- •Економетрика Зміст дисципліни за темами Тема 1. Концептуальні аспекти економетричного моделювання економіки
- •Тема 2. Принципи побудови економетричних моделей. Парна та множинна лінійна регресія
- •Тема 3. Нелінійні економетричні моделі
- •Тема 4. Фіктивні змінні в економетричних моделях
- •Тема 5. Мультиколінеарність
- •Тема 6. Автокореляція залишків
- •Тема 7. Гетероскедастичність залишків
- •Тема 8. Часові ряди
- •Приклади типових завдань
- •Завдання для самостійної роботи
- •«Моделювання процесу ціноутворення із врахуванням кількісних та якісних змінних»:
- •« Прогнозування значення економічного показника»:
- •Тема: Соціально – економічні системи, методи дослідження та моделювання
- •2. Математична модель економічного об’єкту
- •Критерії вибору „хорошої моделі”:
- •3. Класифікація економіко-математичних моделей
- •4. Основні етапи економіко – математичного моделювання
- •1. Поняття економетрики
- •Об'єкт, предмет, мета і завдання економетрії
- •3. Основні етапи економетричного аналізу
- •4. Економічні задачі, які розв'язують за допомогою економетричних методів
- •Основні етапи зародження та розвитку економетрії
- •Тема: Регресійні моделі
- •1. Поняття регресії
- •2. Парна лінійна регресія
- •3. Метод найменших квадратiв (мнк)
- •4. Дисперсійний аналіз моделі
- •Лабораторна робота №1 «Економетрична модель простої регресії»
- •1. Постановка задачі.
- •3. Розрахунок моделей
- •Знаходження оцінок параметрів моделі методом найменших квадратів
- •5. Графік моделі у „хмарі” розсіювання
- •6. Дисперсійний аналіз лінійної моделі:
- •7. Значущість оцінок параметрів і моделі:
- •8. Прогноз:
- •9. Аналіз лінійної моделі:
- •Лабораторна робота № 2 « Модель множинної лінійної регресії»
- •Тема* : Системи одночасних (симультативних) регресійних рівнянь
- •Ідентифікація системи одночасних рівнянь
- •2. Модель «Попит - пропозиція»
- •Модель формування доходів Кейнса
- •Тема: Нелінійні моделі
- •1. Нелінійні регресії
- •2. Нелінійні регресії 1-го класу
- •2.1. Поліноміальна модель
- •2.2. Гіперболічна модель
- •3. Нелінійні регресії 2-го класу
- •3.1. Показникова моделі
- •3.2. Степенева модель
- •3.3. Напівлогарифмічні моделі
- •4. Врахування випадкового відхилення
- •Лабораторна робота № 3 «Оцінювання параметрів нелінійної моделі» Завдання:
- •Тема: Фіктивні змінні в регресійних моделях
- •1. Необхідність використання фіктивних змінних
- •2. Моделі ancova
- •2.1. Ancova - Модель при наявності у фіктивної змінної двох альтернатив
- •2.2. Моделі ancova за наявності у якісних змінних більш двох альтернатив
- •2.3. Регресія з однією кількісною і двома якісними змінними
- •3. Використання фіктивних змінних у сезонному аналізі
- •Лабораторна робота № 4 Дослідження наявнoстi мультиколінеарності у масиві змінних
- •Лабораторна робота № 5
- •Визначимо оцінки параметрів лінійної моделі виду .
- •Лабораторна робота № 6 Дослідження на гетероскедастичність
- •Параметричний тест Гольфельда – Квандта
- •Тест Глейсера
- •- Критерій
- •Тест Спірмена
- •1. Випадкові процеси і часові ряди
- •2. Автокореляція спостережень часових рядів
- •3. Оцінка моделей із лагами
- •4. Основні характеристики часових рядів
- •5. Розкладення (декомпозиція) часового ряду
- •Метод ковзної середньої
Тема: Регресійні моделі
1. Поняття регресії
Статистична залежність – це така залежність, за якої зміна однієї з величин викликає певний розподіл іншої величини.
Кореляційна залежність: зі зміною однієї з величин змінюється середнє значення іншої величини - розглядається умовне математичне сподівання, бо математичне сподівання характеризує середнє очікуване значення випадкової величини і називається функцією регресії y на x, де y - залежний фактор, або регресант, x- незалежний пояснюючий фактор, або регресор.
Якщо величина y
залежить від одного фактора
x, то цю
залежність ми називаємо парною
регресією: M(
)
= f(x).
Якщо умовне математичне сподівання
залежить від багатьох факторів, то ми
маємо множинну регресію:
M
(
)
= f
(
)
Регресія – це функціональна залежність між пояснюючими змінними і умовним математичним сподіванням залежної змінної, яка будується з метою його прогнозування для фіксованих значень незалежних факторів.
2. Парна лінійна регресія
Парна лінійна регресія є найбільш розповсюдженою моделлю залежності між економічними змінними.
Теоретична лінійна модель Y = a0 + a1·Х + u ,
розрахункова модель Yр= â0 + â1·Х+ u^,
де â0 , â1, u^, – відповідні оцінки, наближені значення параметрів теоретичної моделі
â0 a0, â1· a1, u^ u
В цьому рівнянні коефіцієнт a1 – це частинний коефіцієнт регресії, який характеризує чутливість величини Y до зміни фактора Х– вплив змінної x на умовне математичне сподівання як зміниться величина фактора Y за умов збільшення фактора Х на одну одиницю.
у
Yт
Yі(т) Yр
Yі Ŷі (р)
u^
xі х
3. Метод найменших квадратiв (мнк)
Метод найменших квадратів – метод розрахунку параметрів моделі
Yр= â0 + â1·Х + ui^
Ідея методу базується на тому, що величина uі має буде мінімальною:
= ∑(yi
-
ỳ)
або
∑(yi
-
ỳ)2
або
∑│yi
-
ỳ│
min.
Краще всього в ролі функції оцінки відхилень взяти суму квадратів відхилень кожної точки від свого розрахункового значення
Q
(â0
,
â1)
=
=
∑(yi
-
ỳi)2
==∑(
yi
– (â0
+ â1·xі+
u^i))2.
Ця функція має min значення в тих точках, де частинні похідні по змінних â0, â1l дорівнюватимуть нулю:
=0,
(
yi
– (â0
+ â1·xі))(-1)
= 0, ∑ yі
– ∑â0
–
∑ â1·xі
= 0,
=0
((
yi
– (â0+
â1·xі))(-
xi)=0
∑ yі·хі
– â0
∑ хі –
â1 ∑
·xі2
=0,
З
аписується
остаточна система рівнянь: n
â0 +
â1 ∑
·xі
= ∑
yі
,
â0 ∑ хі + â1 ∑ ·xі2 =∑ yі·хі ,
n – кількість спостережень.
Розв’язання системи
рівнянь проводиться за допомогою
оберненої матриці або за правилом
Крамера. Основний
визначник системи
,
тому
існує єдиний розв'язок системи: .
ả1
=
=
;
ả0
=
=
.
Із
цього випливає, що лінія
регресії проходить через точку, координати
якої є
середніми
значеннями показника Y
та фактора X:
.
