэл, жишээ нь эдийн засаг тэлж байх үед эдийн
засгийн хамаарал нь агшилтынхаас ондоо байх боломжийг авч үзнэ гэсэн үг. Үүнтэй
адилаар хувьцааны зах зээл “бух” төлөвт байх үеийн хамаарлууд нь “баавгай”
төлөвийнхөөс өөр байж болно.
Хоёр дэглэм буюу төлөвтэй AR (1) загвар (s=0,1) дараах хэлбэртэй тавигдана:
y t =δ s +Φ s y t −1+ ε t s=0,1

7
Терасвирта ба Андерсон (Terasvirta and Anderson, 1992) яагаад ийнхүү ялгаатай байхын ач холбогдлыг
тайлбарласан тун уншууртай өгүүлэл.
8
Санхүүгийн тоон мэдээлэлд STAR болон SETAR гэгдэх шугаман бус загваруудыг хэрхэн ашиглахыг харуулсан,
харьцангуй анхан шатны, маш сайн ном бол Франсис ба Дайк юм.
9
Лундбург, Терасвирта, Дайк нар алгуур шилжих авторегресс загвар болон алгуур шилжих, цаг хугацаагаар
өөрчлөгдөх коеффициенттэй загваруудыг бүгдийг нь ерөнхий нэг хүрээнд авч үзсэн байдаг.
84
Хялбаршуулсан үүднээс ε t нь бүх t-ийн δ 2 гэсэн вариацтай цагаан шуугиа процесс гэж
үзье. Шугаман загварыг үүий нэг тусгай тохиолдол гэж үзэж болох бөгөөд тэгвэл бүх t=1,
…, T-ын хувьд y t =δ 0+ Φ0 y t−1 +ε t болно.

Дэглэм шилждэг тохиолдолд s гэсэн төлөв нь цаг хугацаагаар өөрчлөгдөх учир өөрөө
индекстэй байна. Тэгэхээр бидэнд одоо гарч ирэх загвар нь
y t =δ 0+ Φ0 y t−1 +ε t st =o үед (9.1a)

y t =δ 1+Φ 1 y t −1+ ε t st =1үед (9.1b)

Бөгөөд δ 0 ≠ δ 1 Φ 0 ≠ Φ1 гэсэн нөхцөлийн аль нэг нь \эсвэл хоёул\ хангагдах ёстой буюу эдгээр
хоёр дэглэм дэх коеффициентүүд нь өөр өөр байна. Φ 0 , Φ 1<1 ,байвал 9.1-р тэгшитгэл дэх
суурь голч нь дэглэм бүрт
δs
E ( y t )=μ s = t
, s =0,1 (9.2)
t
1−ϕ s t t

Байх болно. Хэрэв y t - ээр гарцын өсөлтийн хувийг тэмдэглэвэл эдгээр нь агшилт |0 үед|,
тэлэлт |1үед|- ээр ялгаатай байдлыг тусгах бөгөөд үнэхээр тийм байвал μ0 <0 , μ1 >0 ,байх
ёстой бөгөөд эдгээр нь δ 0 <0 болонδ 0 >0 байгаа үед хангагдана. Гэвч зарим үед нэг
дэглэмийг нь бууралт бус зүгээр “бага” өсөлтөд харгалзуулах нь зохистой байж болно.
Энэхүү сүүлчийн тохиолдолд μ0 <0 байх албагүй, зөвхөн μ0 < μ1гэсэн нөхцөл хангагдах
ёстой. Гэвч дэглэмүүдийг тайлбарлахад (9.2)-р тэгшитгэлд байгаа шиг дэглэмээс
хамааралтай голч чухал үүрэг гүйцэтгэдэг.
Дээрх хэлэлцүүлгийн (9.2)-р тэгшитгэлээр өгөгдсөнөөс өндөр зэргийн AR процессын
хувьд өргөтгөл нь тийм ч хэцүү биш байх болно.
9.3 Босгот AR Процесс (TAR)
Одоо дэглэмээсээ хамаардаг AR (p) процессыг авч үзье.

y t =δ s +Φ s 1 y t−1 +…+Φ s , p y t − p ε t
t t t
st =0,1 (9.3)

Энд E|ε 2t |=δ 2. Энд дэглэмийг яаж нэрлэх нь тийм ч чухал биш гэдгийг анхаарах хэрэгтэй,
бид мэдээж \жишээ нь\ st =1,2 гэж бас нэрлэж болно. Хэрэв (9.3) нь TAR процесс бол
дэглэм нь у-ын ямар нэгэн өнгөрсөн утга, y t −d ээс хамаарч тогтдог бөгөөд энэ тохиолдолд
загвар дараах байдалтай болдог:
st =0 хэрэв y t−d ≤ C бол
st =1 хэрэв y t −d >C бол (9.4)
Энэ бол босготой загвар бөгөөд st гэсэн дэглэм нь
y t −d−ийн утга с гэсэн босготой харьцуулагдан тодорхойлогдоно. (9.3) болон (9.4)-өөр
тодорхойлогдсон процессыг заримдаа өөрийгөө өдөөгч босготой авторегресс=self-exciting
threshold autoregressive, буюу SET AR
проесс гэх нь бий. TAR загвар нь өмнөх бүлэгт яригдсан TGARCH загвартай холбоотой.
TAR загвар статистик хугацаан цуваан судалгааны санд нэлээн дээр орж ирсэн бөгөөд
статистик болон эконометрийн онолын судалгааны сан хоёуланд нь маш ихээр судлагдах
болно. Энэхүү төрлийн загварыг эдийн засгийн шинжлэх ухаанд, ялангуяа олон
хувьсагчтай загварын хүрээнд шугаман бус коинтеграцын шинжилгээнд хэрэглэх нь маш
түгээмэл болж байна.
85
9.3.1 Дэглэм солигдох
(9.4)-р тэгшитгэлд буй у t −d гэсэн хувьсагч t үед дэглэм солигдолт буюу өөрчлөлт явагдах
эсэхийг тодорхойлж байгаа учир шилжилтийн хувьсагч (transition variable) гэж нэрлэдэг.

Хэрэв у t −d−ынутга гараад ирчихсэн үед (9.4)-р тэгшитгэлээр өгөгдсөн дэглэм детерминист
байна. Харин у t −d−ынутга ажиглагдахаас өмнө ирээдүйн t үе дэх дэглэм хараахан үл
мэдэгдэх у t −d−ын утгаас хамаарсан хосмог \binary| стохаст хувьсагч болно. Y нь с гэсэн
босгыг t-d-1 болон t-d үеүүдийн завсарт давбал t үед дэглэм солигдох ёстой болох учир
дэглэм солигдолт огцом явагдана.
Жишээ нь d=1 бөгөөд c=0 гэе. Тэгвэл хэрэв у t −2 <0 бөгөөд у t−1> 0 бол st −1=0 харин
st =1 болохбөгөөд энэ нь дэглэм t үед солигдож байна гэсэн үг. Хэрэв y t нь өсөлтийн
хувьсагч бол с=0 гэсэн босго өсөлт, уналтыг зааглаж байгаа учир бизнесийн мөчлөгийн
тэлэлт, агшилтын үе дэх ялгаатай хариу үйлдлүүдийг тусгаж болох юм.
Хэдийгээр c=0 гэсэн босгыг дээрхтэй адилаар аятайхан тайлбарлаж болж байгаа
ихэнх тохиолдолд с гэсэн босгын утгыг үл мэдэгдэгч авч үздэг. Мөн зарим тохиолдолд
хүлээгдлийн параметр d-г бас үл мэдэгдэгч маягаар авч үзэн хоёуланг нь үнэлж гарган авах
нь бий.

9.3.2 Үнэлгээ
Хэрэв (9.4)-р тэгшитгэл дэх хүлээгдэл d болон босго c нь хоёул мэдэгдэж байвал TAR
загварыг ЕХБКА-аар үнэлж болно. Тодруулбал тэдгээрийн утга мэдэгдэж байгаа үед t=1,
….,T-ийн үзэгдлүүдийг St =0 болон St =1 гэсэн хоёр дэд дэглэмд зааглаж болно. Түүний
дараа зөвхөн y t ≤ c нөхцлийг хангасан үзэгдлүүдийн хувьд дараах тэгшитгэлийн
параметрүүдийг үнэлж болно:
y t =δ 0+ ϕ01 y t −1+ … ϕ0 p y t− p +ε t (9.5)
Үүнтэй яг адилаар y t =δ 1+ ϕ11 y t−1 +… ϕ1 p y t− p + ε t (9.6)
Тэгшитгэлийн үнэлгээ нь зөвхөн y t > c нөхцөлийг хангасан, St =1 дэглэмд харгалзах
үзэгдлүүдийн хувьд хийгдэнэ.
Одоо d нь өгөдсөн буюу дэглэмийг тодоройлогч y t −d шилжилтийн хувьсагч нь
мэдэгдэж байгаа харин босго болох с нь мэдэгдэхгүй байгаа гэе. Тэгвэл с-г хайлтын
процедур ашиглан үнэлж болно. Тухайлбал, y t −d утгуудыг ихээс нь бага руу нь жагсаая.
Эдгээр нь с-ийн боломжит утгуудыг өгнө. Гэхдээ бидний түүвэр маань y t −d ≤с болон
y t −d >с−даль алинд нь харгалзах хангалттай хэмжээний үзэгдэлтэй, мөн (9.5) болон (9.6)
гэсэн загварын коеффициентүүдийг үнэлэхэд хүрэлцэхүйц хэмжээний утга хоёр дэглэм тус
бүрд байх ёстой. Энэхүү нөхцөлийг хангахын тулд уламжлалт ёсоор y t −d түүврийн
хамгийн бага X% болон хамгийн их х%-ийг с-ийн боломжит утга байх боломжгүй гэж
үздэг, ийм маягаар хамгийн өндөр болон хамгийн бага 15% д харгалзах утгуудыг “тайрах”
нь элбэг.
Үүний дараа y t −d−н ажиглагдаж буй эрэмбэлсэн утгуудаас х% болон (100-x)%-ийн
хоорондохыг нь с-ийн боломжит утга гэж үзээд тэрхүү с дээр тулгуурлан (9.5) болон (9.6)
тэгшитгэлүүдийн коэффициентүүдийг үнэлж хоёр дэглэмийн нийт квадрат үлдэгдлүүдийн
нийлбэрийг гарган авна. Үнэлэгдсэн с^ утга нь тэгээд гарган авсан нийт квадрат
үзэгдлүүдийн нийлбэрийг хамгийн бага байлгах тэрхүү утга юм.
Зарим хэрэглээнд d=1 гэж үздэг. Жишээ нь санхүүгийн тоон мэдээллийг шинжилж
байх үед энэхүү зах зээл дээрх мэдээлэл боловсруулалт хийгдэх хурдтай холбоотойгоор

86
хамгийн сүүлчийн үеийн үзэгдэл нь дэглэмийг тодорхойлдог гэж үзэх нь зохимжтой байж
болох юм. Гэвч макро эдийн засгийн тоон мэдээллийн хувьд тодорхой үр дагавар үүсн
гарахад тодорхой хугацаа шаардаж болох учир ийнхүү үзэх нь тохиромжгүй байж болох
юм. Хэрэв d нь ийнхүү мэдэгдэхгүй байвал с-г үнэлэхэд ашиглагдсан зарчмыг хүлээгдэл d-
г үнэлэхэд мөн ашигладаг.
Өөрөөр хэлбэл нийт квадрат үлдэгдлүүдийн нийлбэрийг хамгийн бага байлгах с^
утгыг олдог тэрхүү хайлт нь тодорхой балчир буюу m-н тодорхой утгыг урьдчилан
тогтоож байгаад d=1,…m- үүднээс зохих утгыг нь олоход мөн ашиглагддаг.

9.3.3 Таамаглал шалгах

Шугаман бус загвар үнэлэхээсээ өмнө шугаман бус байдал үнэхээр байгаа эсэхийг шалган
ттогтоох ёстой. Өөрөөр хэлбэл (9.3)-р загварын хүрээнд үнэхээр хоёр ялгаатай
коеффициентүүдийн онцлог байх нь зохистой эсэхийг шалгана гэсэн үг.
Эхлээд с нь d нь мэдэгдэж байгаа гэж үзье. Тэгэхээр t үед бид ямар дэглэмд
байгаагаа мэдэж байна гэсэн үг. Зөвхөн нэг дэглэм байгаа эсэхийг тогтоохын тулд
H 0 :δ 0 =δ 1 , ϕ0 i ¿ ϕ1 i (i=1 , … , p) (9.8)
H A :δ 0 ≠ δ 1 , ϕ 0 i ≠ ϕ1 i ¿ эдгээрийн дор хаяж нэг нь үнэн гэсэн таамаглалууд дээр
тулгуурлан p+1 коеффициент хоорондоо ижил байгаа эсэхийг стандарт F шалгуур ашиглан
шалгаж болно. Энэ нь p+1 хязгаарлалт тавигдана гэсэн үг бөгөөд харин F статистик нь
(RRSS−URSS )( P+1)
F= (9.9)
URSS /{T −2 ( P+ 1 ) }

Гэж тооцоологдох бөгөөд T нь үнэлгээнд ашиглагдах түүврийн тоо болно. RRSS нь

шугаман AR (p) ийн (энэ нь H 0 үнэн байх үеийн загвар) бүх Т түүврийн утгыг ашигласан
үнэлгээнээс гарч ирсэн хязгаарлагдсан квадрат үзэгдлийн үлдэгдлийн нийлбэр, харин
URSS нь (9.4)-р тэгшитгэлээр тодорхойлогдсон хоёр дэд түүврийн хувьд тус бүрд нь
үнэлэгдсэн загваруудын квадрат үлдэгдлүүдийн нийлбэрүүдийн нийлбэр болно. Тэг
таамаглал няцаагдана гэдэг нь түүврийн хугацаанд хоёр дэглэм үйлчилж байсан байна,
тэгэхээр TAR загвар хэрэглэгдэх ёстой гэсэн дүгнэлтэд хүргэнэ.
Дээр тайлбарласан хайлтын процедураар с болон d-г үнэлж байгаа үед (9.8)
таамаглалын шалгуур нь харамсалтай нь уламжлалт F тархалтаа дагахаа байчихдаг.
Хамгийн “сайн таарах” с^ болон эсвэл d−¿^¿г олох гэж эрэлхийлэх явцдаа уг хайлтын
процедур цэвэр тохиолдлоор гарч ирсэн үзэгдлүүдийн ялгаварт хэтэрхий их ач холбогдол
өгчихдөг.
Харин с нь мэдэгдэхгүй байгаа үед (9.8)-р таамаглалын шалгуурыг (9.9)-р
тэгшитгэлд өгөгдсөн F статистик ашиглан гүйцэтгэж болно. Гэхдээ дөнгөж сая
тайлбарласанчлан, тэрхүү статистикаа ердийн F тархалттай харьцуулж болохгүй. Гэсэн
хэдий ч хүлээгдэл d-ийн зохих утга мэдэгдэж байвал тэг таамаглал үнэн үед хүчинтэй байх
тархалтын асимпотик ойролцооллыг гарган авч болох бөгөөд энэ нь AR-н зэрэг-р, мөн с-г
үнэлэхэд ашиглагдсан “тайралт” х%-иас хамаарна. Энэхүү шийдэл d-ийн зохих утгыг
үнэлж байгаа тохиолдолд мөн ижил хэрэглэгдэх бөгөөд онцлог нь одоо d-ийн боломжит
утгуудын тоо бас чухал нөлөөтэй болж ирнэ. Бид эдгээр асуудлын заримыг нь бүтцийн
өөрчлөлтийн асуудал яригдаж эхлэх үед дахин авч үзэх болно.
Хэрвээ (9.8) тэгшитгэлд өгөгдсөн тэг таамаглал няцаагдвал эсрэг таамаглал үнэн байх
үеийн загвар дээр стандарт t шалгуурыг хэрэглэж болно. Өөрөөр хэлбэл зөвхөн (9.8)
тэгшитгэлээр өгөгдсөн шугаман бус байдлын ерөнхиий тэг таамаглалыг шалгахад л
асуудал үүсээд байгаа юм. Хэрэв үнэхээр шугаман бус байна гэдгийг тогтоочихсоны дараа
87
бол коеффициент бүрийн хувьд хийгдэх стандарт шалгуурууд ямар ч асуудалгүй хүчинтэй
хэвээр байна. Тухайлбал δ 1 болон ϕ ij гэсэн хувь коеффициентүүдийн талаарх Нормал
тархалтад тулгуурласан шалгуурууд нь асимптотикийн хувьд хүчинтэй байх болно.

9.4 Алгуур шилжих (Smooth Transition) AR процесс

TAR загваруудын хувьд дэглэм нь хоёртын тооллоор тодорхойлогдоно. Харин үүний
өргөтгөл болох алгуур шилжих авторегресс процесс st нь 0- ээс 1ийн хооронд ямар ч утга
авахыг зөвшөөрдөг. Тэгэхээр янз бүрийн холитмог дэглэмүүд байх боломж бүрдэнэ.

(9.3)-р тэгшитгэлийн алгуур шилжих хувилбарыг дараах байдлаар бичиж болно.

y t =δ 0+ ϕ01 y t −1+ … .ϕ 0 y t − p
+F( y t −d)(δ 2+ ϕ21 y t −1+ …+ϕ2 y t− p ¿+ ε t (9.10)
Энд F( y t −d) нь ( y t −d) ээс хамаарсан тасралтгүй функц бөгөөд 0≤ F ( y t −d )≤ 1 нөхцөлийг
хангана. F( y t −d) тасралтгүй, ( y t −d) ээс хамаарсан алгуур функц дэглэм хоорондын
шилжилтийг тодорхойлж байгаа учир (9.10)-р өгөдсөн загварыг алгуур шилжих
авторегресс процесс гэж нэрлэдэг. Энд ихэвчлэн өдөөгч нь хомоскедаст буюу ε t гэсэн
цагаан шуугиа өдөөгчийн вариац нь δ 2 гэсэн тогтмол байна гэсэн нөхцөл тавигддагийг
анхаараарай.
Туйлын тохиолдлуудыг нь авч үзвэл,
y t =δ 0+ ϕ01 y t −1+ …+ϕ0 p y t −p + ε t F( y t −d ¿ ¿=0
y t =( δ 0 +δ 1 ) + ( ϕ01 +ϕ21 ) y t−1 +… .+ ( ϕ 0 p+ ϕ2 p ) y t− p +ε t
= y t + ϕ11 y t−1 +…+ ϕ1 p y t − p+ ε t F( y t −d ¿ ¿=1
Энд δ 2=δ 0 +δ 2 , ϕ1 i=ϕoi + ϕ2 i (i=1,…..p)
(9.10)-н өөр нэг илэрхийлэл нь тэгэхээр
y t =( 1−F ( y t−d ) ) {δ 0 +ϕ 01 y t−1 +…+ ϕ0 p y t − p }
+ F= y t −d ¿ { δ 1 + ϕ11 y t−1 +…+ϕ 1 p y t −p }+ ε t (9.11)
болох бөгөөд энэ нь δ 0 ϕ 01 ϕ0 p гэсэн коеффициентүүдийг 0 дэглэмтэй (энд F( y t −d)=0 харин
δ 1 ϕ 11 ϕ1 p гэсэн коеффициентүүдийг 1 (энд F( y t −d)=1 гэсэн дэглэмтэй шууд холбож байв.
Тэгэхээр STAR процесс нь дээрх 2 туйлын дэглэмд 2 ялгаатай авторегресс процесстэй байх
нь. Энэхүү 2 процессыг жигнэн нийлүүлсэн холимог нь 0< F ( y t −d )< 1 гэсэн завсрын бүсэд
бий болно. (9.11) илэрхийллээс тодхон харж болно. Хэрэв y t шинж чанар тодорхой
хугацаанд алгуур өөрчлөгдөх шаардлагтай байвал (d үе үргэлжлэх хоцролтын дараа) STAR
процессын огтлогч болон авторегресс коеффициентүүд нь алгуур өөрчлөгдөнө. Алгуур
өөрчлөгдөнө гэдэг нь y t −d-н утгад хамаатай зүйл болохоос биш цаг хугацаанд өөрт нь ямар
ч хамааралгүй зүйл болохыг анхаарах хэрэгтэй. Тэгэхээр хэрэв y t −d-н утгууд цаг
хугацааны маш савалгаатай байгаа бол (9.11) тэгшитгэлийн коеффициентүүдийн
өөрчлөлтүүд нь цаг хугацаанаас алгуур хамаарсан функц байхгүй нь (хэдийгээр y t −d-ээс
хамаарсан алгуур байсан хэдий ч).

