- •1.Поняття економ-ої моделі, її складові частини
- •2.Роль, місце економ моделей в управл ек сист-и
- •3.Прич, що спон появу випад склад-ої регрес мод
- •4.Етапи побудови економетричної моделі
- •5.Специфікація економетричних моделей
- •6.Помилки специфікації моделей регресії
- •7.Парам-и моделі парн лін регресії. Сутн-ь й оцінюв
- •8.Мнк оцінюв-я параметрів парної лінійної регресії
- •10.Коеф. Детерм-ї (кд) та корел-ї (кк) для моделі парної регресії. Перевірка суттєвості кд за допом. F-крит.
- •9.Коеф-т детерм-ії й корел-ії для моделі парної регресії. Перев-а суттєв-і коеф-а де терм-ії за t-крит
- •16.Коеф. Множ. Корел. Та детермінації та перевірка їх статистичної значимості
- •17.Передумови застос-ня мнк для оцінки пар-ів множ. Лін. Регресії.
- •18.Дисперсійно-коваріац матриця оцінок параметрів
- •19.Надійні інтервали для оцінок парам-ів множинної лінійної моделі регресії
- •20.Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії
- •21.Значимість економетричної моделі.
- •22.Знач-ть оцінок парам-ів множ лін моделі регресії
- •23.Прогнозув залеж змінної на осн-і економ моделі
- •25.Поліноміальна модель. Визнач-я вектора * статист аналіз моделі
- •26.Гіперболічна модель. Визнач-я вектора * статист аналіз моделі
- •27.Показник модель. Визнач-я параметрів, статист аналіз моделі
- •29. Сутність виробничої функції та її застосування
- •30. Поняття фіктивних змінних.Приклад
- •31.Врахув-я якісних факторів в лін-х економет-х моделях за доп фіктивних змінних
- •32. Моделі з фікт-и регресорами: моделі, що містять тільки фікт-і незал-і змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні
- •33. Моделі з фіктивними залежними змінними
- •34. Порівняння двох регресійних моделей. Тест Чоу
- •35.Суть та наслідки мультикол-сті (м).
- •36.Тест-ня наявності мультикол-ті (м) в моделі.
- •37.Алгоритм Фаррара-Глобера.
- •38.Методи усунення мультикол-ті.
- •39.Алгоритм покрокової регресії.
- •41.Негат наслідки наявності гетероск-ті залишків в лін моделях
- •42.Негативні наслідки наявності автокореляції залишків в лінійних моделях.
- •43.Негативні наслідки наявності мультик-і.
- •44.Тест Гольдфельда-Квандта. Пос-ть його вик-ня.
- •45.Алгоритм теста Глейсера.
- •46.Перевірка наявності гетероскедаст-і залишків на основі теста коеф-а рангової кореляції Спірмена
- •40.Поняття про гомо- та гетероскедас-ть залишків.
- •47.Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •48. Зважений метод найменших квадратів.
- •49.Суть та наслідки автокор-ії стохаст-ої складової
- •50.Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •52. Критерій фон Неймана.
- •51.Цикл та нециклічний коефіцієнт автокореляції(а)
- •53.Узаг-ий мнк для знаходж-я оцінок параметрів моделі з автокорельов-и залишками
- •56.Метод Кочрена – Оркатта.
- •54.Метод Ейткена оцін парам моделі з автокор зал
- •55.Метод перетвор-я вихідної інфор-ії в оцінюв-і параметрів моделі з автокорельов-и залишками
- •58.Оцін параметрів моделі з автокор залишками методом Дарбіна
- •57.Алгоритм методу Кочрена-Оркатта.
- •59.Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •60.Авторегресійні моделі.
- •61.Оцінюв-я авторегресійних моделей з часовим лагом незалежних змінних.
- •62.Автокореляція часового ряду, коефіцієнт автокореляці, автокореляційна функція
- •63.Часовий ряд в загальному вигляді.
- •65. Виявлення тренду часового ряду.
- •66. Методи визначення тренду часового ряду.
- •67.Криві зростання.
- •68.Методи вибору форми тренду.
- •69.Оцінка адекватн-і і точності трендових моделей.
- •70.Застос-я фіктивних змінних у модел-і сез колив
- •71.Основні етапи аналізу часових рядів
- •72.Метод ковзної середньої для згладж час ряду
- •73.Експоненційне згладжування
- •75.Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •76.Поняття системи економічних рівнянь. Приклади моделей на основі системи одночасних рівнянь
- •77.Структурна та звед форми одночасних рівнянь
- •80.Алгоритм непрямого мнк
- •78.Ідентифік-ія. Необхід та достатня умова ідентиф.
- •79.Непрямий мнк оцінювання параметрів системи одночасних рівнянь.
