- •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
4.2 Определение мультиколлинеарности
1 Способ
Для выявления мультиколлинеарности используют матрицу парных коэффициентов.
Пример:
-
y
x1
x2
x3
y
1
x1
0,8
1
x2
0,7
0,8
1
x3
0,6
0,5
0,2
1
Т.к. , то существует линейная зависимость междуx1иx2, т.е.x1иx2одновременно в модели присутствовать не могут. Предпочтение отдается не фактору, тесно связанному с результативным признаком, а фактору, который при достаточно тесной связи с результативным признаком имеет наименьшую тесноту связи с другими факторами.
2 Способ
Для выявления мультиколлинеарности используют определитель матрицы парных коэффициентов.
Необходимо дозаполнить матрицу парных коэффициентов.
Если бы факторы не коррелировали между собой, то матрица парных коэффициентов корреляции была бы единичной матрицей. Определитель единичной матрицы равен единице. Следовательно, чем ближе определитель матрицы парных коэффициентов корреляции к единице, тем меньше коррелируют факторы; чем ближе определитель матрицы парных коэффициентов корреляции к нулю, тем сильнее мультиколлинерность и ненадежнее результаты множественной регрессии.
Тесноту совместного влияния факторов на результат оценивает индекс множественной корреляции.
Для линейной зависимости:
Для нелинейной зависимости:
;
Качество построенной модели в целом оценивает коэффициент детерминации: коэффициент множественной детерминации рассчитывается как квадрат индекса множественной корреляции.
Скорректированный индекс множественной корреляции на число степеней свободы:
,n– число наблюдений,m– число факторов
Значимость уравнения множественной регрессии в целом оценивается с помощью f критерия Фишера.
Рассчитанное значение сравнивают с табличным . Если, то уравнение значимо.
Оценка значимости коэффициентов регрессии
Данную оценку проводят с помощью t критерия Стьюдента, использую Анализ данныхРегрессия. В таблице в столбецtкоэффициенты (tрасчетное). Если, то коэффициент регрессии значим.
4.3 Предпосылки метода наименьших квадратов
Для применения МНК требуется, чтобы дисперсия остатков была гомоскедастичной, т.е. для каждого значения фактораxiостаткиимеют одинаковую дисперсию. Если это условие не соблюдается, то имеет местогетероскедастичность.
После построения уравнения регрессии проводится проверка свойств оценок . Они должны быть:
несмещенными;
состоятельными;
эффективными.
Несмещенностьявляется желательным и означает, что математическое ожидание остатков равно нулю. Следовательно, при большом числе выборочных оценок остатки не будут накапливаться и найдется параметр регрессииbi , который можно рассматривать как среднее значение из возможного большого количества несмещенных оценок.
Оценки считаются эффективными, если они характеризуются наименьшей дисперсией.
Состоятельностьоценок характеризует точность при увеличении выборки.
Предпосылки МНК:
Случайный характер остатков (критерий пиков)
Нулевая средняя величина остатков, независящих от xi(равенство математического ожидания остатков нулю,t критерий Стьюдента)
Отсутствие автокорреляции остатков (d критерий Дарбина-Уотсона)
Нормальный закон распределения остатков (R/S критерий)
Гомоскедастичность (метод Гольдфельдта-Квандта)