9.4.1 Шилжилтийн функц

Математикийн үүднээс (9,10); (9,11)-д ашиглагдаж байгаа шилжилтийн функц F ¿ ¿) нь 0
≤ F y t−d ≤ 1 гэсэн шаардлагыг хангах ямар ч функц байж болно. Харин практикийн үүднээс
бол ашиглагдах функцийн хэлбэр нь эдийн засгийн үүднээс тайлбарлаж болохуйц байх
ёстой. Өнөө үед өргөнөөр хэрэглэгдэж буй хоёр төрөл байна.
Эдгээр нь:
88
 1. Логистик функц
1
F y t −d= γ>0 (9.12)
1+exp {−γ ( y t −d−c)}
Хэрэв үүнийг хэрэглэвэл логистик STAR буюу LST AR загвар үүснэ.
2. Илтгэгч (exponential) функц
F ( y ¿¿ t−d)=1−exp ⁡{−γ ( y t −d−c )2 }¿ γ >0
(9.13)
Энэхүү төрлийн функцийг хэрэглэвэл үүсэх
загварыг нь илтгэгч STAR буюу EST AR гэж
нэрлэдэг.
LST AR болон EST AR загварын 2лангийн
хувьд с нь шилжилтийн функцийн байрлалын
параметр бөгөөд γ нь тухайн функцийн
налалтыг илэрхийлж байдаг. γ =1 бөгөөд с=0
гэсэн параметрүүдтэй логистик функцийн
жишээг зураг 9.1-д дүрслэн үзүүлж байна.
(9.12)-р тэгшитгэлээр өгөгдсөн логистик функц нь ( y ¿¿ t−d ¿¿)¿ээс хамааран монотон
өсөх бөгөөд ¿ ¿ үед F ¿ ¿ харин ¿ ¿ үед F ( y ¿¿ t−d ¿ ¿) →1 ¿ болно.
y t −d=c үед F ¿ ¿)=0.5. Жишээ нь y-ээр гарцын өсөлтийн хувийг тэмдэглэсэн гэвэл с≈ 0 үед
LST AR тавил нь бизнесийн мөчлөгөөрх дэглэмүүдийг загварчлах боломжтой.

Хэрэв y t −d нь өндөр сөрөг

утга авбал F ( y ¿¿ t−d)¿
нь нилээд “багасах”
бөгөөд энэ нь бизнес
мөчлөгийн агшилтад
харгалзана. Эсрэгээрээ
хэрэв y t −d том эерэг утга
авбал F ( y ¿¿ t−d)¿ нь
мөн дагаад том утга авна
гэсэн үг бөгөөд энэ нь
хүчтэй тэлэлтийн үеийг
илэрхийлнэ. (9.3) (9.4)
тэгшитгэлүүдээр өгөгдсөн
y
босготой загвараас ялгагдах нь с-ийн орчимд байгаа t −d ийн утгуудын хувьд дээр үзүүлсэн
дэглэмүүдэд хэрхэн харгалзах нь тийм ч тодорхой бус. Тэгэхээр LST AR тавилаар
тэлэлтүүд болон агшилтуудын үед өсөлтийн голч утгууд нь ондоо байх, динамик нь мөн
ялгаатай байх боломж бий болно. Y нь гарцын өсөлтийн хувь гэгдэж байгаа энэ үед δ 0 <0
харин δ 1> 0 байна гэж бид хүлээх нь мэдээж.
(9.12) тэгшитгэлээс налалтын параметр γ -ын гүйцэтгэж буй үүргийг авч үзвэл γ →0 үед
y t −d−с ямар утгатай байна гэдгээс үл хамааран логистик шилжилтийн функц F ( y t−d )→0.5
. өөрөөр хэлбэл γ →0 үед LST AR процесс шугаман процесс болж хувирна. Нөгөө нэг туйл
буюу γ ←∞ үед шилжилтийн функц нь алхамт функц болж хувирна. Ложистик функцэд
γ −ынянз бүрийн утгуудын үзүүлэх нөлөөг зураг (9.2) дүрслэн харуулсан байна.
Хангалттай өндөр γ -ийн хувьд дурын y t −d <с утгын хувьд F y t −d ≈ 0 харин дурын y t −d >с
хувьд F y t −d ≈ 1 болно. Сүүлийн тохиолдолд 0< F y t−d <1 байх завсрын утгууд үндсэндээ

89
 гарч ирэхгүй бөгөөд (практикийн үүднээс) уг
загвар с босготой TAR процесс болон
хувирна.
Тэгэхээр жишээ нь γ →∞ үед p=1 тэй,
нэгдүгээр эрэмбийн (9.11)-ээр тэгшитгэлээр
өгөгдсөн LST AR процесс (9.3)-р
тэгшитгэлээр өгөгдсөн өөрийгөө өдөөгч
босгот AR(1) процесс руу тэмүүлнэ. Зарчмын
хувьд тэгэхээр LST AR нь TAR AR
процессоос илүү ерөнхий тохиолдол нь болж
байна.
Илтгэгч шилжилтийн функц t −d y =c утгын эргэн тойронд тэгш хэмт байна. Ийм функцийн
нэг жишээг зураг (9.3) дүрслэн харуулж байна. Хялбаршуулах үүднээс дахин γ =1 бөгөөд
c=0 гэж тогтоосон. Эндээс y t −d=cүед (9.13) тэгшитгэлээр өгөгдсөн илтгэгч функц
F y t −d=0 харин y t −d−c → ±∞ үед F y t −d →1 болж байгаа нь тодорхой харагдаж байна.
Энэхүү ажиглалтаас болж тэгтэй ойр байх үед “дотоод” дэглэмтэй, уг функц нэгтэй ойр
утга авсан үед “гадаад” дэглэмтэй байна гэж ярьдаг. Эдгээр шинжүүдийн улмаас, ялангуяа
с-ийн эргэн тойронд F y t −d нь тэгш хэмтэй бйагаагаас харахад TAR загвар нь EST AR
загварын нэг тусгай тохиолдол биш юм.

9.6 Бүтцийн хугарал

Өмнөх хэсэгт бид үндсэндээ тодорхой нэг дэглэм дотроо бол параметрүүд цаг хугацаагаар
тогтмол байна гэсэн нөхцөл тавьж байна. Зарим тохиолдолд энэ тогтмол байна гэсэн
нөхцөлийг зөвтгөх боломжгүй байдаг. Жишээ нь компьютер, харилцаа холбооны
сарбаруудад гарч байгаа технологийн сүүлийн үеийн дэвшлүүд нь аж үйлдвэрийн
процессыг орвонгоор нь өөрчилсөн байж ч болно. Мөн Европын Холбооны улсуудын
санхүүгийн хувьсагчид нь нэгдсэн мөнгөний бодлого хэрэгждэг болсноос хойш шал ондоо
шинж чанартай болчихсон байж болно. Мөнгөний бодлого өөрчлөгдвөл ямар үр дүн гарах
вэ гэдгийг судлах зорилгоор бүтцийн хугарлын эконометрик арга зүйг инфляцийн
загварчлалын хүрээнд ч мөн ихээр хэрэглэж байна. Хугацааны цуваан эконометрикт
бүтцийн өөрчлөлтийг илрүүлэх, түүнийг загварчлах асуудал маш ихэвхитэй судалгааний
талбаруудын нэг болоод байна. Хэдийгээр энэхүү хэсэгт дурдагдах аргачлалыг хувьсагч
хоорондын харилцан хамаарал дахь бүтцийн өөрчлөлтийг судлахад ашиглаж болох ч бид
хялбаршуулах зорилгоор зөвхөн нэг хувьсагчтай загвар авч үзэх болно. Коеффициентэд
цаг хугацаагаар гарч буй өөрчлөлтийг босготой загварын хүрээнд шилжилтийн
хувьсагчийнх нь оронд загварчлагдаж буй хувьсагчийн хоцроосон утга бус цаг хугацааг
орлуулан тавьж загварчилж болно. Босготой загварын нэгэн адил хоёр тохиолдлыг задлан
авч үзэх хэрэгтэй. Эхнийх нь бүтцийн хугарал буюу хугацаан тодорхой үед өөрчлөлт гэнэт
явагдах. Удаах нь өөрчлөлт цаг хугацаагаар алгуур явагдаж байвал үүсэх бөгөөд ийм
төрлийн загварыг бүтцийн өөрчлөлтийн алгуур шилжих загвар гэнэ.
9.6.1 хугарлын огноо мэдэгдэж байх үе
Хамгийн хялбар хувилбар нь AR процессын коеффициентүүдэд тодорхой мэдэгдэж байгаа,
TB гэсэн үед гарч буй өөрчлөлт юм. Суурин AR(p) процессын хувьд
Y t =δ + ϕ1 γ t−1+ ⋯+ ϕ p Y t− p +ε t (9.21)

90
коэффициентүүд нь TB гэсэн үед өөрчлөгдөж болох бөгөөд өөрөөр хэлбэл,
Y t =δ 0+ ϕ01 Y t −1+ …+ϕ 0 p Y t − p+ ε t , t< T B

Y t =δ 1+ ϕ11 Y t−1 +…+ ϕ1 p Y t − p +ε t , t ≥ T B (9.22)

энд бүх t=1,...,T-ийн хувьд ε t iid ( 0 , σ 2 ) байна. Тэгэхээр бид цагаан шуугиа ε t−ын вариац нь
түүврийн өөрчлөгдөөгүй гэсэн нөхцөл тавьж байна. Энэхүү бүтцийн хугарлыг t=T B болж
буй нэг удаагийн дэглэм солигдолт гэж үзэж болох бөгөөд энд (9.22)-р тэгшитгэлээр
өгөгдсөн загварыг цаг хугацаа нь шилжилтийн хувьсагч болж, дэглэм нь T B гэсэн босго
утган дээр солигддог босгот загвар мэт үзэж болно.
Хугарал байгаа эсэх таамгалалыг шалгах шалгуур маань дараах байдлаар тавигдана:
H 0 :δ 0 =δ 1 , ϕ0 i=ϕ1 i ( i=1 , … , p )

H Α :δ 0 ≠ δ 1 , ϕ 0 i ≠ ϕ1 i (i=1 , … , p )−ийн дор хаяж нэг нь үнэн ( 9.23)

Тэгэхээр тэг таамаглал үнэн байгаа үед T Bүед ямар ч бүтцийн хугарал байхгүй, харин эсрэг
таамаглал үнэн байгаа үед (9.21)-р тэгшитгэлээрх процессын дор хаяж нэг коеффициент
өөрчлөгдөж байгаа учир хугарал үүснэ.
Y t -ын AR процессын шинж чанарууд (голч, вариац гэх мэт) нь (9.21)-р тэгшитгэлийн
коеффициентүүдээс хамаарч байгаа учир (9.23)-р тэгшитгэлд өгөгдсөн эсрэг таамаглал
үнэн үед тэдгээр шинж чанар ч мөн T B үед өөрчлөгдөнө гэсэн үг болно.

Жишээ нь (9.23)-р тэгшитгэл дэх тэг таамаглалын голч нь

1
Ε[ Y ] =
t
1−ϕ1 −⋯−ϕ p

бөгөөд огтлогч, эсвэл ямар нэгэн AR коеффициентэд өөрчлөлт гарсан бол энэ нь
ерөнхийдөө Y t -ийн голчийг мөн өөрчлөх болно. (9.23)-р тэгшитгэлээр өгөгдсөн тэг
таамаглалыг (боломжит) хугарлын огноо нь өгөгдсөн үед шалгахыг ихэвчлэн “Чаугийн
(Chow) шалгуур” гэдэг. Босго нь мэдэгдэж байх үед TAR загварыг шалгадагтай нэгэн адил
энэхүү шалгуурыг ердийн F-шалгуур, эсвэл түүний асимптотикийн хувьд ижил хувилбар
болох X 2 -шалгуур ашиглан гүйцэтгэж болно. Эхнийх нь илүү түгээмэл бөгөөд F-
статистикийг нь (9.9)-р тэгшитгэлд өгсөний дагуу тооцоолно. Хязгаарлагдсан загвар нь
(9.21), харин хязгаарлагдаагүй нь (9.22)-р тэгшитгэлээр өгөгдөх болохыг энд анхааруулах
нь зохистой биз дээ. Уг шалгуур статистикийг мөн хуурмаг хувьсагч ашиглан тооцоолж
болно. Үүний тулд хуурмаг хувьсагчаа дараах байдлаар тодорхойлно:
t=T B үед
D ( Τ Β ) t= 0 ,
{ (9.24)
1, t=T B үед

Өөрөөр хэлбэл энэ нь бүтцийн өөрчлөлт гарсан гэгдэж буй огнооноос эхлэн тэгээс
ялгаатай утга авч эхэлж байна. Тэгвэл (9.23)-р тэгшитгэлээр өгөгдсөн тэг таамаглалыг
шалгах шалгуур регресс нь дараах байдалтай болно:

91
Y t =δ 0+ ϕ01 Y t −1+ ⋯+ ϕ0 p Y t− p +δ 2 D ( T B ) t+ ϕ21 [ D ( T B )t × Y t−1 ] +⋯ +ϕ2 p [ D ( T B )t ×Y t − p ] +ε t
(9.25)
энд шалгах гэж байгаа таамаглал маань дараах хэлбэртэй тавигдана:
H 0 :δ 2 =ϕ21=⋯=ϕ2 p=0

H Α :δ 2 ≠ 0 , ϕ2 i ≠ 0 ( i=1 , … , p )−ийн дор хаяж нэг нь үнэн (9.26)

(9.26)-р тэгшитгэлээр өгөгдсөн таамаглал (9.23)-ынхтай яг адил. Үнэхээр ч (9.26)-р

таамаглалыг шалгах (9.9)-р тэгшитгэлээр өгөгдсөн F-статистикийн тоон утга нь (9.22)-т
өгөгдсөн хоёр AR(p) процессыг тус тусад нь  үнэлж байгаад гарган авсан дэд түүврийн
аргынхтай яг адил болохыг харуулж болно.
Дахин тэмдэглэхэд (9.21) болон (9,25)-р тэгшитгэлүүдээр өгөгдсөн хязгаарлагдсан болон
хязгаарлагдаагүй үнэлгээг ЕХБКА ашиглан гүйцэтгэнэ.
9.6.2 хугарлын огноо мэдэгдэхгүй байгаа үе
Хэдийгээр бүтцийн хугарал болсон огноо нь яг мэдэгдэж байх үе тохиолдож болох ч
ихэнхдээ коеффициентүүд өөрчлөгдөж буй тэрхүү огноо нь яг мэдэгдэхгүй байх нь
олонтаа. Жишээ нь хэдийгээр АНУ, Их Британи болон бусад улсуудын инфляцийн шинж
чанар нь өнөөдөр 1970-аад онтой харьцуулахад ондоо гэдгийг хүмүүс хүлээн зөвшөөрдөг ч
энэхүү өөрчлөлтийн шалтгаан болсон гэх цорын ганц тодорхой үйл явдал байхгүй,
тэгэхээр хугарлын огноо нь мэдэгдэхгүй байна гэсэн үг.
Тиймээс бүтцийн хугарлыг загварт тусгах гэсэн судалгааны чиглэл сүүлийн үед хугарлын
огноо нь мэдэгдэхгүй байх тохиолдолд илүү их анхаарч байна.
Энэ хүрээнд авч үзэх загвар нь өмнөх огноо нь мэдэгдэж байх үеийн бүтцийн
хугарлынхтай адил хэвээр байна; өөрөөр хэлбэл хязаарлагдаагүй загвараа нэг бол (9.22)-р
эсвэл (9.25)-р тэгшитгэлийн хэлбэрт бичих бөгөөд бид энд бүх t=1,…,T-ийн хувьд ε t iid ¿
гэсэн нөхцөлийг үргэлжлүүлэн хэрэглэнэ. Хэдийгээр бүтцийн хугарлын огноо Τ Β яг хаана
байгаа нь мэдэгдэхгүй байгаа боловч уг хугарал гарсан байж болох T 1 ≤ T B ≤ T 2гэсэн
мужийг тодорхойлох боломжтой гэж үзнэ. Хугарлын цэг нь мэдэгдэхгүй байх үеийн
шалгуурыг энэхүү мужид буй огноо бүрийн хувьд (9.22) эсвэл (9.25)-д өгөгдсөн хугарлын
загварыг үнэлж хэрэгжүүлдэг. Энд дахиад л ЕХБКА-ыг хэрэглэнэ.
Хугарал гарсан байж болох мужийн эхлэлийн болон төгсгөлийн утгуудыг
T 1=λ , T 2 =( 1−λ ) T хэмээн тэмдэглэх нь тун түгээмэл бөгөөд энд 0< λ<1буюу хугарал
зөвхөн түүврийн төвийн (1−2 λ)×100 хэсэгт гарч болно гэсэн санааг илэрхийлнэ.
Практикт , байгаа түүврийнхээ хэмжээнээс хамаараад λ=0.1 эсвэл 0.15 гэж тогтоох нь тун
элбэг бөгөөд энэ нь бүтцийн хугарал байж болох муж нь төвийн 80% эсвэл 70% (тус
бүрдээ) болно гэсэн үг юм . ТAR загварын шалгуурт нэрлэж байсан шиг λ-г “тайралтын ”
параметр гэдэг. λ- ын утгыг тогтооход баримталдаг зарчим нь хугарлаар тодорхойлогдсон
дэд түүврүүдэд харгалзах коеффициентүүдийг үнэлэхэд хангалттай үзэгдэл дэд түүвэр
бүрт орсон байх явдал юм. Жишээ нь Τ =40 үзэгдэлтэй багахан түүврийн хувьд AR(4)
загвар үнэллээ гэхэд λ=0.1 гээд тогтоочих юм бол хугарал гарсан байх мужийн эхлэл
болох T 1=4 цэгээс өмнөх хэсэгт параметрүүдийг (огтлогч болон AR коеффициентүүд)
үнэлэх ямар ч боломжгүй болно. Тэгэхээр λ- ын утга нь түүнээс хамаарч тогтсон дэд
түүврүүдийн хувьд хийгдсэн үнэлгээ хангалттай нарийвчлалтай байхаар сонгогдох ёстой.
92
Хугарал гарсан байж болох T B огноо нь мэдэгдэхгүй байгаа үед хугарал байгаа эсэхийг
шалгахад Чоугийн шалгуурынх шиг ( 9.9 )-р тэгшитгэлээр өгөгдөх F-статистик ашигладаг.
Гэхдээ энэ тохиолдолд бид F-статистикүүдийн дарааллыг гарган авна. Хэрэв бид тодорхой
боломжит гэсэн хугарлын огноо t=T i дахь F-статистикийн утгыг F ( T i )гэж тэмдэглэвэл
дараах дарааллыг гаргана.
F ( T i ), энд i=T 1 , T 1+1 , … , T 2

Хэдийгээр судалгааны ажлуудад F ( T i ) гэсэн дарааллын утгуудыг хэрхэн ашиглах талаар

