- •Оглавление
- •1.2. Характеристики случайных величин
- •1.3. Типы эконометрических моделей
- •1.3.1. Модели временных рядов
- •1.3.2. Регрессионные модели с одним уравнением
- •1.3.3. Системы одновременных уравнений
- •1.4. Типы данных при эконометрическом моделировании
- •1.4.1. Пространственные данные
- •1.4.2. Временные ряды
- •1.5. Основные положения регрессионного анализа
- •2. Парная линейная регрессия
- •2.1. Метод наименьших квадратов
- •2.2. Использование оцененной модели для прогноза
- •2.3. Интервальная оценка функции регрессии и ее параметров
- •2.3.2. Доверительный интервал для индивидуальных значений зависимой переменной
- •2.3.3. Доверительные интервалы для параметров регрессионной модели
- •2.4. Оценка значимости уравнения регрессии (адекватности имеющимся статистическим данным)
- •2.4.1. Основная идея дисперсионного анализа
- •2.4.2. Процедура проверки значимости линейной связи между переменными
- •2.4.3. Оценка статистической значимости коэффициентов парной линейной регрессии и корреляции
- •2.5. Проверка выполнения стандартных предположений об ошибках в линейной модели наблюдений графическим методом
- •3. Нелинейные регрессионные модели
- •3.1. Нелинейные модели с двумя переменными, приводимые к линейной форме
- •3.1.1. Степенная форма эконометрической модели
- •3.1.2. Приведение степенной модели к линейной форме модели, оценка параметров модели и ее качества
- •3.1.3. Понятие предельной склонности и эластичности функции
- •3.1.4. Другие виды эконометрических моделей, приводимые к линейной форме
- •3.2. Итерационные методы подбора нелинейных моделей
- •3.3. Нелинейные модели множественной регрессии
- •3.4. Проверка статистических гипотез о значениях отдельных коэффициентов
- •4. Множественная линейная регрессия и корреляция
- •4.1. Отбор факторов для модели множественной регрессии
- •4.1.1. Экономические процессы, описываемые с помощью уравнений множественной регрессии
- •4.1.2. Анализ факторов, включаемых в модель множественной регрессии
- •4.1.3. Методы построения уравнения множественной регрессии
- •4.2.1. Метод наименьших квадратов
- •4.2.2. Применение метода наименьших квадратов для стандартизированного уравнения множественной линейной регрессии
- •4.2.2. Частные коэффициенты эластичности
- •4.3. Проверка значимости уравнения множественной линейной регрессии
- •4.3.1. Коэффициенты множественной корреляции и детерминации
- •4.3.2. Частные и общий коэффициенты корреляции
- •4.3.3. Проверка значимости уравнения линейной множественной регрессии с помощью критериев Фишера и Стьюдента
- •4.4. Метод взвешенных наименьших квадратов (обобщенный МНК)
- •4.5. Фиктивные переменные
- •4.5.1. Необходимость использования фиктивных переменных
- •4.5.2. Модели, содержащие только качественные объясняющие переменные
- •4.5.2. Модели, в которых объясняющие переменные носят как количественный, так и качественный характер
- •5. Временные ряды
- •5.1. Составляющие временных рядов
- •5.1.1. Группы факторов, влияющие на формирование временного ряда
- •5.1.2. Стационарные и нестационарные временные ряды
- •5.1.3. Аддитивная и мультипликативная модели временных рядов
- •5.2. Коэффициент автокорреляции. Автокорреляционная функция
- •5.3. Моделирование тенденции временного ряда
- •5.3. Моделирование сезонных колебаний
- •5.4. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •6. Системы эконометрических уравнений
- •6.1. Классификация систем регрессионных уравнений
- •6.2. Оценка параметров систем одновременных уравнений
- •6.3. Проблема идентификации структурных моделей
- •6.4. Методы оценки параметров структурной модели
- •Библиографический список
10
1.4.Типы данных при эконометрическом моделировании
1.4.1.Пространственные данные
Это данные в определенный момент времени. Например:
-набор сведений (объем производства, количество работников, доход и др,) по разным фирмам в один и тот же момент времени (пространственный срез);
-данные по курсам покупки/продажи наличной валюты в какой-то день по городу.
1.4.2.Временные ряды
Данные через определенные отрезки времени. Например:
-ежеквартальные данные по инфляции, средней заработной плате, национальному доходу, денежной эмиссии за последние годы;
-ежедневный курс доллара США, цены фьючерсных контрактов на поставку доллара США, котировки акций за ряд последних лет.
Отличительной чертой временных рядов является то, что они естественным образом упорядочены по времени, кроме того, наблюдения в близкие моменты времени часто бывают зависимыми.
1.5.Основные положения регрессионного анализа
В регрессионном анализе объясняемая переменная у представляется в виде функции
y = M y (x1 , x2 ,..., xn ) +ε , |
(1.15) |
где M y (x1 , x2 ,..., xn ) – функция, значение которой является условным |
математическим |
ожиданием величины у, полученным при данном наборе значений объясняющих переменных |
|
(функция регрессии); |
|
ε - случайная составляющая. |
|
В случае парной регрессии |
|
у = My (x) + ε. |
(1.16) |
Для линейной парной регрессии вид модели: |
|
yi =α + β xi +ε , |
(1.17) |
где (xi; yi)- элементы выборки, содержащей n пар значений переменных.
Стандартные предположения регрессионного анализа (предположения о процессе
порождения данных): |
|
|
|
|
1. |
В модели не все значения x1, х2, …, хn |
совпадают |
между собой |
(условие |
|
|
n |
2 |
|
идентифицируемости), тогда можно вычислить величину |
å(xi - x ) |
¹ 0 , входящую в формулы |
i=1
числовых характеристик величины х.
2. Значения y1, y2, ..., yn получаются наложением на значения (α + βxi) случайных ошибок εi, то есть значения (α + βxi) рассматриваются как некоторые постоянные, хотя и неизвестные наблюдателю. А значения y1, y2, ..., yn носят случайный характер, определяемый случайным
11
характером εi. Это условие предполагает отсутствие автокорреляционной зависимости остатков от номера наблюдения.
3. Ошибки ε1, ε2,..., εn – независимые случайные величины, имеющие нормальное распределение. Соответственно и y1, y2, ..., yn – независимые случайные величины. Математическое ожидание ошибок Mεi= 0.
Некоторые сведения из теории вероятностей.
Предположим, что задана функция распределения случайной величины ε i , то есть для
каждого - ∞ ≤ x ≤ ∞ определена вероятность F(x) того, что наблюдаемое значение отклонения ε i не превзойдет величину x, причем эта вероятность не зависит от номера наблюдения i =1, 2, …, n
|
|
F(x)=P(εi ≤ x). |
(1.18) |
|||
Тогда плотность распределения вероятностей ε i то есть закон распределения |
|
|||||
f(x)=F'(x). |
(1.19) |
|||||
Нормальным называют распределение вероятностей непрерывный случайной величины, |
||||||
которое описывается плотностью |
|
|
|
|
|
|
f (x) = |
|
1 |
|
e−( x−m)2 / 2δ 2 , |
(1.20) |
|
δ |
|
|
|
|||
2π |
где m - математическое ожидание,
δ- среднеквадратическое (стандартное) отклонение.
График плотности нормального распределения называют нормальной кривой (кривой Гаусса), он представлен на рисунке 1.8.
График симметричен прямой х = m, точки m - δ и m + δ являются точками перегиба. Площадь фигуры между графиком и осью ox равна 1.
Нормальное распределение часто приемлемо для описания случайных ошибок в моделях наблюдений, где результирующая ошибка является следствием сложения большого количества независимых случайных ошибок, каждая из которых достаточно мала.
Рисунок 1.8
4. Дисперсия ошибок εi (соответственно и величины y i ) постоянна для любого i. var(εi ) = δ 2 (εi ) = const , var( yi ) = δ 2 ( yi ) = const . (1.21)