- •81.Рекурсивні системи одночасних рівнянь, оцінювання їх параметрів
- •82.Проблеми ідентифікації системи одночасних рівнянь
- •83.Оцінюв-я параметрів системи одноч-их рівнянь двох кроковим методом найменших квадратів
- •84. Алгоритм двокрокового методу найменших квадратів (2мнк)
- •85.Трьохкроковий метод найменших квадратів
- •86.Прогноз ендогенних змінних.
50.Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
Критерій Дарбіна-Уотсона
,
.Якщо
залишки
є випадковими величинами, нормально
розподіленими, а не автокорельованими,
то значення DW містяться поблизу 2.
При додатній автокореляції DW < 2,
при від’ємній - DW > 2. Фактичні
значення критерію порівнюються з
критичними (табличними) при різному
числі спостережень n і числі незалежних
змінних m для вибраного рівня значущості
.
Табличні значення мають нижню межу DW1
і верхню - DW2.
Коли DWфакт < DW1,
то залишки мають автокореляцію. Якщо
Dwфакт > DW2,
то приймається гіпотеза про відсутність
автокореляції. Коли DW1
<DW< DW2,
то конкретних висновків зробити не
можна: необхідно далі провадити
дослідження, беручи більшу сукупність
спостережень. Зауважимо, що цей критерій
призначений для малих вибіркових
сукупностей. Параметр
для генеральної сукупності має тісний
зв’язок з критерієм DW. Якщо = 1,
то значення DW = 0, при = 0
DW = 2 і при = –1
значення критерію DW = 4. Наведені
співвідношення показують, що існують
області, в яких застосування критерію
Д-У не може дати певних результатів,
про що вже було сказано. Верхні та нижні
межі критерію DW визначають межі цієї
області для різних розмірів вибірки,
заданого числа пояснюв-их змінних та
певного рівня значущості.
52. Критерій фон Неймана.
(DW
– критерій Дарбіна-Уотсона) Фактичне
знач-я критерію фон Неймана порівнюється
з табличними для вибраного рівня
значущості і заданої кількості
спостережень. Якщо
,
то існує додатна автокореляція, у
протилежному випадку - вона відсутня.
51.Цикл та нециклічний коефіцієнт автокореляції(а)
Нецикл. коеф виражає ступінь взаємозв’язку залишків кожного наступного значення з попереднім.
Він обчислюється за формулою:
Коефіцієнт
може набувати (–1;+1). Від’ємні зн його
свідчать про від’ємну А, додатні — про
додатну. Зн-ня, що містяться в деякій
критичній області біля 0, свідчать про
відсутність А, тобто стверджують нульову
гіпотезу про відсутність А залишків.
Циклічний
коеф
виражає ступінь взаємозв’язку рядів.
Обчисл-я за формулою:
Для досить довгих рядів вплив циклічних
членів на величину коеф
незначний, тому можна вважати, що
ймовірнісний розподіл
наближається до розподілу
.
Якщо u1 = un,
то нецикл коеф авто-ції дорівнює цикл-у.
Фактично обчислене значення цикл-го
коеф авто-ції порівнюється з табличним
для вибраного рівня значущості і довжини
ряду n.
Якщо
факт≥
табл
,
то існує автокореляція.
53.Узаг-ий мнк для знаходж-я оцінок параметрів моделі з автокорельов-и залишками
Для оцінюв-я параметрів економ-ої моделі, що має автокореляцію залишків, можна застос-и узагал-ий МНК (метод Ейткена), який базується на скоригованій вихідній інформації з урахуванням коваріації залишків.
Система
рівнянь для оцінки параметрів моделі
на основі методу Ейткена запишеться
так:
або
‑ вектор оцінок параметрів економ-ої
моделі; ‑ матриця не залеж змінних;
‑ матриця, транспон-а до матриці X;
‑ матриця, обернена до матриці
кореляції залишків;
‑ матриця, обернена до матриці V, де
,
а
- залишкова дисперсія; Y ‑ вектор
залеж змінних. Звідси
або
Отже, щоб оцінити параметри моделі на
основі методу Ейткена, треба сформ-и
матрицю S або V. Матриця S має вигляд:
У
цій симетричній матриці
виражає коеф-нт автокореляції s-го
порядку для залишків
.
Очевидно, що коеф-т автокореляції
нульового порядку дорівнює 1. Оскільки
коваріація залишків
при s>2
часто наближу-я до нуля, то матриця,
обернена до матриці S, матиме такий
вигляд:
Таку
матрицю можна викор-и при оцінюв-і
параметрів моделі з автокорельованими
залишками за методом Ейткена. Циклічний
коеф. кореляції
де ut
- величина залишків у період t; ut–1
- величина залишків у період t-1; n - число
спостережень. Якщо
,
то
.
Зауважимо, що параметр r (або
)
має зміщ-я. Тому, викор-и такий параметр
для формування матриці S, необхідно
скориг-и його на величину зміщ-я
Залишкова
Дисперсія:
де
-
вектор, транспонований до вектора
залишків u; n-m-1
-
число ступенів свободи.
Дисперсія залишків з урахуванням заміщення:
Значення λ:
