- •2.Автокорреляция случайного возмущения. Причины. Последствия.
- •4.Автокорреляция. Методы устранения автокорреляции
- •5.Алгоритм проверки адекватности парной регрессионной модели
- •6.Алгоритм проверки значимости регрессора в парной регрессионной модели
- •7.Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •8.Выбор типа математической функции при построении уравнения регрессии
- •9 Выведите формулы вычисления коэффициентов модели парной регрессии
- •10.Выведите формулы вычисления параметров модели парной регрессии
- •11.Гетероскедастичность - понятие, проявление и меры устранения.
- •12.Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq.
- •13.Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •21.Индивидуальная и интервальная оценка индивидуального значения зависимой переменной
- •22.Интервальная оценка параметров уравнения парной регрессии
- •23.Классическая парная регрессионная модель. Спецификация модели. Теорема Гаусса – Маркова.
- •24.Ковариация, коэффициент корреляции и индекс детерминации
- •25.Количественные характеристики взаимосвязи пары случайных переменных.
- •26. Косвенный метод наименьших квадратов для оценки параметров структурной формы модели
- •28. Коэффициент корреляции и индекс детерминации в регрессионной модели.
- •29. Линейная модель множественной регрессии
- •30. Метод Монте-Карло, его применение в эконометрике
- •31. Метод наименьших квадратов: алгоритм метода; условия применения. Обобщённый метод наименьших квадратов
- •32. Модели с бинарными (фиктивными) переменными.
- •33. Моделирование тенденции временных рядов (аналитическое выравнивание)
- •34. Мультиколлинеарность факторов – понятие, проявление и меры устранения
- •35. Назначение теста Голдфелда-Квандта, этапы его проведения.
- •36. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов.
- •37.Нелинейная регрессия (линеаризация, оценка параметров)
- •38.Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение.
- •39.Основные числовые характеристики вектора остатков в классической множественной регрессионной модели
- •40.Отражение в модели влияния неучтённых факторов и времени.
- •42.Оценка адекватности полученной эконометрической модели (см. 5)
- •43.Оценка коэффициентов модели Самуэльсона-Хикса
- •44.Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •45. Оценка параметров парной регрессионной модели методом наименьших квадратов.
- •46.Оценка параметров эконометрической модели
- •47.Оценка статистической значимости коэффициентов модели множественной регрессии. (см. 6)
- •48.Подбор объясняющих переменных множественной линейной модели. Алгоритм исключения квазинеизменных переменных
- •49.Подбор объясняющих переменных множественной линейной модели. Метод анализа матрицы коэффициентов корреляции.
- •50.Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •51.Понятие гомоскедастичности и гетероскедастичности случайных возмущений, их графическая интерпретация.
- •52.Порядок оценивания линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel
- •53.Последствия гетероскедастичности. Тест Голдфелда-Квандта.
- •54.Предпосылки метода наименьших квадратов
- •55.Применение обобщенного метода наименьших квадратов (омнк) для случая гетероскедастичности остатков.
- •56.Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии.
- •57.Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных.
- •58 Принципы спецификации эконометрических моделей и их формы
- •59.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности.
- •60.Проверка качества эконометрической модели См.5
- •61.Прогнозирование экономических переменных. Проверка адекватности модели. См.5
- •62 Простейшие модели временных рядов. Их свойства
- •63.Регрессионные модели с фиктивными переменными.
- •64.Роль вектора и матрицы корреляции множественной линейной модели при подборе объясняющих переменных.
- •65.Свойства дисперсии случайной переменной
- •66.Случайные переменные и их характеристики.
- •67.Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор формы уравнения множественной регрессии.
- •68 Составление спецификации модели временного ряда
- •69.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам
- •70 Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений
- •71.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •72.Статистические свойства оценок параметров парной регрессионной модели.
- •73.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •74.Суть метода наименьших квадратов. Его графическое пояснение
- •75.Схема Гаусса – Маркова.
- •76.Схема построения эконометрической модели.
- •77.Теорема Гаусса – Маркова.
- •78.Тест Дарбина – Уотсона, последовательность его выполнения.
- •79.Тест Стьюдента.
- •80. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •81. Устранение автокорреляции в парной регрессии. (см. 4)
- •82. Функция регрессии как оптимальный прогноз.
- •83. Цели и задачи эконометрики. Этапы процесса эконометрического моделирования. Классификация эконометрических моделей.
- •84. Эконометрика, её задача и метод.
- •85. Эконометрическая инвестиционная модель Самуэльсона-Хикса.
- •87. Этапы исследования зависимостей между экономическими явлениями при помощи эконометрической модели. Принципы спецификации модели. Формы эконометрических моделей.
