Л. Н. Слуцкин
Список книг автора Л. Н. Слуцкин«Multiway data analysis» и общая задача ранжирования журналов
В работе представлен принципиально новый алгоритм ранжирования (на примере экономических журналов), в котором использован «Multiway data analysis» применительно к результатам социологического опроса представителей экономического сообщества. Созданный алгоритм обеспечивает определение весовой функции агрегирования частных рейтингов с учетом статистически выявляемых различий между респондентами и весов журналов, отражающих латентные соотношения между всеми составляющими процесса измерения характеристик журналов. Его центральным элементом является итеративная процедура определения ядра журналов и выделения на ее основе подмножества экспертов, оценки которых позволяют определить агрегированные рейтинги журналов с их последующей кластеризацией. Практическим итогом выполненного исследования является методологическое и инструментальное обоснование ранжирования российских экономических журналов и выделение на этой основе пяти категорий периодических изданий.
Определение априорного распределения в байесовском анализе при наличии исходной информации, основанное на минимизации информационной метрики
В статье предлагается формальное правило, основанное на минимизации информационной метрики Кульбака–Лейблера, для определения априорного распределения при наличии информации, полученной из предыдущих наблюдений. В отличие от обычных предположений в эмпирическом байесовском анализе, в данной работе не требуется независимость параметров, рассматриваемых как случайные величины, соответствующие различным наблюдениям. Показано, что в случае, когда наблюдения, зависящие от параметра, и сам параметр распределены по нормальному закону, предлагаемое правило приводит к ML–II априорному распределению. Однако в случае регрессионного уравнения коэффициенты регрессии, полученные методом минимизации метрики Кульбака–Лейблера, отличаются от оценок, полученных при ML–II подходе. Также показано, что для нормальных распределений метрика Кульбака–Лейблера достигает асимптотически единственного минимума на истинном априорном распределении.
Обобщенный метод моментов
Мы продолжаем обзор наиболее значительных достижений в эконометрической науке, еще не достаточно полно освещенных в отечественной литературе. Обобщенный метод моментов – ОММ (generalized method of moments – GMM) был введен в эконометрику Л. Хансеном [Hansen (1982)] и является одновременно обобщением метода моментов (ММ) и метода наименьших квадратов (МНК) для оценки параметров модели. В статье мы рассмотрим применение ОММ для нахождения оценок параметров модели линейной регрессии.
Анализ стабильности модели линейной регрессии во времени
В статье рассматривается несколько наиболее распространенных тестов на стабильность во времени классической модели линейной регрессии. Отдельно изучается случай, когда момент возможного структурного изменения заранее неизвестен.
Инфляция и фондовый рынок: CPI и S&P 500
В статье дается эмпирический/статистический анализ влияния изменений в индексе фондового рынка S&P 500 на инфляционные процессы в американской экономике на временном промежутке 1951—2008 гг. Показано, что имеется статистически значимая разница в изменениях индекса потребительских цен CPI в зависимости от положительной (отрицательной) динамики изменений индекса S&P 500.
Статистический анализ инфляционных процессов в промышленных секторах американской экономики, 1959–1996 гг.
В статье изучается динамика ежегодного роста индексов цен в 459 промышленных секторах американской экономики в 1959–1996 гг. Установлено, что существует устойчивая, хотя и незначительная, отрицательная корреляция между секторальным ростом индекса цен и темпами роста производства. В то же время имеется весьма значительная положительная корреляция между средним уровнем инфляции и ее стандартным отклонением по годам.
Байесовский анализ, когда оцениваемый параметр является случайным нормальным процессом
Рассмотрена задача байесовского оценивания последовательности неизвестных средних значений θ1,θ2,…,θk,… по имеющимся наблюдениям X1,X2,…,Xk,… в ситуации, когда наблюдения X1,X2,…, Xk подчиняются многомерному нормальному распределению с вектором средних (θ1,θ2,…,θk) и известной ковариационной матрицей. Предполагается, что параметры θ1,θ2,…,θk,… образуют гауссовский процесс. Доказывается сходимость (при k→∞) ковариационных матриц частного апостериорного распределения последовательности параметров; подробно анализируется пример, в котором размерность наблюдений X1,X2,…,Xk,… полагается равной единице, а последовательность θ1,θ2,…,θk,… образует гауссовский процесс авторегрессии первого порядка.