- •Типы взаимосвязи между явлениями. Функц. И коррел. Связь.
- •2. Типы данных и типы моделей. Специфика экон. Данных. Системы эконометрич. Уравнений.
- •3. Ковариация между переменными. Формула расчета ковариации.
- •4.Коэффициент парной корреляции
- •5.Качественная оценка коэф. Парной корреляции. Шкала Чеддока.
- •6. Оценка значимости линейного коэффициента корреляции с помощью t-критерия Стьюдента.
- •7. Матрица коэффициентов парной корреляции, ее структура, экономическая сущность.
- •8. Коэффициент множественной корреляции, приделы его измерения.
- •11.Оценка тесноты нелинейной связи, индекс корреляции
- •12.Регрессионные модели. Общие предпосылки рег. Анлиза.
- •10. Частный коэффициент множественной корреляции, пределы его измерения
- •13. Алгоритм построения и анализа регрессионных моделей
- •14. Основные предпосылки мнк
- •15. Свойства оценок параметров регрессионной модели
- •16. Оценка параметров регрессионного уравнения с помощью метода наименьших квадратов
- •17. Оценка параметров линейной модели парной регрессии. Расчетные формулы
- •18. Матричная форма модели парной регресии и формула расчета ее парметров
- •19. Оценка качества уравнения регрессии
- •20. Коэффициент детерминации и коэффициент корреляции, их расчет в модели парной регересии.
- •22. Проверка значимости уравнения регрессии в целом. F-критерий Фишера.
- •23. Уровень значимости и степени свободы пр проверке значимости уравнения регрессии.
- •26. Оценка статистической значимости коэффициентов регрессии
- •27. Доверительные интервалы параметров регрессии
- •41. Способы обнаружения мультиколлинеарности. Обнаружение мультиколлинеарности с помощью алгоритма Феррара-Флобера: критерий Пирсона , критерий Фишера, критерий Стьюдента.
- •42. Понятие гомо- и гетероскедастичности
- •43. Критерий обнаружения гетероскедастичности.
- •44. Тест Гольдфельда-Квандта для обнаружения гетероскедастичности.
- •45. Обобщенный мнк и его отличие от классического мнк (метод Эйткена).
- •46. Автокорреляция в регрессионных моделях. Причины, последствия, методы устранения.
- •47. Метод обнаружения автокорреляции. Метод рядов для обнаружения автокорреляции.
- •48. Критерий Дарбина-Уотсона.
- •49. Коэффициент автокорреляции первого порядка и его применение для раскрытия неопределенности в критерии Дарбина-Уотсона.
- •50. Регрессионные уравнения с переменной структурой. Фиктивные переменные. Виды фиктивных переменных, преимущества использования.
- •51. Использование фиктивных переменных для исследования структурных изменений. Моделирование сезонности. Количество бинарных переменных при к градациях.
- •52. Модель задачи об оптимальном использовании средств, представленной в виде регрессионной модели
- •57. Система рекурсивных регрессионных уравнений. Ее формальная запись. Метод решения.
- •59. Приведенная форма модели одновременных регрессионных уравнений. Причины, вызывающие необходимость построения приведенной формы модели.
- •64. Алгоритм косвенного метода решения систем одновременных уравнений.
- •65. Алгоритм двухшагового метода наименьших квадратов для решения систем одновременных регрессионных уравнений
- •66. Понятие динамического ряда, временного ряда. Его обозначение. Составляющие временного ряда. Виды моделей представления временного ряда.
- •67. Процедуры предварительного анализа временных рядов.
- •72 Моделирование экономических процессов, подверженных колебаниям. Критерии проверки наличия сезонных колебаний.
- •73 Фильтрация компонентов тренд-сезонных колебаний временного ряда
- •74 Адаптивные модели прогнозирования: сс модель и ар модель
16. Оценка параметров регрессионного уравнения с помощью метода наименьших квадратов
МНК дает оценки, имеющие наименьшую дисперсию. Он минимизирует сумму квадратов отклонения наблюдаемых значений yi от модельных
значений ˆ yi.
Система
нормальных
уравнений
является системой двух линейных уравнений
с двумя неизвестными
и
и имеет следующий вид:
Система является системой двух линейных уравнений с двумя неизвестными ˆ a0 и ˆ a1 , и может быть решена методом подстановки.
17. Оценка параметров линейной модели парной регрессии. Расчетные формулы
Вычислить оценки и можно несколькими способами: решить систему нормальных уравнений, по явным формулам, матричным способом.
I способ. Система нормальных уравнений является системой двух линейных уравнений с двумя неизвестными и и имеет следующий вид:
Система может быть решена методом подстановки.
II способ. Явные формулы для вычисления оценок и следующие:
.
.
18. Матричная форма модели парной регресии и формула расчета ее парметров
В матричном виде формулы для вычисления оценок и имеют вид:
.
где
,
,
.
матричной формой записи уравнения (4.2):
Y = X α + ε (4.2)
где Y — вектор зависимой переменной размерности n×1, представляющий собой n наблюдений значений yj,
X — матрица n наблюдений независимых переменных Х1, Х2, Х3, ..., Хm, размерность матрицы X равна n×(m+1);
α — подлежащий оцениванию вектор неизвестных параметров размерности (m+1) ×1;
ε — вектор случайных отклонений (возмущений) размерности n×1.
19. Оценка качества уравнения регрессии
Качество модели регрессии связано с ее адекватностью наблюдаемым (эмпирическим) данным. Проверка адекватности (соответствия) модели регрессии наблюдаемым данным проводится на основе анализа остатков e i.
Остаток e i представляет собой отклонение фактического значения зависимой переменной от ее значения, полученного расчетным путем, т.е.
e = y i− ^y i i=1,n
При анализе качества модели регрессии используется основное положение дисперсионного анализа, согласно которому общая сумма квадратов отклонений зависимой переменной от среднего значения y может быть разложена на две составляющие: объясненную и необъясненную уравнением регрессии/
SST = SSR + SSE .
Качество регрессионного уравнения, полученного с помощью МНК, оценивается с помощью трех величин: коэффициента детерминации, коэффициента
множественной корреляции и средней относительной ошибки аппроксимации.
Коэффициент
детерминации
(
- R-квадрат)
— это доля дисперсии
зависимой переменной, объясняемая
рассматриваемой моделью
зависимости, то есть объясняющими
переменными. Более точно — это единица
минус доля необъяснённой дисперсии
(дисперсии случайной ошибки модели, или
условной по факторам дисперсии зависимой
переменной) в дисперсии зависимой
переменной. Его рассматривают как
универсальную меру связи одной случайной
величины от множества других. В частном
случае линейной зависимости
является
квадратом так называемого множественного
коэффициента
корреляции
между зависимой переменной и объясняющими
переменными. В частности, для модели
парной линейной регрессии коэффициент
детерминации равен квадрату обычного
коэффициента корреляции между y
и x.
Коэффициент множественной корреляции для линейной модели множественной регрессии с n факторными переменными рассчитывается через стандартизированные частные коэффициенты регрессии и парные коэффициенты корреляции по формуле:
где r (yxi) – парный (не частный) коэффициент корреляции между результативной переменной у и факторной переменной xi
Величина
отклонений фактических и расчетных
значений результативного признака
по
каждому наблюдению представляет
собой ошибку
аппроксимации.
Поскольку может быть как величиной положительной, так и отрицательной, то ошибки аппроксимации для каждого наблюдения принято определять в процентах по модулю.
Чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому наблюдению определяют среднюю ошибку аппроксимации:
