- •1.Предмет, цели и задачи эконометрики (э). Экон.Модель (эм), основные этапы построения экон.Модели.
- •2.Простая линейная регрессия. Классические предположения модели.
- •3.Стат.Оценивание парам плр по мнк. Св-ва оценок.
- •4.Проверка качества плр: значимость параметров, адекватность моделей. Прогнозирование.
- •5.Множественная линейная регрессия (млр). Классич. Предположения. Мнк-оценка параметров модели.
- •6.Свойства мнк-оценок млр. Теорема Гаусса-Маркова.
- •7. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •8.Спецификация эконометрической модели: способы и диагностика отбора экзогенных переменных. Тесты Рамсея и Амемья.
- •9.Спецификация экономической модели: выбор формы зависимости нелинейной модели.
- •10. Проблема гетероскедастичности модели. Критерии её диагностики.
- •11.Взвешенный мнк в задаче оценивания параметров модели. Свойства оценок взвешенного мнк.
- •12.Проблема автокорреляции остатков модели. Последствия автокорреляции при использовании модели.
- •13. Критерий диагностики автокорреляции Дарбина-Уотсона.
- •14. Методы устранения автокорреляции
- •15. Проблема наличия мультиколлинеарности модели. Последствия наличия и диагностика мультиколлинеарности.
- •16. Методы устранения мультиколлинеарности.
- •17. Динамические модели с распределёнными лагами.
- •18. Структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
- •19. Понятие временного ряда(вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
- •20. Стационарность вр. Характеристики корреляции уровней вр.
- •21. Стационарные модели временных рядов: авторегрессии, скользящего среднего арсс.
- •22. Системы одновременных эконометрических уравнений (соу). Структурная и приведенная форма соу (графическое и матричное представление)
- •23. Проблемы идентификации соу. Идентифицируемость уравнений соу.
- •24. Методы оценивания соу. Косвенный мнк. Двухшаговый мнк. Применимость и свойства оценок.
- •25. Современное состояние эконометрики. Примеры больших эконометрических моделей.
19. Понятие временного ряда(вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
Временной ряд – совокупность значений какого-либо показателя за несколько последовательных моментов или периодов времени, т.е. t2-t1= t3-t2=…=tn-tn-1=Δt. Временнойрядобозначаетсяy(Δt), y(2Δt), …, y(nΔt) y1, y2,…, yn(yT). К этому классу относ модели: тренда , где T(t) – временной тренд параметрического вида; сезонности , S(t) – сезонная компонента, - случайная компонента. Общее у временных рядов то, что они объясняют поведение временного ряда исходя изего пред знач.
Задачи: 1) Сглаживание или выделение тренда по уровням временного ряда. 2) Прогнозирование.
Метод скользящих средних. Он основан на переходе от начальных значений членов ряда к их средним значениям на интервале времени, длина которого определена заранее (m=2k+1). Если индивидуальный разброс значений члена ВР ytоколо своего среднего значения а характеризуется дисперсией σ2, то разброс средней из tчленов ВР (y1+y2+…+ym)/m около того же значения а будет характеризоваться дисперсии σ2/t.
Метод экспоненциального сглаживания вычисляет взвешенную среднеарифметическую соседних уровней со стандартно заданным …
yt(λ) = , |λ|<=1, т.е веса все время уменьшаются.
Метод последовательных разностей.
Применяется если искомая ф-ия тренда имеет вид полинома:
Tt = c0+c1t+…+cmtm
Тогда вычисляют абсолютные цепные приросты уровней ряда и сравнивают их по величине.
если , то вывод о линейности ф-и тренда. Если они не равны, то продолжают вычислять абсолютные приросты:
Если они ==, то => вывод о квадратической форме тренда. В противном случае продолжают вычислять конечные разности высших порядков и сравнивать их между собой.
20. Стационарность вр. Характеристики корреляции уровней вр.
Ряд называют строго стационарным (в узком смысле), если совместное распределениеm наблюдений не зависит от сдвига по времени, т.е совпадает с распределением . Слабая стационарность (в широком смысле) состоит в том, что дисперсия и ковариация не зависит от момента времени: .
Значения уровней временных рядов экономических показателей могут содержать следующие компоненты:- тренд (изменение, определяющее общее направление развития, основную тенденцию временного ряда);- сезонную компоненту ;- циклическую компоненту ;- случайную составляющую .
Анализ временного ряда надо начинать с построения графика исследуемого показателя. По графику можно сделать предположение о наличии тренда и колебаний. Если амплитуда колебаний относительного среднего значения не меняется, то используют аддитивную модель; если же амплитуда возрастает (убывает), то используют мультипликативную модель.
Если присутствие тренда во временном ряду визуально прослеживается нечетко, то проводят статистическую проверку гипотезы о существовании тенденции, например, с помощью метода Фостера-Стюарта:
1) Каждый уровень ряда сравнивается со всеми предшествующими, вычисляются вспомогательные характеристики и :
Т.е. , если больше всех предшествующих уровней; , если меньше всех предшествующих уровней.
2) Вычисляется , .
3) Находится характеристика .
4) С помощью критерия Стьюдента проверяется гипотеза о том, что можно считать случайной разность (т.е. ряд можно считать случайным, не содержащим тренд). Для этого определяется , где – средняя квадратическая ошибка величины D. Расчетное значение критерия сравнивается с критическим значением для заданного уровня значимости и числа степеней свободы . Если , то гипотеза об отсутствии тренда отвергается.
При наличии у временного ряда тренда, циклической и сезонной компонент наблюдается корреляция между уровнями временного ряда – автокорреляция. Количественно автокорреляция устанавливается с помощью линейного коэффициента корреляции между уровнями этого ряда и некоторым лагом . Величина лага определяет порядок коэффициента корреляции. Коэффициент автокорреляции k-го порядка вычисляется по формуле:
где , .
С увеличением лага число пар уровней, по которым рассчитывается коэффициент автокорреляции, уменьшается. Считается целесообразным использовать коэффициенты автокорреляции с порядками: .