- •Содержание
- •Программа по эконометрике (35-36 группы)
- •Раздел I. Теория Глава 1. Определение эконометрики
- •1.1 Предмет эконометрики
- •Типы данных
- •Классы моделей
- •1.4 Оценивание моделей
- •1.5 Типы зависимости
- •1.6 Основные этапы эконометрического моделирования
- •Глава 2. Методы и модели анализа динамики экономических процессов
- •2.1 Понятие экономических рядов динамики
- •2.2 Предварительный анализ и сглаживание временных рядов
- •Метод проверки разности средних уровней
- •Метод Фостера-Стьюарта
- •Сглаживание
- •Метод простой скользящей средней
- •2.3 Оценка адекватности и точности трендовых моделей
- •Проверка точности
- •2.4 Трендовые модели на основе кривых роста
- •Классификация моделей
- •2.6 Модель Брауна (модель экспоненциального сглаживания)
- •Этапы построения модели Брауна первого порядка
- •2.7 Прогнозирование экономической динамики на основе трендовых моделей
- •Глава 3. Парная регрессия
- •Корреляция
- •Глава 4. Множественная регрессия и корреляция
- •4.1 Выбор формы уравнения регрессии
- •4.2 Определение мультиколлинеарности
- •1 Способ
- •2 Способ
- •Оценка значимости коэффициентов регрессии
- •4.3 Предпосылки метода наименьших квадратов
- •4.4 Метод Гольдфельдта-Квандта (для однофакторной модели)
- •Глава 5. Системы эконометрических уравнений
- •5.1 Понятие о системах уравнений
- •5.2 Структурная и приведенная формы модели
- •5.3 Проблема идентификации
- •Необходимое условие идентификации
- •Достаточные условия идентификации
- •5.4 Косвенный метод наименьших квадратов (кмнк)
- •5.5 Двухшаговый метод наименьших квадратов (дмнк)
- •Глава 6. Моделирование временных рядов (без учета сезонности)
- •Построение аддитивной и мультипликативной модели
- •Приложение
2.7 Прогнозирование экономической динамики на основе трендовых моделей
Схема прогнозирования:
предварительный анализ (проверка на аномальность, наличие тренда);
формирование набора моделей;
численное оценивание параметров модели (нахождение параметров aиb);
проверка на адекватность;
оценка точности адекватных моделей;
выбор лучшей модели;
получение точного и интервального прогнозов;
верификация прогноза.
Точный прогноз– это прогноз, которым называется единственное значение прогнозируемого показателя. Это значение определяется подстановкой в уравнение выбранной кривой роста (регрессии, тренда) величины времениt, соответствующей периоду упреждения.
L=t+n; L=10
L=t+k; L=11
Интервальный прогноз– это интервал значений, в котором с достаточной долью уверенности можно ожидать появление прогнозируемой величины (используется доверительный интервал).
- точечный прогноз
- значениеtкритерия Стьюдента
Глава 3. Парная регрессия
Парная регрессия представляет собой регрессию между двумя переменными - и, т.е. модель вида:, где
- зависимая переменная (результативный признак)
- независимая, или объясняющая, переменная (признак – фактор)
Корреляция
Линейный коэффициент парной корреляции для линейной регрессии:
,
Линейный коэффициент корреляция оценивает тесноту связи рассматриваемых признаков (x, y)
Если
(0,3 ; 0,5) - связь слабая
(0,5 ; 0,7) - связь умеренная
(0,7 ; 0,8) - связь достаточно тесная
(0,8 ; 0,9) - связь тесная
(0,9 ; 1) - связь очень тесная
Индекс корреляции для нелинейной регрессии:
,
Оценка качества построенной модели дает коэффициент (индекс) детерминации и среднюю ошибку аппроксимации.
Долю дисперсии, объясняемую регрессией в общей дисперсии результативного признака (y) характеризуеткоэффициент детерминации:
,
Данные формулы справедливы, если:
,(1)=0
Если , то
Средний коэффициент эластичности показывает на сколько процентов в среднем по совокупности изменится результатyот своей средней величины при изменении фактораxна 1% от своего среднего значения.
,
F-тест оценивает качество уравнения регрессии.
Выдвигается гипотеза H0, которая говорит о статистической незначимости уравнения регрессии и показателя тесноты связи.
n– число уровней
m– число параметров при переменныхx
Fрасчетное сравнивают с табличным значением.
Если , то гипотеза отклоняется, т.е. уравнение значимо и надежно.
Для оценки статистической значимости коэффициентов регрессии и корреляции используют t-критерий Стьюдентаидоверительные интервалы каждого из показателей.
Выдвигается гипотеза H0, которая говорит о случайно природе показателей.
;;ma- случайная ошибка
;;mb- случайная ошибка
;;mr- случайная ошибка
ta , tb, tr сравнивают с табличными значениями.
Если , то гипотеза отклоняется, т.е.a,b,rнеслучайно отличаются от нуля и сформировались под влиянием систематических действий фактораx.
Глава 4. Множественная регрессия и корреляция
4.1 Выбор формы уравнения регрессии
y– результирующий признак (зависимая переменная)
x1,x2, … ,xn– факторы (независимые переменные)
Для построения уравнения множественной регрессии используются следующие функции:
Линейная:
Для построения используют Анализ данных Регрессия.
Степенная:
Экспоненциальная:
Гиперболическая:
Логарифмическая:
Для построения используют МНК.
;; … ;
Другой вид уравнения множественной регрессии – это уравнение регрессии в стандартизированном масштабе.
- стандартизированные коэффициенты
,- стандартизированные переменные
,
;
Также применим МНК.
Связь коэффициентов множественной регрессии bi со стандартизированными коэффициентами:
;
Вариация:
Ковариация:
Матрицу парных коэффициентов корреляции можно найти, используя Анализ данных Корреляция.
Пример:
-
y
x1
x2
y
1
x1
0,7
1
x2
-0,8
0,5
1
Если , то связь обратная. Если, то связь прямая. Если, то связь слабая.
Необходимо, чтобы ,
Если , то присутствует явлениемультиколлинеарности(линейная зависимость факторов). Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по определенным факторам с помощью МНК.