- •1. Эконометрическая модель и проблемы эконометрического моделирования
- •1.1. Общие понятия
- •1.2. Экономическая модель
- •1.3. Эконометрическая модель
- •1.4. Элементы эконометрической модели и их свойства
- •1.5. Задачи эконометрики
- •1.6. Эконометрика и её место в ряду математических и экономических дисциплин
- •1.7. Резюме по теме.
- •1.8. Вопросы для повторения
- •2. Элементы теории вероятностей и математической статистики
- •2.1. Дискретные, непрерывные случайные величины
- •2.2. Зависимые случайные величины
- •2.3. Понятия генеральной совокупности и выборки (выборочной совокупности)
- •2.4. Оценки параметров генеральной совокупности. Несмещённость и состоятельность оценок
- •2.5. Резюме по теме
- •2.6. Вопросы для повторения
- •3. Модели и методы регрессионного анализа
- •3.1. Основные понятия регрессионного анализа
- •3.2. Линейная парная регрессия
- •3.2.1. Определения
- •3.2.2. Принцип, метод наименьших квадратов
- •3.2.3. Свойства оценок параметров парной линейной регрессии
- •3.2.4. Анализ статистической значимости коэффициентов линейной регрессии
- •3.3. Нелинейная регрессия
- •3.4. Характеристики парной регрессии
- •3.5. Множественная регрессия
- •3.6. Гомо- и гетероскедастичность остатков
- •Методы определения гетероскедастичности
- •Тест ранговой корреляции Спирмена
- •3.7. Резюме по теме.
- •3.8. Вопросы для повторения
- •4. Анализ временных рядов
- •4.1. Общие понятия
- •4.2. Понятие временного ряда
- •4.3. Основные понятия и модели анализа временных рядов
- •4.4. Трендовые модели генерации значений временного ряда.
- •4.5. Фильтрация и сглаживание временного ряда
- •4.5.1. Медианная фильтрация (сглаживание)
- •Проверка гипотезы о наличии тренда во временном ряде
- •4.6. Методы сглаживания временного ряда
- •4.6.1. Общие понятия
- •4.6.2. Аналитические методы
- •4.6.3. Метод скользящего среднего
- •4.6.4. Метод экспоненциально взвешенного скользящего среднего (метод Брауна)
- •4.7. Стационарные временные ряды
- •4.7.1. Основные понятия
- •4.7.2. Корреляционная функция
- •4.7.3. Использование автокорреляции для выявления структуры временного ряда
- •4.8. Модели авторегрессии стационарных временных рядов и их идентификация
- •4.8.1. Основные понятия
- •4.8.2. Модель авторегрессии 1-го порядка
- •4.8.3. Модель авторегрессии второго порядка
- •4.8.4. Оценивание параметров моделей авторегрессии. Метод инструментальных переменных.
- •4.9. Моделирование сезонных и циклических колебаний
- •4.9.1. Расчет сезонной компоненты и построение модели временного ряда
- •4.9.2. Использование сезонных фиктивных компонент при моделировании сезонных колебаний
- •4.10. Специфика изучения взаимосвязей по временным рядам. Исключение сезонных колебаний. Исключение тенденции.
- •4.10.1. Метод отклонений от тренда
- •4.10.2. Метод последовательных разностей
- •4.11. Резюме по теме.
- •4.12. Вопросы для повторения
- •5. Системы одновременных уравнений
- •5.1. Модель спроса и предложения
- •5.2. Структурная и приведённая форма системы
- •5.3. Идентифицируемость систем одновременных уравнений
- •5.4. Резюме по теме.
- •5.5. Вопросы для повторения
- •Задачник
- •Примеры решения типовых задач
- •Задачи для самостоятельного решения
- •Варианты задач
- •Нелинейные модели регрессии и их линеаризация
- •Решение типовых задач
- •Задачи для самостоятельного решения.
- •Варианты задач
- •Решение типовых задач.
- •Постановка задачи
- •Варианты для самостоятельного решения.
Примеры решения типовых задач
Задача 1.
В выборке представлены данные по цене Р некоторого блага и количеству (Q) данного блага, приобретаемому хозяйством ежемесячно в течение года.
Месяц |
P |
Q |
1 |
10,86 |
110,86 |
2 |
20,86 |
75,86 |
3 |
15,86 |
100,86 |
4 |
25,86 |
80,86 |
5 |
30,86 |
60,86 |
6 |
35,86 |
55,86 |
7 |
40,86 |
40,86 |
8 |
35,86 |
80,86 |
9 |
25,86 |
60,86 |
10 |
40,86 |
30,86 |
11 |
45,86 |
40,86 |
12 |
40,86 |
30,86 |
1. Постройте корреляционное поле и по его виду визуально определите формулу зависимости между P и Q;
2. Оцените выборочный коэффициент корреляции rpq. Проинтерпретируйте результаты;
3. Оцените по МНК параметры уравнения линейной регрессии;
4. Проверьте статистическую значимость полученных коэффициентов при уровне значимости ;
5. Оценить надёжность полученного уравнения регрессии по критерию Фишера для уровня значимости ;
6. Найти доверительные интервалы для коэффициентов b1 найденной регрессии.
7. Вычислить статистику DW Дарбина-Уотсона и оценить наличие автокорреляции;
8. Сделать выводы по качеству построенной модели.
Решение
1. Для определения вида зависимости построим корреляционное поле.
На рисунке данные показаны в виде диаграммы рассеяния. Можно видеть некоторую отрицательную связь между ценой некоторого блага и количеством данного блага, приобретенного хозяйством. По расположению точек на корреляционном поле полагаем, что зависимость между Р и Q линейная: .
2. Для анализа силы линейной зависимости вычислим коэффициент корреляции rpq.
rpq=-0,89658.
Данное значение коэффициента корреляции позволяет сделать вывод о сильной (обратной) линейной зависимости между рассматриваемыми переменными. Это также подтверждается расположением точек на корреляционном поле.
3. По МНК получились следующие параметры уравнения линейной регрессии.
b1 |
-2,12963 |
b0 |
129,9137 |
4. При проведении статистического анализа возникает необходимость сравнения эмпирических коэффициентов регрессии с некоторыми теоретически ожидаемыми значениями этих коэффициентов. В качестве основной гипотезы (Н0) выдвигают гипотезу о незначительном отличии от нуля «истинного» параметра регрессии. Альтернативной гипотезой (Н1) при этом является гипотеза обратная, т.е. о неравенстве нулю «истинного» параметра. Мы заинтересованы в том, чтобы основная гипотеза была отвергнута. Для проверки используется t-статистика критерия проверки гипотезы, имеющая распределение Стьюдента.
Сравним модуль наблюдаемого значения с критическим значением =2,228. . Так как >, то нулевая гипотеза должна быть отвергнута в пользу альтернативной при выбранном уровне значимости. Это подтверждает статистическую значимость коэффициента регрессии .
Сравним модуль наблюдаемого значения = 11,9676 с критическим значением =2,228. Так как , то нулевая гипотеза должна быть отвергнута в пользу альтернативной при выбранном уровне значимости. Это подтверждает статистическую значимость коэффициента регрессии b0.
5. После проверки значимости каждого коэффициента регрессии проверяется общее качество уравнения регрессии, которое оценивается по тому, как хорошо эмпирическое уравнение регрессии согласуется со статистическими данными (насколько широко рассеяны точки наблюдений относительно линии регрессии). Суммарной мерой общего качества уравнения регрессии является коэффициент детерминации R2 (R2=0,8039). Анализ статистической значимости коэффициента детерминации R2 осуществляется на основе F-статистики.
Fнабл=40,98234. Для определения статистической значимости F-статистики сравним её с соответствующей критической точкой распределения Фишера: . Так как Fнабл=40,9834>Fкр=4,75, то статистика F, а, следовательно, и коэффициент детерминации R2 статистически значимы. Это означает, что фактор P оказывает существенное влияние на результат Q.
6. Доверительный интервал для b1:
;
Доверительный интервал для b0:
;
7. Статистика Дарбина-Уотсона DW=2,648716.
Для проверки статистической значимости DW воспользуемся таблицей критических точек Дарбина-Уотсона. При уровне значимости и числе наблюдений n=12 имеем: d1=0,971, du=1,331. Так как 1,331<DW<2,669 (du<DW<4-du), то гипотеза об отсутствии автокорреляции не отклоняется, т.е. имеются основания считать, что автокорреляция остатков отсутствует. Это является одним из подтверждений высокого качества модели. Следовательно, делаем вывод о линейной зависимости между P и Q.
8. По всем статистическим показателям модель может быть признана удовлетворительной. У неё высокие t-статистики, близкий к 1 коэффициент детерминации R2. В модели отсутствует автокорреляция остатков. Всё это даёт основание считать построенную модель качественной.