- •1.Типы моделей и переменных, применяемых в эконометрике. Чем регрессионная модель отличается от функции регрессии?
- •60. Двухшаговый мнк. Всегда ли можно применить двухшаговый мнк?
- •2. Этапы эконометрического моделирования. Каковы основные причины наличия в регрессионной модели случайного отклонения?
- •59. Косвенный мнк. Всегда ли можно применить косвенный мнк?
- •3.Основные понятия теории вероятностей. Нормальное распределение и связанные с ним χ2 - распределение, распределение Стьюдента и Фишера.
- •58. Идентификация модели в системах одновременных уравнений.
- •4. Генеральная совокупность и выборка. Свойства статистических оценок.
- •57. Структурная и приведенная формы модели в системах одновременных уравнений.
- •56. Типы систем одновременных уравнений. В чем особенность системы рекурсивных уравнений?
- •6. Экономическая интерпретация параметров линейной модели парной регрессии. Какой смысл может иметь свободный коэффициент?
- •55. Arima-модель.
- •7. Статистический смысл коэффициента детерминации. Какова связь между линейным коэффициентом корреляции и коэффициентом регрессии в линейной модели парной регрессии?
- •54. Типы моделей нестационарных временных рядов.
- •8. Баланс для сумм квадратов отклонений результативного признака. В каком случае общая ско равна факторной? Что происходит, когда общая ско равна остаточной?
- •53. Типы моделей стационарных временных рядов.
- •9. Число степеней свободы. Чему равны числа степеней свободы для различных ско в парной регрессии?
- •52. Стационарность временного ряда. Какой стационарный процесс называется «белым шумом»?
- •10. Проверка нулевой гипотезы о статистической незначимости уравнения регрессии в целом. Как используется f-статистика в регрессионном анализе?
- •51. Модель arma. Как интерпретируют параметры моделей авторегрессии?
- •11. Проверка нулевой гипотезы о статистической незначимости параметров уравнения регрессии. Как рассчитать критерий Стьюдента для коэффициента регрессии в линейной модели парной регрессии?
- •50. Прогнозирование на основе трендовой и тренд-сезонной моделей временных рядов. Чему равна сумма сезонных компонент в аддитивной модели временного ряда?
- •12. "Грубое" правило анализа статистической значимости коэффициентов регрессии. Какая связь между tb- и f- статистиками в парной линейной регрессии?
- •49. Этапы построения тренд-сезонных моделей временных рядов. В чем отличие аддитивной и мультипликативной моделей временных рядов?
- •13. Схема определения интервальных оценок коэффициентов регрессии.
- •48. Модель регрессии с фиксированным эффектом и модель регрессии со случайным индивидуальным эффектом. Оценивание модели со случайным индивидуальным эффектом.
- •14. Схема предсказания индивидуальных значений зависимой переменной. В каком месте доверительный интервал прогноза по парной модели является наименьшим?
- •47. Основные понятия и характеристики панельных данных.
- •15. Спецификация эмпирического уравнения линейной модели множественной регрессии. Что измеряют коэффициенты регрессии линейной модели множественной регрессии?
- •46. Прогноз вероятности по логит-модели. Прогноз вероятности по пробит-модели.
- •45. Проверка значимости коэффициентов в модели бинарного выбора?
- •44. Логит-модели и пробит–модели. Какова интерпретация коэффици-ентов моделей бинарного выбора?
- •18. Способы оценивания параметров регрессии в условиях мультиколлинеарности.
- •43. Замещающие переменные в регрессионных моделях.
- •19. Стандартизованный вид линейной модели множественной регрессии: форма записи и практическое применение. Как связаны стандартизованные коэффициенты регрессии с натуральными?
- •42. Исключение существенных переменных и включение несущественных переменных.
- •20. Скорректированный коэффициент детерминации. В чем недостаток использования коэффициента детерминации при оценке общего качества ли-нейной модели множественной регрессии?
- •41. Показатели корреляции при нелинейных соотношениях рассматриваемых признаков. Смысл средней ошибки аппроксимации.
- •21. Назначение частной корреляции при построении модели множе-ственной регрессии.
- •40. Коэффициенты эластичности в нелинейных регрессионных моделях.
- •22. Смысл и определение индекса множественной корреляции.
- •39. Индекс корреляции. Подбор линеаризующего преобразования (подход Бокса-Кокса).
- •23. Способы отбора факторов для включения в линейную модель множественной регрессии.
- •38. Линеаризация нелинейных моделей. Выбор формы модели.
- •24. Проверка обоснованности исключения части переменных из уравнения регрессии.
