- •1.Метод наименьших квадратов: алгоритм метода; условия применения.
- •2.Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •3. Статистические свойства оценок параметров парной регрессионной модели
- •4. Этапы построения эконометрических моделей.
- •5.Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации сервиса Регрессия. (10) стр 41
- •6.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам. (30) стр.24-25,
- •7. Классическая парная регресионная модель. Спецификация модели. Теорема Гаусса-Маркова.
- •8. Метод наименьших квадратов: алгоритм метода, условия применения.
- •9.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие. (30)
- •Необходимое условие идентифицируемости
- •10.Оценка параметров парной регрессионной модели методом наименьших квадратов. (10)
- •11.Фиктивные переменные: определение, назначение, типы.
- •12.Автокорреляция случайного возмущения. Причины. Последствия.
- •13.Алгоритм проверки значимости регрессора в парной регрессионной модели.
- •14.Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
- •15. Тест Чоу на наличие структурных изменений в регрессионной модели. (20) стр. 59,60
- •16. Алгоритм проверки адекватности парной регрессионной модели. (20) стр. 37, 79
- •17. Коэффициент детерминации в парной регрессионной модели.
- •18. Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •20. Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq(20)
- •21.Фиктивная переменная наклона: назначение; спецификация регрессионной модели с фиктивной переменной наклона; значение параметра при фиктивной переменной. (20) стр.65
- •22..Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений. (20) стр 33
- •23. Структурная и приведённая формы спецификации эконометрических моделей.
- •24. Гетероскедастичность случайного возмущения. Причины. Последствия. Алгоритм теста Голдфельда-Квандта на наличие или отсутствие гетероскедастичности случайных возмущений.
- •Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •25. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •26. Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов
- •27.Проблема мультиколлинеарности в моделях множественной регрессии.Признаки мультиколлениарности.
- •28.Что такое логит,тобит,пробит.
- •29. Что такое Метод наибольшего правдоподобия стр. 62.
- •30. Что такое стационарный процесс?
- •31.Свойства временных рядов.
- •32.Модели ar и var .
- •33. Идентифицируемость системы.
- •34. Настройка модели с системой одновременных уравнений.
- •35.Что такое метод Монте-Карло стр 53
- •36.Оценить качество модели по f, gq, dw (линейнные).Стр.33, 28-29
- •37. Оценка погрешностей параметров эконометрической модели методом Монте-Карло .
- •38. Отражение в модели влияния неучтённых факторов. Предпосылки теоремы Гаусса-Маркова.
- •39.Модели временных рядов. Свойства рядов цен акций на бирже (20) с.93.
- •40. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение. (20) с.12-21
- •41. Оценка параметров парной регрессионной модели методом наименьших квадратов с использованием сервиса Поиск решения.
- •42. Проверка статистических гипотез, t-статистика Стьюдента, доверительная вероятность и доверительный интервал, критические значения статистики Стьюдента. Что такое “толстые хвосты”?
- •43.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности
- •44. Частные коэффициенты детерминации.
- •46. Экономический смысл коэффициентов линейного и степенного уравнений регрессии.
- •47.Оценка коэффициентов модели Самуэльсона-Хикса
- •48. Ошибки от включения в модель незначимых переменных или исключения значимых.С.80
- •49. Исследование множественной регрессионной модели с.74-79.
- •50. Мультиколлинеарность: чем плоха, как обнаружить и как бороться.
- •51. Признаки стационарности стохастического процесса. Что такое «Белый шум»? с.100
- •52. Структурная и приведённая формы спецификации эконометрических моделей.
- •53. Алгоритм проверки значимости регрессора в парной регрессионной модели. По t-статистике, по f-статистике.
- •54.Свойства рядов цен на фондовом рынке. Принципы построения портфеля Марковица с.93,102
- •55.Динамическая модель из одновременных линейных уравнений (привести пример) с.105.
- •56. Метод наибольшего правдоподобия: принципы и целесообразность использования
- •57. Этапы исследования модели множественной регрессии с.74-79.
44. Частные коэффициенты детерминации.
Частный коэффициент детерминации показывает, на сколько процентов вариация результативного признака объясняется вариацией первого признака, входящего в множественное уравнение регрессии.
