- •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.
Нелинейные модели регрессии и их линеаризация
Краткое изложение используемых методов решения и основных теоретических положений
Зависимость многих экономических показателей не линейна. Метод наименьших квадратов не предназначен для оценки параметров нелинейных регрессий, кроме полиномиальной. Однако целый класс нелинейных зависимостей можно привести к зависимостям линейным преобразованием независимой и/или зависимой переменной. Такое преобразование называется линеаризацией. Цель задач состоит в освоении способов линеаризации некоторых нелинейных зависимостей.
Постановка задачи
Задана нелинейная спецификация модели
y = f(x,a,b,),
где y - зависимая, объясняемая переменная; x - независимая, объясняющая переменная; a, b - параметры модели, для которых должны быть получены оценки; - аддитивный или мультипликативный случайный фактор.
Требуется:
1. Преобразовать исходные данные х х*, у у* так, чтобы модифицированная регрессия(спецификация) была линейной:
y* = a*x* + b*.
2. Методом наименьших квадратов получить оценки параметров a*, b*.
3. По оценкам a*, b* вычислить искомые оценки параметров a, b исходной регрессии.
Способы преобразования данных и вычисления параметров a, b по оценкам a*, b* приведены в следующей таблице.
Исходная спецификация |
Преобразование х х* |
Преобразование у у* |
Вычисление b по b* |
Вычисление a по a* |
Решение типовых задач
Задана нелинейная спецификация модели
y=bxae,
где y - зависимая, объясняемая переменная; x - независимая, объясняющая переменная; a, b - параметры модели, для которых должны быть получены оценки; - аддитивный или мультипликативный случайный фактор.
Требуется:
1. Преобразовать исходные данные х х*, у у* так, чтобы модифицированная регрессия(спецификация) была линейной:
y* = a*x* + b*.
2. Методом наименьших квадратов получить оценки параметров a* b*.
3. По оценкам a*, b* вычислить искомые оценки параметров a, b исходной регрессии.
Решение.
Последовательность решения задачи состоит в следующем.
1. Вводим исходные данные в ячейках А4:В23.
2. Необходимо построить точечную диаграмму. После появления диаграммы, содержащей облако рассеяния, следует её отредактировать: установить приемлемый размер маркеров данных; установить белый фон области построения диаграммы, пригодный для печати; установить приемлемый размер шрифта осей и их надписей.
3. В ячейках А28:В48 вводим модифицированные данные. Способ преобразования данных для модели определяем из таблицы.
Исходная спецификация |
Преобразование х х* |
Преобразование у у* |
Вычисление b по b* |
Вычисление a по a* |
|
|
|
|
|
4. Построить диаграмму, содержащую облако рассеяния преобразованных данных. Добавить линию тренда.
5. Сформировать массив остатков, их знаков, построить диаграмму, содержащую эти данные, вычислить статистику Дарбина-Уотсона. Для выяснения, являются ли остатки ei независимыми вычисляется статистика Дарбина-Уотсона
.
Так как DW2, тогда зависимость у* от х* линейная.
6. Находим оценки модифицированной линейной регрессии a*, b*.
a*=-0,9913, b*=0,4068.
7. Вычисляем оценки параметров a, b исходной регрессии. Так как a=a*, b=eb*, тогда a=-0,9913, b=1,50195.
8. Формируем массив данных по исходной регрессии с вычисленными параметрами a, b. Для данного примера оцененная регрессия вычисляется по формуле y=1,50195x-0,9913. Добавляем в диаграмму сформированный массив.
9. Сформируем ряд остатков от исходной регрессии и их знаков, вычислим статистику Дарбина-Уотсона. Построить диаграмму остатков и их знаков.
Так как DW2, тогда зависимость у от х линейная.