- •88. Этапы построения эконометрических моделей
29. Линейная модель множественной регрессии
Построение модели множественной регрессии является одним из методов характеристики аналитической формы связи между зависимой (результативной) переменной и несколькими независимыми (факторными) переменными.
Модель множественной регрессии строится в том случае, если коэффициент множественной корреляции показал наличие связи между исследуемыми переменными.
Общий вид линейной модели множественной регрессии: yi=β0+β1x1i+…+βmxmi+εi,
где yi – значение i-ой результативной переменной,
i = 1,…,n
x1i…xmi – значения факторных переменных;
β0…βm – неизвестные коэффициенты модели множественной регрессии;
εi – случайные ошибки модели множественной регрессии.
При построении нормальной линейной модели множественной регрессии учитываются пять условий:
1) факторные переменные x1i…xmi – неслучайные или детерминированные величины, которые не зависят от распределения случайной ошибки модели регрессии βi;
2) математическое ожидание случайной ошибки модели регрессии равно нулю во всех наблюдениях:
E(εi) = 0 (i = 1,…,n)
3) дисперсия случайной ошибки модели регрессии постоянна для всех наблюдений:
D(εi) = E(ε2i) = G2 = const
4) между значениями случайных ошибок модели регрессии в любых двух наблюдениях отсутствует систематическая взаимосвязь, т.е. случайные ошибки модели регрессии не коррелированны между собой (ковариация случайных ошибок любых двух разных наблюдений равна нулю):
Cov(εi, εj) = E(εi, εj) = (I не равно j)
Это условие выполняется в том случае, если исходные данные не являются временными рядами;
30. Метод Монте-Карло, его применение в эконометрике
Эксперимент по методу Монте-Карло — это эксперимент, основанный на компьютерном моделировании случайных величин. Суть метода Монте-Карло заключается в том, что с помощью компьютера можно многократно наблюдать случайную величину с заранее известным распределением. Это позволяет получить (или проверить) статистические результаты экспериментально. Метод широко применим не только в эконометрическом моделировании, но и вообще в статистическом исследовании. Так, с его помощью можно оценивать вероятности событий, связанных со случайными величинами.
Приведем простейший пример. Пусть X имеет равномерное распределение на отрезке
[—1; 1], Y — нормальное распределение с математическим ожиданием, равным нулю, и дисперсией равной единице. Требуется оценить вероятность того, что случайная величина Z=XY^ примет значение на отрезке [0;1].
Регрессионная программа позволит сгенерировать серию выборочных наблюдений величины произвольного, заранее выбранного объема. Вот как, например, выгладит гистограмма распределения Z, полученная с помощью программы «Econometric Views»
В серии из четырехсот наблюдений величина Z приняла значение на интервале [0; 1] 173 раза. Таким образом, экспериментальной оценкой вероятности можно считать 173/400 = 0,4325. В эконометрическом моделировании значение метода Монте- Карло особенно велико. С его помощью можно построить модель с з а р а н е е и з в е с т н ы м и параметрами (отметим еще раз, что в реальных моделях параметры никогда не бывают известны). Метод Монте-Карло позволяет проверить экспериментально результаты, полученные теоретически. В качестве примера рассмотрим задачу выбора спецификации модели. Пусть имеются фиксированные выборки переменных X, Z, а случайные выборки переменной Y генерируются по формуле
Y= 12 + 8X+Z +ε,
где ε — нормально распределенная случайная величина с математическим ожиданием, равным нулю, и стандартным отклонением, равным пяти.
Методом наименьших квадратов оцениваются модели, включающие переменную Zn не включающие ее. Эксперимент повторяется четыре раза. Получаются следующие
регрессионные уравнения:
у = 12,3 + 7,8х + 0,1 Z; у = 12,1 + 7,9JC ;
(0,09) (0,08)
y = ll,6 + 8,lx + l,2z; y = ll,8 + 8,15x;
(0,09) (0,08)
y = 11,4 + 8,08x + l,3z ; y = 11,8 + 8,12x
(0,09) (0,08)
y = 12,8 + 7,93x -h 0,8z; y = 12,1 + 7,99x
(0,09) (0,08)
Как видно, оценка параметра при переменной х в короткой модели оказывается смещенной вверх. В то же время точность оценок близка в обоих случаях. Разумеется, в реальной практике эксперимент должен повторяться не четыре раза, а значительно большее количество раз.
С помощью метода Монте-Карло можно наглядно демонстрировать результаты применения тестов, а также экспериментально оценить последствия нарушения тех или иных условий.
Наконец, отметим особенно значимую роль экспериментов по методу Монте-Карло в процессе обучения. Именно с помощью таких экспериментов можно увидеть различия между методами оценивания моделей, наблюдать эффекты, вызванные нарушением тех или иных условий и т. д