- •Тема 1. Предмет, задачи, особенности эконометрики 7
- •Тема 2. Корреляционный и регрессионный анализ – математический метод оценки взаимосвязей экономических явлений 12
- •Введение
- •Тема 1. Предмет, задачи, особенности эконометрики
- •1.1 Cведения об истории возникновения эконометрики
- •1.2. Предмет эконометрики
- •1.3. Особенности эконометрического анализа
- •1.4. Измерения в экономике
- •Строится простая (парная) регрессия в случае, когда среди факторов, влияющих на результативный показатель, есть явно доминирующий фактор.
- •2.1.2. Линейная регрессия сущность, оценка параметров
- •2.1.3. Определение тесноты связи и оценка существенности уравнения регрессии
- •2.1.4 Интервальный прогноз на основе линейного уравнения регрессии
- •2.2. Нелинейная регрессия в экономике и ее линеаризация
- •2.2.1. Виды нелинейных регрессионных моделей, расчет их параметров
- •2.2.2. Оценка корреляции для нелинейной регрессии
- •2.3. Множественная регрессия и корреляция
- •2.3.1. Множественная регрессия. Отбор факторов при построении ее модели На любой экономической показатель чаще всего оказывает влияние не один, а несколько факторов.
- •2.3.2. Расчет параметров и характеристик модели множественной регрессии
- •2.3.3. Частные уравнения множественной регрессии. Индексы множественной и частной корреляции и их расчет
- •2.3.4. Обобщённый метод наименьших квадратов. Гомоскедастичность и гетероскедастичность
- •Тема 3. Информационные технологии в эконометрических исследованиях
- •Сводные экономические показатели рд за 1990-2000 гг.
- •Тема 4. Системы эконометрических уравнений
- •4.1. Понятие о системах эконометрических уравнений
- •Приравнивая это с правой частью 2-го уравнения (4.1) получаем
- •4.2. Проблема идентификации модели
- •4.3. Методы оценки параметров одновременных уравнений
- •Тема 5. Методы и модели анализа динамики экономических процессов
- •5.1. Понятие экономических рядов динамики. Сглаживание временных рядов
- •5.2. Автокорреляционная функция. Коррелограмма
- •5.3. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •5.4. Моделирование тенденций временного ряда. Адаптивные модели прогнозирования
- •Обычно полагают
- •Тема 6. Макро- и региональные эконометрические модели
- •6.1. Макроэконометрические модели
- •Рассмотрим мультипликативную производственную функцию
- •6.2. Сущность и особенности региональных эконометрических моделей
- •6.3. Филадельфийская модель региональной экономики
- •Тема 7. Моделирование динамических процессов
- •7.1. Характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Выбор вида модели с распределительным лагом
- •7.3. Модели адаптивных ожиданий и неполной корректировки
- •Приложения
- •1. Базовые понятия теории вероятностей
- •1.1. Вероятность. Случайная величина
- •1.2. Числовые характеристики случайных величин
- •1.3. Законы распределений случайных величин
- •2. Базовые понятия статистики
- •2.1. Генеральная совокупность и выборка
- •2.2. Вычисление выборочных характеристик
- •3.Статистические выводы: оценки и проверка гипотез
- •4. Статистическая проверка гипотез
- •Литература
- •Эконометрике
- •Махачкала – 2008
- •Введение.
- •Лабораторная работа №1. «Корреляционный и регрессионный анализ – математический метод оценки взаимосвязей экономических явлений» Часть 1. Парная регрессия и корреляция.
- •1.1. Методические указания
- •1.2 Реализация типовых задач на компьютере.
- •Часть 2. Множественная регрессия и корреляция.
- •2.1. Методические указания
- •Построение системы показателей (факторов). Анализ матрицы коэффициентов парной корреляции
- •Выбор вида модели и оценка ее параметров
- •Проверка качества модели
- •Оценка влияния отдельных факторов на основе модели на зависимую переменную (коэффициенты эластичности и
- •Использование многофакторных моделей для анализа и прогнозирования развития экономических систем
- •2.2.Технология решения задач корреляционного и регрессионного анализа с помощью пакета анализа.
- •Лабораторная работа №2 «Анализ и прогнозирование временных рядов в среде Excel»
- •1. Основные понятия и определения.
- •2. Анализ временных рядов с помощью инструмента Excel-Мастер Диаграмм
Выбор вида модели и оценка ее параметров
Для отображения зависимости переменных могут использоваться показательная, параболическая и многие другие функции. Однако в практической работе наибольшее распространение получили модели линейной взаимосвязи, т.е. когда факторы входят в модель линейно.
Линейная модель множественной регрессии имеет вид:
Yi= а0 + a1xi1 + а2хiа + ... + аmхim + εi . (2.1.3)
Анализ уравнения (4.1.3) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи уравнения (2.1.4):
Y=Xα+ε. (2.1.4)
Здесь У - вектор зависимой переменной размерности nx1, представляющий собой n наблюдений значений уi, Х - матрица независимых переменных, элементы которой суть n х m наблюдения значений т независимых переменных Х1 X2, Х3, ..., Хm размерность матрицы Х равна m х 1; - α - подлежащий оцениванию вектор неизвестных параметров размерности т х 1; ε - вектор случайных отклонений (возмущений) размерности n х 1. Таким образом,
Уравнение (4.1.4) содержит значения неизвестных параметров α1, α 2, α m . Эти величины оцениваются на основе выборочных наблюдений, поэтому полученные расчетные показатели не являются истинными, а представляют собой лишь их статистические оценки. Модель линейной регрессии, в которой вместо истинных значений параметров подставлены их оценки (а именно такие регрессии и применяются на практике), имеет вид
Y=X α +e= +e, (2.1.5)
где α - вектор оценок параметров; е - вектор «оцененных» отклонений регрессии, остатки регрессии е = y - Х α; - оценка значений Y равная Х α.