Проверка существенности частных коэффициентов детерминации играет важную роль при построении многофакторных регрессионных моделей. Определенный на основе теоретического анализа набор факторных признаков может содержать и такие признаки, которые в данной конкретной совокупности не оказывают существенного влияния на результативный признак. Коэффициенты регрессии при таких несущественных факторах бывают настолько искажены случайными воздействиями и ненадежны, что не имеют никакого реального смысла. К тому же сохранение в уравнении несущественных факторов лишь засоряет модель и может исказить параметры при других переменных и лишить их экономического смысла
Частные коэффициенты детерминации, характеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включённых в уравнение регрессии. Расчётная формула частного коэффициента детерминации
где R2безXi – коэффициент детерминации, вычисленный при исключённом из модели факторе Xi.
45. Спецификация и оценивание МНК нелинейных эконометрических моделей.
Довольно часто приходится использовать нелинейные функции регрессии двух видов:
1. Регрессии, нелинейные относительно включённых в анализ объясняющих переменных:
Полином второй, редко третьей степени y = a + bx+сх2+u.
Гипербола y = a +b/x +u.
Эти модели сводятся к линейным заменой переменных: z = х2 для полинома и z=1/x для гиперболы. После этого можно использовать функцию ЛИНЕЙН и сервис Регрессия, выделяя в качестве влияющих переменных х и z для полинома и z для гиперболы.
2. Регрессии, нелинейные по оцениваемым параметрам относятся:
Степенная y = axb;
Показательная y = abx;
Экспоненциальная y = ea+bx.
Здесь =1+ u. Эти модели могут быть линеаризованы логарифмированием, после чего можно использовать функцию ЛИНЕЙН и сервис Регрессия. Например, показательная функция преобразуется в ln(y) =ln(a) +xln(b)+ln(), или, после переименования z=A+cx+v.
После нахождения коэффициентов A и c можно вычислить z^=A+cx и y^=exp(z^).
46. Экономический смысл коэффициентов линейного и степенного уравнений регрессии.
Для линейного – маржинальная функция (производная) для степенного – эластичность.
Линейное уравнение регрессии имеет вид y = a +bx + e,
Коэффициенты b и a можно вычислить по формулам
Коэффициент b показывает среднее изменение результативного показателя (в единицах измерения у) с повышением или понижением величины фактора х на единицу его измерения.
Коэффициент a формально показывает прогнозируемый уровень у, но только в том случае, если х=0 находится близко с выборочными значениями.
Но если х=0 находится далеко от выборочных значений х, то буквальная интерпретация может привести к неверным результатам, и даже если линия регрессии довольно точно описывает значения наблюдаемой выборки, нет гарантий, что также будет при экстраполяции влево или вправо.
Подставив в уравнение регрессии соответствующие значения х, можно определить выровненные (предсказанные) значения результативного показателя y(x) для каждого наблюдения.
Связь между у и х определяет знак коэффициента регрессии b (если > 0 – прямая связь, иначе - обратная).
Важная характеристика экономических процессов – эластичность, которая показывает, на сколько процентов изменится зависимая переменная Y при увеличении влияющей переменной Х на 1 % :
Э = (ΔY / Y) / (ΔX / X)
Применение компьютера позволяет вычислить эластичность по всему диапазону Х, а не только средние значения, как при ручном счете.
В качестве Х и Y берутся их средние значения на соответствующих интервалах ΔX и ΔY, расчет ведется по аппроксимирующей функции Ŷ:
Э = (Ŷ1 – Ŷ0)/( Ŷ1+ Ŷ0)/(Х1 – Х0)*(Х1+Х0)
где индексы 0 и 1 относятся к первым двум значениям переменных Х и Ŷ. Затем формула копируется на весь диапазон, кроме последней ячейки; в Модели1 расчет начинается с температуры 10о. Графики показывают, что расчет эластичности по разным моделям приводит к различным результатам. Обычно экономисты используют среднюю эластичность
,
Где Y/ X – средний наклон функции Ŷ = f(X). Применение функции эластичности позволяет изучать влияние добавок Х на изменение Y при различных значениях влияющей переменной.