Šiame darbe remiantis pinigų paklausos metodu vertinamas paklaidų korekcijos modelis (VECM), kurio pagalba gaunamas šešėlinės ekonomikos masto Lietuvoje įvertis, 1995 – 2010 metų laikotarpiu. Didelis dėmesys skiriamas šešėlinės ekonomikos sampratai, apibrėžimui, ją lemiantiems veiksniams, pateikiama vertinimo metodų apžvalga, taip pat skiriamas dėmesys modelyje naudojamų kintamųjų nestacionarumo ir kointegruotumo problemai. Gauti rezultatai atskleidžia, jog šešėlinės ekonomikos dinamiką galima suskirstyti į tris laikotarpius: 1995 – 1999 metų pirmoji pusė kuriame šešėlinė ekonomika buvo aukščiausiame lygyje (nagrinėjamu laikotarpiu), t.y. vidutiniškai ~40,2 % nuo BVP. Antrasis laikotarpis – akivaizdus šešėlio mažėjimo periodas, užsitęsęs laikotarpyje nuo 1999 metų antrosios pusės iki pasaulinės krizės pradžios 2008-ųjų viduryje. Šiuo laikotarpiu vidutinis šešėlio mastas buvo apie 31,3 % nuo BVP, o laikotarpio pabaigoje buvo net nukritęs iki 26 % nuo BVP. Ir trečiasis periodas laikotarpyje nuo 2008-ųjų metų II-ojo ketvirčio iki 2010 metų pabaigos, kai krizės pasėkoje vėl išaugo šešėlio mastas iki 32-34 % nuo BVP. Įverčius palyginus su kitų tyrimų rezultatais matyti kad šie skiriasi, nors svyravimų kryptys sutampa. Ekonometrinė analizė atliekama naudojant Eviews 6 ir MS Excel programinę įrangą. / In this paper, we estimate the size and the evoliuton of shadow economy in Lithuania over the period 1995 – 2010, using a vector error correction model (VECM). A special attention was given to definition of the shadow economy and the main causes of determining the shadow economy. Also the short review of methods how to estimate shadow economy was presented. A big attention was givent to non-stationarity and cointegration of variables. The results indicate that in Lithuania we can bring three different periods of shadow economy dynamics: at the first one between 1995 – 1999QII the highest level is recorded, the average approximately 40,2 % of GDP. In later period till world crisis begins in midle of 2008, we have all time decreasing level of shadow economy. The average approximately 31,3 % of GDP, and the minimum value 26 % of GDP reaches at the end of mentioned period. During 2008QIV – 2010 period shadow ecomony increases to 32-34 % of GDP. This estimate we compare with other searches, and the result we get is at different levels of GDP, but the direction of the curves is the same. Econometric analysis is performed using Eviews 6 and MS Excel packages.

Baigiamajame magistro darbe yra nagrinėjamas Baltijos šalių – Lietuvos, Latvijos ir Estijos BVP, jo kitimo tendencijos bei pagrindiniai makroekonomikos rodikliai – galutinio vartojimo išlaidos, prekių ir paslaugų importas bei eksportas, investicijos, užimtųjų darbo rinkoje skaičius bei BVP defliatorius. Išnagrinėti šių rodiklių apibrėžimai bei ekonominė prasmė, taip pat apžvelgta sukaupta mokslininkų patirtis modeliuojant juos. Siekiant išsiaiškinti ryšius tarp šių rodiklių atlikta koreliacijų bei Grangerio priežastingumo analizė. Modeliuojant, visų pirma, rasti ilgalaikiai sąryšiai tarp kintamųjų, o po to kiekvienai šaliai specifikuotas paklaidų korekcijos modelis bei įvertintas šio modelio tikslumas. Išnagrinėjus praktinius ir teorinius aspektus, pateikiamos baigiamojo darbo išvados ir pasiūlymai. Darbą sudaro 5 dalys: įvadas, analitinė - metodinė dalis, tiriamoji dalis, išvados ir pasiūlymai, literatūros sąrašas. Darbo apimtis – 112 p. teksto be priedų, 60 iliustr., 35 lent., 28 bibliografiniai šaltiniai. Atskirai pridedami darbo priedai. / The gross domestic product of the Baltic States – Lithuania, Latvia and Estonia, has been examined in the master thesis. Trends of the GDP and the main macroeconomic indicators – gross final consumption expenditure, imports and exports of goods and services, investment, labor force and GDP deflator have been analyzed. The definitions of these indicators and an economic sense, as well as researchers' experience in modeling, have been examined. In order to establish the relationship between these variables, analysis of the correlation and Granger causality test has been performed. In particular, modeling started with the finding of the long – term relationship between selected indicators. After that the error correction model has been specified and the accuracy of this model has been estimated. After the examination of the practical and theoretical aspects, the conclusions and recommendations have been presented. Structure: introduction, analytical – methodical part, research part, conclusions and suggestions, references. Thesis consists of: 112 p. text without appendixes, 60 pictures, 35 tables, 28 bibliographical entries. Appendixes included.