- •Министерство науки и образования российской федерации
- •Тема 1. Предмет, метод и задачи ЭконометрикИ 6
- •Тема 2. Линейные однофакторные регрессионные
- •Тема 3. Линейная модель множественной
- •Тема 4. Нелинейные модели регрессии и их
- •4.6. Практический блок 56
- •4.7. Самостоятельная работа студентов 61
- •Тема 5. Оценка качества эконометрических
- •Тема 6. Временные ряды 112
- •Тема 7. Задачи экономического анализа, решаемые на основе эконометрических моделей 135
- •Тема 8. Системы эконометрических уравнений 167
- •Введение
- •1.2. Соотношения между экономическими переменными.
- •Регрессионные модели как инструмент анализа и прогнозирования экономических явлений.
- •Практический блок
- •Самостоятельная работа студентов Рекомендуемые темы рефератов
- •Литература для самостоятельной работы
- •Интернет-ресурсы:
- •Тема 2. Линейные однофакторные регрессионные модели эконометрики
- •2.7. Практический блок 22
- •2.8. Самостоятельная работа студентов 31
- •2.1. Определения. Линейная регрессионная модель для случая одной факторной переменной
- •Метод наименьших квадратов (мнк).
- •2.3. Свойства оценок мнк.
- •2.4.Регрессия по эмпирическим (выборочным) данным и теоретическая регрессия.
- •Таким образом, получено уравнение регрессии
- •2.5. Экономическая интерпретация параметров линейного уравнения регрессии.
- •2.6. Измерение и интерпретация случайной составляющей.
- •Практический блок Примеры
- •Контрольные вопросы
- •Задания и задачи
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •Тема 3. Линейная модель множественной регрессии
- •3.6. Практический блок 42
- •3.7 Самостоятельная работа студентов 49
- •3.1. Отбор факторов при построении множественной регрессии.
- •3.2. Линейная регрессионная модель со многими переменными.
- •3.3. Оценка и интерпретация параметров.
- •3.4. Описание связей между макроэкономическими переменными.
- •3.5. Формирование регрессионных моделей на компьютере с помощью ппп Excel
- •3.5.1. Однофакторная регрессия.
- •3.5.2. Многофакторная регрессия.
- •Практический блок Примеры
- •Контрольные вопросы
- •Задания и задачи
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •Тема 4. Нелинейные модели регрессии и их линеаризация
- •4.6. Практический блок 56
- •4.7. Самостоятельная работа студентов 61
- •4.1. Общие понятия
- •4.2. Мультипликативные модели регрессии и их линеаризация.
- •4.3. Гиперболическая и логарифмическая регрессии. Полиномиальная и кусочно-полиномиальная регрессия.
- •4.4. Экспоненциальная и степенная однофакторная регрессии.
- •Формирование нелинейных однофакторных регрессионных моделей на компьютере с помощью ппп Excel
- •Практический блок Пример
- •Контрольные вопросы
- •Задания и задачи
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •5.8. Практический блок 97
- •5.9. Самостоятельная работа студентов 111
- •5.1. Доверительные интервалы для коэффициентов: реальные статистические данные
- •5.2. Проверка статистических гипотез о значениях коэффициентов
- •5.3. Проверка значимости параметров линейной регрессии и подбор модели с использованием f-критериев
- •5.4. Проверка значимости и подбор модели с использованием коэффициентов детерминации. Информационные критерии
- •Линейные регрессионные модели с гетероскедастичными и автокоррелированными остатками.
- •5.6. Обобщенный метод наименьших квадратов. Метод Главных Компонент.
- •5.7.Прогнозирование. Доверительный интервал прогноза.
- •Практический блок
- •Контрольные вопросы
- •Задания и задачи
- •3. Имеются данные о рынке строящегося жилья в Санкт-Петербурге (по состоянию на декабрь 2006 г.).
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •6 . Временные ряды.
- •6.6. Практический блок 123
- •6.7. Самостоятельная работа студентов 134
- •6.1. Характеристики временных рядов. Выявление тренда в динамических рядах экономических показателей.
- •Моделирование сезонных и циклических колебаний.
- •6.3. Статистика Дарбина-Уотсона.
- •6.4. Динамические эконометрические модели
- •6.5. Интерпретация параметров моделей с распределенным лагом
- •Практический блок Пример.
- •Задания и задачи
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •7.Задачи экономического анализа, решаемые на основе регрессионных эконометрических моделей
- •7.3. Практический блок 148
- •7.4. Самостоятельная работа студентов 166
- •7.1. Измерение тесноты связи между результативным и факторными признаками.
- •Анализ влияния отдельных факторных признаков на результативный признак.
- •Практический блок Пример
- •Контрольные вопросы
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •8. Системы эконометрических уравнений.
- •8.4. Практический блок 172
- •8.5. Самостоятельная работа студентов 181
- •8.1. Структура систем эконометрических уравнений
- •8.2. Проблема идентификации
- •Методы решения систем эконометрических уравнений
- •Практический блок
- •Самостоятельная работа студентов Литература для самостоятельной работы
- •Методические рекомендации
- •1. Методические рекомендации по изучению теоретического материала.
- •2. Методические рекомендации по решению практических задач.
- •3. Методические рекомендации по выполнению контрольных работ.
- •4. Требования к критериям оценки выполнения практических заданий, контрольных работ.
