10. Проблема автокорреляции остатков. Критерий Дарбина-Уотсона

Часто для нахождения уравнений регрессии используются динамические ряды, т.е. последовательность экономических показателей за ряд лет, следующих друг за другом. В этом случае имеется некоторая зависимость последующего значения показателя от его предыдущего значения, которое называется автокорреляцией. В некоторых случаях зависимость такого рода является весьма сильной и влияет на точность коэффициента регрессии. Пусть уравнение регрессии построено и имеет вид:

где u t   погрешность уравнения регрессии в год t . Явление автокорреляции остатков состоит в том, что в любой год t остаток u t не является случайной величиной, а зависит от величины остатка предыдущего года ut-1 . В результате при использовании уравнения регрессии могут быть большие ошибки. Для определения наличия или отсутствия автокорреляции применяется критерий ДарбинаУотсона:

Возможные значения критерия DW находятся в интервале от 0 до 4.

11. Построение уравнения степенной регрессии

Уравнение степенной агрессии имеет вид:

где a, b параметры, которые определяются по данным таблицы наблюдений. Таблица наблюдений имеет вид

x	x 1	x 2	...	x n
y	y 1	y 2	...	y n

Прологарифмируем исходное уравнение и в результате получим

Обозначим lny через y' , lna как a', а lnx как x' . В результате подстановки получим

Данное уравнение есть не что иное, как уравнение линейной регрессии. Для этого прологарифмируем исходные данные:

ln x	ln x 1	ln x 2	...	ln x n
ln y	ln y 1	ln y 2	...	ln y n

Далее необходимо выполнить известные нам вычислительные процедуры по нахождению коэффициентов a и b , используя прологарифмированные исходные данные. В результате получим значения коэффициентов b и a' . Параметр a можно найти по формуле

12. Двухфакторные и многофакторные уравнения регрессии

Линейное двухфакторное уравнение регрессии имеет вид

где a, b1, b2   параметры; x1, x2   экзогенные переменные; y эндогенная переменная. Степенное двухфакторное уравнение регрессии имеет вид

Для нахождения параметров этого уравнения его необходимо прологарифмировать. В результате получим

Следует помнить, что мы получим не параметр a , а его логарифм, который следует преобразовать в натуральное число. Линейное многофакторное уравнения регрессии имеет вид

, где a, b1, bn параметры; x1, xn экзогенные переменные; y эндогенная переменная.

13. Оптимизация. Основные понятия.

Оптимизация - поиск наилучшего решения с учетом ограничений. Для оптимизации ищется целевая функция. Эта функция конструируется искусственно на основе уравнений, описывающих объект оптимизации. Целевая функция обычно имеет много аргументов: φ=f (х1, х2, ..., х n). Чтобы найти оптимальное значение, перебирают значение аргументов хi пошагово до тех пор, пока значение φ станет удовлетворять условиям оптимума. разработаны десятки методов оптимизации:

- первый строгий математический метод предложил в 1840г. венгерский математик Коши - метод скорейшего спуска. При формулировании задач оптимизации обычно стараются ее свести к поиску минимума. МСС относится к классу градиентных методов. Градиент - вектор, указывающий на направление максимального возрастания функции. Антиградиент – на убывания функции. Для иллюстрации поиска экстремума в процессе оптимизации функций двух переменных используют линии равного уровня. Если задаться постоянным значением φ и так подбирать значения хi чтобы значение φ было равным заданному значению, то геометрическое место точек φ составит линию равного уровня. МСС - простейший метод оптимизации, пригодный для сложных систем. Работа метода хорошо иллюстрируется с помощью линий равного уровня. Порядок поиска оптимума: - выбирается исходная точка в виде значений параметров целевой функции: φ=f (х1, х2, ..., х n). - ищется градиент; - движемся в направлении антиградиента с заданным шагом; - на каждом шаге проверяем выполнение условия движения, текущее значение φ должно быть меньше предыдущего. - если условие движения нарушается, то процесс останавливается, иначе, движение продолжается; - при нарушении условий движения уточняется одномерный минимум и ищется новый градиент; - условие останова: а) значение φ меньше заданного; б) разность значений соседних φ меньше заданной; в) количество шагов превышает допустимое. - если после останова минимума не удовлетворяет требованиям, то либо ищется другая исходная точка и процесс повторяется, либо выбирается другой метод оптимизации.