- •1. Назначение эконометрических моделей. Принципы их спецификации.
- •2. Типы переменных в эконометрических моделях.
- •3. Структурная форма спецификации эконометрических моделей.
- •4. Приведённая форма спецификации эконометрических моделей.
- •5. Взаимосвязь структурной и приведённой форм спецификации эконометрической модели.
- •6. Этапы построения эконометрических моделей.
- •8. Смысл выходной статистической информации функции линейн.
- •11. Предпосылки Гаусса-Маркова относительно случайного возмущения регрессионной модели.
- •12. Теорема Гаусса - Маркова.
- •9. Классификация регрессионных моделей.
- •10. Спецификация парной линейной регрессионной модели.
- •13. Оценка параметров парной регрессионной модели методом наименьших квадратов (мнк) в координатной форме.
- •18. Доверительные интервалы параметров парной регрессионной модели
- •19. Алгоритм построения интервальных оценок параметров регрессионной модели в Excel.
- •21. Алгоритм проверки значимости оценок параметров линейной регрессионной модели в excel
- •22. Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
- •23. Интервальная оценка индивидуального значения зависимой переменной в парной регрессионной модели.
- •24. Алгоритм проверки адекватности парной регрессионной модели.
- •Коэффициент детерминации в регрессионных моделях
- •Нецентрированный коэффициент детерминации регрессионной модели.
- •28. Спецификация множественной линейной регрессионной модели.
- •40. Алгоритм проверки адекватности множественной регрессионной модели.
- •41. Скорректированный коэффициент детерминации в множественной регрессионной модели.
- •43. Спецификация регрессионной модели при наличии автокорреляции случайного возмущения
- •44. Причины автокорреляции случайного возмущения.
- •45. Последствия автокорреляции случайного возмущения.
- •47. Способы корректировки автокорреляции (авторегрессионные модели первого порядка).
- •48. Способы корректировки автокорреляции: алгоритм метода Кохрейна-Оркатта.
- •49. Спецификация регрессионной модели при наличии гетероскедастичности случайного возмущения.
- •50. Причины гетероскедастичности случайного возмущения.
- •51. Последствия гетероскедастичности случайного возмущения.
- •52. Алгоритм теста Голдфельда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •53.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •54. Способы корректировки гетероскедастичности. Доступный метод взвешенных наименьших квадратов.
- •55. Обобщенная регрессионная модель. Обобщенный метод наименьших квадратов.
- •Преобразование переменных
- •Матрица преобразований:
- •Оцениваемая спецификация:
- •56. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •57. Примеры спецификаций регрессионных моделей нелинейных по параметрам.
- •58. Интерпретация параметров регрессионных моделей нелинейных по параметрам.
- •59. Способы включения случайных возмущений в спецификацию нелинейной по параметрам модели.
- •60. Спецификация и оценивание мнк эконометрических моделей нелинейных по переменным.
- •62. Интерпретация параметров регрессионных моделей нелинейных по переменным.
- •63. Проблема мультиколлинеарности в моделях множественной регрессии.
- •64. Признаки мультиколлинеарности.
- •65. Фиктивные переменные: определение, назначение, типы, смысл названий.
- •66. Фиктивная переменная сдвига: спецификация регрессионной модели с фиктивной переменной сдвига.
- •67. Экономический смысл параметра при фиктивной переменной сдвига.
- •68. Применение фиктивных переменных сдвига при исследовании сезонных колебаний: спецификация модели; проблема мультиколлинеарности.
- •69. Экономический смысл параметров при фиктивных переменных сдвига при исследовании сезонных колебаний.
- •70. Фиктивная переменная наклона: назначение; спецификация регрессионной модели с фиктивной переменной наклона.
- •71. Тест Чоу на наличие структурных изменений в регрессионной модели.
- •72. Оценка моделей с распределенными лагами с конечным числом лагов.
- •73. Оценка моделей с распределенными лагами с бесконечным числом лагов: метод геометрической прогрессии.
- •74. Оценка моделей с распределенными лагами с бесконечным числом лагов: метод Койка.
- •75. Проблемы оценки параметров регрессионных моделей с распределёнными лагами методом Койка
- •76. Оценка моделей с распределенными лагами: метод Алмон.
- •77. Тест Дарбина на наличие (отсутствие) автокорреляции вектора возмущений в авторегрессионных моделях.
- •78. Системы одновременных уравнений (соу): проблема оценивания структурных параметров.
- •79. Проблема идентификации системы одновременных уравнений соу.
- •80. Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
- •81. Идентификация отдельных уравнений системы одновременных уравнений: ранговое условие.
- •82. Косвенный метод наименьших квадратов: алгоритм метода; условия применения
- •83. Двухшаговый метод наименьших квадратов (дмнк): алгоритм метода; условия применения.
- •84. Корректировка оценки дисперсии возмущения при реализации алгоритма дмнк в Excel.
- •85. Корректировка оценок ско оценок параметров соу при реализации алгоритма дмнк в Excel.
62. Интерпретация параметров регрессионных моделей нелинейных по переменным.
- значение эндогенной переменной при единичном значении регрессора.
Параметр называется коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу.
Экономический смысл параметров уравнения нелинейной по переменным регрессии. Параметр показывает среднее изменение результата у с изменением фактора X на единицу. Параметр - значение эндогенной переменной при единичном значении регрессора. Если X не может быть равен 0, то не имеет экономического смысла. Интерпретировать можно только знак при : если > 0, то относительное изменение результата происходит медленнее, чем изменение фактора.
63. Проблема мультиколлинеарности в моделях множественной регрессии.
Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличии мультиколлинеарности факторов, когда более чем два фактора связаны между собой линейной зависимостью. Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой, и нельзя оценить воздействие каждого фактора в отдельности.
Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов (МНК).
Включение в модель мультиколлинеарных факторов нежелательно по следующим причинам:
затрудняется интерпретация параметров множественной регрессии; параметры линейной регрессии теряют экономический смысл;
оценки параметров ненадежны, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений, что делает модель непригодной для анализа и прогнозирования
Решению проблемы устранения мультиколлинеарности факторов может помочь и переход к уравнениям приведенной формы. С этой целью в уравнение регрессии производится подстановка рассматриваемого фактора через выражение его из другого уравнения.
Метод главных компонент применяется для исключения или уменьшения мультиколлинеарности объясняющих переменных регрессии. Основная идея заключается в сокращении числа объясняющих переменных до наиболее существенно влияющих факторов. Это достигается путем линейного преобразования всех объясняющих переменных xi (i=0,..,n) в новые переменные, так называемые главные компоненты. При этом требуется, чтобы выделению первой главной компоненты соответствовал максимум общей дисперсии всех объясняющих переменных xi (i=0,..,n). Второй компоненте — максимум оставшейся дисперсии, после того как влияние первой главной компоненты исключается и т. д.
Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям:
1. быть количественно измеримы. При включении качественного фактора нужно придать ему количественную определенность
2. не должны быть коррелированы между собой и тем более и годиться в точной функциональной связи.
Включение в модель факторов с высокой интеркорреляцией, когда ryx1 < rx1x2 может повлечь за собой неустойчивость и ненадежность оценок коэффициентов регрессии.
Поскольку одним из условий построения уравнения множественной регрессии является независимость действия факторов, коллинеарность факторов нарушает это условие. Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из регрессии. Предпочтение при этом отдается фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту связи с другими факторами.