нэлээн олон  төрлийн саналууд байдаг ч хамгийн өргөн хэрэглэгддэг арга бол ердөө л
хамгийн өндөр F-статистикийг буюу F max= max F ( T i ) , i=T 1 , T 1 +1 , … , T 2
T 1 ≤T B ≤ T 2
гэсэн
статистикийг нь гарган авч хэрэглэдэг. Тэгээд хугарлын огноон үнэлгээ буюу T^B нь F max
хамгийн өндөр утгаа авч буй T i болно. Хэдийгээр энэ нь T 1 ≤ T B ≤ T 2 гэсэн мужид хугарал
гарсан гэж үзээд түүний огноон үнэлгээг өгч байгаа ч уг хугарал үнэхээр болсон уу үгүй
юу гэдгийг шалган тогтоох хэрэгтэй . Өөрөөр хэлбэл бид заавал хугарал гараагүй гэсэн тэг
таамаглалын хугарал болсон гэсэн таамаглын эсрэг (9.23)-р тэгшитгэлд өгөгдсөний дагуу
шалгах ёстой. Харамсалтай нь энэхүү таамаглалыг шалгахад F max гэсэн ердийн бус
статистикийг ашиглаж байгаа учир F-тархалтыг ашиглах боломжгүй. Асуудлын гол
шалтгаан нь F-тархалтыг цорын ганц F-статимтик ашиглаж байгаа үед хэрэглэдэг. Гэвч
цаана нь ганц статистик биш, статистикийн бүхэл бүтэн дараалал байгаа учир (хэрэв
үнэхээр F-тархалттай харьцуулах юм бол бид үнэнд хамгийн өндөр статистикийг нь
сонгож байгаагаараа H A - ийн талд зогсож байна. Үүний үр дүн үндсэндээ нэрлэсэн ач
холбогдлын түвшинд хэрэглэгдэхээ болих буюу гарч ирсэн p-утга нь худал гэсэн үг.
Үүнийг харуулахын тулд бидний түүвэрт ямар ч бүтцийн хугарал гараагүй байхад
дээрх шалгуурыг 5% -ийн нэрлэсэн ач холбогдлын түвшинд хэрэглэсэн гэж үзнэ.
Цаашилбал T i=T 1 , T 1 +1 , … ,T 2 -ын хувьд 50 ширхэг F ( T i )- ийг тооцсон гэе . Хэдийгээр
тодорхой нэг T i- ын хувьд Η 0 - ыг няцаах магадлал 5% ч гэсэн үүнийг 50 удаа давтах
бүрдээ F-тархалтыг ашиглавал дор хаяж нэг нь Η 0- ыг няцаах нь бараг тодорхой. Тэгэхээр
F max статистикийн хувьд хэрэглэгдэж буй жинхэнэ ач холбогд лын түвшин нь 5% -иас
өндөр болчихсон байна. Энэ тохиолдолд хамгийн өндөр F-статистикийг ашиглавал
жинхэнэ ач холбогдлын түвшин 100% -д дөхөж очих болно. Энэ нь F max- статистикийн
хувьд тусгай тархалт ашиглах ёстой гэдгийг харуулж байна. Хугарлын огноо нь мэдэгдэж
байх үеийнхтэй нэгэн адил, хэрэв хугарал байхгүй гэсэн тэг таамаглал няцаагдвал
t=T B , T B +1 ,… , T гэсэн түүврийн хувьд л үнэлэгдсэн загварыг T B огнооны дараах үеийн
шинжилгээнд ашиглах ёстой. Харин хэрэв тэг таамаглал няцаагдахгүй байвал t = 1,...,Т
гэсэн нийт түүврийн хувьд үнэлэгдсэн загварыг шинжилгээндээ ашиглаж болно.
9.6.3 Хувьсалт хугарах нь
Өндөр хөгжилтэй улсуудын макро эдийн засгийн үзүүлэлтүүдийн хувьд хийгдсэн маш
олон судалгааны ажлууд хувьсалтад бүтцийн өөрчлөлт гарсан байна гэсэн дүгнэлтэд хүрч
байгаа бөгөөд харин ямар шалтгааны улмаас эдгээр нь ийнхүү хугарав гэдэг дээр үзэл
бодол хараахан нэгдээгүй байна. Энэхүү хэлэлцүүлгээ хялбаршуулах үүднээс (9.21)-р
загварын огтлогч болон AR коеффициентүүд нь цаг хугацаагаар өөрчлөгддөггүй гэе.
Тэгвэл эдгээрийг t = 1,...,Т дахь үзэгдлүүдийг ашиглан үнэлж болох бөгөөд түүн дээрээ
тулгуурлан үлдэгдлүүдийг нь авъя:
93
 ^ ϕ^1 Y t−1−…−ϕ^1 Y t −p , t=1 , … ,T .
e t =Y t− δ−

Хувьсалттад хугарал гарсан эсэхийг шалгах хамгийн энгийн бөгөөд эхэн үеийн нэг шийдэл
нь өдөөгчийн хувьсалтын e 2t гэсэн хэмжүүрийн хувьд өмнөх хэсэгт дурдагдсан бүтцийн
хугарлын шалгуурыг хэрэглэх арга юм. ARCH нөлөө байхгүй байгаа үед дараах энгийн
регрессийг авч үзье.

e 2t =k + U t , t=1, … , T (9.27)

Вариац түүврийн туршид өөрчлөгддөггүй үед k^ гэсэн үнэлгээтэй утга нь σ 2-ын үнэлгээ
болно. Харин бүтцийн хугарал байх юм бол,

e 2t =k 0+ U t , t<T B

e 2t =k 1+U t ,t ≥T B

Тэгэхээр бидний сонирхох таамаглалууд нь энэ тохиолдолд

H 0 ∶k 0=k 1

H A ∶ k0 ≠ k1

Дээрх хугарлын огноо нь мэдэгдэж байгаа болон мэдэгдэхгүй байх үеийн шалгуу руудыг
(9.27)-р загварын хүрээнд, тухайлбал σ 2дэх өөрчлөлтийг шалгахдаа шууд бус, харин k
гэсэн ганцхан параметрт T B гэсэн үед өөрчлөгдсөн байна уу үгүй юу гэдгийг шалгах
замаар ашиглах нь асимптотикийн хувьд хүчинтэй.
Практикт бараг үргэлж хугарлын огноог үл мэдэгдэгч гэж үздэг бөгөөд боломжит
хугарлын огноог түүврийн төвийн (1-2λ ×100)хэсэгт байх боломжтой гэж үзээд хайн
тогтоох замаар шалгуурыг хэрэгжүүлдэг. Хувьсалтад хугарал гарсан эсэхийг шалгадаг
сүүлийн үеийн шалгуурыг Ky, Перрон нар (Qu and Perron, 2007) боловсруулсан бөгөөд
хамгийн их үнэний хувийн арга дээр тулгуурладаг.
9.6.4 Олон хугарлын шалгуур
Өмнөх хэсгүүдэд зөвхөн ганц хугарлын тухай яригдлаа. Загварын параметрүүдэд гэтэл
олон удаагийн бүтцийн өөрчлөлт гарч, хугарч болно. Бай, Перрон нар ( Bai and Perron,
1998, 2003) хугарлын цэгүүдийн тоо нь хэд хэд байж болох үед тийм эсэхийг нь шалган
тогтоох, үнэлэх аргачлалыг боловсруулсан. Т үзэгдэл, m боломжит хугарал (тэгэхээр m+1
дэглэмтэй) олон хувсагчийн pегрессийн загварыг авч үзье. j-р дэглэмд T j +1 ,T j +2 , … , T j+1
үзэгдлүүд харгалзах бөгөөд регрессийн загвар маань дараах байдалтай байна :
T j= x́ t β + ź t δ j +ε t (9.28)

энд дэглэмүүд нь j=1, ... , m+1. Тэгэхээр регрессдэгчид нь хоёр хуваагдаж байна.
Заримынх нь параметрүүд дэглэмүүдээр өөрчлөгддөггүй, нөгөө хэсгийнх нь өөрчлөгддөг
гэж. Олон хугарлын шалгуурыг глобаль максимумчлалын шалгуур дарааллан тодорхойлох
шалгуур болон эрлийз гэж гурав ангилдаг бөгөөд EVIEWS-т бүгд бий.
Глобаль максимумчлал

94
Бай, Перрон нар (9.28)-р тэгшитгэлийн квадрат үлдэглүүдийн нийлбэрийг хамгийн бага
байлгахаар хугарлуудыг нь олох глобаль оновчлолын процедурыг анх танилцуулсан
байдаг. Тухайлбал Tm=(Ti,...,Tm) гэсэн m ширхэг хугарлын олонлогийн хувьд бид дараах
квадрат үлдэгдлүүдийн нийлбэрийг минимумчлана:
m +1 Tj 2

S ( βδ|T )=∑
{∑
j=1 t =T j−1+1
Y t − x́ t β+ ź t δ j
}
Хугарлын глобаль оновчлолын шийдэл нь бүхий л боломжит хугарлын огнооны
олонлогоос квадрат үлдэгдлүүдийн нийлбэрийн хамгийн бага байлгадаг тэрхүү хугарлууд
болно. Эдгээр глобаль хугарлын үнэлгээ нь хэд хэдэн шалгуурын суурь нь болдог. EViews
ι хугарлыг хугарал байхгүй гэсэн таамаглалын эсрэг шалгадаг Бай, Перрон нарын (мөн үүн
дээр тулгуурладаг давхар максимумын шалгуур процедур буюу ямар ч хугарал байхгүй
гэсэн тэг таамаглалыг дээд хязгаартаа M maxхугарал байна гэсэн таамаглалын эсрэг
шалгадаг шалгуур), болон Яo (Yao, 1988) болон Лиу, By, Зидек нарын (Liu, Wi, and Zidеk,
1997) мэдээллийн шалгуур ашиглан хугарлын тоог тогтоох боломжийг олгодог.
9.6.5 Голчийн тэгшитгэл, хувьсалт хоёр хоёул хугарах нь
Голчийн тэгшитгэл, хувьсалт хоёр хоёулаа хугарч болно . Хугарсан огноо болон тоо нь
ижил бус байж болно. Жишээ нь дараах загварыг авч үзье:
p
Y t =δ k + ∑ ϕ k 1 , i+U t ,
1
(9.30)
i=1

t=T k −1+1 , … , T k , k 1=1 , … , m 1+1

1 1

var ( U t ) =σ 2k , 2
(9.31)

t=T k −1+1 , … , T k , k 2=1 , … , m 2+1

2 2
энд j=1,2. Тэгэхээр голчийн тэгшитгэл буюу (9.30)-р
тэгшитгэлд нийт m 1 , харин хувьсалт буюу (9.31)-д m 2 хугарал байна. Энд хугарлын тоо
болон огноо нь ондоо үед хэрхэн тэднийг таних вэ гэдэг асуудлыг Эрдэнэбат, Осборн,
Сенсиер ба Дайк (Bataa, Osborn, Sensier and Dijk 2014) нар судалсан байдаг. Тэд эхлээд
(9.30)-д хугарал байгаа эсэхийг, хугарал байгаа бол хэзээ, хэдэн удаа гарсныг нь Ку ба
Перроны (Qu and Perron, 2007) хетероскедастад тэсвэртэй хувилбарыг ашиглан тогтооно.
Дараа нь тэдгээр дээр тулгуурласан үлдэгдлийг нь ашиглан (9.31)-д хугарал байгаа эсэхийг
тогтооно. Хугарал гарсан байх юм бол тэдгээр дээр тулгуурлан (9.30)-р тэгшитгэлийг
Ерөнхий хамгийн бага квадратын аргын дагуу хувиргана. Өөрөөр хэлбэл алдааны хэсгийг
хомоскедаст болгоно. Тэгээд хомоскедаст алдаатай (9.30)-р тэгшитгэлд хугарал байгаа
эсэхийг дахин шалгана. Хугарлын цэгүүд дээрээ тулгуурлан болон хувиргаагүй өгөгдлийг
ашиглан гарган авсан үлдэгдэл дээрээ тулгуурлан (9.31)-д хугарал байгаа эсэхийг дахин
шалгана. Дахин Ерөнхий хамгийн бага квадратын хувиргалт хийх гэх мэтчилэн энэ
процедурыг маш олон удаа давтан гүйцэтгэнэ. Хэзээ (9.30) болон (9.31)-д гарсан
хугарлуудын огноо өөрчлөгдөхөө больсон үед бид нийлэмжид хүрлээ гэж дүгнэн
процедурыг зогсооно.
9.7 Алгуур бүтцийн өөрчлөлт
Түүврийг дэд хэсгүүдэд хуваахад тулгуурладаг дээрх бүтцийн хугарлын
шалгуурууд нь параметрт гарах өөрчлөлт нь t=T B гэсэн үед огцом явагддаг гэсэн нөхцөл

95
дээр тулгуурлаж байна. Гэвч зарим тохиолдолд тэдгээр параметрүүд алгуур хувьсан
өөрчлөгддөг байх нь илүү үнэмшилтэй байж болно. Энэхүү боломжийг судлан үзэхдээ
алгуур шилжилтийн загварчлалыг сүүлийн үед ашиглаж байна.
9.7.1 Хугацаанаас хамаарсан алгуур шилжилт
Алгуур шилжих дараах загварыг авч үзье
Y t =δ 0+ ϕ01 Y t −1+ ⋯+ ϕ0 p Y t− p + F( t) ( δ 2 +ϕ 21 Y t−1 +⋯ +ϕ2 p Y t− p ) + ε t (9.32)

Энд ε t iid ( 0 , σ 2 ) нь STAR загварынхтай адил, гэхдээ шилжилтийн функц F(t) нь одоо цаг
хугацаагаас хамаарсан логистик функц,
1
F ( t )= , γ >0 (9.33)
1+ exp [ −γ ( t−c ) ]

F(t) нь тасралтгүй функц учраас (9.32)-р тэгшитгэл нь коеффициентүүд цаг хугацаагаар

алгуур өөрчлөх боломжийг олгож байна. Хугарал болж байгаа үеийн төв цэг нь t=c, харин
энэхүү хугарлын хурд нь налалтын параметр γ -аас хамаарна. Огцом бүтцийн хугарлын
үетэй нэгэн адил (9.32)-р тэгшитгэл дэх өдөөгчийн вариац цаг хугацаагаар тогтмол үргэлж
σ 2-тай тэнцүү байна гэж үзээд зөвхөн коеффициентүүд дэх хугарлыг авч үзье. (9.32)-р
тэгшитгэлийн агуулгыг өөрчлөхгүйгээр дараах байдалтай хувирган бичие:

Y t =[ 1−F (t) ] { δ 0 + ϕ01 Y t −1+ ⋯+ϕ 0 p Y t − p } + F(t) ( δ 1 +ϕ11 Y t −1+ ⋯+ ϕ1 p Y t − p ) +ε t

Тэгэхээр Y t =δ 0+ ϕ01 Y t −1+ ⋯+ ϕ0 p Y t− p +ε t F(t)=0 үед Y t =δ 1+ ϕ11 Y t−1 +⋯ +ϕ1 p Y t− p +ε t F ( t ) =1

үед энэ нь огцом хугарлын үе буюу (9.22)-р тэгшитгэлээр өгөгдсөн загвартай адил байна.
Харин огцом хугарлын үеийнхээс ялгаатай нь алгуур шилжилтийн загвар o < F(t)¿1
үед завсрын бүс үүсгэх боломжтой болдог. Үнэхээр ч t=c үед F(c)=0.5 байх учир
өөрчлөлтийн зөвхөн хагас нь явагдаж дууссан байна гэсэн үг юм. γ →∞ үед логистик
STAR загвар босгот загвар болж хувирдагтай нэгэн адил (9.32)-р тэгшитгэлээр өгөгдсөн
алгуур шилжилттэй бүтцийн өөрчлөлтийн загвар маань γ →∞ үед хугарал нь c = Тв огноод
болдог бүтцийн хугарлын загвар болж хувирна. Энэ утгаараа алгуур бүтцийн өөрчлөлтийн
загвар нь огцом бүтцийн өөрчлөлтийн загварыг өөрийн нэг тусгай тохиолдол хэлбэрээр
агуулж байдаг. (9.32)-р тэгшитгэл дэх алгуур шилжилтийн загвар нь шугаман бус загвар
учир STAR загварыг хэрхэн үнэлж байсан тэр аргаар үнэлэгдэх болно. Тодорхой
коеффициентүүдийн талаарх таамаглалыг асимптот нормал тархалт ашиглан
ердийнхөөрөө шалгаж болдог.
9.7.2 хугацаанаас хамаарах алгуур өөрчлөлтийг шалгах нь
Алгуур бүтцийн өөрчлөлт байгаа эсэхийг (9.33)-р тэгшитгэлээр өгөгдсөн, хугацаанаас
хамаарсан логистик функцийг Тейлорын цуваа болгон задлаад шалгадаг. Жишээ нь
хоёрдугаар эрэмбийн задаргаа хийж түүнийгээ (9.32)-руу орлуулбал дараах шалгуур
регресс гарч ирнэ:
p p p
Y t =δ + ∑ ϕ0 i Y t−i + λ 0 t+ λ1 t 2 + ∑ β 1 i Y t −i+ ∑ β2 i t 2 Y t−i + ε ¿t (9.34)
i=1 i=1 i=1

Энэхүү регрессийг ашиглан бүтцийн өөрчлөлт болоогүй гэсэн тэг таамаглалыг шалгаж
дараах таамаглалуудыг ашиглаж болно:
96
H 0 : λ0= λ1=β 1 i=β 2 i=0(i=1 , … , p)

H A :дор хаяж нэг λ 0 , λ1 , эсвэл β 1i , β 2i (i=1 , … , p) нь тэгээс ялгаатай.

9.8 Зарим Өргөтгөл

Дээр тайлбарлагдсан янз бүрийн өргөтгөл болон хувилбарууд бий. Тэдгээрээс зөвхөн
заримыг дурьдвал:

 Загварт хоёрдох шилжилтийн функц (энэ нь цаг хугацаанаас хамаарсан функц байж
болно) оруулах замаар хоёроос илүү дэглэмтэй STAR арга зүйг Их Британы тоон
мэдээллүүд дээр ашигласан жишээг Окал ба Осборн (Ocal and Osborn, 2000)- оос
үзээрэй.
 Дэглэм цаг хугацаа төдийгүй бас бизнесийн мөчлөгөөс хамаардаг загварыг y t −d
болон t-ээс хамаарсан F 1( y t−d ) болон F 2(t) гэсэн шилжилтийн функц орлуулан
үүсгэж болно. Энэ талаар Лундберт, Терасвирта, Дайк нар (Lundberg, Terasvirta, and
van Dijk, 2003)-ыг үз.
 STAR шилжилтийн функцэд нэгээс илүү хоцроосон y орж болох бөгөөд ингэвэл
(9.12)-р тэгшитгэлээр өгөгдсөн логистик шилжилтийн функц нь дараах хэлбэртэй
болно:
1
F( y t −d , y t −e)= , γ 1 , γ 2> 0.
1+ exp ⁡[−γ 1 y t−d −γ 2 y t −e +c ]'

Үүний адилаар, STAR загварын хувьд босго нь хоёр болон түүнээс илүү хоцроосон
утгуудын холимогоос (жишээ нь тэдгээрийн зөрүүний дундаж утгаас) хамааран
тодорхойлогдож болно.

 Загварт нэмэлт тайлбарлагч хувьсагчдыг регрессдэгч болгон оруулж болно.

Тэгэхээр жишээ нь (9.10)-р тэгшитгэлд x t тайлбарлагч хувьсан нэмэн орлуулбал:
y t =δ 0+ β0 x t + ∅01 y t −1+...+ ∅ 0 p y t −p + F ( y t−d )( δ 2 + β 2 x t + ∅ 21 y t−1 +...+∅ 2 p y t − p ) +ε t

Мэдээж дэглэмүүд y t −d−¿ ээс бус x t−d -ээс хамаарч болно, эсвэл y t −d-ээс бус t-ээс хамаарч
болно. Мөн шилжилт алгуур бус огцом явагдаж болно.

 Шугаман бус вектор загвар буюу түүнд багтсан хувьсагчдын бүгдийнх нь хувьд
нэгдсэн шилжилтийн функцтэй VAR загвар байж болно. АНУ-ын мөнгөний
бодлогын хувь дахь ийм STAR загварыг Вейс (Weise, 1999)-өөс үз.
Босготой коинтеграц загвар ёсоор коинтеграц шинж чанар босготой загварын зөвхөн
тодорхой нэг дэглэмийн хувьд л үүснэ. Жишээ нь, Балке ба Фомби (Balke and Fomby,
1997)-ыг үз.
9.9 Урьдчилсан таамаглал
Шугаман бус загварыг урьдчилсан таамглалд ашиглахад үүсдэг хүндрэлүүдийг дурдахгүй
байхын аргагүй.
Эхлээд STAR загвар ашиглан хэрхэн урьдчилсан таамаглал хийдэгтэй танилцъя.
Хэдийгээр бид энд нарийвчлан үзэхгүй ч STAR загвараас урьдчилсан таамаглал хийхэд яг
адил арга ашиглагдах бөгөөд үүсэх асуудал нь ч мөн төстэй байна.

97
Эхлээд (9.10)-р тэгшитгэлээр өгөгдсөн загварын параметрүүд нь мэдэгдэж байгаа гэсэн
(хийсвэр) нөхцөл тавьчихвал STAR загвараас нэг алхамт урьдчилсан таамаглал хийхэд тун
хялбар. t үе хүртэлх бүх мэдээллийг ашиглаж байгаад t+1 үеийн талаарх урьдчилсан
таамаглал хийхэд дутагдаж байгаа цорын ганц үл мэдэгдэгч нь ε t+1 бөгөөд тэр нь цагаан
шуугиа учир:
ŷ t +1=E [ y t +1 ǀ y t , y t−1 , … ]

¿ δ 0+ ∅ 01 y t +…+∅ 0 p y t+ 1−p +

+F¿)(δ 2+ ∅ 21 y t +…+∅ 2 p y t+1− p) (9.35)

Үүнийг (9.11)-р тэгшитгэлийн хэлбэрт хувирган бичвэл

ŷ t +1 ǀt=[ 1−F ( y t +1−d ) ] {δ 0 + ∅01 y t+…+∅ op y t+ 1−p }+

+ F ( y t+1−d ) {δ 1+ ∅11 y t +…+∅ 1 p y t+1− p } (9.36)

E [ ε t +1 ] =0 учир энэ нь гажилтгүй урьдчилсан таамаглал хийгдэж байна гэсэн үг бөгөөд E[

ŷ t +1 ǀt]=E[ y t +1]. Марков шилжилтийн загвартай нэгэн адил уг урьдчилсан таамаглал нь F(
y t +1−d )=0 болон F( y t +1−d )=1 гэсэн хоёр дэглэмээс тус бүрд нь гарч ирэх урьдчилсан
таамаглалуудыг жигнэсэн гэж тайлбарлаж болно. (9.36)-р тэгшитгэлээс энд яригдаж буй
жигэлтүүдийг нь дэглэм 0 болон 1-ийн хувьд тус бүрдээ [1-F( y t −d+1 )] болон F( y t −d+1 )-аар
өгөгдсөн байгааг нь харж болно.
Марков шилжилтийн загвартай харьцуулахад (9,35); (9.36)-р өгөгдсөн урьдчилсан
таамаглалууд нь ийм хялбар байгаагийн шалтгаан нь энд t үе ямар “дэглэм”-д байх вэ гэдэг
нь d≥ 1 үед F( y t +1−d ) гэсэн детерминист функцээр тодорхойлогдсон байгаатай холбоотой.

Урьдчилсан таамаглалд хийж буй хугацаа болох h нь хоцролт d-ээс ихгүй л бол
урьдчилсан таамаглал дээрхийн адил хялбар байсаар байх болно. Жишээ нь тэрхүү хугацаа
нь h=2 байгаа үед t үед хийгдсэн урьдчилсан таамаглал нь дараах байдлаар тооцоологдох
бөгөөд

ŷ t +1 ǀt=[ 1−F ( y t +2−d ) ] {δ 0 + ∅01 y t +1ǀt +…+∅ op y t+ 2−p }+

+ F ( y t+2−d ) {δ 1+ ∅11 y t +1 ǀt +…+∅ 1 p y t+2− p } (9.37)

Энд d≥ 2 байх ёстой. Тэгэхээр уламжлалт шугаман AR процессынхтой нэгэн адил ойрын
ирээдүйд гарах үл мэдэгдэх утгуудыг ашиглан, дараалуулан оруулах замаар илүү алсад
хийгдэх урьдчилсан таамаглалыг гарган авна. Шугаман байдал болон урьдчилсан
таамаглал гажилтгүйн улмаас ŷ t +1 ǀt, гажилтгүй байдал уламжлагдах бөгөөд E[ ŷ t +2 ǀt]=E[ y t +2].

Урьдчилсан таамаглах хугацаа h нь d-ээс даван гарсан үед дэглэм мэдэгдэхээ болих
бөгөөд таамаглахад илүү төвөгтэй болж ирнэ. Асуудлыг илүү хялбар болгох үүднээс d=1
бөгөөд бид y t +2-ыг урьдчилсан таамаглах гэж байгаа гэе. Энэ зорилгод 2 процедур
ашиглаж болно.

98
1. (9.37)-р тэгшитгэлд буй шилжилтийн функц дотор байгаа үл мэдэгдэх y t +1-ийг түүний
нэг алхамт урьдчилсан таамаглалын утгаар орлуул, өөрөөр хэлбэл F( y t +1)-ийн оронд F( ŷ t +1 ǀt
)-ийг хэрэглэнэ.

2. Урьдчилсан таамаглалын ỹ t +1 гэсэн цувааг санамсаргүйгээр үүсгэсэн (буюу

симуляцлагдсан) өдөөгч ε t+1 -ийг (9.35)-р тэгшитгэлд нэмэх замаар үүсгэнэ, ингэвэл:

ỹ t +1= [ 1−F ( y t ) ] {δ 0 +∅ 01 y t +…+∅ 0 p y t+ 1−p }+ ¿

F ( y t ) {δ 1+ ∅11 y t +…+∅ 1 p y t+1− p)}+ε t+1

Магадгүй 1000 ширхэг тийм урьдчилсан таамаглалуудыг ε t NID(0 , σ 2) болон үнэлэгдсэн

загварын өдөөгчийн вариац σ 2 ашиглан үүгэе. Эдгээр нь бидэнд урьдчилсан таамагласан
утга ỹ t +1 тархалтыг өгнө. Эдгээр нэг алхамт урьдчилсан таамаглал бүрийн хувьд харгалзах
хоёр алхамт урьдчилсан таамаглалыг нь дараах байдлаар хийхэд:

ỹ t +2= [ 1−F ( ỹ t +1) ] {δ 0+ ∅ 01 y t +1+∅ 02 y t +¿…+∅ 0 p y t+ 2−p }+¿

F ( ỹ t +1) {δ 1 + ∅11 y t +1+∅ 12 y t …+∅ 1 p y t+2− p)}+ε t+2

хийх бөгөөд энэ нь хоёр алхамт урьдчилсан таамаглал ỹ t +2-ын тархалтыг өгнө. t+2 үе дэх
ŷ t +2 ǀt гэж тэмдэглэгддэг цэгэн урьдчилсан таамаглал эдгээрийн голч утга гэсэн үг.

1-р аргын давуу тал нь түүний тун энгийн байдал юм. Гэвч процессын параметрүүд нь
мэдэгдэж байгаа үед хүртэл уг арга гажилттайгаар урьдчилсан таамагладаг нь түүний сул
тал юм. Учир нь энд нэг алхамт урьдчилсан таамаглал болох ŷ t +1 ǀt-ууд нь (9.37)-р
тэгшитгэлд шугаман бусаар орж байгаатай холбоотой.

Жишээ нь, хэдийгээр ŷ t +1 ǀt=E[ y t +1 ǀ y t , y t −1 , … ¿ боловч F( y t +1) нь шугаман бус гэдгээс E[F(
y t +1)]≠ F{E[ y t +1]} болж байгаа учир ŷ t +1 ǀt-ыг ашигласан үеп шилжилтийн функцын
гажилтын таамаглал үүсч чадахгүй байна. Харин 2-р арга гажилтгүй хоёр алхмын дараах
урьдчилсан таамаглал өгнө. мэдээж уг аргыг хоёроос илүү алхмын дараах таамаглалын
хувьд өргөтгөж болно.
Практикт урьдчилсан таамаглахдаа дээр үзсэн шиг параметрүүдийн жинхэнэ утгын оронд
үнэлэгдсэн утгуудыг нь хэрэглэдэг.

99
Бүлэг 10
Марковоор солигдох загвар
10.1 Удиртгал
Босгостой загварууд нь дэглэм солигдох загваруудын нэг томоохон төлөөлөгч юм. Санхүү
эдийн засгийн ухаанд өргөн хэрэглэгддэг дэглэм солигдох загваруудын хоёрдох томоохон
хэлбэр бол Марков солигдох (Markov Switching буюу MS гэж товчилдог)загвар.
MS загваруудын гол онцлог нь суурь дэглэмүүд цаг хугацаагаар хэрхэн өөрчлөгдөх вэ
гэдгийг удирдах магадлалын нөхцөл юм. Жишээ нь t үед эдийн засаг бизнесийн
мөчлөгийнхөө тэлэлтийн үе байсан гэж үзье. Тэгвэл MS загвар нь дараагийн үед эдийн
засгийн нөхцөл байдал хямрал болон солигдох тодорхой магадлал байна гэж үзнэ. Үүнтэй
адилаар хэрэв эдийн засаг t үед хямрал байгаа бол t + 1үед элийн засгийн нөхцөл байдал
тэлэлт болон хувирах тодорхой магадлал байна гэж үзнэ.
Энэ эдийн засгийн шинжлэх ухаанд Марков солигдох хугацаан цуваан загварыг хэрэглэсэн
эхний, хамгийн чухал ажил нь Хамилтоны бүтээл юм (Hamilton8 1989). Уг ажил
статистикийн энэхүү аргачлал, техникийг эдийн засагчдын анхаарлын төвд гарган ирсэн
болохоор MS загварыг эдийн засагчид “Хамилтон загвар” гэх нь бий.
Бидний өмнөх бүлэгт үзсэн босготой загваруудын нэгэн адил бид зөвхөн хоёр дэглэм л
байна гэж үзэх бөгөөд t үед байж болох боломжит дэглэмүүдийг (эсвэл төлөвүүд)
st =2болон st =1 гэж тэмдэглэе. Бизнесийн мөчлөгийн шинжилгээнд эдгээр нь хямрал
болон тэлэлт, эсвэл магадгүй өндөр болон нам өсөлтийг илэрхийлж болно.
10.2 Шилжилтийн магадлалууд
Дээр дурдсанчлан Марков солигдох загварууд нь t - 1 болон t гэсэн хоёр цаг хугацааны үе
байлаа гэхэд тэдгээрийн хооронд дэглэмүүд бие биеэсээ хэрхэн хамаарч буй хамаарлын
магадлалын функц хэлбэрээр илэрхийлдэг. Нэгдүгээр эрэмбийн Марков процессын хувьд
эдгээр шилжилтийн магадлалуудыг дараах хэлбэрт бичиж болно.

Pr ¿ ¿
Pr ¿ ¿
Pr ¿ ¿
Pr ¿ ¿

(10.1)
Тэгэхээр 1-р дэглэм (жишээ нь тэлэлт) нэг орвол дараагийн хугацааны үед түүндээ үлдэх
магадлал нь p, мөн 2-р дэглэмийн хувьд үүсэх адил магадлал нь q байх нь. Эдгээр
магадлалуудыг дараах матрицын хэлбэртэй бичдэг

100
P= [ 1−qp 1−q
q ]
Энэхүү матрицын мөрүүд нь t хугацаан дахь 1 болон 2 төлөвийг, харин баганууд нь
t−1үе дэх төлөвүүдийг магадлалын үүднээс тайлбарлаж буй учир шилжилтийн матриц
гэж нэрлэдэг.
Шилжилтийн магадлалууд нь энд цаг хугацаагаар тогтмол байна. Тэгэхээр жишээ нь
өнөөдөр тэлэлтээс дараа үед хямрал шилжих (буюу бизнесийн мөчлөг оргилд хүрэх)
магадлал нь тэлэлт хэр удаан үргэжлээд байгаагаасаа огт хамаарахгүй байх нь. Үнэхээр ч
(10.1)-р тэгшитгэлээр өгөгдсөн нэгдүгээр эрэмбийн Марков процесс ёсоор s t дэглэмийн
магадлал зөвхөн st -1 –ээс хамаарах буюу
Pr [ st = j|s t−1=i , s t−2=k ,… , y t −1 , y t−2 , … ]=Pr [s ¿ ¿ t= j∨s t−1=i]¿байна. Өндөр эрэмбийн ийм
процесс уг магадлал i>1-ийн хувьд st-i –ээс хамаарах боломж олгоно. Гэвч тийм өндөр
эрэмбийн процессыг эдийн засаг болон санхүүгийн судалгаанд одоогоор маш ховор
ашигладаг учир бид зөвхөн нэгдүгээр эрэмбийн Марков процессуудын талаар цаашид авч
үзнэ.
Мэдээж дэглэмүүдийг 1 болон 2 гэж нэрлэлгүй өөрөөр, жишээ нь А болн В дэглэм гэж
нэрлэж болно. Шилжилтийн магадлалуудыг p болон q гэж тэмдэглэхийн оронд мөн t-1
болон t үеүүд дэх дэглэмүүдийг доод индексээр тэмдэглэх нь элбэг. (10.1)-р тэгшилгэлд
энэхүү хоёр өөрчлөлтийг оруулан дараах байдалтай хувирган бичиж болно.
Pr ¿ ¿
Pr ¿ ¿
Pr ¿ ¿
Pr ¿ ¿ (10.3)

(10.1)-р тэгшитгэлд ашигласан тэмдэглэгээ нь тэгэхдээ хоёр дэглэмтэй байгаа үед хамгийн
түгээмэл. Харин (10.3)-р тэгшитгэлд ашигласан тэмдэглэгээ нь хоёроос олон дэглэмтэй
ерөнхий тохиолдолд илүү түлхүү ашиглагддаг.
10.3 Дэглэм нь солигдох AR процесс

Хэдийгээр бид st гэсэн төлөвийн хувьсагчаар бүлгээ эхэлж байгаа ч практикийн үүднэс энэ
нь ажиглагддаггүй хувьсагч юм. Бизнесийн мөчлөгийнхөө жишээ рүү эргэн очвол эдийн
засгийн сурвалжлагчид хэдий эдийн засаг хямралд орсон байна эсвэл тэлж байна гэж их
ярьдаг ч яг ямар байгаа нь ажиглагддаггүй. Харин ямар дэглэмд байгааг нь ажиглагдаж
буй эдийн засгийн хувьсагчдыг (бодит ДНБ, жижиглжэнгийн борлуулалт, ажилгүйдлийн
түвшин гэх мэт) ашиглан гарган авдаг. Тэгэхээр хэрэв үнэхээр л хоёр төрлийн суурь
дэглэм байна гэж үнлэж байгаа юм бол ажиглагдаж буй холбогдох хувьсагчид тэдгээр
дэглэмүүдэд өөр өөр шинж чанаруудтай байх ёстой болно.

101
10.3.1 Дэглэмээр солигдох голч

y t гэсэн ажиглагдаж буй хугацаан цуваан хувьсагчийн ямар нэгэн статистик шинж чанар
нь днглнмннс хамааран өөрчлөгдөж болно.

E[ y t|st =1 ] =μ 1

E[ y t|st =2 ]=μ 2

буюу илүү товчхоннор,

E[ y t|st ]=μ st

Хамгийн энгийн MS загвар тэгэхээр

y t =μst + ε t

10.3.2 Дэглэмээр солигдо х коеффициентүүд

Арай илүү ерөнхий тохиолдолд yt нь авторегресс процесстой байж болно.Тайлбараа алв
болох хялбар байлгах зорилгоор зөвхөн AR(1) процессыг авч үзье. Гэхдээ энд 2 боломж
байна. Нэг нь

μ э−μ s =∅ ( y t −1−μs ) +ε t
t t−1

Харин нөгөөх нь
y t =δ s +∅ μ s + ε t
t t−1

Энэ хоёр тэгшитгэл дэглэм солигдох үеийнхээс бусад үед яг адилхан.Үнэхээр ийм байна
гэдгийг харахын тулд (10.5)-р тэгтшитгэлийг дараах байдлаар хувирган бичиж болдог.
y t =∅ y t−1+ ( μs −∅ u s ) +ε t
t t−1

Хэрэв μs нь дэглэмээс хамааран өөрчлөгддөг бол st =s t −1 =1байна уу эсвэл st =1 , st −1=2

t

гэдгээё хамааран μs −∅ μ s гэсэн огтлогч нь өөр өөр утга агуулдаг.

t t−1

Цаашилбал нэгэнт огтлогч нь дэглэмээс хамааран солигддог болж байгаа юм чинь AR

параметр (үүд) болон өдөөгчийн вариац нь мөн дэглэмээс хамаардан өөрчлөгдөх
боломжтой.Тэгэхээр дараах загваруудыг авч үзье.
Y t =δ s +∅ s y t−1 +ε t
t t

Уг загвар ёсоор дараах 2 ялгаатай загвар тогтоно.

st =2 үед y t =δ 2+ ∅2 y t−1 + ε t, ε t ττd (0 ,σ 22)
st =1 үед y t =δ 1+ ∅2 y t−1 +ε t , ε t ττd (0 ,σ 21)
Энэхүү загварт тэмдгийн хязгаарлалт огт тавихгүйгээр дэглэмүүдийг ялгая гэвэл ердөө л
δ 1> δ 2 гэсэн нөхцөл тавих хангалттай.

102
10.4 Төлөвийн хувьсагчийн шинж чанарууд
10.4.1 Үргэлжлэх хугацаа
(10.1)-р тэгшитгэлд буй шилжилтийн магадлалуудыг ашиглан дэглэм бүрийн хүлээгдэж
буй хугацааг тодорхойлж болно.
Жишээ нь: St =1 гэсэн дэглэмийг авч үзве. Р өндөр байх тусам дараа үедээ 2-р дэглэмд
шилжих магадлал буурна.1-р дэглэмийн хүлээгдэж буй хугацаа нь дараах байдлаар
өгөгдөнө.
∞
E[үргэлжлэх хугацаа] =∑ i × Pr [ s +1¿¿ 1 ,…. , s
t t+i =1 , st+i+ 1=2] ¿
i=1

=11 × ( 1− p ) +2 × p ( 1− p ) +3 × p2 ( 1− p ) +. .

=( 1− p ) {1+2 p+3 p 2+ ...}

=(1− p)¿

+ p+ p2 +…

+ p2 +¿…¿

1 p p2
¿(1− p) { + +
1−p 1− p 1−p
+... }
1
¿ 1+ p+ p2 +...= ,
1− p
Үүнтэй адилаар 2-р дэглэмийн үргэлжлэх хугацааг нотолж болно.
10.4.2 Дэглэмийг VAR-аар илэрхийлэх нь:
Төлөвийг шинжлэхдээ ε t гэсэн төлөвийн вектор үүсгэдэг.2төлөвтэй буюу 2х1 хэмжээст үед
уг векторын i-р мөр нь хэрэв st =i ,i=1,2 бол гэсэн утга авдаг. Үгүй бол 0 гэсэн утга авна.

e t = ε 1 ,t = ε 1 ,t = 1−ε 2 ,t .
[ ][ε2,t 1−ε 1 ,t ε][ 2,t
]
Тэгэхээр ,
ε 0
t=
[1 ];
1 0 p
0 []
Хэрэв st −1=1 гэвэл E [ ε t −ε t−1 , ε t−2 ,… ]= Pr[ st =1 ]=1+ pr [ s =2] =st −1=1=
1 1−t [] [ ]
болох бөгөөд
t

энэ 2 тэгшитгэл нь Марков процессын эхний нөхцлөөё гарж ирж байна.

