- •Определение и задачи эконометрики. Место эконометрики в общественных науках
- •История эконометрических исследований
- •3. Методология эконометрич. Моделирования
- •Выбор типа математической функции при построении уравнения регрессии
- •5. Оценка параметров уравнения парной регр
- •6. Абсолютные и относительные показатели силы связи в уравнениях парной регрессии
- •7. Показатели тесноты связи в моделях парной регрессии
- •10. Оценка значимости параметров уравнения парной регрессии.
- •8. Статистический анализ достоверности модели парной регрессии
- •9. Таблица дисперсионного анализа (назначение, построение)
- •1 1. Интервальная оценка параметров уравнения парной регрессии
- •12. Нелинейная регрессия (линеаризация, оценка параметров)
- •1 3. Средняя ошибка аппроксимации
- •14. Использование модели парной регрессии для прогнозирования
- •15. Визуальный анализ остатков
- •16. Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор
- •17. Отбор факторов в уравнение множественной регрессии
- •18. Оценка параметров уравнения множественной регрессии
- •1 9. Построение уравнения регрессии в стандартизованном масштабе
- •20. Абсолютные и относительные показатели силы связи в модели множественной регрессии
- •25. Использование фиктивных переменных в моделях множественной регрессии
- •26. Предпосылки метода наименьших квадратов
- •27. Гетероскедастичность - понятие, проявление и меры устранения
- •28. Оценка гетероскедастичности с помощью метода Гольдфельда Квандта
- •29. Использование коэффициента корреляции рангов Спирмэна для проверки наличия гетероскедастичности в остатках
- •30. Использование тестов Уайта, Парка, Глейзера при анализе гетероскедастичности в остатках
- •31. Применение обобщенного метода наименьших квадратов (омнк) для случая гетероскедастичности остатков.
- •32. Мультиколлинеарность факторов – понятие, проявление и меры устранения
- •33. Специфика временного ряда как источника данных в эконометрическом моделировании
- •34. Автокорреляция уровней временного ряда и ее последствия
- •35. Моделирование тенденции временных рядов
- •36. Оценивание параметров в уравнениях тренда
- •37. Модели сезонности: аддитивная и мультипликативная
- •42. Обобщенный метода наименьших квадратов (омнк) при построении модели регрессии по временным рядам
- •43. Прогнозирование на основе рядов динамики
- •44. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •45. Интерпретация параметров моделей с распределенным лагом и моделей авторегрессии
- •4 6. Применение фиктивных переменных для моделирования сезонных колебаний
- •47. Общее понятие о системах уравнений, используемых в эконометрике
- •48. Виды переменных в системах взаимозависимых уравнений
- •49. Структурная и приведенная формы модели.
- •50. Проблема идентификации Необходимое условие идентификации (порядковое или счетное правило).
- •51. . Достаточное (ранговое) условие идентификации.
- •52. Косвенный метод наименьших квадратов для оценки параметров структурной формы модели
- •53. Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •54. Применение систем эконометрических уравнений (см. Учебник)
36. Оценивание параметров в уравнениях тренда
Уравнения трендов:
линейная:
параболическая:
степенная:
гипербола:
показательная:
э
кспонента:
t |
|
|
1 |
|
- |
2 |
|
b |
3 |
a+3b |
b |
4 |
a+4b |
b |
37. Модели сезонности: аддитивная и мультипликативная
Учет сезонности при построении модели регрессии
z1 = 1 – для первого квартала,
0 – для остальных;
z2 = 1 – для второго квартала,
0 – для остальных;
z3 = 1 – для третьего квартала,
0 – для остальных.
Аддитивная модель yt = T+S+E модель, в которую факторы входят в виде алгебраической суммы
Мультипликативная модель yt = T*S*E модель, в которую факторы входят в виде произведения
Приблизительно равная сезонная вариация указывает на существование аддитивной модели.
Усиление сезонной вариации с возрастанием тренда указывает на существование мультипликативной модели.
Построение аддитивной модели
Нахождение сглаж ур-ней динамич ряда методои скользящих средних
Оценка сезонной компоненты и ее корректировка
Элиминирование сезонной компоненты из исходных данных временного ряда
Построение уравнения линейного тренда по уровням ряда с элиминированием сезонности
расчет выровненных значений трендовой составляющей
расчет теоретич уровней ряда с учетом сезонности
расчет случайной компоненты, позволяющей оценить качество построенной модели
38. Исключение тенденции на основе метода отклонений от тренда
- прогнозное
значение у
- прогноз у по тренду при t=p
- прогнозное
значение х
- прогноз х исходя из уравнения тренда при t=p
3
9.
Исключение тенденции на основе метода
последовательных разностей
yp прогнозное значение уровня ряда
yn конечный уровень динамического ряда yt ;
xp и xp - то же по ряду xt
4
0.
Исключение тенденции на основе включения
в модель регрессии по временным рядам
фактора времени
41. Автокорреляция в остатках. Критерий Дарбина-Уотсона в оценке качества уравнений, построенных по временным рядам
В
ажной
проблемой, естественно примыкающей к
рассмотренным темам, является
автокорреляция
в остатках.
Дело в том, что последовательность
остатков может рассматриваться как
временной ряд. Тогда возникает возможность
построения зависимости этой
последовательности остатков от времени.
Согласно предпосылкам адекватности
применения МНК, сами остатки должны
быть случайными. В моделировании рядов
динамики весьма распространена ситуация,
когда остатки содержат циклические
колебания. В этом случае каждое следующее
значение остатков зависит от предшествующих,
что и свидетельствует об автокорреляции
остатков.Такая автокорреляция остатков
бывает связана с исходными данными и
вызвана ошибками измерения в значениях
результативного признака. В других
случаях автокорреляция остатков
происходит из-за недостатков формулировки
модели. Например, может отсутствовать
фактор, оказывающий существенное
воздействие на результат, влияние
которого отражается в остатках. Тем
самым остатки вполне могут оказаться
автокоррелированными. Помимо фактора
времени в качестве таких существенных
факторов могут выступать лаговые
значения переменных, включенных в
модель. Может иметь место и такая
ситуация, когда модель не учитывает
несколько второстепенных по отдельности
факторов, совместное влияние которых
на результат уже оказывается существенным.
Эта значимость проистекает в силу
совпадения тенденций их изменения или
фаз циклических колебаний.
алгоритм выявления автокорреляции остатков на основе критерия Дарбина — Уотсона таков:
1) выдвигается гипотеза об отсутствии автокорреляции остатков;
2) альтернативные гипотезы состоят в наличии положительной или отрицательной автокорреляции в остатках;
3) затем по специальным таблицам определяются критические значения критерия Дарбина — Уотсона для заданного числа наблюдений, числа независимых переменных модели и уровня значимости;
4) по этим значениям числовой промежуток разбивают на пять отрезков. (2 из этих отрезков образуют зону неопределенности. 3 - нет оснований отклонять гипотезу об отсутствии автокорреляции, есть положительная автокорреляция, есть отрицательная автокорреляция. При попадании в зону неопределенности практически считают, что имеется автокорреляция остатков, и поэтому отклоняют гипотезу о ее отсутствии)