Для оценивания неизвестного вектора параметров к воспользуемся методом наименьших квадратов (МНК). Формула для вычисления параметров регрессионного уравнения имеет вид:
Α=(XTX)-1XTY. (2.1.6)
Рассмотрим случай зависимости переменной Y от одного фактора X. Мы хотим подобрать уравнения.
Используя (4.1.6), можно получить следующие выражения для вычисления α1 и α0:
(2.1.8)
Проверка качества модели
Качество модели оценивается стандартным для математических моделей образом: по адекватности и точности на основе анализа остатков регрессии е. Расчетные значения получаются путем подстановки в модель фактических значений всех включенных факторов.
Анализ остатков. Анализ остатков позволяет получить представление, насколько хорошо подобрана сама модель и насколько правильно выбран метод оценки коэффициентов. Согласно общим предположениям регрессионного анализа, остатки должны вести себя как независимые (в действительности почти независимые), одинаково распределенные случайные величины. В классических методах регрессионного анализа предполагается также нормальный закон распределения остатков.
Независимость остатков проверяется с помощью критерия Дарбина- Уотсона [2].
Исследование остатков полезно начинать с изучения их графика. Он может показать наличие какой-то зависимости, не учтенной в модели. Скажем, при подборе простой линейной зависимости между Y и X график остатков может показать необходимость перехода к нелинейной модели (квадратичной, полиномиальной, экспоненциальной) или включения в модель периодических компонент.
Выбросы. График остатков хорошо показывает и резко отклоняющиеся от модели наблюдения - выбросы. Подобным аномальным наблюдениям надо уделять особо пристальное внимание, так как их присутствие может грубо искажать значения оценок. Устранение эффектов выбросов может проводиться либо с помощью удаления этих точек из анализируемых данных (эта процедура называется цензурированием), либо с помощью применения методов оценивания параметров, устойчивых к подобным грубым отклонениям.
Кроме рассмотренных выше характеристик, целесообразно использовать коэффициент множественной корреляции (индекс корреляции) R, а также характеристики существенности модели в целом и отдельных ее коэффициентов:
(2.1.9)
где - сумма квадратов уравнений остаточной компоненты;
- сумма квадратов отклонений исходного ряда от его среднего значения.
Данный коэффициент является универсальным, так как отражает тесноту связи и точность модели, а также может использоваться при любой форме связи переменных. При построении однофакторной корреляционной модели коэффициент множественной корреляции равен коэффициенту парной корреляции.
Коэффициент множественной корреляции (индекс корреляции), возведенный в квадрат (R2), называется коэффициентом детерминации.
(2.1.10)
Он показывает долю вариации результативного признака, находящегося под воздействием изучаемых факторов, т.е. определяет, какая доля вариации признака Y учтена в модели и обусловлена влиянием на него факторов.
В многофакторной регрессии добавление дополнительных объясняющих переменных увеличивает коэффициент детерминации. Следовательно, коэффициент детерминации должен быть скорректирован с учетом числа независимых переменных. Скорректированный R2, или , рассчитывается так:
где n - число наблюдения; k - число независимых переменных.
В качестве меры точности применяют несмещенную оценку дисперсии остаточной компоненты, которая представляет собой отношение суммы квадратов уровней остаточной компоненты к величине (n-k- 1), где k - количество факторов, включенных в модель. Квадратный корень из этой величины (Se) называется стандартной ошибкой оценки.
Для проверки значимости модели регрессии используется F-значение, вычисляемое как отношение дисперсии исходного ряда и несмещенной дисперсии остаточной компоненты. Если расчетное значение с Vi = (n - 1) и v2 = (n - k - 1) степенями свободы больше табличного при заданном уровне значимости, то модель считается значимой:
(2.1.11)
Если существует k независимых переменных, то будет k + 1 коэффициентов регрессии (включая постоянную), отсюда число степеней свободы составит n - (k + 1) или n - k - 1.
Целесообразно проанализировать также значимость отдельных коэффициентов регрессии. Это осуществляется по t-статистике путем проверки гипотезы о равенстве нулю j-го параметра уравнения (кроме свободного члена):
(2.1.12)
где Sαj, - это стандартное (среднее квадратическое) отклонение коэффициента уравнения регрессии αj.
Величина Sαj представляет собой квадратный корень из произведения несмещенной оценки дисперсии Se и j-го диагонального элемента матрицы, обратной матрице системы нормальных уравнений.
(2.1.13)
где bjj – диагональный элемент матрицы (XTX)-1.
Если расчетное значение г-критерия с (n- k - 1) степенями свободы превосходит его табличное значение при заданном уровне значимости, коэффициент регрессии считается значимым. В противном случае фактор, соответствующий этому коэффициенту, следует исключить из модели (при этом ее качество не ухудшится).