- •Понятие, предмет, методы, этапы экономико-математического моделирования.
- •Понятие экономико-математических моделей и их типы.
- •Этапы построения экономико-математических моделей.
- •15,Классификация экономико-математических моделей.
- •Виды систем моделей.
- •Понятие «информация» и её использование в моделировании
- •Информационные модели: понятие, сущность.
- •Понятие линейного программирования.
- •Метод графического решения задач линейного программирования.
- •Симплекс-метод линейного программирования.
- •Нелинейные методы программирования.
- •Понятие оптимальности в экономико-математическом моделировании.
- •Критерии в экономико-математическом моделировании.
- •Экономические свойства оптимальности.
- •Классификация экономико-математических моделей.(4)
- •Статистические ряды распределения.
- •Статистическая сводка, её организация и техника.
- •Сущность и виды группировок.
- •Статистические таблицы.
- •Абсолютные величины, их виды и значение.
- •Виды абсолютных величин:
- •Формы учета абсолютных величин:
- •Понятие относительных величин, виды и способы их расчёта.
- •Виды относительных величин
- •Сущность и значение средних величин.
- •Виды средних величин и способы их расчёта.
- •Средняя арифметическая (простая и взвешенная)
- •Свойства средней арифметической
- •Средняя гармоническая
- •Показатели вариации и способы их расчёта.
- •Виды дисперсий и правила их сложения.
- •Правило сложения дисперсий
- •Понятие о рядах динамики, сопоставимость статистических величин в рядах динамики.
- •Показатели динамического ряда, методика их расчёта.
- •Средние показатели ряда динамики.
- •Методы выявления тенденций в динамических рядах.
- •Индивидуальные и общие индексы.
- •Формы индексов. Агрегатные индексы и их веса.
- •Средние индексы.
- •Система взаимосвязанных индексов. Факторный анализ.
- •Индексы средних величин. Индексы переменного и постоянного состава.
- •Понятие корреляционного анализа.
- •Виды корреляционной связи.
- •Статистическое измерение корреляционной взаимосвязи.
- •Организация процесса построения пространственных моделей.
- •Спецификация моделей.
- •Метод наименьших квадратов (мнк).
- •Фиктивные переменные.
- •Предпосылки метода наименьших квадратов.
Предпосылки метода наименьших квадратов.
При оценке параметров уравнения регрессии применяется МНК. При этом делаются определенные предпосылки относительно составляющей , которая представляет собой в уравнении ненаблюдаемую величину.
Исследования остатков предполагают проверку наличия следующих пяти предпосылок МНК:
1) случайный характер остатков. С этой целью строится график отклонения остатков от теоретических значений признака. Если на графике получена горизонтальная полоса, то остатки представляют собой случайные величины и применение МНК оправдано. В других случаях необходимо применить либо другую функцию, либо вводить дополнительную информацию и заново строить уравнение регрессии до тех пор, пока остатки не будут случайными величинами.
2. нулевая средняя величина остатков, т.е. , не зависящая от хi. Это выполнимо для линейных моделей и моделей, нелинейных относительно включаемых переменных. С этой целью наряду с изложенным графиком зависимости остатков от теоретических значений результативного признака ух строится график зависимости случайных остатков от факторов, включенных в регрессию хi . Если остатки на графике расположены в виде горизонтальной полосы, то они независимы от значений xj. Если же график показывает наличие зависимости и хj то модель неадекватна. Причины неадекватности могут быть разные.
3. Гомоскедастичность — дисперсия каждого отклонения одинакова для всех значений хj. Если это условие применения МНК не соблюдается, то имеет место гетероскедастичность. Наличие гетероскедастичности можно наглядно видеть из поля корреляции.
4. Отсутствие автокорреляции остатков. Значения остатков распределены независимо друг от друга. Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.
5. Остатки подчиняются нормальному распределению.
В тех случаях, когда все пять предпосылок выполняются, оценки, полученные по МНК и методу максимального правдоподобия, совпадают между собой.
Если распределение случайных остатков не соответствует некоторым предпосылкам МНК, то следует корректировать модель, изменить ее спецификацию, добавить (исключить) некоторые факторы, преобразовать исходные данные, что в конечном итоге позволяет получить оценки коэффициентов регрессии aj, которые обладают свойством несмещаемости, имеют меньшее значение дисперсии остатков, и в связи с этим более эффективную статистическую проверку значимости параметров регрессии
