- •Эконометрика как наука, определение, основные цели и задачи.
- •Этапы построения моделей, их практическое содержание и особенности.
- •Базовые понятия эконометрики: экономический объект, переменные объекта и их взаимосвязи. Примеры экономических моделей.
- •4. Принципы спецификации эконометрических моделей и их содержание.
- •Классификация переменных эконометрических моделей.
- •Классификация моделей и их формы.
- •7. Формы эконометрических моделей. Переход от структурной к приведенной форме модели.
- •8. Учет случайности характера взаимодействия переменных в экономических объектах. Общий вид эконометрической модели.
- •9. Модели временных рядов, их спецификация.
- •11. Метод наименьших квадратов, основные понятия и определения. Расчет оценок параметров уравнения парной регрессии методом наименьших квадратов.
- •13.Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение
- •14.Оценка уравнения парной регрессии с помощью процедур, сформулированных в теореме Гаусса-Маркова.
- •16. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
- •17. Автокорреляция в уравнениях множественной регрессии, признаки ее наличия и последствия.
- •18. Тестирование моделей на присутствие автокорреляции.
- •19.Методы устранения автокорреляции в уравнениях множественной регрессии.
- •20.Гетероскедастичность в уравнениях множественной регрессии, ее признаки, последствия и методы устранения.
- •21.Тестирование моделей на наличие гетероскедастичности, тест Готфельда-Квандта
- •1. Случай уравнения парной регрессии
- •1. Гетероскедастичность приводит к смещенности оценок параметров модели
- •2. Одним из способов обнаружения гетероскедастичности является тест Голдфелда-Квандта
- •3. Взвешенный метод наименьших квадратов позволяет получить несмещенные оценки параметров модели в условиях гетероскедастичности
- •25. Взвешенный метод наименьших квадратов
- •26. Обобщенный метод наименьших квадратов. Теорема Эткейна.
- •27. Построение нелинейных моделей. Методы линеаризации.
- •28. Ошибки спецификации моделей, их последствия и способы устранения.
- •29. Фиктивные переменные и особенности их использования в моделях.
18. Тестирование моделей на присутствие автокорреляции.
Для проверки наличия (либо отсутствия) автокорреляции широкое применение получил тест Дарбина-Уотсона.
Предпосылки теста:
-
Случайные возмущения распределены по нормальному закону
-
Имеет место авторегрессия первого порядка:
Статистика для проверки гипотезы:
Свойства статистики DW:
где: r - коэффициент корреляции между случайными возмущениями
Из этого выражения следует:
DW изменятся в пределах (0 – 4)
При этом если r = 1, DW=0 - положительная корреляция
если r = 0, DW=2 - отсутствие корреляции
если r=-1, DW=4 - отрицательная корреляция
Особенности статистики DW:
Для статистики DW не возможно найти критическое значение, т.к. оно зависит не только от Рдов и степеней свободы k и n, но и от абсолютных значений регрессоров
Возможно определить границы интервала DL и Du внутри которого критическое значение DWкр находится:
DL ≤ DWкр ≤ Du
Значения Du и DL находятся по таблицам
19.Методы устранения автокорреляции в уравнениях множественной регрессии.
Модель называется автокоррелированной, если не выполняется третья предпосылка теоремы Гаусса-Маркова: Cov(ui,uj)≠0 при i≠j
Автокорреляция чаще всего появляется в моделях временных рядов и моделировании циклических процессов.
Методы устранения автокорреляции.
Рассматривается случай авторегрессии первого порядка:
Тогда:
Cov(εt,Ut-1)=0 , т.к. переменные независимые
Следовательно: (1)
Т.к. U0 отсутствует, полагаем, что σ2(U1) =σ2(U0)
Тогда из (1) следует: (2)
Множитель (1-ρ2) обеспечивает стационарность σ2(Ut), т.е. постоянство σ2(Ut)
Выражение (2) – начальное условие для σ2(U0)
Из выражения (1) с учетом (2) вытекает:
Для произвольного наблюдения t в силу рекурентности (1) имеем:
(3)
Вывод: введение корректирующего множителя (1-ρ2) обеспечивает постоянство σ2(U) во всех наблюдениях и, следовательно, отсутствие автокорреляции между случайными возмущениями
Рассмотрим два последовательных уравнения наблюдения
(4)
(5)
Умножим уравнение (5) на ρ и вычтем из (4)
Учитывая, что ut-ρut-1=εt и делая замену переменных:
получим систему уравнений, в которых дисперсия случайных возмущений постоянна
Параметры уравнения (11.6) можно оценить с помощью МНКЕсли значение ρ известно, то решение окончено
20.Гетероскедастичность в уравнениях множественной регрессии, ее признаки, последствия и методы устранения.
Наличие случайного возмущения приводит к размытости значений Y независимо от X. Для случайного возмущения предполагается выполнение ряда требований: условий теоремы Гаусса-Маркова (E(u1)=E(u2)=…=E(un)=0; Var(u1)=Var(u2)=…=Var(un)=σ2; Cov(ui ,uj)=0; Cov (xmi , uj)=0)
Распределение u для каждого наблюдения имеет нормальное распределение и нулевое ожидание, но дисперсия распределений различна.
Условия обеспечивающие гомоскедастичность (равенство дисперсий случайных остатков в уравнениях наблюдений) случайных возмущений:
-
Средние значения случайных возмущений в каждом наблюдении равно нулю;
-
Распределения одинаковы для всех наблюдений.
Последствия нарушения условия гомоскедастичности случайных возмущений:
-
Потеря эффективности оценок коэффициентов регрессии, т.е. можно найти другие, отличные от МНК и более эффективные оценки
-
Смещенность стандартных ошибок коэффициентов в связи с некорректностью процедур их оценки.
Методы исправления( устранения гетероскедастичности):
-
Делится каждое уравнение наблюдений на свое σ(ut) и получается:
Тогда дисперсия случайного возмущения в каждом уравнении наблюдений
Недостатком способа является невозможность оценить σ(ut).
-
Взвешенный метод наименьших квадратов
Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:
где: Р матрица ковариаций случайных возмущений в уравнения наблюдений:
Т.е. матрица является диагональной, но не скалярной, т.е. Cov(u,u)≠ σ2u