- •Формулировка основных (6-8) задач эконометрики (на примере)
- •Регрессия: условная вероятность, условная вероятность распределения, свойства условной вероятности двумерной вероятности распределения.
- •Парная и множественная линейные регрессии
- •Определяемая переменная. Определяющие переменные (факторы). Необходимое условия минимума функции нескольких переменных. Мнк.
- •Трендовые модели. Компоненты: тренд, сезонная, циклическая, календарная, инфляционная и стохастическая компоненты.
- •Классическая декомпозиция:
- •Десезонализация:
- •Теория и свойства оценок параметров регрессии: несмещенность, эффективность, состоятельность
- •Условия гаусса-маркова для стохастической компоненты.
- •Понятия гомо- и гетероскедастичности оценок регрессии.
- •Коэффициент детерминации как мера точности моделирования.
- •Оценка точности прогнозирования (понятие рабочей и контрольной выборок).
- •Практически важные модели парных регрессий: линейная, параболическая, обобщенная экспоненциальная, обратная, логистическая.
- •Структуры моделей регрессии: аддитивная, мультипликативная, аддитивно-мультипликативная (смешанная).
- •Дискретизация динамики социально-экономических показателей (теорема котельникова).
- •Модели динамики с распределенными лагами (виды лагов).
- •Методы идентификации койка моделей с распределенными лагами.
- •Метод ш. Алмон для моделей с распределенными лагами.
- •Метод (модель) адаптивных ожиданий для авторегрессионных моделей.
- •Метода (модель) частичной корректировки для авторегрессионных моделей.
- •Фиктивные переменные в эконометрике.
- •Методы экспоненциального и текущего сглаживания.
- •Модель хольта (линейного роста) и хольта-уинтерса.
- •Модель тейла-вейджа.
Практически важные модели парных регрессий: линейная, параболическая, обобщенная экспоненциальная, обратная, логистическая.
1) Линейная - регрессия, применяемая в статистике в виде четкой экономической интерпретации ее параметров: у = а+b*х+Е;
2) Параболическая: y=a+bx+bx2
3) Экспоненциальная регрессия
В своей основе эта модель предполагает, что распределение продолжительности жизни является экспоненциальным и связано со значениями некоторого множества независимых переменных (zi). Параметр интенсивности экспоненциального распределения выражается в виде:
S(z) = exp(a + b1*z1 + b2*z2 + ... + bm*zm)
Здесь S(z) обозначает время жизни, a - константа, а bi - параметры регрессии.
4) обратная - регрессия, приводимая к линейному виду, реализованная в стандартных пакетах прикладных программ вида: у = 1/(a + b*х+Е);
5) Логистическая регрессия применяется для предсказания вероятности возникновения некоторого события по значениям множества признаков. Для этого вводится так называемая зависимая переменная y, принимающая лишь одно из двух значений — как правило, это числа 0 (событие не произошло) и 1 (событие произошло), и множество независимых переменных (также называемых признаками, предикторами или регрессорами) — вещественных x1,x2,...,xn, на основе значений которых требуется вычислить вероятность принятия того или иного значения зависимой переменной:
Структуры моделей регрессии: аддитивная, мультипликативная, аддитивно-мультипликативная (смешанная).
Структуры моделей регрессии: аддитивная, мультипликативная, аддитивно-мультипликативная (смешанная).
Аддитивные модели представляют собой обобщение множественной регрессии (которая является частным случаем общей линейной модели). Используют операцию сложения Y = b0 + b1*X1 + .. bm*Xm
Мультипликативные модели используют операцию умножения
Аддитивно - мультипликативная модель , где - детерминированные функции времени, - стационарный случайный процесс.
Дискретизация динамики социально-экономических показателей (теорема котельникова).
Период динамики задается теоремой Котельникого, которая гласит:
На периоде колебаний должно быть 5-10 наблюдений, тогда наблюдения передают характер кривой с достаточной точностью.
Рисунок!
Модели динамики с распределенными лагами (виды лагов).
Модели с распределенными лагами. Лаговые переменные – переменные, влияние которых характеризуется определенным запаздыванием. Это модели, содержащие в качестве лаговых переменных лишь независимые переменные.
Эта модель говорит о том, что если в некоторый момент времени t происходит изменение независимой переменной х, то это изменение будет влиять на значения переменной у в течение l следующих моментов времени. Коэффициент регрессии b0 при переменной xt характеризует
среднее абсолютное изменение уt при изменении хt на 1 ед. своего измерения в некоторый фиксированный момент времени t, без учета воздействия лаговых значений фактора x. Этот коэффициент называют краткосрочным мультипликатором.
В момент (t+1) совокупное воздействие факторной переменной xt на результат уt , составит (b0 + b1) усл. ед., в момент (t+2) это воздействие можно охарактеризовать суммой (b0+b
1+b2) и т. д. Полученные таким образом суммы называют промежуточными мультипликаторами. Введем следующее обозначение: b0 +b1 +.+bl =b Величину b называют долгосрочным мультипликатором. Он показывает абсолютное изменение в долгосрочном периоде t + l результата у под влиянием изменения на 1 ед. фактора х.
Лаговые переменные – переменные, влияние которых характеризуется определенным запаздыванием. Это модели, содержащие в качестве лаговых переменных лишь независимые переменные.
Рисунки!!!
1. Средний лаг определяется по формуле средней арифметической взвешенной: и представляет собой средний период, в течение которого будет происходить изменение результата под воздействием изменения фактора в момент времени t. Небольшая величина среднего лага свидетельствует об относительно быстром реагировании результата на изменение фактора, тогда как высокое его значение говорит о том, что воздействие фактора на результат будет сказываться в течение длительного периода времени.
2. Медианный лаг — это величина лага, для которого Это тот период времени, в течение которого с момента времени t будет реализована половина общего воздействия фактора на результат.