ε t= 1 ; хэрэв s t=1 бол

0 []
Дахиад Бейсийн теоремыг ашиглавал (10.15)-р тэгшитгэлийг ямар ч t-ын хувьд хүчинтэй
байхаар ерөнхийд нь дараах байдалтай бичиж болно.

103
Pr ⁡¿ (10.17)

Энд
2
Pr [ st =1|ψ t −1 ] =∑ Pr ⁡¿ ¿
j =1

2
¿ ∑ Pr [ s t=1, st −1 = j|ψ t −1 ]∗Pr ⁡¿ ¿ (10.18) ба
j=1

2
f ( y t ∨ψ t−1) ¿ ∑ f ( y t , s t= j|ψ t −1 ¿ ¿
j=1

2
¿ ∑ f i ( y t )∗Pr [ s t = j|ψ t−1 ¿
j=1

2 2
¿ ∑ f i ( y t ) ∑ Pr ⁡¿ ¿ (10.19)
j=1 j =1

t−1болон t хугацааны үе тус бүрд нь хоёр боломжит дэглэм байгаа учраас (10.19)-ээр
өгөгдсөн давхар нийлбэрт 4 бүрэлдэхүүн хэсэг байгааг анхаараарай.
st =1болон st =2-т харгалзах f s ( y t )-ийн pdf нь мэдэгдэж байгаа гэж үзвэл t=1 үе дэх
t

(10.15)-р тэгшитгэлээс эхлээд (10.17)-оос (10.19)-р тэгшитгэлүүдийг дараалуулан ашиглах

замаар t=1,2,3 , … , T үеүүдэд харгалзах Pr ⁡[s t =1∨ψ t ]гэсэн магадлалын дарааллыг гарган
авч болно. Эдгээрийг ихэвчлэн дэглэмийн шүүлтүүр (filter) магадлалууд гэдэг. Энд яг
ямар дэглэмд байгаа нь мэдэгдэж байгаа үе бол зөвхөн t=0үе болохыг анхаараарай. Бусад
талаараа ψ t гэсэн түүврийг л агуулах болно.

Энэхүү процедурыг өргөтгөн алгуурлуулсан (smoothed) магадлалууд буюу Pr [ st =1|ψ t ] T > t -

ыг гарган авч болно. Тэгэхэээр эдгээр алгуурлуулсан магадлалууд нь түүврийн өнгөрсөн
үеийн үзэгдлүүдийг нь ашиглан түүнээс өмнөх хугацааны үед ноёлж байсан дэглэмийн
талаарх нэмэлт мэдээлэл гарган авахыг оролддог гэсэн үг юм. Эдгээр алгуурлуулсан
магадлалууд нь түүхэн шинжилгээ хийхэд чухал бөгөөд тэр ч утгаараа Марков солигдох
загварын параметрүүдийг үнэлэхэд чухал үүрэг гүйцэтгэдэг. Тэдгээрийг мөн өнгөрсөн
бизнесийн мөчлөгийн дэглэмүүдийг “огноожуулахад” мөн ашигладаг, өөрөөр хэлбэл
түүхийн үүднээс эдийн засаг хэзээ хямарч байсан юм, хэзээ тэлж байсан юм гэдгийг
тодорхойлоход ашигладаг.

Бид энэхүү процедурыг s0=1гэсэн нөхцөл тавьж байгаад эхлүүлсэн. Үүнээс өөрөөр
эхлүүлэх боломж ч мөн бий. Жишээ нь Хамилтон (Hamilton, 1993) (10.13) –р тэгшитгэлээр
өгөгдсөн нөхцөлт бус магадлалыг t=0 үе дэх төлөвийг тодорхойлоход ашиглан дээрх
процессыг эхлүүлсэн байдаг.
10.5 Дэглэмийн талаарх дүгнэлт
10.5.1 Ажиглагдах хувьсагчийг урьдчилан таамаглах нь
(10.7)-р тэгшитгэлээр өгөгдсөн AR(1) процессоо дахин авч үзье. Хэрэв t + 1үе дэх
дэглэмээр зогсохгүй бүх параметрүүд нь мэдэгдэж байгаа үед y T+1-ын урьдчилан
таамагласан утгыг дараах байдлаар гарган авч болох нь мэдээж:
104
ŷ T +1∨T =δ 1 +ϕ 1 y T , s T +1=1бол

ŷ T +1∨T =δ 2 +ϕ 2 y T , s T +1=2 бол

Гэхдээ ирээдүйд ямар дэглэм ноелохыг мэднэ гэж үзэх нь тийм ч үнэмшилтэй бус. Дэглэм
нь мэдэгдэхгүй байгаа үед бид дараах тэгшитгэлийг ашигладаг.
ŷ T +1∨T =Pr [ s t +1=1|ψ T ]∗{ δ 1+ ϕ1 y T } + Pr [ sT +1=2|ψ T ]∗{δ 2 +ϕ 2 y T } (10.20)

Энд Pr [ st +1=1|ψ T ]гэсэн нэг алхамын дараах төлөвийн магадлалыг (10.18)-р тэгшитгэлээс
гарган авна. Өөрөөр хэлбэл бид T + 1үед ноёлж болох боломжит дэглэмүүдийн
магадлуудыг тооцон эдгээрийг нь урьдчилан таамаглалуудынх нь жин болгон ашиглана
гэсэн үг.
Илүү хялбаршуулсан жишээ авч үзье. Дээр бид T үеийн төлөв мэдэгдэж байх үед T + 1 үед
харгалзах төлөвийг хэрхэн урьдчилан таамаглал талаар үзсэн. T үе дэх төлөв мэдэгдэхгүй
байгаа ч бидэнд Pr ⁡[s T =1∨ψ T ]ба Pr [ sT =2|ψ T ]=1−Pr ⁡[ sT =1∨ψ T ]гэсэн шүүлтүүр
магадлалууд байгаа бол
Pr [ sT +h =1|ψ T ] =Pr [ s T +h=1|sT =1 ]∗Pr [ s T =1|ψ T ] + Pr [ sT +h=1|sT =2 ]∗[ s T =2|ψ T ] бөгөөд

Pr [ sT +h =2|ψ T ] =1−Pr [ sT +h=1 ¿ ψ T ] .

Yt-ын процесс нь ямар ч авторегресс агуулаагүй үед

y t =μ1 +ɛ t хэрэв st =1 бол

y t =μ2 +ɛ t хэрэв st =2 бол

Болох бөгөөд эдгээр ирээдүйн төлөвийн магадлалууд нь дараах урьдчилан таамаглалыг

бий болгоно:
ŷ T +h=μ1∗Pr [ sT +h=1|ψ T ] + μ 2∗Pr [ sT +h =2|ψ T ] .

Ажиглагдах хувьсагчийг h>1 бөгөөд yt нь AR(1) процессыг дагаж байгаа үед урьдчилан
таамаглах нь илүү төвөгтэй болж ирдэг бөгөөд үүний гол шалтгаан нь y T +i–ын урьдчилсан
таамаглал нь ŷ T +i−1 , i=2 , … ,-аас хамаардагтай холбоотой. Бид энэхүү бүлэгт энэ талаар
цааш үзэх боломжгүй бөгөөд Hamilton (1994)-өөс дэлгэрүүлэн уншихыг зөвлөе.
10.6 Үнэлгээ ба таамаглал шалгах нь
10.6.1 Марков солигдох загварыг үнэлэх нь
Хэрэв хугацааны үе бүр дэх дэглэм мэдэгдэж байсан бол параметрийн үнэлгээ нь тийм ч
хүндрэлтэй асуудал биш. Бид ердөө л түүврийн y t ( t=1, … , T ) дэх үзэгдэлүүдээ st =1-д
харгалзах нэг дэд түүвэрт мөн st =2-т харгалзуулсан өөр нэг дэд түүвэрт хуваачихна. Хэрэв
дэглэм тус бүр дэх загвар нь AR (1) процесс бол эхний түүврийг нь ашиглан ЕХБКА-аар
δ 2 , ϕ 2болон Ꝺ 21 –ыг харин удаах түүвэрт ЕХБКА ашиглавал δ 1, ϕ1 болон Ꝺ 21 –ын үнэлгээг
гарган авах болно. Цаашилбал дэглэмийн магадлалуудыг дараах байдлаар үнэлэх

105
 ( s ¿ ¿ t−1=1 , s t =1)
p¿ = ⧺ ¿
⧺(s t−1=1)

( s ¿ ¿ t−2=2, st =2)
q¿ = ⧺ ¿
⧺(s t−1=2)

бөгөөд энд ⧺(.) гэсэн тэмдэг нь хаалтан дахь үйл явдал хэдэн удаа болсоны тоо нь юм.
Эдгээр магадлалуудыг шилжилтийн магадлалуудын үнэлгээ болгон ашиглаж болох нь
тодорхой.

Практикт дэглэмүүд ажиглагдаггүй учир үнэлгээг шугаман бус хамгийн бага квадратын
арга ашиглан гүйцэтгэдэг. Марков солигдох загварын хувьд үнэлгээг дараах дарааллаар
хийнэ. (EM алгоритм гэдэг зүйлийг ашиглан):

1. Анхны “таасан утгууд” дээр тулгуурлан y t , t=1 , … ,T ,гэсэн үзэгдэл бүрийг st =1

болон st =2 гэсэн дэглэмүүдэд хуваарилна.
2. Энэхүү анхны хуваарилалтаа ашиглан δ i , ϕ i , Ꝺ 2i (i=1,2 )гэсэн параметрүүд болон дээр
дурдсанчлан p¿болон q ¿-г үнэлэн гарган авна.
3. 2-р (эсвэл 4-р) алхамаас үнэлэгдэн гарч буй параметрүүд болон f 1 ( y T )ба f 2 ( y T )–ын
хувьд тавигдсан Нормал тархалтуудыг ашиглан алгуурлуулсан магадлалууд болох
Pr¿ ¿, t =1,…,T,-ыг үнэлнэ.
4. 3-р алхамаас гарч ирэх алгуурлуулсан магадлалуудыг ашиглан үзэгдлүүдийг дахин
хоёр дэглэмд хуваана (магадлалыг хувьд). Өөрөөр хэлбэл УГ дахин хуваарилалтад
алгуурлуулсан дэглэмийн магадлалуудыг ашиглан үзэгдэл бүрийн хувьд хоёр алинд
нь хамаарах магадлал нь өндөр вэ гэдгийг тогтооход ашиглана. Үүний дараа
δ i , ϕ i , Ꝺ2i (i=1,2 ) p болон q -гэсэн параметрүүдийг дахин үнэлнэ.
¿ ¿

5. 3 болон 4-р алхамуудыг нийлтэл нь давтана, өөрөөр хэлбэл процессыг давтахад

параметрүүдийн үнэлгээ нь үндсэндээ өөрчлөгдөхөө больтол үргэлжлүүлнэ гэсэн
үг.
10.6.2 Таамаглал шалгах нь

Коеффициентүүдийн утгаас гадна бүх параметрийн хувьд стандарт алдаануудыг нь мөн

үнэлж болно. Эдгээр нь асимптот ойролцооллууд байх бөгөөд үнэлгээ нь “сайтар
төлөвшсөн” байх нөхцөлд тулгуурладаг, энэ нь үнэлэгдэж буй загварын тавил нь зөв, мөн
квадрат үлдэгдлүүдийн нтйлбэр нь глобал минимумдаа хүрсэн байна гэсэн нөхцөл юм.
Гэсэн хэдий ч Нормал тархалтад суурилсан эдгээр стандарт алдаанууд нь δ i, болон ϕ iгэсэн
хувь коеффициентүүдийн талаар асимптотын хувьд хүчинтэй шалгуур хэрэгжүүлэх
боломж олгодог.

Бодит байдал дээр зөвхөн нэг дэглэм байж байхад хоёр дэглэм байж байхад хоёр дэглэм
үнэлэх гээд оролдоод байх юм бол үнэлгээ (дор хаяж онолын хувьд) ажиллахгүй. Энэ
талаараа T AR загваруудын хувьд учирч байсан асуудлууд энд ч мөн гарч ирнэ. (Ꝺ 2i = Ꝺ 2i
=Ꝺ2) хэмээн вариацууд нь ижил байгаа үед тэрхүү AR(1) загвар нь дараах тэг таамаглалыг
өөртөө агуулж байна гэсэн үг юм.

H 0 :δ 1 =δ 2 , ϕ1=ϕ2

106
Дахин цохон тэмдэглэхэд энэхүү тэг таамаглалыг уламжлалт F болон χ 2 статистик ашиглан
шалгах боломжгүй. Гол шалтгаан нь T AR загвартай загварынхантай нэгэн адил тэг
таамаглал үнэн байх үед түүврийн үзэгдэлийг хоёр хэсэгт хуваах ямар ч үндэслэл байхгүй
бөгөөд тэрхүү хуваалтаас үүсэх хоёр дэглэмийн хувьд хоёр ялгаатай коеффициентүүдийн
олонлог үнэлэх статистик үндэслэл мөн байхгүй гэсэн үг. Үүнээс шалтгаалан үнэлгээний
процедур нь статистик үндэслэлгүй, параметрүүд нь тэг таамаглал үнэн үед танигдаагүй
гэсэн асуудал үүсдэг.

M S загваруудын хувьд энэхүү бэрхшээлийг тойрон гарах төрөл бүрийн аргууд санал
болгогдож байгаа ч одоог хүртэл эцсийн шийдэлд хүрээгүй байна. Хамгийн сүүлийн үеийн
судалгааны ажлуудаас энэхүү номонд оруулахад хэтэрхий ээдрээтэй байгаа учир
уншигчдыг эх судалгааны ажлуудыг нь бие даан судлахыг зөвлөе2.
10.7 Зарим өргөтгөлүүд

Марков солигдох загвар эконометрикт орж ирсэн сүүлийн гуч орчим жилд түүнийг эдийн
засаг, санхүүгийн асар олон хувьсагчдын хувьд хэрэглэсэн судалгааны ажлууд асар их
хийгдэж байна. Тэдгээрийн заримаас дурьдвал:

 Загварын авторегресс зэргийг ерөнхий AR(p) болгон өргөтгөж болно. Суурь загвар
нь голч нь солигддог (10.5)-р тэгшитгэлээр өгөгдсөн загвар байж ч болно мөн
(10.7)-р тэгшитгэлээр өгөгдсөн цаг хугацаагаар хувьсагч авторегресс ч байж болно.
 Нөхцөлт хувьсалт нь хоёр дэглэмтэй (коеффициентүүд нь дэглэмүүдээр ялгаатай)
Марков дэглэм солигдох GARCH прогрессуудыг Хамилтон, Сасмел хоёр (Hamilton
and Susmel, 1994) гаргаж ирсэн байдаг.
 Мөн нэмэлт тайлбарлагч хувьсагчийг загварт оруулж ирж болно. Жишээ нь (10.7)-р
зааварт βst xt гэсэн хэсэг нэмж болох бөгөөд энэ нь x t-ын нөлөө дэглэмээс хамааран
өөр өөр байх боломж олгоно. Өөрөө хэлбэл
y t =δ 2+ ϕ2 y t −1+ β2 x t +ε t s t=2
y t =δ 1+ ϕ1 y t −1+ β 1 xt +ε t st =1
 Мөн хоёроос илүү дэглэмтэй байж болно. Биезнесийн мөчлөгийг загварчлахын тулд
дор хаяж хямрал, удаан өсөлттэй үе, хурдан өсөлттэй үе гэсэн гурван дэгмэл
хэрэгтэй хэмээх нь бий. Ялангуяа өндөр өсөлтийн дэглэм нь хямралын яг дараагийн
үетэй залган орж ирдэг дэглэм бөгөөд энэ нь хямралаас болж эдийн засагт бий
болсон сул хүчин чадлыг ашигдлахад харьцангуй хялбар байдагтай холбоотой.
Тэлэлтийн үеийн төгсгөл хэсгээр тийм сул хүчин чадал үндсэндээ шавхагдсан байх
учир өсөлт удааширч ирдэг.
St = 1,2,3, гэсэн 3 дэглэмтэй үед шилжилтийн матриц нь дараах байдалтай болно:

p11 p 21 p31

[ ]
P = p 12 p 22 p32 энд
p 13 p 23 p33
pij= Pr [ st = j∨s t−1=i ¿
Багана бүр дэх магадлалуудын нийлбэр нь нэг байх ёстой учир энэхүү шилжилтийн
матрицад 6 ширхэг хязгаарлагдаагүй магадлал бий.
 Марков солигдох загваруудыг бүтцийн өөрчлөлт буюу түүврийн ямарваа нэг үл
мэдэгдэх огноонд коеффициентүүд гэнэт өөрчлөгдсөн эсэхийг шалгахад ашиглах нь

107
 бий. Хэрэв st =1 нь энэхүү бүтцийн өөрчлөлт болсны дараах “дэглэм”-ийг
илэрхийлж байгаа бол p = 1 болох бөгөөд өөрөөр хэлбэл систем анхны хэлбэртээ
огт буцаж орохгүй гэсэн үг. Гэвч энд q < 1 байх бөгөөд яагаад гэвэл дэглэм st =2-
оос st =1 болон өөрчлөгдөх үеийг гэрчилсэн дор хаяж нэг үзэгдэл байсан байж
таарна. Алгуурлуулсан магадлалуудыг ашиглан хэзээ яг хугарал гарсан болохыг
тогтоодог. Гарсиа ба Перрон нар (Garcia and Perron, 1996) жишээ нь жишээ нь MS
загвар ашиглан АНУ-ын хүүний хувиудад гарсан бүтцийн өөрчлөлтийг судалсан
байдаг.
 VAR загварын бүх хувьсагч нь нэг дэглэм солигдох Марков процессоор
жолоодогддог вектор дэглэм солигдох загвар байдаг. (MS – V AR). Хэд хэдэн улсын
гарцын өсөлтийг ашиглан үнэлсэн ийм MS – V AR загвараар хямрал нь хэр олон
улсын шинж чанартай болохыг тогтоох, хямрал руу хальтран орох болон түүнээс
гарахдаа нэгдсэн нэг хөдөлгөөнтэй байгаа эсэхийг судалдаг. Жишээ нь Артис,
Кролзиг, Торо нар Европын бизнесийн мөчлөгийг уг загварын хүрээнд судалсан
байдаг.
 (10.1)-р тэгшитгэлээр өгөгдсөн шилжилтийн магадлалууд нь цаг хугацаагаараа
өөрчлөгдөж болно. Ийнхүү цаг хугацаагаар өөрчдөгдөх боломжийг үүсгэх нэг арга
нь шилжилтийн магадлалуудыг ямар нэгэн түрүүлэгч индикатораас хамаарсан
функц хэлбэртэй бичих явдал. Жишээ нь Симпсон, Осборн, Сенсиер нар Их
Британы ДНБ-ий улиралын өсөлтөнд уг загварыг ашигласан байдаг.

Энд яригдсан зүйлсийн үргэлжлэл болгон Хамилтоныг уншвал тун зүгээр. Энэ нь техник
түвшингийн хувьд ч энэ бүлгийнхтэй нэлээн ойролцоо байгаа. Харин Хамилтон нь
дэлхийн тэргүүлэх их сургуулиуд дахь эдийн засгийн шинжлэх ухааны докторын
сургалтын стандарт сурах бичиг бөгөөд түүний 22-р бүлэг хэдий техникийн нилээд өндөр
түвшинд бичигдсэн ч уг сэдвээр мэдвэл зохих дийлэнх зүйлсийг агуулсан байгаа.

