- •Понятие и задачи эконометрики, как науки. Эконометрическая модель и ее составляющие.
- •Характеристики случайных величин: поле корреляции, математическое ожидание, среднее значение, выборочная дисперсия, стандартное отклонение.
- •Выборочный корреляционный момент (выборочная ковариация), коэффициент корреляции (r) и его свойства при большом объеме выборки.
- •Виды эконометрических моделей.
- •Понятие регрессионной модели.
- •Системы одновременных уравнений
- •Типы данных при эконометрическом моделировании Пространственные данные
- •Временные ряды
- •Стандартные предположения регрессионного анализа. Понятия гомоскедастичности и гетероскедастичности дисперсии ошибок
- •Модель парной линейной регрессии
- •Метод наименьших квадратов оценки параметров парной регрессионной модели
- •Статистические свойства мнк-оценок параметров уравнения регрессии
- •Использование модели парной линейной регрессии для прогноза
- •Геометрический смысл регрессионной модели, составляющие дисперсии.
- •Доверительный интервал для функции регрессии (для Мx (y)).
- •Доверительный интервал для индивидуальных значений зависимой переменной
- •Доверительный интервал для параметра β регрессионной модели.
- •Доверительный интервал для параметра σ2 регрессионной модели.
- •Основная идея дисперсионного анализа
- •Процедура проверки значимости линейной связи между переменными, использование f-критерия (критерия Фишера-Снедекора)
- •Коэффициент детерминации (r2) и его свойства.
- •Оценка статистической значимости коэффициентов парной линейной регрессии и корреляции.
- •Графический метод проверки стандартных предположений регрессионного анализа.
- •Понятие предельной склонности потребления в модели доход-потребление
- •Приведение степенной модели к линейной форме модели, оценка параметров модели и ее качества
- •Понятие предельной склонности и эластичности функции. Условия постоянства предельной склонности и эластичности функции.
- •Обратно пропорциональная зависимость, Линеаризация этой модели и ее эластичность
- •Модели с убывающей эластичностью, их линеаризация
- •Итерационные методы подбора нелинейных моделей
- •Нелинейные модели множественной регрессии
- •Проверка статистических гипотез о значениях отдельных коэффициентов
- •Отбор факторов в модель линейной множественной регрессии
- •Методы построения уравнения множественной регрессии
- •Метод наименьших квадратов оценивания параметров множественной линейной регрессии
- •Уравнение множественной регрессии в стандартизированном масштабе
- •Понятие частных и средних коэффициентов эластичности
- •Коэффициенты множественной корреляции и детерминации
- •Частные и общий коэффициенты корреляции
- •Проверка значимости уравнения линейной множественной регрессии с помощью критериев Фишера и Стьюдента
- •Метод взвешенных наименьших квадратов (обобщенный мнк)
- •Понятие и примеры фиктивных переменных
- •Модели, содержащие только качественные объясняющие переменные
- •Модели, в которых объясняющие переменные носят как количественный, так и качественный характер
- •Виды моделей временных рядов, составляющие временного ряда
- •Стационарные и нестационарные временные ряды
- •Аддитивная и мультипликативная модели временных рядов
- •Коэффициент автокорреляции, его свойства. Автокорреляционная функция, коррелограмма, их анализ
- •Моделирование тенденции временного ряда
- •Моделирование сезонных колебаний
- •. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •Алгоритм выявления автокорреляции остатков на основе критерия Дарбина-Уотсона
- •Классификация систем регрессионных уравнений
- •Оценка параметров систем одновременных уравнений
- •Проблема идентификации структурных моделей. Необходимое и достаточные условия идентифицируемости.
- •Методы оценки параметров структурной модели
Аддитивная и мультипликативная модели временных рядов
Очевидно, что реальные данные не следуют целиком и полностью из каких-либо описанных выше моделей. Чаще всего они содержат все три компоненты. Каждый их уровень формируется под воздействием тенденции, сезонных колебаний и случайной компоненты.
В большинстве случаев фактический уровень временного ряда можно представить как сумму или произведение трендовой, циклической и случайной компонент. Модель, в которой временной ряд представлен как сумма перечисленных компонент, называется аддитивной моделью временного ряда. Модель, в которой временной ряд представлен как произведение перечисленных компонент, называется мультипликативной моделью временного ряда. Основная задача эконометрического исследования отдельного временного ряда – выявление и придание количественного выражения каждой из перечисленных выше компонент с тем, чтобы использовать полученную информацию для прогнозирования будущих значений ряда или при построении моделей взаимосвязи двух или более временных рядов.
Коэффициент автокорреляции, его свойства. Автокорреляционная функция, коррелограмма, их анализ
При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущего. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда.
Количественно ее можно измерить с помощью линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени.
Формула для расчета коэффициента автокорреляции имеет вид:
(5.1)
где
Эту величину называют коэффициентом автокорреляции уровней ряда первого порядка, так как он измеряет зависимость между соседними уровнями ряда и .
Аналогично можно определить коэффициенты автокорреляции второго и более высоких порядков. Так, коэффициент автокорреляции второго порядка характеризует тесноту связи между уровнями и и определяется по формуле:
(5.2)
где
Число периодов, по которым рассчитывается коэффициент автокорреляции, называют лагом ( ). С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается. Считается целесообразным для обеспечения статистической достоверности коэффициентов автокорреляции использовать правило – максимальный лаг должен быть не больше .
Свойства коэффициента автокорреляции.
Он строится по аналогии с линейным коэффициентом корреляции и таким образом характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Поэтому по коэффициенту автокорреляции можно судить о наличии линейной (или близкой к линейной) тенденции. Для некоторых временных рядов, имеющих сильную нелинейную тенденцию (например, параболу второго порядка или экспоненту), коэффициент автокорреляции уровней исходного ряда может приближаться к нулю.
По знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержат положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию.
Последовательность коэффициентов автокорреляции уровней первого, второго и т.д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой.
Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная, т.е. при помощи анализа автокорреляционной функции и коррелограммы можно выявить структуру ряда.
Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка , то ряд содержит циклические колебания с периодичностью в моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда: либо ряд не содержит тенденции и циклических колебаний, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты и циклической (сезонной) компоненты.