- •Эконометрика как наука, определение, основные цели и задачи.
- •Этапы построения моделей, их практическое содержание и особенности.
- •Базовые понятия эконометрики: экономический объект, переменные объекта и их взаимосвязи. Примеры экономических моделей.
- •4. Принципы спецификации эконометрических моделей и их содержание.
- •Классификация переменных эконометрических моделей.
- •Классификация моделей и их формы.
- •7. Формы эконометрических моделей. Переход от структурной к приведенной форме модели.
- •8. Учет случайности характера взаимодействия переменных в экономических объектах. Общий вид эконометрической модели.
- •9. Модели временных рядов, их спецификация.
- •11. Метод наименьших квадратов, основные понятия и определения. Расчет оценок параметров уравнения парной регрессии методом наименьших квадратов.
- •13.Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение
- •14.Оценка уравнения парной регрессии с помощью процедур, сформулированных в теореме Гаусса-Маркова.
- •16. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
- •17. Автокорреляция в уравнениях множественной регрессии, признаки ее наличия и последствия.
- •18. Тестирование моделей на присутствие автокорреляции.
- •19.Методы устранения автокорреляции в уравнениях множественной регрессии.
- •20.Гетероскедастичность в уравнениях множественной регрессии, ее признаки, последствия и методы устранения.
- •21.Тестирование моделей на наличие гетероскедастичности, тест Готфельда-Квандта
- •1. Случай уравнения парной регрессии
- •1. Гетероскедастичность приводит к смещенности оценок параметров модели
- •2. Одним из способов обнаружения гетероскедастичности является тест Голдфелда-Квандта
- •3. Взвешенный метод наименьших квадратов позволяет получить несмещенные оценки параметров модели в условиях гетероскедастичности
- •25. Взвешенный метод наименьших квадратов
- •26. Обобщенный метод наименьших квадратов. Теорема Эткейна.
- •27. Построение нелинейных моделей. Методы линеаризации.
- •28. Ошибки спецификации моделей, их последствия и способы устранения.
- •29. Фиктивные переменные и особенности их использования в моделях.
16. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
Определение. Под статистической гипотезой понимается любое предположение о виде закона распределения случайной величины или значениях его параметров
Примеры статистических гипотез:
Н0:(U имеет нормальный закон распределения)
H0:(параметр а0=0)
Н1:(параметр а0=1)
Гипотезы H0 и H1 называются основной и альтернативной
Алгоритм проверки статистических гипотез:
-
Формулируется статистическая гипотеза H0
-
Искусственно формируется случайная величина «Z», закон распределения которой известен [Pz(t,a1, a2)], котoрая тесно связана с гипотезой
-
Область допустимых значений Z делится на две части: Ω0 в которой гипотеза принимается и, Ω в которой она отклоняется
-
Граница этих областей определяется из условия, что Z попадает в область Ω0 с заданной вероятностью «р»
-
По данным выборки вычисляется значение случайной величины Z и проверяется ее принадлежность область Ω0
Возможные ошибки при проверке статистических гипотез:
Ошибка первого рода - когда справедливая гипотеза отклоняется
Ошибка второго рода - когда ложная гипотеза принимается
Оценка статистической значимости параметров уравнения множественной регрессии:
1. Известно, что в схеме Гаусса – Маркова дроби:
называются дробью Стьюдента и подчиняются закону распределения Стьюдента
Критическое значение дроби Стьюдента находится из уравнения:
Здесь: Pt(q) функция плотности вероятности распределения Стьюдента, tкр – двусторонняя квантиль распределения, Рдов- значение доверительной вероятности, как правило Рдов=0.95/0.99
Как найти значение tкр?
В EXCEL используется функция СТЬЮДРАСПОБР с аргументами: «α=(1-Рдов) – мощность критерия и «m» - количество степеней свободы
Гипотеза Н0{ai=c} не отклоняется, если выполняется условие:
Условие называется точечной проверкой гипотезы
Из условия получают границы доверительного интервала для значений дроби Стьюдента:
Если константа C лежит внутри этого интервала, то гипотеза о равенстве оценки ai константе С не отвергается
2. В схеме Гаусса-Маркова переменная:
подчиняется закону распределения Фишера и критическое значение этой дроби вычисляется из условия:
Закон распределения вероятностей Фишера имеет два параметра: n и m, которые называются степенями свободы
В EXCEL используется процедура функция FРАСПОБР:
FРАСПОБР(α; n; m)
где α – мощность критерия
17. Автокорреляция в уравнениях множественной регрессии, признаки ее наличия и последствия.
Автокорреляция – зависимость возмущений в различные моменты времени
Модель называется автокоррелированной, если не выполняется третья предпосылка теоремы Гаусса-Маркова: Cov(ui,uj)≠0 при i≠j
Автокорреляция чаще всего появляется в моделях временных рядов и моделировании циклических процессов
Причины:
-
ошибки спецификации (пропуск важной объясняющей переменной, использование ошибочной функциональной зависимости между переменными и т.д.)
-
ошибки измерений
-
характер наблюдений (например, данные временных рядов)
Последствия автокорреляции
-
оценки коэффициентов теряют эффективность;
-
стандартные ошибки коэффициентов занижены
Признаки (по диаграммам рассеяния):
-
чередование зон с повышенными и заниженными значениями по отношению к тренду (положительная автокорреляция)
-
наблюдения действуют друг на друга по принципу «маятника» (отрицательная автокорреляция)