- •37. Классы и виды нелинейных регрессий.
- •25. Проверка обоснованности включения группы новых переменных в уравнение регрессии.
- •36. Тест Чоу в моделях с фиктивными переменными.
- •26. Частный f-критерий. Чем он отличается от последовательного f-критерия?
- •35. Смысл дифференциального свободного члена и дифференциального углового коэффициента в моделях с фиктивными переменными. ???
- •27. Гомоскедастичности и гетероскедастичности остатков регрессии. Каковы последствия гетероскедастичности остатков регрессии?
- •34. Правило применения фиктивных переменных. Ловушка фиктивных переменных.
- •28. Способы обнаружения гетероскедастичности остатков регрессии. Какие критерии могут быть использованы для проверки гипотезы о гомоскедастичности регрессионных остатков?
- •29. Способы устранения гетероскедастичности остатков регрессии. Метод взвешенных наименьших квадратов.
- •30. Автокорреляция случайных отклонений. Каковы основные причины и последствия автокорреляции?
- •31. Основные методы обнаружения автокорреляции.
8. Баланс для сумм квадратов отклонений результативного признака. В каком случае общая ско равна факторной? Что происходит, когда общая ско равна остаточной?
Баланс
для сумм квадратов отклонений
результативного признака.
или
Q = Qr + Qe, где Q – общая сумма квадратов
отклонений зависимой переменной от
средней, Qr и Qe – соответственно, сумма
квадратов, обусловленная регрессией,
и остаточная сумма квадратов,
характеризующая влияние неучтённых
факторов.
Общая СКО равна факторной, когда прочие факторы не влияют на результат, y связан с x функционально, и остаточная СКО равна нулю.
Когда
общая СКО в точности равна остаточной,
сумма квадратов, обусловленная регрессией
равняется нулю. Фактор х не
оказывает влияния на результат, вся
дисперсия y обусловлена воздействием
прочих факторов, линия регрессии
параллельна оси Ох и
53. Типы моделей стационарных временных рядов.
Стохастический процесс - процесс, который развивается во времени в соответствии с законами теории вероятностей.
К стохастическим процессам относится:
Стохастический процесс называется стационарным, если его основные свойства остаются неизменными во времени.
Нестационарным временным рядом называется ряд, который не удовлетворяет вышеперечисленным свойствам.
9. Число степеней свободы. Чему равны числа степеней свободы для различных ско в парной регрессии?
Число степеней свободы - это число независимо варьируемых значений признака.
Для
общей
СКО требуется
(n-1) независимых отклонений, т.к.
что
позволяет свободно варьировать (n-1)
значений, а последнее n-е отклонение
определяется из общей суммы, равной
нулю. Поэтому
Факторную СКО можно выразить так:
Эта
СКО зависит только от одного
параметра b, -поскольку выражение
под знаком суммы к значениям результативного
признака не относится. Следовательно,
факторная СКО имеет одну степень
свободы, и
Для
определения
воспользуемся
равенство и между числами степеней
свободы:
Таким
образом, можем записать:
Из
этого баланса определяем, что
= n –2.
52. Стационарность временного ряда. Какой стационарный процесс называется «белым шумом»?
Временной ряд называется детерминированным, если значения уровней временного ряда точно определены какой-либо математической функцией, являющейся реализацией исследуемого процесса.
Временной ряд называется случайным, если уровни временного ряда могут быть описаны с помощью функции распределения вероятностей.
Уровни случайного временного ряда могут быть:
Случайная величина Х называется дискретной, если множество её возможных значений является конечным или счётным. В качестве примера случайного временного ряда с дискретными уровнями может служить временной ряд, отражающий значения ежемесячной выдачи зарплаты рабочим.
Случайная величина Х называется непрерывной, если она может принимать любое значение из конечного или бесконечного интервала. В качестве примера случайного временного ряда с непрерывными уровнями может служить временной ряд, отражающий значения температуры воздуха, зарегистрированные с определённой периодичностью.
Стохастический процесс - процесс, который развивается во времени в соответствии с законами теории вероятностей.
К стохастическим процессам относится:
Стохастический процесс называется стационарным, если его основные свойства остаются неизменными во времени.
Нестационарным временным рядом называется ряд, который не удовлетворяет вышеперечисленным свойствам.
Белый шум - Случайный процесс, который является частным случаем стационарных временных рядов.
Белым шумом называется случайная последовательность значений y1, y2,…,yN, если её математическое ожидание равно нулю, т.е. E(Yt)=0, где
Белый шум – это теоретический процесс, который реально не существует, однако он представляет собой очень важную математическую модель, которая используется при решении множества практических задач.
