- •1. Определение эконометрики. Предмет и метод эконометрики.
- •2.Классификация моделей и типы данных.
- •3.Этапы построения эконометрической модели:
- •4. Модель парной регрессии.
- •5. Случайный член. Причины его существования.
- •6. Условия нормальной линейной регрессии (Гаусса-Маркова).
- •7. Метод наименьших квадратов.
- •8. Свойства коэффициентов регрессии.
- •9. Нелинейная регрессия. Методы линеаризации.
- •11. Интерпретация линейного уравнения регрессии.
- •12. Определение тесноты связи между факторами: линейный коэффициент корреляции, коэффициент детерминации.
- •13. Оценка тесноты связи в нелинейной регрессионной модели.
- •15. Взаимосвязь t-статистики и f-статистики для парной регрессии.
- •16. Коэффициент эластичности.
- •17. Оценка статистической значимости уравнения в целом. F-критерий Фишера
- •18. Модель множественной регрессии.
- •19. Ограничения модели множественной регрессии.
- •20. Идентификация параметров множественной регрессии мнк.
- •21. Интерпретация параметров уравнения множественной регрессии
- •22. Показатели тесноты связи во множественном регрессионном анализе – парные и частные коэффициенты корреляции.
- •23. Стандартизированное уравнение множественной регрессии.
- •24. Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.
- •25. Оценка статистической значимости множественных коэффициентов регрессии, t-критерий Стьюдента.
- •26. Модели с переменной структурой (фиктивные переменные).
- •27. Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
- •28. Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
- •29. Решение проблемы выбора модели (с ограничением и без ограничений).
- •30.Методы отбора факторов: априорный и апостериорный.
- •31. Гетероскедостичность и автокорреляция случайного члена.
- •32. Автокорреляция первого порядка и критерий Дарбина – Уотсона.
- •33. Тест серий (критерий Бреуша – Годфри)
- •34. Тест на гетероскедостичность: Голдфелда – Квандта, тест Уайта.
- •36. Структурная и приведенная формы модели.
- •37. Эндогенные и экзогенные переменные. Проблема идентифицируемости систем уравнений.
- •38. Оценивание параметров в системах одновременных уравнений: косвенный и двухшаговый мнк.
25. Оценка статистической значимости множественных коэффициентов регрессии, t-критерий Стьюдента.
Для оценки статистической значимости используется t-критерий. Процедура построения модели такая же как и для линейной модели
n-число параметров при переменной а
Для возможности обоснования применения линейной регрессии можно сравнить линейный и нелинейный коэффициент детерминации. Чем больше кривизна линейной регрессии, тем больше различаются эти 2 коэфф-та. Близость этих коэфф означает, что нет необходимости усложнять функциональную зависимость и можно использовать линейную функцию. Различие между коэфф-ми тестируется с помощью t-статистики Стьюдента.
(
Если tф > tкр, то различие существенно и использование линейной регрессии невозможно
Если tф < 2, то различие несущественно и можно использовать линейную функцию
Если ( ≤ 0,1, то делается вывод, что возможно использовать линейную функцию.
26. Модели с переменной структурой (фиктивные переменные).
В большинстве случаев независимые переменные имеют непрерывные области изменения, но существуют переменные, которые могут принимать всего два значения, в общем случае дискретное множество значений. Необходимость в таких переменных возникает в том случае, когда требуется включить в модель качественный признак.
Для отражения влияния качественного признака, используем переменную, принимающую дискретное множество значений, с помощью двух методов:
Переменная принимает столько значений, сколько градаций у качественного признака. Этот подход не удобен, т.к. затрудняет интерпретацию коэффициента при данной переменной.
Использовать набор дискретных бинарных переменных, причем количество переменных должно быть на единицу меньше, чем число градаций признака.
Невключенный в градацию модели уровень, называют эталонным.
Фиктивные переменные, которые в англоязычной литературе называются dummy, кроме способа задания значений этих переменных ничем не отличаются от обычных переменных. Качественное различие можно формализовать с помощью любой переменной, принимающей два значения, не обязательно 0 и 1. Но в экономической практике, как правило используют переменные типа 0,1, т.к. в этом случае интерпретацию параметра такой переменной выглядит наиболее естественно и просто. В случае если качественный признак принимает не два, а дискретное множество значений, то можно использовать либо фиктивную переменную, принимающую такое же значение, что и качественный признак, либо набор бинарных фиктивных переменных. В этом случае в модель включается на одну переменную меньше, чем число градаций признака. Невключенная переменная служит эталонной категорией, т.е. эталоном для сравнения. Выбор этой переменной не влияет на результаты. Изменяется лишь интерпретация соответствующих коэффициентов. Коэффициенты при фиктивных переменных, так же как и в обычном случае должны быть подвергнуты проверке на статистическую значимость. Процедура построения статистического критерия такая же, как и для обычных переменных.
Содержательный смысл формулируемых гипотез зависит от содержания самой переменной. Фиктивные переменные позволяют строить и оценивать кусочно-линейные модели, которые можно применять для исследования структурных изменений.