lag

Lag er den tidsforsinkelse, som én variabel i en statistisk model påvirker en anden med. Begrebet optræder i mange modeller inden for fx økonomi og teknik, hvor variables udvikling på forskellige tidspunkter er sammenkædet.

Et eksempel på lag er, at en stigning i verdensmarkedsprisen for kaffe i en måned først vil kunne ses på kaffeprisen i danske butikker en måned senere (altså lag 1) og måske i et lavere kaffeforbrug flere måneder senere (lag 2).

I et simpelt eksempel kan en variabel \(y_t\) observeret i måneden \(t\) afhænge af sin egen værdi, \(y_{t-1}\) måneden før (altså lag 1) samt værdien af en anden variabel \(z_{t-2}\) to måneder tidligere (lag 2) ved udtrykket \[y_t =\phi y_{t-1}+\theta z_{t-2}+\epsilon_t\] Her betegner \(\phi\) den andel af \(y_{t-1}\), der overføres til \(y_t\), og tilsvarende betegner \(\theta\) den del af \(z_{t-2}\), der overføres. Resten \(\epsilon_t\) betegner alt andet, der påvirker \(y_t\).