- •2.Автокорреляция случайного возмущения. Причины. Последствия.
- •4.Автокорреляция. Методы устранения автокорреляции
- •5.Алгоритм проверки адекватности парной регрессионной модели
- •6.Алгоритм проверки значимости регрессора в парной регрессионной модели
- •7.Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •8.Выбор типа математической функции при построении уравнения регрессии
- •9 Выведите формулы вычисления коэффициентов модели парной регрессии
- •10.Выведите формулы вычисления параметров модели парной регрессии
- •11.Гетероскедастичность - понятие, проявление и меры устранения.
- •12.Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq.
- •13.Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •21.Индивидуальная и интервальная оценка индивидуального значения зависимой переменной
- •22.Интервальная оценка параметров уравнения парной регрессии
- •23.Классическая парная регрессионная модель. Спецификация модели. Теорема Гаусса – Маркова.
- •24.Ковариация, коэффициент корреляции и индекс детерминации
- •25.Количественные характеристики взаимосвязи пары случайных переменных.
- •26. Косвенный метод наименьших квадратов для оценки параметров структурной формы модели
- •28. Коэффициент корреляции и индекс детерминации в регрессионной модели.
- •29. Линейная модель множественной регрессии
- •30. Метод Монте-Карло, его применение в эконометрике
- •31. Метод наименьших квадратов: алгоритм метода; условия применения. Обобщённый метод наименьших квадратов
- •32. Модели с бинарными (фиктивными) переменными.
- •33. Моделирование тенденции временных рядов (аналитическое выравнивание)
- •34. Мультиколлинеарность факторов – понятие, проявление и меры устранения
- •35. Назначение теста Голдфелда-Квандта, этапы его проведения.
- •36. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов.
- •37.Нелинейная регрессия (линеаризация, оценка параметров)
- •38.Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение.
- •39.Основные числовые характеристики вектора остатков в классической множественной регрессионной модели
- •40.Отражение в модели влияния неучтённых факторов и времени.
- •42.Оценка адекватности полученной эконометрической модели (см. 5)
- •43.Оценка коэффициентов модели Самуэльсона-Хикса
- •44.Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •45. Оценка параметров парной регрессионной модели методом наименьших квадратов.
- •46.Оценка параметров эконометрической модели
- •47.Оценка статистической значимости коэффициентов модели множественной регрессии. (см. 6)
- •48.Подбор объясняющих переменных множественной линейной модели. Алгоритм исключения квазинеизменных переменных
- •49.Подбор объясняющих переменных множественной линейной модели. Метод анализа матрицы коэффициентов корреляции.
- •50.Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •51.Понятие гомоскедастичности и гетероскедастичности случайных возмущений, их графическая интерпретация.
- •52.Порядок оценивания линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel
- •53.Последствия гетероскедастичности. Тест Голдфелда-Квандта.
- •54.Предпосылки метода наименьших квадратов
- •55.Применение обобщенного метода наименьших квадратов (омнк) для случая гетероскедастичности остатков.
- •56.Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии.
- •57.Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных.
- •58 Принципы спецификации эконометрических моделей и их формы
- •59.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности.
- •60.Проверка качества эконометрической модели См.5
- •61.Прогнозирование экономических переменных. Проверка адекватности модели. См.5
- •62 Простейшие модели временных рядов. Их свойства
- •63.Регрессионные модели с фиктивными переменными.
- •64.Роль вектора и матрицы корреляции множественной линейной модели при подборе объясняющих переменных.
- •65.Свойства дисперсии случайной переменной
- •66.Случайные переменные и их характеристики.
- •67.Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор формы уравнения множественной регрессии.
- •68 Составление спецификации модели временного ряда
- •69.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам
- •70 Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений
- •71.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •72.Статистические свойства оценок параметров парной регрессионной модели.
- •73.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •74.Суть метода наименьших квадратов. Его графическое пояснение
- •75.Схема Гаусса – Маркова.
- •76.Схема построения эконометрической модели.
- •77.Теорема Гаусса – Маркова.
- •78.Тест Дарбина – Уотсона, последовательность его выполнения.
- •79.Тест Стьюдента.
- •80. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •81. Устранение автокорреляции в парной регрессии. (см. 4)
- •82. Функция регрессии как оптимальный прогноз.
- •83. Цели и задачи эконометрики. Этапы процесса эконометрического моделирования. Классификация эконометрических моделей.
- •84. Эконометрика, её задача и метод.
- •85. Эконометрическая инвестиционная модель Самуэльсона-Хикса.
- •87. Этапы исследования зависимостей между экономическими явлениями при помощи эконометрической модели. Принципы спецификации модели. Формы эконометрических моделей.
