- •Содержание
- •Автокорреляция случайного возмущения. Причины. Последствия.
- •Алгоритм проверки адекватности парной регрессионной модели.
- •Алгоритм проверки значимости регрессора в парной регрессионной модели
- •4. Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •5. Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений.
- •6.Гетероскедастичность случайного возмущения. Причины.
- •7.Динамическая модель из одновременных линейных уравнений (привести пример)
- •8.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
- •Необходимое условие идентифицируемости
- •9. Индивидуальная оценка значения зависимой переменной
- •10. Интервальная оценка индивидуального значения зависимой переменной
- •11.Классическая парная регрессионная модель. Спецификация модели.
- •12.Коэффициент детерминации в регрессионной модели.
- •13.Ковариация, коэффициент корреляции и индекс детерминации.
- •14.Количественные характеристики взаимосвязи пары случайных переменных
- •15.Коэффициент корреляции и индекс детерминации.
- •16.Линейная модель множественной регрессии
- •17.Метод наименьших квадратов: алгоритм метода; условия применения
- •18.Метод показателей информационной ёмкости
- •19.Методы подбора переменных в модели множественной регрессии
- •20.Методы сглаживания временного ряда.
- •21, 52. Модели временных рядов
- •22.Модели с бинарными фиктивными переменными
- •23.Модели с частичной корректировкой
- •24.Настройка модели с системой одновременных уравнений.
- •25, 26. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов
- •27.Нормальный закон распределения как характеристика случайной переменной
- •28.Обобщённый метод наименьших квадратов
- •29, 30. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение
- •31. Определение соответствия распределения случайных возмущений нормальному закону распределения
- •32. Основные числовые характеристики вектора остатков в классической множественной регрессионной модели.
- •33.Отражение в модели влияния неучтённых факторов
- •34.Отражение в эконометрических моделях фактора времени
- •35, 36, 45.Оценивание линейной модели множественной регрессии в Excel
- •37.Оценивание регрессионной модели с фиктивной переменной наклона
- •38.Оценка коэффициентов модели Самуэльсона-Хикса
- •39. Оценка параметров множественной регрессионной модели методом наименьших квадратов
- •40. Оценка параметров парной регрессионной модели методом наименьших квадратов
- •41. Оценка статистической значимости коэффициентов модели множественной регрессии.
- •Ситуации
- •42. Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •43. Подбор переменных в модели множественной регрессии методом «снизу вверх»
- •44. Подбор переменных в модели множественной регрессии методом исключения переменных («сверху вниз»).
- •46. Последствия гетероскедастичности. Тест gq
- •47. Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии
- •48. Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных
- •49. Принципы спецификации эконометрических моделей и их формы
- •50. Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности
- •51. Прогнозирование экономических переменных. Проверка адекватности модели
- •53.Регрессионные модели с фиктивными переменными.
- •54.Свойства временных рядов
- •55.Составление спецификации модели временного ряда.
- •56, 57. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •58.Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений.
- •59.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •60.Статистические свойства оценок параметров парной регрессионной модели
- •61.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •62.Схема Гаусса – Маркова
- •63.Теорема Гаусса-Маркова
- •64. Тест ошибочной спецификации Рамсея.
- •Тест Стьюдента
- •66, 67. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •68. Устранение автокорреляции в парной регрессии
- •69. F-тест качества спецификации множественной регрессионной модели.
- •70. Фиктивная переменная наклона: назначение; спецификация
- •71.Функция регрессии как оптимальный прогноз
- •72.Характеристики сервиса «Описательная статистика».
- •73. Метод наибольшего прадоподобия
- •Последовательность решения:
- •74. Что такое стационарный процесс
- •75. Эконометрика, её задача и метод.
- •76.Экспоненциальное сглаживание временного ряда
- •77. Этапы построения эконометрических моделей
- •78. Этапы решения экономико-математических задач.
21, 52. Модели временных рядов
Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов. Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов.
Каждый уровень временного ряда формируется из трендовой (T), циклической (S) и случайной (Е) компонент.
Модели, в которых временной ряд представлен как сумма перечисленных компонент, - аддитивные модели Y = Т + S + Е, как произведение - мультипликативные модели временного ряда: Y=T* S • Е, где Т- тренд, S- сезонная составляющая, Е – случайная составляющая
Модели временных рядов
• тренда: y(t) = T(t) +ξt
где t – время; T(t) - временной тренд заданного параметрического вида (например, линейный T(t) = a + bt); ξt - случайная (стохастическая) компонента;
• сезонности: y(t) = S(t) + ξt
где S(t) - периодическая (сезонная) компонента, ξt - случайная (стохастическая) компонента.
• тренда и сезонности: y(t) = T(t) + S(t) + ξt (аддитивная) или y(t) = T(t)S{t) + ξt (мультипликативная), где T(t) - временной тренд заданного параметрического вида; S(t) - периодическая (сезонная) компонента; ξt - случайная (стохастическая) компонента.
Кроме того, существуют модели временных рядов, в которых присутствует циклическая компонента, формирующая изменения анализируемого признака, обусловленные действием долговременных циклов экономической демографической или астрофизической природы (волны Кондратьева, циклы солнечной активности и т.д.).
22.Модели с бинарными фиктивными переменными
Термин “фиктивные переменные” используется как противоположность “значащим” переменным, показывающим уровень количественного показателя, принимающего значения из непрерывного интервала. Как правило, фиктивная переменная — это индикаторная переменная, отражающая качественную характеристику. Чаще всего применяются бинарные фиктивные переменные, принимающие два значения, 0 и 1, в зависимости от определенного условия. Например, в результате опроса группы людей 0 может означать, что опрашиваемый - мужчина, а 1 - женщина. Могут быть разного рода атрибутивные признаки, такие, например, как профессия, пол, образование, климатические условия, принадлежность к определенному региону.
К фиктивным переменным иногда относят регрессор, состоящий из одних единиц (т.е. константу, свободный член), а также временной тренд.
Фиктивные переменные, будучи экзогенными, не создают каких-либо трудностей при применении ОМНК. Фиктивные переменные являются эффективным инструментом построения регрессионных моделей и проверки гипотез.
23.Модели с частичной корректировкой
В экономической практике часто приходится моделировать не фактические значения эндогенной переменной, а ее ожидаемое или целевое значение. Такие модели получили название модели частичной корректировки. Общий вид такой модели следующий:
(3.1)
y*t –желаемое значение эндогенной переменной в текущий момент времени
yt-1 – значение эндогенной переменной в предыдущий период времени
xt – текущее значение экзогенной переменной
При этом значения переменной y*t наблюдению не поддаются
Равенство во втором уравнении модели (3.1) моделирует процесс настройки реального уровня эндогенной переменной на ее ожидаемый уровень. Константа λ характеризует скорость настройки
Второе равенство модели можно записать так: (3.2)
При λ=1 настройка происходит мгновенно
При λ=0 Настройка не осуществима
Подставив первое уравнение модели (3.1) в (3.2) получим выражение 3.3:
Модель (3.3) имеет стохастический регрессор yt-1, однако он не коррелирует со случайным возмущением ut , но коррелирует со случайным возмущением ut-1, поэтому оценку модели (3.3) необходимо проводить по выборке большого объема
Оценив параметры модели (3.3), получим оценки всех необходимых параметров: λ, а0 и а1