- •Основні задачі економетрії.
- •Роль економетричних досліджень в економіці.
- •Роль економетричних досліджень в економіці.
- •3.Предмет, цілі, завдання та структура курсу.
- •4.Місце і значення курсу серед дисциплін фундаментальної підготовки фахівців з економіки.
- •Взаємозв’язки курсу із суміжними дисциплінами.
- •Особливості економетричних моделей.
- •7.Вибір змінних і структура зв’язків.
- •Класифікація економетричних моделей.
- •3.3. Інформаційна база економетричних моделей.
- •8. Роль і місце економетричних моделей в математичному моделюванні
- •9. Приклади економетричних моделей: виробнича функція Кобба-Дугласа
- •10. Приклади економетричних моделей: моделі пропозиції і попиту на конкурентному ринку
- •11. Приклади економетричних моделей: модель Кейнса
- •12. Приклади економетричних моделей: модель споживання
- •13. Загальна лінійна економетрична модель.
- •Вибіркова (емпірична) загальна лінійна економетрична модель має наступний вигляд :
- •Вибіркова (емпірична) функція регресії для загальної лінійної економетричної моделі має наступний вигляд :
- •Теоретична (“канонічна”) модель парної лінійної регресії
- •Вибіркова (емпірична) модель парної лінійної регресії
- •14. Емпірична модель множинної лінійної регресії.
- •15. Зведення нелінійних економетричних моделей до лінійного вигляду
- •Зведення нелінійних економетричних моделей до лінійного вигляду
- •Метод найменших квадратів.
- •17. Оператор оцінювання 1мнк.
- •18. Передумови застосування методу найменших квадратів (1мнк) - умови Гауса-Маркова.
- •19. Верифікація моделі
- •3.1. Показники якості моделі
- •20. Перевірка значущості та довірчі інтервали
- •21. Етапи дослідження загальної лінійної моделі множинної регресії
- •22.Прогнозування за лінійною моделлю
- •23. Методи побудови багатофакторної регресійної моделі
- •24. Поняття мультиколінеарності
- •25. Вплив мультиколінеарності на оцінки параметрів моделі. (24)
23. Методи побудови багатофакторної регресійної моделі
На кожний економічний показник впливає безліч факторів. При побудові регресійного рівняння виникає питання, які саме з них слід уводити в модель. Причому при використанні моделі для прогнозу бажано включити якомога більше факторів. З іншого боку збирання та обробка великої кількості інформації потребують значних витрат, тобто кількість факторів доцільно зменшити.
Для вибору компромісного рішення не існує єдиної процедури.
Тому для побудови «найкращого» рівняння застосовують один із таких методів.
1. Метод усіх можливих регресій – історично один із перших методів побудови регресійної моделі – найбільш громіздкий, тому що передбачає побудову регресій, які містять усі можливі комбінації впливових факторів. Іншими словами, якщо розглядається m факторів, то досліджується 2m регресій, які порівнюються між собою за значеннями коефіцієнта детермінації та стандартною похибкою рівняння. Хоча цей метод і дає змогу дослідити усі можливі рівняння, однак при великій кількості факторів він, звичайно, неприйнятний.
2. Метод виключень економніший щодо обчислень і базується на дослідженні часткових F-критеріїв, які дають змогу встановлювати статистичну значущість співвідношення між залишками моделі з найбільшою кількістю факторів і залишками моделі з одним вилученим фактором. Якщо для деякого вилученого фактора таке співвідношення не є значущим (приймається нульова гіпотеза), то він до моделі не повертається. Таке дослідження проводиться також для рівняння з меншою кількістю факторів, але з більшим числом ступенів свободи.
3. Покроковий регресійний метод діє у зворотному порядку порівняно з попереднім методом, тобто до моделі послідовно включаються фактори, що мають найбільший коефіцієнт кореляції із залежною змінною. Модель аналізується за значеннями коефіцієнта детермінації та частковими F-критеріями. Фактори, що не задовольняють критерії, з моделі вилучаються. Процес припиняється, якщо жоден з факторів рівняння вилучити не вдається, а новий претендент на включення не відповідає частковому F-критерію. На практиці цей метод найпоширеніший.
