- •Поняття економетричної моделі, її складові частини.
- •Причини, які спонукають появу випадкової складової в регресійних моделях.
- •Етапи побудови економетричної моделі.
- •Параметри моделі парної лінійної регресії, їх сутність та оцінювання.
- •Закони розподілу ймовірностей емпіричних параметрів , їх числові характерстики та статистичні властивості.
- •Обчислення значень вибіркових дисперсій , , для парної регресії.
- •Незміщені статистичні оцінки для , , в моделі парної лінійної регресії.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою t-критерію.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою f-критерію.
- •Перевірка суттєвості оцінок параметрів на основі t-критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі парної регресії.
- •Передумови застосування методу найменших квадратів.
- •Метод найменших квадратів (мнк). Система нормальних рівнянь.
- •Оператор оцінювання мнк в матричному вигляді.
- •Властивості оцінок параметрів, знайдених за мнк.
- •Дисперсійний аналіз моделі лінійної множинної регресії.
- •Коефіцієнт множинної кореляції та детермінації та перевірка їх статистичної значущості.
- •Дисперсійно-коваріаційна матриця оцінок параметрів.
- •Довірчі інтервали для оцінок параметрів.
- •Перевірка достовірності оцінок параметрів за допомогою t -критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії.
- •Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
- •Поліноміальна модель. Визначення вектора статистичний аналіз моделі.
- •Аналіз моделі.Показникова модель. Визначення вектора статистичний аналіз моделі.
- •Виробнича функція Кобба-Дугласа. Визначення вектора статистичний аналіз моделі.
- •Поняття фіктивних змінних.
- •Врахування якісних факторів в лінійних економетричних моделях за допомогою фіктивних змінних.
- •Моделі з фіктивними регресорами: моделі, що містять тільки фіктивні незалежні змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні.
- •Моделі з фіктивними залежними змінними.
- •Оцінювання параметрів моделі з фіктивними змінними.
- •Порівняння двох регресійних моделей. Тест Чоу.
- •Суть та наслідки мультиколінеарності.
- •Тестування наявності мультиколінеарності в моделі. Алгоритм Фаррара-Глобера.
- •Методи усунення мультиколінеарності.
- •Алгоритм покрокової регресії.
- •Поняття про гомо- та гетероскедастичність залишків.
- •Негативні наслідки наявності гетероскедастичності залишків в лінійних моделях.
- •Тест Гольдфельда-Квандта. Послідовність його виконання.
- •Алгоритм теста Глейсера.
- •Перевірка наявності гетероскедастичності залишків на основі теста коефіцієнта рангової кореляції Спірмена.
- •Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •Зважений метод найменших квадратів.
- •Суть та наслідки автокореляції стохастичної складової.
- •Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •Критерій фон Неймана.
- •Циклічний та нециклічний коефіцієнт автокореляції.
- •Узагальнений метод найменших квадратів для знаходження оцінок параметрів моделі з автокорельованими залишками.
- •Метод перетворення вихідної інформації.
- •Алгоритм методу Кочрена – Оркатта.
- •Оцінювання параметрів моделі з автокорельованими залишками методом Дарбіна.
- •Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •Оцінювання авторегресійних моделей з часовим лагом незалежних змінних.
- •Часовий ряд в загальному вигляді. Поняття тренду, сезонної, циклічної та випадкової компоненти. Основні етапи аналізу числових рядів.
- •Метод ковзної середньої для згладжування часового ряду.
- •Експоненціальне згладжування.
- •Аналітичні методи згладжування часового ряду.
- •Довжина часового ряду суттєво перевищує ступінь полінома , а випадкові залишки мають властивості «білого шуму», тобто
- •Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •Тест Дікі-Фулера.
- •Авторегресійні моделі ( ar(p)- процеси).
- •Моделі ковзного середнього (ma(q)- процеси).
- •Авторегресійні моделі ковзного середнього ( arma(p,q)- процеси).
- •Інтегровані авторегресійні моделі ковзного середнього ( arima(p,d,q)- процеси).
- •Адаптивні моделі. Схема їх побудови.
- •Поняття про коінтеграцію часових рядів.
- •Моделі коригування помилки, етапи її побудови.
- •Поняття системи економетричних рівнянь. Приклади моделей на основі системи одночасних рівнянь.
- •Структурна та зведена форми системи рівнянь.
- •Ідентифікація. Необхідна і достатня умова ідентифікації.
- •Непрямий метод найменших квадратів оцінювання параметрів системи одночасних рівнянь.
- •Оцінювання параметрів системи одночасних рівнянь двохкроковим методом найменших квадратів.
- •Трьохкроковий метод найменших квадратів.
- •Прогноз ендогенних змінних
Поняття економетричної моделі, її складові частини.
Економетричні моделі описують вплив багатьох чинників на економічні процеси та явища. При цьому для відображення цих зв язків може використовуватися не одне рівняння а система. Економетрична модель складається з таких частин: 1). Набір рівнянь поведінки, які виводяться з економічної моделі. Ці рівняння включають деякі змінні, значення яких спостерігаються, а також «збурення», які відтворюють ефект від змінних, не включених до моделі у явному вигляді, та ефект від непередбачуваних подій. 2). Опис імовірнісного розподілу «збурень».
Економетричні моделі мають стохастичний характер. Розглянемо співвідношення між споживанням С та доходом Y у такому вигляді:
С = + Y + , (В.1)
де – збурення, або стохастична складова моделі, і – невідомі параметри, які можна оцінити за допомогою методів математичної статистики.
Стохастичний характер економетричних моделей дозволяє використовувати теорію статистичних висновків для перевірки цих моделей на адекватність. Перевірка складається з двох етапів: статистичного і економічного. На статистичному етапі ми перевіряємо, чи виконуються вимоги, які накладено на стохастичну складову при формулюванні моделі. На економічному етапі ми перевіряємо, чи узгоджуються знайдені оцінки параметрів з положеннями економічної теорії. Наприклад, теорія споживання стерджує, що зі зростанням доходу споживання зростає, але не в такій мірі як доход. Звідси випливає, що модель (В.1) коректна, коли в ній 0 < < 1.
Таким чином, економетричні методи дозволяють не тільки встановлювати кількісні зв’язки між економічними змінними, але й робити висновки про коректність одержаних моделей.
Причини, які спонукають появу випадкової складової в регресійних моделях.
Стохастичну складову (u) економетричної моделі називають залишком, збуренням, відхиленням.
Введення до моделі (2.11) стохастичної складової має три підстави, кожна з яких не виключає решти двох.
1. Розмір витрат на споживання визначається не лише рівнем доходів, а й іншими об’єктивними чинниками, наприклад розміром сім’ї, середнім віком і т. ін.
2. На обсяг споживання впливають випадкові чинники, наприклад схильність до ощадливості, стриманість чи навпаки — надмірність у витратах і т. ін.
3. Частина факторів, які впливають на розмір споживчих витрат, не оцінюються кількісно, вони не квантифікуються. Крім того, можлива помилка вимірювання змінних.
Отже, замість залежності
Y = f (X1, X2, X3 ... Xm–1),
де m – 1 — досить велике число, яке характеризує кількість пояснювальних змінних; розглядається модель з невеликою кількістю незалежних змінних, причому Y є функцією від найважливіших із , тоді чистий сумарний ефект від впливу всіх інших чинників надає змінна u. Зрештою, якщо залишається одна незалежна змінна, маємо:
Y = f (X, u).
У класичній лінійній економетричній моделі змінна u інтерпретується як випадкова змінна, яка має розподіл з математичним сподіванням, що дорівнює нулю, і сталою дисперсією . Це дає змогу розглядати змінну u як стохастичне збурення (похибку, відхилення). З огляду на те, що u охоплює вплив багатьох чинників, які можна вважати незалежними, на підставі центральної граничної теореми теорії ймовірностей доходимо висновку: стохастична складова економетричної моделі розподілена за нормальним законом.
Розподіл ймовірностей Fu (Х) групуватиметься при цьому навколо лінії регресії Можливо, у цьому прикладі доцільніше було б припускати, що дисперсія відхилення u зростає зі збільшенням доходу X. Цю особливість розглянемо пізніше, бо вона може бути притаманна й іншим економічним залежностям (наприклад, залежності заощаджень від доходу, дивідендів від прибутку і т. ін.). З рис. 2.1 випливає, що дисперсія залишків u є сталою. розглянуто випадки, коли дисперсія залишків u зростає (або спадає) зі збільшенням X, і з’ясовано, як це явище впливає на оцінки регресійної функції.