Дээр дурдсанчлан оргинал судалгааны ажлуудын эхлэл болох Хамилтоныг мөн заавал
унших ёстой өгүүллүүдийн нэг бөгөөд энэ нь хүүний хувиудын хугацаагаарх бүтцийн
шинжилгээнд Марков солигдох загвар үнэлсэн байдаг.

108
Бүлэг 11
Бүтэцтэй VAR(SVAR)
11.1 Удиртгал
Хэдийгээр сүүлийн 10 жилд динамик стохаст ерөнхий тэнцвэрийн загваруудыг(DSGE)
үнэлж, ашиглахыг нь түгээмэл болсон ч бүтэцтэй вектор авторегрессийн (SVAR) загвар
эмпирик макро эдийн засаг болон санхүүгийн судалгааны үндсэн техник байсан хэвээр
байна. Бүтэцтэй VAR загвар нь үндсэн 4 хэрэглээтэй. Нэгдүгээрт, нэг удаагийн бүтцийн
шок гарлаа гэхэд загварын хувьсагчид түүнд дунджаар хэрхэн хариу үйлдэл үзүүлэх вэ
гэдгийг судалхад хэрэглэнэ. Хоёрдугаарт, өгөгдлийн хувьсалтын хэдэн хувийг тухайн шок
өгч байна вэ гэдгийг хэмждэг прогнозын алдааны вариацын задаргааг хийхэд ашигладаг.
Гуравдугаарт, түүхэн задаргаа буюу хувьсагч нэг бүрийн хувьсан өөрчлөлтөд шок тус
бүрийн оруулсан хуримтлагдсан нөлөөг хэмжихэд хэрэглэдэг.
11.2 Загварын тавил болон үндсэн хэмжигдэхүүнүүд
Бүтэцтэй загвараас гарган авч болох төрөл бүрийн хэмжигдэхүүнтэй танилцъя. Эдгээр нь
SVAR загвараар хязгаарлагдахгүй DSGE мэтийн загварын хүрээнд ч хэрэглэж болно.

к-хэмжээст y t =1,…,T гэсэн хугацаан цувааг авч үзье. Бид энэхүү y t нь р гэсэн төгсгөлөг
эрэмбийн вектор авторегрессээр загварчлагдана гэе. Бидний зорилго бол
BO y t= B1 y t −1+…= B p y t− p+ut

гэсэн бүтэцтэй вектор авторегресс загварын параметрүүдийг таниж мэдэх бөгөөд энд ut нь
голч нь тэг, цуврал корреляцгүй алдааны хэсэг бөгөөд үүнийг заримдаа бүтцийн өдөөгч ,
эсвэл бүтцийн шок гэж нэрлэдэг. Бүтэцтэй гэдэг тодотгол нь BO гэсэн матрицаар дамжин t
хугацаанд y t доторх хувьсагчид хоорондоо хамааралтай байж болохыг, эдийн засгийн
онол болон бусад мэдээлэлд үндэслэн тухайн матрицад бүтэц тавьж болохыг илэрхийлдэг.
Шокын хэсгийг өөрөөр заагаагүй л бол ихэнхдээ нөхцөлт бус хомоскедаст, мөн өнгөрсөн
иүеийн мэдээллийг ашиглаад прогнозлох боломжгүй гэж үздэг. Огтлогч, улирлын
хуурмаг хувьсагч гэх мэт бүх детерминист регрессдэгчийг бичиглэлээ хялбаршуулах
үүднээс орхигдуулсан болно:

B(L) y t =ut ,

энд B(L)= BO−B1L- B2 L2-…- B p L p нь авторегресс хоцролтын зэрэг бүхий полиномиол

тэгшитгэл болно. Бүтцийн алдааны хэсгийн вариац-ковариацын матрицыг ихэнхдээ

σ 21 0 ⋮ 0
'
E(ut ut ) = ∑ u=
[ ]
0 σ 22
⋮ ⋮
0 0
⋯ 0 I
⋮ ⋮
⋯ σ 2к
= К

гэж номчилдог. Энд юуны өмнө загварт байгаа хувьсагчдын тоотой тэнцүү тооны бүтцийн
шокууд байна. Хоёрдугаарт, бүтцийн шокууд хоорондоо корреляцгүй байх ёстой бөгөөд
эндээс ∑ u нь диагналь матриц байна гэсэн дүгнэлт гарна. Гуравдугаарт, бид бүх бүтцийн
шокуудын вариацыг нэгж гэж норомчилж байна. Энэ сүүлчийн норомчлол нь BO диагналь
109
элементүүд хязгаарлагдаагүй тохиолдолд ерөнхий тавилд сөргөөр нөлөөлөхгүй. Жишээ нь
к=2, p=0 байх хамгийн энгийн загварыг задлан бичвэл

11 y 1t + b 12 y 2 t = u1 ,t
b(0) (0)

21 y 1t + b 22 y 2 t = u2 , t
b(0) (0)

болно. Эхний тэгшитгэлийг нь y 1 t -ийн хувьд, харин удаахыг нь y 2 t -ийн хувьд нормчилбол

y 1 t = b(0) (0) (0) (0) ¿

12 /b11 y 2t +1/b 11 u1 ,t = - b 12 y 2 t+u1 ,t

y 2 t = b(0) (0) (0) (0) ¿

21 /b22 y 1t +1/b 22 u2 ,t = - b 21 y 1t +u2 , t

b¿(0)1
энд анхны загварын BOмаань B0=
¿
¿(0)
b21 [ 12

1 ]
гэсэн хэлбэртэй болж нормчлогдож байна

гэсэн үг. Тэгэхээр BO матрицын диагноль элемент нь ийнхүү нормчилсон загварын шокын
вариацыг өгч байна. Тодруулбал энэ загварын шокын вариац нь σ i¿ 2 = (1/b(ii0) )2 болно. Бид
( )

бусад нормчлолын тухай бүлгийн төгсгөлд авч үзэх болно. Бүтцийн загварыг үнэлэх
боломжтой болохын тулд түүний цомхон хэлбэрийг нь эхлээд гарган авах хэрэгтэй. Энэ нь
y t -ыг зөвхөн хоцроосон y t -уудаар илэрхийлнэ гэсэн үг. Цомхон хэлбэрийн илэрхийллийг
гарган авахдаа бид бүтэцтэй VAR-ын хоёр талыг урдаас нь BO−1 –ээр үржүүлдэг.

BO−1 B O y t = BO−1 B 1 y t −1 + … BO−1 B p y t − p + BO−1 ut (11.2)

Тэгэхээр эхний загвар маань дараах ‘цомхон’ хэлбэрт орно:

y t = A1 y t−1+ …+ A p y t− p + ε t (11.3)

Ai = BO−1 B i, i = 1, …, р (11.4)

ε t = BO−1 ut (11.5)

Энэхүү загварыг мөн илүү товчоор дараах байдалтай бичиж болно:

A(L) y t = ε t (11.6)

энд A(L) = I- A1 L - A2 L2- … - A р L p нь авторегресс хоцролтын полиномиалыг тэмдэглэж

байна. Стандарт үнэлгээний аргуудаар Ai , i=1,…,р
гэсэн цомхон хэлбэрийн параметрүүд, ε t гэсэн цомхон хэлбэрийн алдаанууд, тэдний
вариац-ковариацын матриц болох E(ε t ε 't ) = ∑ ε -ийн тууштай үнэлгээг гарган авч болно.
Хэрэв BO нь диагональ матриц бол хувьсагчид хооронд тухайн үедээ ямар ч шугаман
хамааралгүй, цаашлаад BO = I к гэвэл ε t = ut болж, SVAR загвар VAR-аас ялгаагүй болно.
Харин ерөнхий тохиолдолд цомхон хэлбэрийн өдөөгчид ε t нь ut гэсэн бүтцийн
шокуудаас хамаарсан шугаман функц байна. Иймд y t гэсэн векторын ε t гэсэн цомхон
хэлбэрийн шокод үзүүлэх хариу үйлдэл нь жинхэнэ бүтцийн шокууд болох ut -д үзүүлэх
хариу үйлдлийн талаар ямар ч мэдээлэл агуулахгүй. Эдгээр бүтцийн хариу үйлдлүүд нь Bi,
I = 0, …,р-уудаас хамаарна. BO−1-ийн элементүүдийг яаж цомхон хэлбэрийн

110
параметрүүдээс гарган авах вэ гэдэг нь энд гол асуудал бөгөөд хэрэв BO−1-ийг мэдчихвэл
бид ut -ийг (11.5)-ээс харин Bi, I = 1, …,р-ийг (11.4)-р тэгшитгэлийг ашиглан гарган авах
боломжтой.
Бүтэцтэй VAR-ын өөр нэг хэрэглээ бол шокуудын утгуудыг өөрчилвөл системийн
хувьсагчдад ямар өөрчлөлт гарч болох байсан бэ буюу хийсвэр шинжилгээ юм. Үүний
жишээ нь мөнгөний бодлогын хүрээнд шок өгснөөсөө арай илүү, эсвэл дутуу өгсөн бол
нийт эдийн засаг одоо байгаагаасаа хэр өөр байх байсан бэ гэдгийг тогтооход хэрэглэнэ.
Ингэхдээ шокын тодорхой нэг болон хэсэг үеийн утгуудыг өөр утгуудаар сольно. Жишээ
нь шокуудынхаа нэгийг, тухайлбал u j-г бодлогын шок гэвэл түүний нөлөөг u j ,t ,=a гэж
тодорхой нэг утга бөгөөд энэхүү бодлогын алтернатив сонголтын нөлөөг хэмжиж болно.
d y i ,t d y i , t+ n
(11.9)- р тэгшитгэлд байгаа параметрийн утга нь = = γ (ni , )j буюу n үеийн өмнө
d u j ,t −n d u j ,t
j-р шокод гарсан нэгж өөрчлөлтийн y i ,t -д үзүүлж байгаа буюу импульс хариу үйлдэл
болно. y t нь суурин тохиолдолд lim n
→∞ γ (n ) = 0. Илүү албан ёсоор, n үед y -ын j-р
i, j t

элементэд гарсан шокын вектор импульс хариу үйлдлийн функц нь

γ j (n)=Ψ n B O−1 e j j=1,2,…к, n=0,1,… (11.10)

бөгөөд e j нь j-р элемент дээрээ нэг, бусад газраа тэг гэсэн утга авдаг сонголтын вектор
болно.(11.10)-д байгаа шокын хэмжээ нь нэг стандарт хазайлт буюу вариац нормчилогдсон
учир 1-тэй тэнцэнэ. Бид цааш нь матрицан импульс хариу үйлдлийн функцыг авч үзэж
болно:

Г(n) = Ψ n B O−1, n=0,1,… (11.11)

Энэ матрицын баганууд нь (11.10)-р өгөгдөх векторуудаас бүрдэнэ.

(11.9)- р тэгшитгэлийн хоёр талаас вариац авъя. Тэгвэл вариацын түүхэн задаргаа буюу
y t -ийн i- р элементийн вариацыг эх үүсвэрээр нь буюу шокуудын вариацаар нь задлаж
болдог:
к ∞
var ( y i ,t ) = ∑ ∑ γ (in,)j2 (11.12)
j=1 n=0

Тэгэхээр var ( y i ,t ) –р элементийн вариацын j th -р шокоос үүдэлтэй хувь хэсэг нь

∞

var ( yi , t∨u j )
∑ γ (in, )j2
n=0
= к ∞ (11.13)
var ( yi , t ) (n )2
∑∑ γ i, j
j =1 n=0

Болно. Эдгээр түүхэн задаргааны томъёонд хязгааргүй нийлбэр байгаа тул тооцоолохдоо
ямар нэгэн эхлэлийн нөхцөлд тулгуурлах ёстой. Түгээмэл хэрэглэгддэг эхлэлийн нөхцөл
бол түүвэр эхлэлээс өмнөх утгууд бүгд 0 гэж үзэх юм. Шокуудын хувьсагчийн вариацад
үзүүлэх нөлөөг прогнозын алдаа болон прогнозын алдааны вариацын задаргааг
ашиглаж бас хэмждэг. Энд шокуудыг өнгөрсөн үеийн мэдээлэл ашиглан таамаглах

111
боломжгүй гэсэн нөхцөлөө ашиглана. Прогнозынхоо үеийг h(h>0)-р тэмдэглэвэл
прогнозын алдаа нь ( 11.8)-аас дараах байдалтай гарна.
y t +h-- y t +h∨t = Г 0 ut +h+ Г 1 ut +h−1+ … + Г h ut +1 (11.14)

энд y t +h∨t нь t үед байсан мэдээллийг ашиглан хийсэн y t +h-ийн хамгийн сайн шугаман
прогноз юм. I-аар хувьсагчийн прогнозын алдааны вариац нь
к h−1
var ( y i ,t +h− yi , t +h∨t ) = ∑ ∑ γ (in, )j2 (11.15)
j=1 n=0

болох бөгөөд харин y i ,t +h -г прогнозлоход гарах нийт алдааны j-р шокод харгалзах хувь
хэсэг нь дараах томъёогоор олдоно.
h−1

∑ γ (in, )j2
n=0
θij (h) = к h−1 (11.16)
(n )2
∑∑ γ i, j
j =1 n=0

Эдгээр хэмжигдэхүүнүүдийг гарган авахад Г n болон ut мэдээлэл тун чухал байна. BO

хэрхэн таних талаар бид дараах хэсэгт авч үзнэ. Мэдэгдчих юм бол (11.5)-аас бүтцийн
шокуудаа ялган авч болно. Харин Г n -ийн нөгөө нэг бүрэлдэхүүн хэсэг болох Ψ n -г цомхон
хэлбэрийн VAR- аас гарган авна. Дээрх (11.3)-ын VAR параметрүүд болон (11.8)-ийн
VMA-ын Ψ n параметрүүдийн хооронд Ψ i = A1 Ψ i−1 + A2 Ψ i−2 + … + A р Ψ i− р гэсэн хамаарал
байдаг. Энд Ψ 0 нь к хэмжээст нэгж матриц бөгөөд i<0-ийн хувьд Ψ i = 0 болно. Тэгэхээр Ai
, i=1, …,р өгөгдсөн байвал бид Ψ i , i=1 ,… , - үүдийг дараалуулан оруулах замаар гарган
авах боломжтой. Эндээс р = 1 гэсэн тусгай тохиолдлын хувьд Ψ i= A i болж байна. Өөрөөр
хэлбэл энэ тохиолдолд VMA-ийн параметр нь дээрх дараалуулан орлуулалт
хэрэглэхгүйгээр өгөгдлөөс шууд үнэлэн авч болох VAR-ын параметртэй тун энгийн
байдлаар холбогдоно. Үүний холбоотой, практикт тун их хэрэг болдог нэг үр дүн бол ямар
ч VAR(р) процессыг VAR(1) хэлбэрт бичиж болдог явдал бөгөөд үүнийгээ дагалдах
хэлбэр гэж нэрлэдэг. Өөрөөр хэлбэл, (11.3) дэх VAR(р) тэгшитгэлийг z t = Azt −1 + ∊t гэсэн
VAR(1) дагалдах хэлбэрт бичиж болох бөгөөд энд А нь дараах элементээс бүтсэн кр×кр
хэмжээстэй матриц байх болно:

A1 A2 ⋯ A р−1 Aр

А=
I
0
⋮
0
0
[ 0
I
⋮
0
0
⋯
⋯
⋮
⋯
⋯
0
0
⋮

0
I
0
0
⋮
0
I
] (11.17)

Харин z t нь кр элементтэй нь z t = ¿,∊t нь кр хэмжээст [ε 't ,o, o, …,o] гэсэн вектор болно.
VAR(р) процесс маань энэ дагалдах хэлбэрийн эхний к мөрт агуулагдаж түүнээс дооших
мөр нь тэнцэтгэлүүд болно гэсэн үг. Тэгэхээр эндээс гарган авсан Ψ i –ийн зөвхөн эхний к
мөр л хэрэгтэй . цаашилбал бид к ширхэг шокыг л сонирхож байгаа учир мөн эхний к
багана нь л хэрэгтэй . хэрэгтэй мөр багануудаа сонгож авахад бид сонголтын матриц
112
ашигладаг. Ψ i матрицаас эхний к мөрийг нь салган авахын тулд бид түүнийг урдаас J = [
I к 0к , к ¿¿] нь матрицаар, харин эхний к баганыг нь салган авахын тулд хойноос нь J ' -ээр
үржүүлдэг. Тэгэхээр энэ дагалдах хэлбэрт харгалзах хувилбар нь Г(n) = JΨ n J ' B−1
0 , n = 0,
1,... болно.
11.3 Богино хугацааны хязгаарлалтаар таних нь
B0-ийг тэгэхээр хэрхэн үнэлэх вэ? Тодорхойлолт ёсоор ε t = BO−1 ut . Тэгвэл ε t-ын вариац-
ковариацын матриц нь:
'

E(ε t ε 't ) = B−1 u u −1

0 E( t ) B0

' '

B−1 −1 −1
0 ∑ u B0 = B0 B0
−1

'

энд хамгийн сүүлд бид ∑ u = I к гэсэн нөхцөлөө ашиглаж байна. Бид ∑ ε = B−1 0 0 -г
B−1
шугаман бус тэгшитгэлийн систем гэж харж болох бөгөөд үл мэдэгдэгчид нь параметрүүд
гэсэн үг. Энд анхааруулахад ∑ ε -г тууштай үнэлж болох учир мэдэгдэж байгаа гэж үзнэ.
B−1
0 дэх үл мэдэгчийн тоо нь нийт тэгшитгэлийн тооноос давж гараагүй үед энэхүү
шугаман бус тэгшитгэлийн системийг тоон аргачлал ашиглан шийдэж болно. Харин үл
мэдэгдэгч тоо хэт олон бол B−1 0 -ийн тодорхой элементүүд дээр нэмэлт хязгаарлалтууд
тавих ёстой болдог. Тэдгээр нь зарим параметрүүдийг загвараас зайлуулах, пропорцын
хязгаарлалт тавих болон бусад тэнцэтгэлийн хязгаарлалтууд байж болно.хамгийн түгээмэл
арга бол тодорхой элементүүдийг тэг гэж үзэх хязгаарлалт юм. B−1 0 гэсэн үл мэдэгдэгч
матрицын элемент бүр цор ганц утгатайгаар танигдана гэдгийг батлахын тулд эхлээд ∑ ε
к(к+1)
нь ширхэг л чөлөөт параметртэй гэдгийг анзаар. Яагаад гэвэл ямар ч вариац-
2
к(к+1)
ковариацын матриц диагоналийнхаа 2 талд тэгш хэмтэй байдаг. Тэгэхээр нь B−1
0
2
-ээс цор ганц утгатайгаар таньж чадах хамгийн дээд параметрийн тоо. Эрэмбийн нөхцөл
хангагдсан ч B−1
0 дох элементүүдийн тоон утгаас хамаараад рангийн нөхцөл биелэхгүй
байж болно. Загвар яаж нормчлогдсоноос хамаараад бүтэцтэй VAR загварын хоорондоо
нийцтэй гурван төрлийн илэрхийлэл байдаг. Эдгээр илэрхийлэл бүгдээрээ эмпирик
судалгааны ажлуудад өргөнөөр хэрэглэгддэг. Бүтцийн шокын нэгж өдөөлт гэдэг нь нэг
стандарт хазайлттай тэнцүү хэмжээний гэсэн үг учир B−1 0 -д суурилсан бүтэцтэй хариу
үйлдэл нь нэг стандарт хазайлттай тэнцүү хэмжээний шокын хариу үйлдэл юм. Нөгөө
талаас ∑ u-ийн диагональ элементүүдийг хязгаарлахгүй орхиод ut =B0 ε t дэх B0-ийн
диагноль элементүүдийг нэгтэй тэнцүүлж болно. Энэ үед ашиглаж болох нэг аятайхан үр
дүн бол хэрэв B0 нь доошоо гурвалжин бол B−1 0 нь мөн доошоо гурвалжин болчихдог.
Гэхдээ энэ хоёрдох илэрхийлэлд нь загварыг үнэлбэл бүтцийн алдаануудын вариац нь
нэгтэй тэнцэхгүй бөгөөд B−10 -ийн гарч ирэх үнэлгээг үлдэгдлийн нэг стандарт хазайлтад
хувааж байж л холбогдох бүтцийн импульс хариу үйлдлийн функц нь нэг стандарт
хазайлтын хэмжээтэй шокод харгалзах болно. Эцэст нь тэмдэглэгээгээ өөрчлөн энэ 2
хандлагыг хоёуланг нь нийлүүлэн дараах байдалтай бичиж болно:
B0 ε t = ϒut

