- •2. Тест Дарбина – Уотсона некоррелированности случайных возмущений в схеме Гаусса – Маркова. (25 баллов)
- •3. Метод имитационного моделирования. Исследование последствий нарушения условий теоремы Гаусса – Маркова. (25 баллов)
- •Коэффициент детерминации как мера качества спецификации эконометрической модели. (25 баллов)
- •6. Компьютерное моделирование эконометрических систем.(25 баллов)
- •9. Интервальное прогнозирование по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной. (25 баллов)
- •10. Множественная линейная регрессионная модель. Оценивание параметров множественной регрессии методом наименьших квадратов. (25 баллов)
- •11. Определение границ доверительных интервалов точечных оценок множественной регрессионной модели. (25 баллов)
- •12. Оценивание параметров модели взвешенным методом наименьших квадратов. (25 баллов)
- •Гетероскедастичность случайного возмущения. (25 баллов)
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии. (25 баллов)
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии.
- •19. Модель парной регрессии. Границы доверительных интервалов.
- •20. Гетероскедастичность случайной компоненты. Тесты на наличие гетероскедастичности. (25 баллов)
- •21. Автокорреляция случайной составляющей. Тесты на наличие автокорреляции. (25 баллов)
12. Оценивание параметров модели взвешенным методом наименьших квадратов. (25 баллов)
Оценивание эконометрической модели составляет содержание третьего этапа схемы ее построения. В результате этой процедуры отыскиваются оценки (приближенные значения) неизвестных параметров спецификации модели. Рассмотрим метод наименьших квадратов на примере оценивания эконометрических моделей в виде изолированных уравнений с двумя переменными (моделей парной регрессии). Спецификация линейной эконометрической модели из изолированного уравнения с гомоскедастичными возмущениями имеет вид:
(1)
В частном случае, когда уравнение модели содержит две экономические переменные – эндогенную yt и предопределенную xt – модель имеет вид:
(2)
и именуется моделью линейной парной регрессии. Данная спецификация содержит три неизвестных параметра: a0 , a1 , σ. (3)
Пусть имеется выборка: (х1, y1), (х2, y2),… (хn , y n) (4)
Тогда в рамках исследуемой модели виличины связаны следующим образом:
y1 = a0 + a1 * x1 + u1,
y2 = a0 + a1 * x2 + u2,
…………………….. (5)
yn = a0 + a1 * x n + u n.
Она называется системой уравнений наблюдения объекта в рамках исследуемой линейной модели, или иначе – схемой Гаусса-Маркова. Вот компактная запись этой схемы: (6)
где (7) - вектор известных значений эндогенной переменной yt модели;
(8) - вектор неизвестных значений случайных возмущений ut
(9) - матрица известных значений предопределенной переменной xt модели, расширенная столбцом единиц; наконец,
а = (a0 a1 ) Т (10) – вектор неизвестных коэффициентов уравнения модели.
Оценку вектора обозначим: ã=(ã0 ã1)Т (11)
Тот факт, что эта оценка вычисляется по выборочным данным (7) и (9) при помощи некоторой процедуры, отразим: (12)
где Р(· , ·) – символ процедуры. Процедура (12) именуется линейной относительно вектора (7) значений эндогенной переменной yt, если: (13)
где (14)
матрица коэффициентов, зависящих только от выборочных значений (9) предопределенной переменной хt.
13. Модель Марковица. (25 баллов)
??
14. Определение границ доверительного интервала прогноза зависимой переменной. (25 баллов)
Определение границ доверительного интервала прогноза зависимой переменной
Доверительный интервал для отдельного (индивидуального) значения зависимой переменной строится с учетом рассеяния индивидуальных значений вокруг линии регрессии, т.е. с учетом ошибки регрессии: ,
где
15. Проверка гипотез относительно коэффициентов парной регрессии. (25
???
16. Автокорреляция случайного возмущения. (25 баллов)
В классической регрессионной модели выполнение третьего условия Гаусса-Маркова (Соv(εt εS) = 0,при t ≠ s) гарантирует некоррелированность значений случайных членов в различные моменты наблюдений и это позволяет получить несмещенные МНК-оценки с минимальной дисперсией. Зависимость значений случайных членов в различные моменты времени называется автокорреляцией (сериальной корреляцией).
Формальной причиной автокорреляции в регрессионных моделях является нарушение третьего условия теоремы Гаусса-Маркова, действительной же причиной может быть: неправильная спецификация переменных (пропуск важной объясняющей переменной); использование ошибочной функциональной зависимости, а иногда и характер наблюдений (например, временные ряды).
Для проверки на автокорреляцию используется ряд критериев, из которых наиболее широкое применение получил критерий Дарбина-Уотсона:
Критерий DW связан с выборочным коэффициентом корреляции между еt и еt-1, соотношением: DW≈2(1-r),
Если автокорреляция отсутствует, то DW ≈ 2, при наличии положительной автокорреляции DW<2, если автокорреляция отрицательна, DW>2. И поскольку коэффициент корреляции принимает значения -1 ≤ r ≤ 1, то 0≤ DW ≤ 4. Полученное для данной регрессии значение статистики сравнивается с верхней и нижней границами ее критического значения dL ≤ dкрит ≤dU. Границы dU и dL выбираются из таблиц по числу наблюдений n, числу регрессоров k и уровню значимости α. При этом возможны следующие случаи:
-
Наличие положительной автокорреляции: DW<dL.
-
Наличие отрицательной автокорреляции: DW >4-dL.
-
Автокорреляция отсутствует: dU ≤ DW≤ 4-dU.
Зоны неопределенности: dL<DW< dU или 4- dU <DW<4-dL.