24. Поняття мультиколінеарності
Суть мультиколінеарності полягає в тому, що в багатофакторній регресійній моделі дві або більше незалежних змінних пов’язані між собою лінійною залежністю або, іншими словами, мають високий ступінь кореляції .
Мультиколінеарність – це поняття, яке використовується для опису проблеми, коли нестрога лінійна залежність між пояснювальними змінними призводить до отримання ненадійних оцінок регресії. Проте, така залежність зовсім необов’язково дає незадовільні оцінки. Якщо всі інші умови задовільні, тобто якщо кількість спостережень і вибіркові дисперсії пояснювальних змінних великі, а дисперсія випадкого члена – мала, то в результаті можно отримати досить позитивні оцінки.
Мультиколінеарність повинна виникати за рахунок сполучення нестрогої залежності однією (або більше) незадовільних умов, це – питання ступеня визначенності явища, а не його виду. Оцінки регресії будуть неадекватні від неї у відповідній мірі значущості. Розгляд цієї проблеми починається тільки тоді, коли вона досить суттєво впливає на результати оцінки регресії.
Ця проблема є звичною для регресії часових рядів, тобто коли значення показників складаються із рядів спостережень протягом визначеного періоду часу. Якщо дві або більше незалежних змінних мають часовий тренд, то між ними буде існувати кореляція, і це може призвести до мультиколінеарності.
Існують різні методи для зменшення мультиколінеарності. Вони діляться на дві категорії: до першої категорії відносяться методи, спрямовані на виконання умов, що забезпечують надійність оцінок регресії; до другої – відносяться використання зовнішньої інформації. Якщо з початку використовувати можливі значення показників, то, звичайно, було б важливим збільшити кількість спостережень. Якщо, наприклад, використовуються часові ряди, то це можна зробити шляхом скорочення терміну кожного періоду часу.
Якщо використовуються дані перехресної виборки і дослідник знаходиться на стадії планування дослідження, то можно збільшити точність оцінок регресії і послабити проблему мультиколінеарності за рахунок більших витрат коштів на збільшення розміру виборки та інші методи.
Найбільш поширеним способом виявлення мультиколінеарності є побудова матриці статистики, в якій відображені коефіцієнти кореляції. Незалежні показники, між якими коефіцієнт кореляції перевищує 0,8 або 80%, розглядають на наявність мультиколінеарності.
У випадку виявлення наявності мультиколінеарності існує декілька простих шляхів її усунення. Основними серед них є наступні.
1. Вилучення змінної (або змінних) з моделі. При цьому з моделі вилучається одна із змінних колінеарної пари. Слід зазначити, що таке вилучення змінних можливе тільки у випадку, коли це не суперечить логіці економічних зв’язків. У протилежному випадку це може призвести до помилки специфікації.
2. Зміна аналітичної форми економетричної моделі. Іноді заміна однієї функції регресії іншою (наприклад, лінійної нелінійною) , якщо це не суперечить апріорній інформації, дає змогу уникнути явища мультиколінеарності.
3. Збільшення спостережень. З точки зору теорії, мультиколінеарність та невелика кількість спостережень у вибірці – це одна і та ж проблема. Тому збільшення спостережень у статистичній вибірці або використання іншої статистичної вибірки може усунути, або принаймні зменшити вплив мультиколінеарності.
4. Перетворення статистичних даних. Позбутися мультиколінеарності можна і шляхом наступних перетворень вихідних даних стосовно пояснюючих змінних :
а) замість самих даних узяти їхні відхилення від середніх;
б) замість абсолютних значень даних взяти відносні значення ;
в) стандартизувати змінні.
5. Використання додаткової первинної інформації. Аналіз і використання первинної додаткової інформації інколи дозволяє зняти проблему мультиколінеарності.