113
 '
' −1
Энд ∑ u= I к бол ∑ ε = B−10 ϒϒ B0 . Дээрх 2 нь энэ илэрхийллийн тусгай тохиолдлууд
болохыг B0= I к эсвэл ϒ= I к гэж оруулж байгаад харж болно. Энэхүү Гуравдах
илэрхийллийн давуу тал нь нэг бол ϒ= I к байх, эсвэл B0= I к байх нөхцлүүдийг тавих
шаардлаггүй болгож буй явдал бөгөөд, энэ нь зарим тохиолдолд танилтын нөхцөлийг
тайлбарлахад илүү тохиромжтой орчинг бий болгодог.
11.3.1 Эрэмбэлэгдэн танигдах загвар
ut гэсэн бүтцийн өдөөгчдийг ε t гэсэн цомхон хэлбэрийн өдөөгчдөөс салган авах нэг
түгээмэл арга бол цомхон хэлбэрийн алдаануудыг “ортогоналчлах” юм. Ортогоналчлах
гэдэг нь алдаануудыг хооронд нь корреляцгүй болгоно гэсэн үг. Ингэхийн тулд к×к
хэмжээстэй, эерэг үндсэн диагоналтай, доошоо гурвалжин Р гэсэн матрицыг РР ' = ∑ ε -гэж
гарган авъя. Ийнхүү вариац-ковариацын матрицад Чолескийн задаргаа хийх нь скаляр
'

вариацаас язгуур авч болдгийн матриц хувилбар нь юм. ∑ ε = B−1 −1

0 B0 гэсэн нөхцөлөөс
шууд B0 = Р гэж гарч ирэх бөгөөд энэ нь ut -г гарган авах нэг боломжит шийдэл юм. Р нь
−1

к(к+1)
доошоо гурвалжин учир энд чөлөөт параметр байгаа, тэгэхээр Р-ийн бүх
2
элементүүдийг яг таньж болж байна. Ийм учир танилтын эрэмбийн нөхцөл хангагдаж
байна гэсэн үг. Р нь доошоо гурвалжин бүтэцтэй учир тоон шийдлийн аргыг ашиглах
шаардлагагүй ч B−1
0 эрэмбэлэн зайлуулах хязгаарлалт тавьж байгаад бусад параметрийг нь
тоон аргачлал ашиглан олбол үр дүн нь Чолескийн задаргаа ашигласныхтай яг адил гарна.
Тоон аргачлал нь эрэмбэлэгдээгүй танигдсан схемийн хувьд, мөн зайлуулахаас өөр
хзгаарлалтын хувьд хэрэглэгдэж болдог давуу сталтай. Цомхон хэлбэрийн үлдэгдлийг
Чолескийн задаргаа ашиглан “ортогоналчлах’ нь зөвхөн Р-ийн эрэмбэт бүтцийг эдийн
засгийн үүднээс хамгаалах боломжтой үед л тохиромжтой гэдгийг ямагт санаж байх
хэрэгтэй. Учир нь:

 Чолескийн задаргаа ашиглан “ортогоналчилбал’ эх загвар маань эрэмбэлэгдсэн

загвар болон хувирдаг онцлогтой. Энэ нь бид өгөдлөөсөө нөлөөллийн дарааллын
талаар таньж мэдэхийнхээ оронд өөрсдөө тодорхой нэг нөлөөллийн гинжин хэлхээг
тулгаж байгаад үнэлж байна гэсэн үг.
 “ортогоналчлах’’ нь VAR загварын үлдэгдлийн хэсгийн талаар маш хүчтэй
танилтын нөхцөл тавьж байгааг нэг ёсондоо нууж байдаг.1980- аад оны эхээр VAR
загварын маш олон хэрэглэгчид үүнийг ойлголгүй, өгөгдөл өөрөө бүх зүйлийг
шийдэж байгаа мэт боддог байв. Ийм ‘онолын бус’ VAR загварууд тун удалгүй
маш их шүүмжлэлд өртсөн. Гэхдээ энэхүү шүүмжлэл нь эрэмбэт бус танилтын
хязгаарлалт бүхий бүтэцтэй VAR загваруудын хөгжилд тун эергээр нөлөөлсөн .
тусгай тохиолдолд эрэмбэт загварууд нь бүтэцтэй болон хагас бүтэцтэй тайлбартай
байж болох юм байна гэдэг дүгнэлтэд хүргэсэн.
 Р нь цор ганц биш. VAR загвар дахь к хувьсагчийн дарааллыг өөрчлөх болгонд Р-
ийн өөр утга гарч ирнэ. Үүнтэй холбоотойгоор к хувьсагчийг өөр өөрөөр
дараалуулбал юу болохыг нь харах мэдрэмжийн шинэжилгээ хйих ёстой гэх хүмүүс
байдаг.
11.3.2 Хаанаас танилтын нөхцөл гарган авах вэ?
Өмнөх хэсэгт тодорхой нэг эрэмбэт дарааллыг зөвтгөх үнэмшилтэй шалтгаан байхгүй л
бол эцэстээ гарч ирэх VAR-ын импульс хариу үйлдлийн функц. Вариацын задаргаа болон
түүхэн задаргаа нь эдийн засгийн хувьд ямар ч утга учиргүй болно гэдгийг анхааруулж
114
байна. Энэ нь тэгвэл B−1
0 эсвэл
B0 дээр яаж эдийн засгийн үндэслэлтэй таних хязгаарлалт
тавих ёстой юм бэ гэсэн асуултад хүргэж байна. Энэ нь хэд хэдэн эх үүсвэртэй. Нэг нь
эдийн засгийн онол юм:

 Эмпирик үр дүн маань суурь онол хэр хүчинтэй байна тэр хэмжээгээрээ л
үндэслэлтэй байна.
 Өөр нэг стратеги бол тус бүрдээ өөр өөр эдийн засгийн загваруудад суурилсан янз
бүрийн бүтцийн загварууд тусгай тохиолдолд нь болж гарч ирдэг маш ерөнхий
загвар тавих бөгөөд түүнийхээ хүрээнд хэт танигдсаны хязгаарлалтуудыг шалгах
энэ аргын давуу тал нь буруу байж болох ганцхан загвар дээр суурилахаас
зайлсхийж байгаа явдал юм. Ийм төрлийн загвар нь Чолескийн хэлбэрээр
илэрхийлэгдэхгүй учир ерөнхий моментийн арга гэх мэт тоон аргачлал ашиглан
үнэлэгдэх ёстой болно.
 Мэдээллийн хожимдлыг ашиглах. Өгөгдлүүд зөвхөн тодорхой давтамжтайгаар,
магадгүй өөр өөр үед нийтэд ил тод болдог учир тухайн агшиндаа хувьсагчид
хоорондоо харилцан нөлөөлөхгүй байж болдог.
 Биет загвар
 Институцийн мэдлэг.
 Зах зээлийн бүтцийн талаарх нөхцөл: эмпирик ажлуудад түгээмэл хэрэглэгддэг өөр
нэг таних арга бол жижиг нээлттэй эдийн засаг дэлхийн бусад хэсэгт нөлөө үзүүлэх
боломжгүй гэсэн нөхцөл юм.
 Гадаад параметрийн үнэлгээ. Цохилтын хариу үйлдэл буюу элементүүд нь ямар
нэгэн мэдрэмж шиг тайлбарлагдаж болох бол тэдгээр элементүүдийг үнэлэлгүй,
шууд өөр судалгаанаас авч тавих боломж бас байдаг.
 Өндөр давтамжит өгөгдөл. Зарим цөөн тохиолдолд зайлуулалтын хязгаарлалтыг
илүү шууд хэлбэрээр шалгах боломжтой байх нь бий.
Үнэмшилтэй богино хугацааны хязгаарлалт тавих нь тийм ч амар биш гэдгийг дурдах нь
зүйтэй. Тодорхой нэг зайлуулалтын хязгаарлалт үнэмшилтэй байх эсэх нь өгөгдлийн
давтамжаас хамаарах бөгөөд танилтад ашиглачтихаар зохистой зайлуулалтын хязгаарлалт
тэр бүр олдоод байдаггүй. Энэхүү хүндрлэлээс болоод дараах дэд хэсгүүдэд яригдах таних
аргууд үүсэж хөгжсөн болно.
11.3.3 Эрэмбэлэгдэн танигдах загварын жишээ
11.3.4 Эрэмбэлэгдэлгүйгээр танигдах загвар
Бүх бүтэцтэй VAR загвар эрэмбэлэгдсэн бүтэцтэй байдаггүй. Эрэмбэлэгдсэн загвартай
0 эсвэл B0-д тавигдах танилтын хязгаарлалтууд нь хангалттай тооны моментийн
адилаар B−1
нөхцөлүүдийг үүсгэж B0 дох элементүүдийг үнэлэх боломж олгодог. Эдгээр загварууд
дахь B0-ын үр ашигтай үнэлэгчийг Ерөнхий Моментийн Аргын хүрээнд гарган авч болох
бөгөөд ингэхдээ цомхон хэлбэрт байгаа урьдчилан тодорхойлогдсон хувьсагчдаас гадна
тухайн тэгшитгэлтэй корреляцгүй бол өмнө нь үнэлэгдсэн бүтцийн алдаануудыг мөн
хэрэгслүүр болгон ашигладаг. Ерөнхийдөө үл мэдэгдэх бүтцийн параметрүүдийг олох
моментын нөхцөлүүдийг шийдэхэд итерац хэрэглэдэг боловч зарим тохиолдолд EMA-ын
үнэлэгчийг уламжлалт хэрэгслүүр-хувьсагчийн техник ашиглан босгож болдог. Үүнийг
орлуулж болох өргөнөөр ашиглагддаг өөр нэг арга бол алдааны тархалтаа Нормал гэж
үзэж байгаад бүтэцтэй загвараа нийт мэдээллийн хамгийн их үнэний хувийн аргаар үнэлж
болдог. Энэ арга нь төвлөрүүлсэн үнэний хувийг, таних хязгаарлалтын хүрээнд, бүтэцтэй
загварын параметрүүдээр нь максимумчилдаг.
115
Эрэмбэлэгдэлгүйгээр танигдах загварын сул талууд
Эрэмбэлэгдэлгүйгээр танигдах VAR загварууд нь уламжлалт зэрэг тодорхойлогдсон
тэгшитгэлүүд бүхий загваруудтай нилээд төстэй. Тэр утгаараа ч шалтгааллын нөлөөллийг
танихад ашиглачихаар хүчтэй хэрэгслүүр хувьсагч олоход хэцүү байдаг гэх мэт сул
талуудыг нь өвлөн авсан байдаг.
11.4 Урт хугацааны хязгаарлалтаар таних
Загварыг таних өөр нэг арга бол шокуудад хувьсагчдын үзүүлэх урт хугацааны хариу
үйлдлийг хязгаарлах юм. Зөвхөн зарим хувьсагч нь нэгж язгууртай байвал бид дор хаяж
зарим шокыг ийнхүү таних боломжтой болдог. Ийм төрлийн таних аргын давуу тал нь
богино хугацааны хязгаарлалт зөв эсэх талаарх маргаанаас зайлсхийх боломжийг олгодогт
мөн загварын урт хугацааны шинж чанарын талаар эдийн засагчид илүү нэгдсэн
ойлголттой байдагт оршдог. Жишээ нь ихэнх эдийн засагчид мөнгөний бодлогын шок
мэтийн эрэлтийн шокууд нь урт хугацаанд нейтрал харин бүтэмжийн шокууд тийм биш
гэдэгтэй санал нийлэх хандлагатай байдаг. Энэ загварыг анх хоёр хувьсагчит VAR
загварын хүрээнд Бланчард ба Куа нар гаргасан байдаг.
Дараах бүтэцтэй VAR-ын тэгшитгэл

B(L) y t = ut болон түүнд харгалзах бүтэцтэй вектор хөдлөх дундчийн илэрхийллийг нь

авч үзье:

y t = B(L ¿ ¿−1 u t = Ɵ(L) ut

Мөн цомхон хэлбэрийн VAR загвар

А(L) у t = ε t

болон түүн харгалзах цомхон хэлбэрийн VMA илэрхийллийг авч үзье:

y t = A(L ¿ ¿−1 u t = Ф(L) ε t

SVAR-ын тодорхойлолт ёсоор (11.5):

ε t = B−1
0 ut

'

∑ ε = B−1 −1
0 B0

Энд бид ∑ u = I к гэсэн хязгаарлалт тавьж байна. Дараах хамаарлыг одоо дээрх хоёр VMA
хэлбэрээс гарган авъя:

A(L ¿ ¿−1 ε t = A( L ¿ ¿−1 B−1 −1

0 ut = B(L ¿ ¿ u t

А(L)= B−1
0 B(L)

0 = А(L) B( L ¿ ¿
B−1 −1

тэгэхээр L=1-ийн хувьд буюу урт хугацаанд B−1

0 = А(L) B( L ¿ ¿
−1
(11.28)
'

цаашилбал ∑ ε = B−1
0 B0 = ¿ ¿ ¿
−1
(11.29)
116
11.4.2 Урт хугацааны хязгаарлалтын сул талууд
Урт хугаццаны хязгаарлалт ашиглан загварыг танихын хамгийн гол сул тал нь авторегресс
хоцролтын зэргийн полиномиал тэгшитгэл А(L)-д нэгж язгуур байгаа эсэх талаар тодорхой
байр суурьтай байхыг шаардаж буйд оршдог. Тиймээс хэрэглээний хувьд богино
хугацааны хязгаарлалтад суурилсан VAR загваруудаас нь харьцангуй хязгаарлагдмал
байдаг. Түүнээс гадна урт хугацааны хязгаарлалтад найдаж болох эсэх талаар нэлээд
асуудлууд гарч ирдэг. Тухайлбал:

 Урт хугацааны хязгаарлалтаар танигдсан VAR загваруудын өөр нэг сул тал нь
хязгааргүй хугацааны дараах (infinite horizon) импульс хариу үйлдлийг
нарийвчлал сайтайгаар язгуурыг олохтой нэгэн адил. Түүхий богинохон үеийн
өгөдлийг ашиглаад эдийн засгийн хугацаан цуваан урт хугацааны үйл хөдлөлийг
нарийвчлал сайтай үнэлэх нь хэцүү гэдгийг бид мэднэ. Энэ ч шалтгааны улмаас
ийм бүтэцтэй VAR загваруудыг хязгаарлагдмал түүвэр дээр үнэлбэл найдвар
муутай гэдэг. Энэ шүүмжлэлийг анх Фауст, Лийпер нар (Faust and Leeper, 1997)
тавьсан байдаг.
 Хоёрдугаарт, урт хугацааны хязгаарлалт ашиглах танигдсан VAR загварын хариу
үйлдлүүдийн тэмдгйиг нь таних боломжгүй байдаг. Энэ нь тун том асуудад
болчих тохиолдлууд бий.
 Гуравдахь хүндрэл бол танилтад ашиглагдах I(0) хувьсагчид нь зарим
тохиолдолд яг нэгж язгууртай биш ч гэсэн маш тэсвэртэй хувьсагчид байх нь
олонтаа. Бланчард, Куагийн ажилд ашиглагдсан ажилгүйдлийн түвшин нь үүний
нэг тод жишээ юм. Господинов (Gospodinov, 2010) хэрэв ямар нэг хувьсагчийн
процесс нь нэгж язгуурын орчимд (local to unity) параметрчилагддаг бол тухайн
хувьсагчийн импульс хариу үйлдлийн функц нь тууштай үнэлэгдэхгүй, мөн
стандарт итгэлийн интервал нь хүчингүй болохыг батласан. Тэрээр хөдөлмөрийн
бүтээмж (эсвэл бодит гарц) нь яг нэгж язгууртай харин ажилласан цаг (эсвэл
ажилгүйдлийн хувь) нь интегралчлагдахад ойрхон процесс байх үед технологийн
шокын жишээг ашиглан импульс хариу үйлдлийн үнэлэгчийн статистик шинж
чанарыг судалсан. Господинов энэхзз үнэлгээний бодолгыг хэрэгслүүр
хувьсагчийн бодлого болгон хувиргаж байгаад энд үүсэх асуудал нь сул
хэрэгслүүр хувьсагчтай байх үеийнхтэй адилхан болохбг харуулсан байдаг.
Энэхүү шинжилгээ нь дээрх арга зүй болон маш тэсвэртэй I(0) хувьсагч дээр
тулгуурласан өмнөх ажлууд бүгд хүчингүй гэсэн дүгнэлт хийж байна гэсэн үг.
 Дөрөвдүгээрт, Бланчард-Куа төрлийн VAR загваруудаас гарах дүгнэлт нь хоёрдох
хувьсагч (Үүнтэй холбоотойгоор Господинов, Мейнард, Песавенто (Gospodinov,
Maynard, and Pesavento 2011) ажилгүйдэл болон ажилласан цагт үзүүлэх
технологийн шокын нөлөөний талаар маш том маргааны эмпирик эх сурвалжийг
тогтоосон байдаг. Тэд VAR-ын хоёрдох хувьсагчаа эхний ялгавар хэлбэрт биш
түвшингээр нь оруулснаас болж эцсийн үр дүн өөр гараад байгаагийн шалтгаан нь
ажилласан цан болон хөдөлмөрийн бүтээмж (мөн гарцын өсөлт) хоёрын
хоорондох хэдий бага ч гэсэнтун чухал нам давтамжит хамтын хөдөлгөөн гэдгийг
харуудсан байдаг. Тэднйи онолын шинжилгээгээр ажилласан цагийн язгуур нь
бүр нэгд тун ойрхон, дээр нь нам давтамжит хамтын хөдөлгөөн н тун хүчтэй
нөлөөлж, хоёр тавилаас гарч ирэх эмпирик үр дүнг ялгаатай байхаар тийм том
хэмжээний гажилтыг үүсгэдэг болохыг харуулсан байдаг. Яг аль тавил нь зөв
болох нь эцсийн эцэст эдийн засгийн асуудал бөгөөд энэ талаар өнөөг хүртэл

