- •1.Метод наименьших квадратов: алгоритм метода; условия применения.
- •2.Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •3. Статистические свойства оценок параметров парной регрессионной модели
- •4. Этапы построения эконометрических моделей.
- •5.Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации сервиса Регрессия. (10) стр 41
- •6.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам. (30) стр.24-25,
- •7. Классическая парная регресионная модель. Спецификация модели. Теорема Гаусса-Маркова.
- •8. Метод наименьших квадратов: алгоритм метода, условия применения.
- •9.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие. (30)
- •Необходимое условие идентифицируемости
- •10.Оценка параметров парной регрессионной модели методом наименьших квадратов. (10)
- •11.Фиктивные переменные: определение, назначение, типы.
- •12.Автокорреляция случайного возмущения. Причины. Последствия.
- •13.Алгоритм проверки значимости регрессора в парной регрессионной модели.
- •14.Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
- •15. Тест Чоу на наличие структурных изменений в регрессионной модели. (20) стр. 59,60
- •16. Алгоритм проверки адекватности парной регрессионной модели. (20) стр. 37, 79
- •17. Коэффициент детерминации в парной регрессионной модели.
- •18. Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •20. Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq(20)
- •21.Фиктивная переменная наклона: назначение; спецификация регрессионной модели с фиктивной переменной наклона; значение параметра при фиктивной переменной. (20) стр.65
- •22..Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений. (20) стр 33
- •23. Структурная и приведённая формы спецификации эконометрических моделей.
- •24. Гетероскедастичность случайного возмущения. Причины. Последствия. Алгоритм теста Голдфельда-Квандта на наличие или отсутствие гетероскедастичности случайных возмущений.
- •Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •25. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •26. Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов
- •27.Проблема мультиколлинеарности в моделях множественной регрессии.Признаки мультиколлениарности.
- •28.Что такое логит,тобит,пробит.
- •29. Что такое Метод наибольшего правдоподобия стр. 62.
- •30. Что такое стационарный процесс?
- •31.Свойства временных рядов.
- •32.Модели ar и var .
- •33. Идентифицируемость системы.
- •34. Настройка модели с системой одновременных уравнений.
- •35.Что такое метод Монте-Карло стр 53
- •36.Оценить качество модели по f, gq, dw (линейнные).Стр.33, 28-29
- •37. Оценка погрешностей параметров эконометрической модели методом Монте-Карло .
- •38. Отражение в модели влияния неучтённых факторов. Предпосылки теоремы Гаусса-Маркова.
- •39.Модели временных рядов. Свойства рядов цен акций на бирже (20) с.93.
- •40. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение. (20) с.12-21
- •41. Оценка параметров парной регрессионной модели методом наименьших квадратов с использованием сервиса Поиск решения.
- •42. Проверка статистических гипотез, t-статистика Стьюдента, доверительная вероятность и доверительный интервал, критические значения статистики Стьюдента. Что такое “толстые хвосты”?
- •43.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности
- •44. Частные коэффициенты детерминации.
- •46. Экономический смысл коэффициентов линейного и степенного уравнений регрессии.
- •47.Оценка коэффициентов модели Самуэльсона-Хикса
- •48. Ошибки от включения в модель незначимых переменных или исключения значимых.С.80
- •49. Исследование множественной регрессионной модели с.74-79.
- •50. Мультиколлинеарность: чем плоха, как обнаружить и как бороться.
- •51. Признаки стационарности стохастического процесса. Что такое «Белый шум»? с.100
- •52. Структурная и приведённая формы спецификации эконометрических моделей.
- •53. Алгоритм проверки значимости регрессора в парной регрессионной модели. По t-статистике, по f-статистике.
- •54.Свойства рядов цен на фондовом рынке. Принципы построения портфеля Марковица с.93,102
- •55.Динамическая модель из одновременных линейных уравнений (привести пример) с.105.
- •56. Метод наибольшего правдоподобия: принципы и целесообразность использования
- •57. Этапы исследования модели множественной регрессии с.74-79.
13.Алгоритм проверки значимости регрессора в парной регрессионной модели.
При проверке качества спецификации парной регрессии наиболее важной является задача установления наличия линейной зависимости между эндогенной переменной и регрессором модели. С этой целью проверяют значимость оценки параметра b (при регрессоре модели).
Алгоритм проверки значимости параметра b выполняется в следующей последовательности:
1) оценка параметров парной регрессии
2) оценка дисперсии возмущений S2
3) оценкасреднего квадратичного отклонения параметраb
4) выбор значения tкр (по заданному уровню значимости и числу степеней свободы (n-2) из таблиц распределения Стьюдента)
5) проверка неравенствапри Н0:b=0
Если данное неравенство выполняется, то регрессор признается незначимым, если не выполняется, то данная гипотеза отвергается и регрессор признается значимым, т.е. между эндогенной переменной и регрессором присутствует линейная зависимость.
14.Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
Эконометрические модели предназначены для объяснения (прогноза) текущих значений зависимой переменной по заданным (наблюдаемым) значениям предопределенных (независимых) переменных. Например, модель линейной парной регрессии создаетсядля прогноза значений зависимой (эндогенной) переменнойy по заданным (наблюдаемым) значениям экзогенной переменной х (регрессора модели). Прогнозировать значения переменной можно лишь тогда, когда модель признана адекватной. Для проверки адекватности модели линейной парной регрессии рассчитываем нормированную ошибку прогноза по формуле , где– прогноз,- наблюдаемое в реальности значение переменной,- средняя квадратическая ошибка прогноза.
При этом если случайный остаток в рассматриваемой модели не имеет автокорреляции и нормально распределен, то tподчиняется закону распределения Стьюдента с числом степеней свободы , гдеk+1 – количество оцениваемых коэффициентов модели (для модели линейной парной регрессииk+1=2).Данное обстоятельство позволяет построить замкнутый интервалс границами, именуемый доверительным интервалом, который включает прогнозируемые значенияс принятой доверительной вероятностью.
В случае парной регрессии можно оценить интервальное среднеквадратичное отклонение Yпрогноз по формуле
и посмотреть, попадают ли реальные значения Y в интервал Ŷ 2SYпрогноз.
15. Тест Чоу на наличие структурных изменений в регрессионной модели. (20) стр. 59,60
Тест Чоу позволяет количественно оценить выгоду от усложнения модели, например, замены одной прямой линии двумя или кривой. Результаты расчета по формуле Чоу сравнивается с критическими значениями статистики Фишера, что даёт основание принять или отвергнуть гипотезу об улучшении модели.
Рассмотрим диаграмму рассеяния на рисунке. Какую регрессионную модель использовать? Стоит ли заменять прямую линию на ломаную? Согласно тесту Чоу
УЛУЧШЕНИЕ / Доп.Степени Свободы
F(k, n-2k) = ------------------------------------------------------------------
Остаточное Σост2 /Остаточное число степеней свободыили
( Σост2 все – Σост2 А – Σост2B ) /k
F(k, n-2k) = ----------------------------------------------------------
(Σост2 А + Σост2B ) / (n – 2k)