- •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.
2.Простая линейная регрессия. Классические предположения модели.
Простая линейная регрессия (ПЛР) – y = f(x; a) + ε;
у – эндогенная, х – экзогенная, ε – случайная «шоковая» переменная, а – неизвестный вектор параметров модели.
ε – случайные погрешности модели, а также экз. (факторные) пер-ные, кот. считаются несущественными по степени влияния на энд.пер-ную.
Пример: Y=ax+b+ε; x–уровень безработицы, y–темп инфляции.
По степени владения априорной информацией различ. 2 задачи:
1)при неизвестной функции взаимосвязи – задача подбора структуры модели.
2)при заданной функции – задача оценивания неизвестных параметров. Основной метод оценивания параметров – метод наименьших квадратов, кот.обеспечивает оптимальные свойства оценкам только при выполнении классических предположений:
П1. отсутствие систематич.ошибок наблюдений уравнения регрессии: M{ } = 0, t=1,…,T.(случайные перем не влияют)
П2. случайные ошибки некоррелированы между собой: M{ * } = 0, t τ, t,τ=1,…,T.
П3. наблюдения производятся с одинаковой точностью, т.е. дисперсии случ. переменных одинаковы во все моменты измерения: D{ } = , t=1,…,T. - гомоскедастичность
П4. Экз.переменные измеряются без ошибок. В случае модели множ.линейной регрессии их значения образуют линейно-независимые векторы.
П5. Закон распределения вероятностей случайной переменной принадлежит к классу нормальных распределений с нулевым мат.ожиданием и дисперсией , которая чаще всего неизвестна.
Чтобы применять регресс.анализ, необх. иметь сведения о корреляц.анализе.
Коррел.связь – связь, когда признак У реагирует на изменение другого признака х изменением своего частотного распределения.
Регресс.зависимость – зависимость условной средней арифметической выходного признака от изменений входного признака.
Парный коэффициент корреляции (r) – мера коррел. зависимости двух признаков. Принимает значения от -1 до 1; при преобразованиях сдвига и масштаба может только изменить знак без изменения значения; если r = 1 или -1, то существует линейная зависимость между х и У; если r =0, то делают вывод об отсутствии коррел.зависимости признаков.
= - парный коэффициент корреляции Пирсона,
- ковариация между признаками, - среднеквадратич.отклонения х и у.
3.Стат.Оценивание парам плр по мнк. Св-ва оценок.
Метод наименьших квадратов минимизирует сумму квадратов отклонений реальных наблюдений за эндогенной переменной от её значения, рассчитанного по модели. Является методом решения задачи: оценить неизвестные параметры регресс.модели, проверить гипотезы об их значимости и адекватности модели анализируемому эк.объекту.
МНК позволяет находить оценки, обеспеч.макс.точность (мин.дисперсию) в классе несмещённых и линейно связанных с наблюдениями y оценками.
мнк = arg min ,
- оценённое (подстановочное) значение энд.пер-ной от включения оценок неизвестных параметров
= + +…+ .
Тогда критерием качества оценивания явл. сумма квадратов реально зарегистрированных и подстановочных значений: - остаток (отклонение)модели.
МНК-оценки: мнк = - , мнк = ,
где = , = .
= + (МНК)*х.
Оптимальность оценок МНК означает наличие свойств:
1) оценки а0 и а1 имеют нормальные вероятностные законы распределения и обладают свойством несмещённости, т.е. мат.ожидание оценки = соотв. характеристике генеральной совокупности (искомому параметру): M{ } = , M{ } = .
Если св-во нарушается, возникает смещённость b=M
M{ (МНК)}= + ΣM{ }= ;
Дисперсия этой оценки: D{ (МНК)} = D{ } + = = = . Но т.к. она неизвестна=>
Дисперсию заменяют несмещённой оценкой: = = .
2)предел оценки с ростом выборки n равен истинному значению параметра: = a, P = (| |<ε)→1.
3) если несмещённая, причём D =minD , A, т.е. обладает равномерно-минимальной дисперсией, то - эффективная (оптимальная).
Фундаментальное свойство МНК: МНК-оценки параметров линейной регрессии обладают наименьшими дисперсиями среди множества всех несмещённых и линейно-зависимых от энд.перемен оценок в рамках модельных предположений 1-4. (Th Гаусса-Маркова)
Кроме точечных оценок использ. интервальные.
Доверительный интервал для :
(МНК) - < < (МНК) + ,
γ = 1-α, α – уровень значимости, = St(T-2), - квантиль по табл Стьюдента.
Доверительный интервал для :
(МНК) - < < (МНК) + ,
где = - .