117
 маргалдсаар байна. Үүнтэй холбогдуулан дэлгэрүүлэн Канова, Салидо, Микелачи
нарын (Canova, Lopez-Salido and Michelacci 2010) ажлаас уншиж болно.
11.5 Тэмдгийн хязгаарлалт таних
Сүүлйин үед богино болон урт хугацааны зайлуулах хязгаарлалт бүхий уламжлалт таних
нөхцлүүдэд итгэх зарим судлаачийн итгэл суларсны улмаас бүтцийн шокуудад үзүүлэх
хариу үйлдлийн тэмдэг буюу чиглэлийн хязгаарлалт тавьж шокуудыг таньдаг бүтэцтэй
VAR загварууд нэлээд өргөн ашиглагдах болсон. Энэхүү аргыг анх Фауст (Faust, 1998),
Канова ба Николо (Canova and De Nicolo, 2002) мөн Өхлиг (Uhlig,2005)нар мөнгөний
бодлогын VAR загварын хүрээнд санал болгосон байдаг.
Тэмдгээр таних загварт танигдсан шок бүр нь цор ганц тэмдгйин ул мөрийг загварын
хувьсагчдад үлдээсэн байх ёстой. Тэмдгийн язгаарлалт нь статик байж болно, тэгвэл B−1
0 -
ийн коэффициентүүдйин тэмдгүүдийг л хязгаарлана гэсэн үг. Уламжлалт зайлуулах
хязгаарлалтыг бодвол ийм тэмдгйин хязгаарлалтуулын онолын үндэслэл нь харьцангуй
сул байдаг. Тэмдгийн хязгаарлалттай загварууд нь стандарт VAR загваруудтай
харьцуулахад зарим талаараа илүү ерөнхий ч бусад талаараа илүү хязгаарлагдмал байдаг.
Зайлуулалтын хязгаарлалт бүхий загварууд энэ төрлийн загварт үүрлэгэггүй.
Тэмдгийн хязгаарлалтын тодорхой олонлог өгөгдсөн байвал бид түүнийг дараах
дарааллаар хэрэгжүүлнэ. Эхлээд A(L) y t =ε t гэсэн цомхон хэлбэрийн VAR загварыг авч
үзье. Энд y t нь k- хэмжээст хувьсагчдын вектор, A(L) нь хязгаарт эрэмбийн авторегресс
хоцролтын полиномиал, харин ε t нь ∑ ε гэсэн вариац-ковариацын матриц бүхий цомхон
хэлбэрийн алдааны цагаан шуугиа вектор. ut нь харгалзах бүтэцтэй VAR загварын
өдөөгчид гэж үзье. Бүтцийн импульс хариу үйлдлийн функцыг үүсгэхэд ε t=B−1 0 ut гэсэн
тэгшитгэл дэх k× k хэмжээст B0 матрицын үнэлгээ хэрэгтэй.
−1

P-ээр ∑ ε=PP´ гэсэн нөхцлийг хангадаг доошоо гурвалжин Чолескийн задаргааг

0 =PD мөн дурын k× kхэмжээст ортогонал D матрицын хувьд ∑ ε=
тэмдэглэе. Тэгвэл B−1
B0 B0 ´ гэсэн нөхцөлийг хангана. P-ээс ялгаатай нь, PD нь ерөнхий тохиолдолд эрэмбэт
−1 −1

бус байна. B−1

0 -ын боломжит шийдлүүдийг D-ийн олонлогоос санамсаргүйгээр давтан
сонгох замаар олж болно. Рубио-Рамирез, Вагтонер, Ча (Rubio-Ramirez, Waggoner and Zha,
2010) нар зөвшөөрөгдөх загварын олонлогйиг D-йин олонлогоос сонгож, үүсгэсэн
загваруудаас гарч ирэх импульс хариу үйлдлийн функцуудаас тэмдгийн хязгаарлалтыг
маань хангахгүй байгаа шийдлүүдийг нь орхих замаар үүсгэ гэж зөвлөсөн байдаг.
Энэ процепур дараах алхамуудаас бүрдэнэ.
1. k× k хэмжээст, NID(0,1) хувьсагчдаас бүтсэн L матрицыг үүсгэ. QR-задаргаа
ашиглан L-ийг L=Q× Rба QQ´= I k байхаар задла.
2. D=Q´ гэж үз. B−1 0 =PD гэсэн ортогоналчлалыг ашиглан импульс хариу
үйлдлүүдийг тооц. Хэрэв бүх импульс хариу үйлдлүүд таних хязгаарлалтыг
хангаж байвал D-г авч үлдэнэ, тийм загварыг зөвшөөрөгдөх (admissable) загвар
гэж нэрлэнэ. Үгүй бол энэ D-г хая.
3. Эхний хоёр алхамаа маш олон удаа давтаад, шаардлага хангаж байгаа D-уудыг
нь (болон үр дүнд нь үүсэх импульс хариу үйлдлийн функцыг) бүртгэн ав.

118
Эндээс үүсэх B−1
0 -ийн олонлог болон цомхон хэлбэрийн үнэлгээнүүд нь зөвшөөрөгдөх
бүтцийн VAR загваруудыг тодорхойлно.
11.5.1 Өвөрмөц онцлог, сул тал
Тэмдгийн загварлалтуудад тулгуурласан VAR загвараас тавьж авсан бүтцийн импульс
хариу үйлдлийн функцыг тайлбарлах цорын ганц цэгэн үнэлгээ гэж зүйл байдаггүй нь
хамгийн хүндрэл учруулдаг. Нэмэлт хязгаарлалтгүйгээр эдгээр загваруудын яг аль нь
хамгийн бага болохыг нь мэдэх арга байхгүй.

 Энэ асуудлыг шийдэх эхний аргуудын нэгийг Фауст (Faust, 1998) санал болгосон
байдаг бөгөөд тэрээр сонирхож буй таамаглалд хамгийн эерэг үр дүн өгч байгаа
тэрхүү загвар дээр төвлөрөхийг зөвлөдөг.
 Хоёрдох арга нь бүтэцтэй импульс хариу үйлдлийн цэгэн үнэлгээг бүр хаяад,
зөвхөн итгэлийн интервалынх нь цэгэн үнэлгээг тайлагнах. Гэхдээ тэмдгээр таних
загварын хувьд хэрхэн сонгодог итгэлийн интервал үүсгэхийг одоог хүртэл гйүцэт
шйидээгүй байгаа бөгөөд энэ талаар Мүүн, Шорфайде ба Гранзиерагаас үзэж
болно.
 Гуравдах бөгөөд хамгийн өргөнөөр ашиглагдаж байгаа арга бол Бейсын 0ар01га
ашиглан дүгнэлт хийх.
 Бүтцийн имппульс хариу үйлдлийн тодорхой нэг хожуу тархалт байлаа гэхэд бид
тэрхүү бүтцийн импульс хариу үйлдлийн талаар магадлалын мэдэглүүд хийж
болно.
11.5.2 Өргөтгөлүүд
Тэмдгээр таних VAR загвар анх нэвтэрснээс хойш судлаачид зөвшөөрөгдөх бүтэцтэй
хариу үйлдлийн функын олонлогийг хэрхэн тайлбарлах ёстой вэ гэдэг талаар чамгүй олон
санал дэвшүүлсэн байдаг. Тэднийг ерөнхийд нь хоёр ангилж болно. Эхний хандлага нь
торгуулийн функц ашиглаг зөвшөөрөгдөх загварын олонлогийг ганцхан загвар (singleton)
болгох.
Нэмэлт хязгаарлалт ашиглан хариу үйлдлийн боломжит олонлогийг багасгах өөр нэг
арга байдаг. Гол санаа нь зөвшөөрөгдөх загварын олонлогийг тайлбарлахад хялбар, арай
цөөн загвар агуулсан, бүр болж өгвөл импульс хариу үйлдлүүд нь төстэй байдаг тийм
олонлог болгон багасгах юм.
11.6. Бусад бүтэцтэй VAR аргууд
Хэдийгээр тэмгээр танигдах VAR загвар нь богино хугацааны болон урт хугацааны
хязгаарлалтуудаар танигдсан загваруудын оронд хамгийн ихээр хэрэглэгдэж байгаа ч
тэдний цорын ганц өрсөлдөгч биш. Мөнгөний бодлогын хагас бүтцийн загварт итгэхитгэл
суларсан нь мөн өөр хоёр арга гарч ирэх үндсэн суурь болсон.
11.6.1 Санхүүгийн зах зээлийн шокоор таних нь
Дээрх шүүмжлэлээс үүдээд Фауст, Свансон ба Врайт (Faust, Swanson, and Wright, 2004) нар
сарын VAR загварт мөнгөний бодлогын шокыг фьючерсийн зах зээлийн өгөгдөл ашиглан
таних арга боловсруулсан байдаг. Төв банкны үнэт цаасны фьючерсийн өдрөөрх
хэлцэлүүдийг ашиглан Төв банкны бодлобн шийдвэр дэх жинхэнэ цочоосон цохилтын
хүлээгдэж буй ирээдүйн хүүний хувиудад үзүүлэх налааг тэд хэмжсэн байдаг. Энэ
мэдээлэлээ стандарт VAR-д ашиглаж мөнгөний бодлогын шокын нөлөөг таних боломжтой
болохыг харуулсан. Танилтын энэ арга нь мөнгөний бодлогын хагас бүтэцтэй кагварт
119
ашиглагддаг зайлуулалтын хязгаарлалт ашиглагдаггүйгээр мөнгөний бодлогын VAR
загвар дахь уламжлалт таних хязгаарлалтаас ялгаатай.
11.6.2 Хетероскедастаар таних нь
Риггобон бүтцийг шокуудын хетероскедаст чанар дээр тулгуурлан VAR-ыг таних
бодлогыг шийдэх өөр нэг арга санал болгосон. Суурь загвартаа Ригобон хетероскедаст
хойш дэглэмтэй процесс гээд үзчихвэл системийн бүтцийн параметрүүдийг яг таньж
болохбг харуулсан байдаг.
Уг аргыг тайлбарлах үүднээс үнэ болон хэмжээн өгөгдөлд тулгуурласан эрэлт
нийлүүлэлтийн хоёр тэгшитгэлтэй загвараа эргэн саная. Хялбаршуулах үүднээс бүх
хоцроосон хэсгүүдийг одоохондоо орхиё. Тэгвэл загвар маань дараах байдалтай болно.

ε tp 1 β u1t ∙
( ) [ ]( )
ε qt
=α 1 u2t

Стандарт нөхцөл бус хомоскедастын үед цомхон хэлбэрийн алдааны ковариацын матриц
нь дараах хэлбэртэй болохыг батлаж болно.
1 2
∑ ¿ ( 1−αβ ) 12 [ β σ 22+ σ 21 β2 σ 22 +ασ 21 σ 22+ α 2 ασ 21 ] ∙

Энд σ 12болонσ 22 нь эхний болон хоёрдугаар бүтцийн шокын вариац болно. Энд (α , β , σ 21 , σ 22)
гэсэн 4 үл мэдэгдэгчтэй, гурван моментын нөхцөл байгаа учир α =0эсвэл β=0 гэх мэт
нэмэлт нөхцөлгүйгээр суурь загварын бүтцийн параметрүүдийг өгөгдлөөс гарган авах
боломжгүй.
11.6.3 Урагшаа харсан үйл хөдлөлтэй үед загварыг таних нь
Стандарт мөнгөний бодлогын VAR загварууд нь хүлээгдээгүй мөнгөний бодлогын шоконд
үзүүлэх хариу үйлдлийг л сонирхдог гэдгийг цохон тэмдэглэх хэрэгтэй. Тэдгээр загварууд
хүлээгдэж байсан мөнгөний бодлогын шокын талаар ямар ч зүйл хэлж чадахгүй талаар
дэлгэрэнгүй Leeper, Sims and Zha, 1996, Bernanke and Mihov, 1998, Eichenbaum and Evans,
1999, болон Sims, 2012- ээс үз). Мөнгөний бодлогын хүлээлт нь сангйн бодлогын шок,
эсвэл бүтээмжийн шокуудыг загварчилж байхад улам бүр ач холбогдолтой болдогбөгөөд
шинжилгээнд суурь өөрчлөлтүүд оруулахыг шаарддаг. Урагшаа харсан үйл хөдлөл байх
болох боломж байгаа л бол энэ нь VAR загварт бүтцийн шокуудыг таних асуудлыг маш
хэцүү болгодог.
Бүтэцтэй өгөгдөл үүсгэгч процесс нь VAR загвараар илэрхийлэгдэж болно гэдэг нь
бүтэцтэй VAR илэрхийлэл тавиад тэндээсээ бүтэцтэй VMA илэрхийллийг гарган авах
зорилго тавьдаг. Үүнийхээ оронд эхлээд өгөгдөл үүсгэгч процесс нь дараах бүтэцтэй VMA
хэлбэртэй гэж үзсэн гэе.
y t =Ө(L)ut

Энд хувьсагчийн тоо нь шокын тоотой тэнцэнэ. Бүх бүтцийн VMA нь харгалзах бүтэцтэй
VAR илэрхийлэлтэй байдаггүй. Бүтэцтэй VMA процессыг бүтэцтэй VAR процесс болгон
хувиргая гэвэл

Ө( L)−1 y t =B(L) y t =ut

120
Гэдгээс det (Ө(L)) буюу Ө(L)-ийн тодорхойлогчийн бүх язгуурууд нь нэгж тойргийн гадна
орших ёстой. Нэг талаас энэ тохиолдол нь өгөгдлөөс хэт олон удаа эхний ялгавар авсан үед
үүснэ. Ийм нөхцөл үүссэн бол өгөгдлийг зохих ёсоор хувиргаж залруулдаг. Харин хөдлөх
дундчийн язгуурууд нэгж тойргийн дотор байгаа үед тун хэцүү. Энэ үед загварыг
фунпамент биш гэж хэлдэг. Тийм илэрхийлэлүүд нь фундамент илэрхийлэлтэй ижил
автоковариац бүтэцтэй байх боловч суурь бүтцийн шокуудыг VAR загварт орсон
хувьсагчдын өнөөгийн болон өнгөрсөн үеийн үзэгдлүүдээс асимптотын хувьд ч гарган
авах боломжгүй болдог.

11.7 Бүтэцтэй VAR болон DSGE загваруудын харьцуулалт

Бүтэцтэй VAR загвар болон DSGE загвар хоёулаа 1970-аад оны уламжлалт том хэмжээний
эконометрикийн загварын сул талуудыг засах зорилготой гарч ирсэн. DSGE загварыг
дэмжигчид энэхүү сорилтыг бодлогын шинжилгээнд хэрэглчихээр бүрэн бүтцийн загвар
хөгжүүлж шийдэхийг оролддог ч нөгөө талаас зах зээлийн бүтэц, функцийн хэлбэр, суурь
хөдөлгөгч хувьсагчдын эгзоген чанар болон динамик бүтцийн талаар маш хүчтэй
нөхцлүүд тавьдаг. Харин бүтэцтэй VAR загварын дэмжигчид загварт хувьсагчдын
динамикийн талаар маш бага нөхцөл тавьж, ямар ч хувьсагчийг эгзоген байхыг
шаардаггүй, мөн эдийн засгийн бүтцийн талаар тун бага нөхцөл тавьдаг, динамик зэрэг
тодорхойлогдсон тэгшитгэлийн системийн хөгжүүлж байна. Тэд ялангуяа бүтэцтэй VAR
загварыг янз бүрийн загварчлалын сонголтод тэсвэртэй байлгах зорилгоор тэгшитгэл
дамнасан хязгаарлалтууд тавихаас зайлсхийдэг.
Эндээс ямар нөхцөлд загварчлалын эдгээр хандлагууд нь бие биетэйгээ нийцтэй байх вэ,
ямар нөхцөлд нэг аргыг нь ашиглаад нөгөөгийнх нь талаар шинэ зүйл сурч болох вэ гэсэн
асуулт урган гарах нь мэдээж. Энэ асууощлт гэхдээ DSGE загварыг дэмжигчдийн хувьд
тйим их сонирхолтой байгаагүй, учир нь тэдний ихэнх нь бүтэцтэй VAR загварыг урьдач
үнднслэлээрээ няцаадаг. Харин бүтэцтэй VAR загварыг дэмжигчдийн зарим нь бүтэцтэй
VAR үр дүнгүүд DSGE загварчлалд нэмэлт мэдээлэл авч ирж байна гэж үздэг.

 Бүх DSGE загвар бүтэцтэй VAR хэлбэрт илэрхийлэгдэггүй. Фернандез-Вилаверде,

Рубио-Рамирез, Саржент ба Ватсон нар DSGE загвараас гарч ирэх өгөгдөл ямар
урвуутай байх нөхцөлүүдийг хангаж байж бүтэцтэй VAR хэлбэрт илэрхийлэгдэх
талаар авч үзсэн байдаг. Энэхүү баримт нь бүтэцтэй VAR загварын хувьд том
асуудал мөн эсэх нь тэдгээр нөхцөлүүдийг хангахгүй багйаа DSGE загварууд
практик ач холбогдолтой эсэхээс хамаарна.
 DSGE загварын логарифм-шугамчилсан тэнцвэрийн төлөвийн-огторгуйн
илэрхийлэл нь DSGE загварын ажиглагдах хувьсагчдын хувьд ихэнхдээ цомхон
хэлбэрийн VARM(p,q) процесс хэлбэртэй байдаг. Маш цөөн тохиолдолд л энэ нь
төгсгөлөг эрэмбийн VAR(p) процессын хэлбэрт оршдог. Загварын зарим
хувьсагчдыг интегралчилбал VARMA илэрхийллийн шинж чанар бүр илүү
өөрчлөгдөнө. Тохирох нөхцөлүүдийн хүрээнд ашиглагдах хувьсагчдын хувьд үүсэх
VARMA загварын урвууг олоод VAR(∞) загвар болгон илэрхийлэж болох бөгөөд
үүнийг цааш нь төгсгөлөг зэргийн VAR(k) процессуудын дараалал хэлбэртэй бичиж
болох бөгөөд k нь тодорхой хурдтайгаар түүврийн хэмжээтэй хамт өсөх ёстой.
 Практик VAR(∞ ) загварыг хзгаартай түүвэрт VAR(k)-ээр хэр сайн ойролцоолж
болох вэ гэсэн асуудал үүснэ. Өнөөдөр k-г хэрхэн сонгох вэ гэдэг асуудал
идэвхитэй судлагдаж байна. Үүний хариулт нь DSGE загварын яг аль тал нь бидэнд
сонирхолтой вэ гэдгээс хамаарна. Энэ бол нээлттэй судалгааны асуудал юм.

121
  Ойролцоо цомхон хэлбэрйин VAR(k) илэрхийлэл оршин байх шаардлага нь
бүтэцтэй VAR(k) загварын илэрхийлэл оршин байх зайлшгүй боловч хүрэлцээтэй
нөхцөл биш. Өөр нэг нэмэлт нөхцөл бол DSGE загварын шокын тоо VAR загварын
шокын тоотой тэнцүү байх нөхцөл юм. Бид ∑ u нь бүтэн рангтай байна гэсэн
нөхцөл тавьснаа эргэн саная. Энэ нь VAR загврт байгаа хувьсагчдын тоотой тэнцүү
тооны шок байх ёстой гэсэн үг. Хувьсагчдын тооноосоо цөөн шоктой DSGE
загварууд цөөнгүй байдаг.
 Урагшаа харсан үйл хөдлөлийн талаарх өмнөх ажиглалтууд мөн хүчинтэй. Симс
(Sims 2009)-ын үзэж буйгаар шокуудыг нь агентууд хүлээж байдаг DSGE загвараас
өгөгдөл үүссэн үед ажиглагдах хувьсагчдаас бүтсэн бүтэцтэй VAR илэрхийлэлд
төлөвийн хувьсагч дутдаг бөгөөд бүтэцтэй VAR загвараас жинхэнэ бүтцийн
шокуудыг гарган авах боломжгүй. Гэхдээ энэ нь тийм ч том асуудал биш байж
магадгүй юм байна гэсэн баримт байдаг. Төлөвийн-Огторгуйн илэрхийлэл
урвуутай байх нөхцөл ханагадахгүй байх үед ч гэс.н бүтэцтэй VAR загварын хариу
үйлдлүүдйин тавилын алдааны зэрэг нь бага байж болно.
Энэхүү хэлэлцүүлэг нь ерөнхий тохиолдолд бүтэцтэй VAR болон DSGE загваруудын
үнэлгээг харьцуулахдаа тун боломжтой байх ёстойг анхааруулж байна. DSGE загварын
төлөвийн огторгуй дахь илэрхийлэлийг Бейсын арга ашиглан үнэлж болдог болсон нь
бүтцийн импульс хариу үйлдлийг үнэлэхэд заавал VAR загвар ашиглах шаардлагагүй
болсонтой холбогдон ийм харьцуулалт сүүлийн үед маш их сонирхол татдаг болсон.
Гэхдээ үүнтэй зэрэгцээд DSGE загварууд нь дураараа загварчлалын сонголтод
мэдрэмтгийгээр зогсохгүй бүтцийн параметрүүдээр нь сул танигддаг байх сул талтай.

122