- •88. Этапы построения эконометрических моделей
62 Простейшие модели временных рядов. Их свойства
Обозначим символом некоторый временной ряд (датированную экономическую переменную). Модели временного ряда предназначены для объяснения (прогноза) уровня ряда фактором времени t. Это значит, что экзогенной переменной модели временного ряда служит переменная t, а эндогенной переменной является уровень ряда , представленный в виде некоторой функции независимой переменной t. Переменная служит количественной характеристикой некоторого экономического объекта, поэтому изменение этой переменной во времени определяется факторами, оказывающими воздействие на данный объект с ходом времени. Все факторы делятся на 3 класса.
1 класс: факторы («вековые» воздействия), результирующее влияние которых на данный объект на протяжении длительного отрезка времени не изменяют своего направления. Они порождают монотонную составляющую (тенденцию или тренд).
2 класс: факторы (циклические воздействия), результирующее влияние которых на объект совершает законченный круг в течение некоторого фиксированного промежутка времени T.
3 класс: факторы (случайные воздействия), результирующее влияние которых на объект с высокой скоростью меняет направление и интенсивность. Такие факторы индуцируют нерегулярную составляющую в структуре переменной .
Имея в виду вышеизложенное, обозначим символом некоторую монотонную функцию переменной t; в модели временного ряда эта функция будет играть роль тенденции (или тренда). Далее, символом обозначим некоторую периодическую функцию с заданным периодом . Это значит, что через промежуток времени значения данной функции повторяются, т.е. .
В итоге комбинаций получаются традиционные модели временного ряда :
Первая из этих моделей называется аддитивной моделью временного ряда, а вторая – мультипликативной. Аддитивная модель используется в случае, когда амплитуда циклической составляющей не зависит от времени t. Мультипликативная модель применяется тогда, когда амплитуда циклической составляющей с ходом времени изменяется в том же направлении, что и тенденция. Отметим, что в частном случае в структуре временного ряда может присутствовать лишь какая-то одна составляющая, например случайная составляющая
63.Регрессионные модели с фиктивными переменными.
Фиктивной переменной называется атрибутивный или качественный фактор, представленный посредством определённого цифрового кода.
Наиболее наглядным примером применения фиктивных переменных является модель регрессии, отражающая проблему разрыва в заработной плате у мужчин и женщин.
Предположим, что на основе собранных данных была построена модель регрессии, отражающая зависимость заработной платы рабочих y от их возраста х: yt=β0+β1xt.
Однако данная модель регрессии не может в полной мере охарактеризовать вариацию результативной переменной. Поэтому в модель необходимо ввести дополнительный фактор, например пол, на основании предположения о том, что у мужчин в среднем заработная плата выше, чем у женщин. В связи с тем, что переменная пола является качественной, её необходимо представить в виде фиктивной переменной следующим образом:
С учётом новой фиктивной переменной модель регрессии примет вид: y=β0+β1x+β2D,
где β2 – это коэффициент, который характеризует в среднем разницу в заработной плате у мужчин и женщин.
Моделью регрессии с переменной структурой называется модель регрессии, которая включает в качестве факторной переменной фиктивную переменную.
Рассмотрим модель регрессии, характеризующую зависимость переменной размера заработной платы у от переменной стажа работников х с различным образованием. Качественная переменная «образование» может принимать три значения: среднее, среднее специальное и высшее. Для включения факторной переменной «образование» в модель регрессии, необходимо ввести две новых фиктивных переменных, потому что их количество должно быть на единицу меньше, чем значений качественной переменной.
Следовательно, качественная переменная «образование» может быть представлена в виде:
Модель регрессии, характеризующая зависимость переменной размера заработной платы у от переменной стажа работников х с различным образованием, примет вид: y=β0+β1x+β2D1+ β3D2.
Моделью регрессии без ограничений называется модель регрессии, в которую включены все фиктивные переменные.
Базисной моделью или регрессией с ограничениями называется модель регрессии, в которой все значения фиктивных переменных равны нулю.
Для нашего примера модель регрессии вида y=β0+β1x+β2D1+β3D2будет являться моделью регрессии без ограничений, а модель регрессии вида y=β0+β1x при D1= D2=0 будет являться моделью регрессии с ограничениями. Базисная модель регрессии соответствует регрессионной зависимости заработной платы рабочих со средним образованием от стажа работы.
Для модели регрессии без ограничений можно также построить частные регрессии. Например, частная модель регрессии переменной заработной платы работников со средним специальным образованием от переменной стажа: y=β0+β1x+β2D1,
где β2 — это коэффициент, который характеризует, насколько большую заработную плату получают рабочие со средним специальным образованием по сравнению с работниками со средним образованием при одинаковом стаже работы.
Частная модель регрессии переменной заработной платы работников с высшим образованием от переменной стажа: y=β0+β1x+β3D2, где β3 – это коэффициент, который характеризует, насколько большую заработную плату получают рабочие с высшим образованием по сравнению с рабочими со средним образованием при одинаковом стаже работы.
Оценки неизвестных коэффициентов моделей регрессии с переменной структурой рассчитываются с помощью классического метода наименьших квадратов.