- •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
70 Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений
Один из принципов спецификации - включение в спецификацию экономической модели случайных возмущений. На практике не всегда удается учесть влияние всех факторов на изучаемую переменную (например, в функции спроса учесть возрастные особенности потребителя), выбрать правильную форму математической зависимости между экономическими переменными (например, нелинейную вместо линейной), безошибочно выполнить измерения (правильно провести опрос). Поэтому эндогенные переменные модели следует рассматривать как случайные величины и, помимо детерминированной составляющей, описывающей поведение эндогенной переменной в зависимости от предопределенных переменных, включать некоторые случайные величины, называемые случайные возмущения.
Y = f(x)+Ɛ , где f(x)- часть эндогенной переменной, объясняемая значением экзогенной переменной Х; ε – случайное возмущение. Для того чтобы среди множества уравнений регрессии выбрать одно, необходим критерий отбора. При оценивании параметров регрессионных моделей наиболее часто применяется МНК. Его оценки обладают свойствами несмещённости, состоятельности, эффективности:
(1)
То есть оценки параметров должны быть подобраны таким образом, чтобы сумма квадратов случайных возмущений стремилась к минимуму
(2)
Для нахождения минимума дифференцируем (1):
Получаем стандартную форму нормальных уравнений:
Из которых находим параметры.
71.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
Одним из основных способов корректировки гетероскедастичности является использование метода взвешенных наименьших квадратов. Он применяется в том случае, когда известны диагональные элементы автоковариационной матрицы вектора возмущений . В этом случае уравнения наблюдений можно преобразовать следующим образом. Поделим каждый член на СКО возмущения: , где t=1….n. В результате преобразования спецификация принимает вид спецификации классической регрессионной модели: . Определим количественные характеристики случайного возмущения :
математическое ожидание: E{}=E{}==0
дисперсия случайного члена: Var {}=Var{}===1, таким образом ~N(0,1) и при помощи данного преобразования случайное возмущение приобрело свойство гомоскедастичности.
В случае, если значения неизвестны, используется доступный обобщенный метод наименьших квадратов. В этом методе выполняется оценка неизвестных дисперсий, но при условии, что на структуру автоковариационной матрицы накладываются дополнительные ограничения (предпосылки). Наиболее часто используется следующая предпосылка: СКО возмущения пропорционально одному из регрессоров.
72.Статистические свойства оценок параметров парной регрессионной модели.
Теорема Гаусса-Маркова. Пусть матрица Х имеет полный ранг. При выполнении условий Гаусса-Маркова МНК-оценки параметров относятся к классу линейных по Y, несмещенных оценок с минимальной дисперсией. Покажем линейность оценок следующим выражением: Докажем несмещенность полученных оценок. Введем обозначение: , тогда можно показать, что справедливы следующие соотношения: , , , . Свойство несмещенности оценок параметра проверяется соответственно: , , E()=b, E=a. Оценка является состоятельной если: , т.е с увеличением объема выборки оценки более плотно концентрируются около истинного значения. Оценка становится более надежной в вероятностном смысле, и дисперсия оценки стремится к нулю. Для доказательства состоятельности оценок параметров парной регрессии получим выражения для элементов автоковариационной матрицы вектора оценок параметров . В матричной форме =AY, поэтому =Cov{AY,AY}=. Определим элементы автоковариационной матрицы случайного вектора Y: , где -единичная матрица с размером nxn. Таким образом ==( Так как Q=, получим выражения элементов ковариационной матрицы вектора через выборочные данные: , таким образом имеем: , . Как следует из этих выражений, с увеличением объема выборки n дисперсии несмещенных оценок параметров стремятся к нулю, то есть МНК-оценки параметров парной регрессии являются состоятельными.
В качестве эффективности оценок чаще всего используется критерий вида: Е{}=. Несмещенная оценка является эффективной, если она имеет минимальную дисперсию по сравнению с любыми другими оценками этого параметра в классе выбранных процедур(т.е. является менее случайной). Доказательство эффективности МНК-оценок выполняется путем сравнения их дисперсий с дисперсиями линейных несмещенных оценок . Пусть -вектор несмещенных линейных оценок параметров , определяемых выражением вида , где С- произвольная(2хn)- матрица. Тогда в силу несмещенности оценки и равенства AX=, можно записать: , откуда следует, что CX=0. Определим автоковариационную матрицу вектора оценок : , так как Cov{Y,Y}= I и С=0, A=. Диагональные элементы автоковариационной матрицы-дисперсии оценок параметров. Диагональные элементы неотрицательны, поэтому Var( Var(, т.е МНК-оценка является эффективной, имея минимальную дисперсию по сравнению с любыми несмещенными оценками неизвестного параметра в классе линейных процедур