- •Вопросы для подготовки к зачету
- •Контрольные задания
- •Глоссарий
- •Список рекомендуемой литературы
- •Предметный указатель
- •Приложения
4.2. Мультипликативные модели регрессии и их линеаризация.
Уравнение (3.1) называют аддитивным, тогда как уравнение вида
у=0х11х22 …хmm (4.1)
называется мультипликативным.
Коэффициенты аj являются коэффициентами эластичности.
Например, при исследовании спроса на мясо получено уравнение
где у – количество спрашиваемого мяса, х1 – цена, х2 – доход. Рост цен на 1% при том же доходе вызывает снижение спроса в среднем на 2,63%. Увеличение дохода на 1% обусловливает при неизменных ценах рост спроса на 1,11%.
Логарифмируя (4.1), приходим опять к линейному уравнению регрессии.
Замена переменных:
В новых переменных модель запишется следующим образом:
Степенные (мультипликативные) модели получили широкое распространение в эконометрическом моделировании ввиду простой интерпретации параметров, которые представляют собой частные коэффициенты эластичности результативного признака по соответствующим факторным признакам.
Пусть, например, требуется оценить параметры производственной функции Кобба-Дугласа Y=AKL. Логарифмируя обе части, получаем
ln Y=lnA+lnK+lnL. (4.2)
Полученная формула линейна относительно логарифмов выпуска Y, капитала K и труда L, и она может быть оценена как множественная линейная регрессия.
Здесь α и β – эластичности выпуска по затратам капитала и труда соответственно. Сумма этих коэффициентов является таким важным экономическим показателем, как отдача от масштаба. При α + β = 1 говорят о постоянной отдаче от масштаба (во сколько раз увеличиваются затраты ресурсов, во столько же раз увеличивается выпуск). При α + β <1 имеет место убывающая отдача от масштаба (увеличение объема выпуска меньше увеличения затрат ресурсов). При α + β >1 – возрастающая отдача от масштаба (увеличение объема выпуска больше увеличения затрат ресурсов).
В частном случае, когда +=1, делается преобразование
Y/L =A(K/L) ln (Y/L) =lnA+ln(K/L). (4.3)
Далее оценивается парная линейная регрессия логарифма производительности труда Y/L от логарифма капиталовооруженности К/L. Если зависимость оценивается по данным временных рядов, то часть тренда зависимой переменной может объясняться действующими во времени факторами, например, в производственной функции Кобба-Дугласа нейтральный технический прогресс учитывают с помощью множителя еt:
Y=AKLеt ln Y=lnA+lnK+lnL+ t (4.4)
где t – время, параметр – темп прироста объема производства благодаря техническому прогрессу, и опять приходим к модели линейной регрессии.
4.3. Гиперболическая и логарифмическая регрессии. Полиномиальная и кусочно-полиномиальная регрессия.
Гиперболическая модель линеаризуется непосредственной заменой переменной y=1/y:
Эти функции используются при построении кривых Энгеля, которые описывают зависимость спроса на определенный вид товаров или услуг от уровня доходов потребителей или от цены товара.
Для определения однофакторной криволинейной функции регрессии по расположению точек на диаграмме рассеяния делают заключение о примерном виде этой функции, при этом необходимо учитывать особенности конкретной экономической задачи, в рамках которой анализируется взаимосвязь признаков.
Гиперболическая однофакторная регрессия имеет вид
у=b+а/х. (4.5)
Она может быть использована для характеристики связи удельных расходов сырья, материалов, топлива с объемом выпускаемой продукции, времени обращения товаров от величины товарооборота. Классическим ее примером является кривая Филлипса, характеризующая нелинейное соотношение между нормой безработицы х и процентом прироста заработной платы у. Английский экономист А.В.Филлипс, анализируя данные более чем за 100-летний период, в конце 50-х годов 20 века, установил обратную зависимость прироста заработной платы от уровня безработицы.
Выполнив замену 1/х = z, получаем линейную регрессию у=b+аz, параметры которой на компьютере (в Excel) можно вычислить с помощью функции ЛИНЕЙН.
Модели вида
называются полулогарифмическими однофакторными моделями. Эти модели также относятся к нелинейным моделям относительно включенных в анализ объясняющих переменных, но линейным по параметрам.
Такие модели обычно используются в тех случаях, когда необходимо определять темп роста или прироста каких-либо экономических показателей. Например, при анализе банковского вклада по первоначальному вкладу и процентной ставке, при исследовании зависимости прироста объема выпуска от относительного (процентного) увеличения затрат ресурса, бюджетного дефицита от темпа роста ВНП, темпа роста инфляции от объема денежной массы и т.д.
Зависимость
где Y0 – начальная величина переменной Y (например, первоначальный вклад в банке); r – сложный темп прироста величины Y (процентная ставка); Yt – значение величины Y в момент времени t (вклад в банке в момент времени t). Эта модель легко сводится к полулогарифмической первого вида, параметры которой легко оцениваются с помощью МНК.
Полиномиальная регрессия имеет вид
у=0+1х +2х2 +…+mхm. (4.6)
Если для разных интервалов значений фактора х применяется полиномиальная регрессия с разными степенями m, то имеет место кусочно-полиномиальная регрессия. Неизвестные параметры уравнения криволинейной регрессии также находятся методом наименьших квадратов.
Например, глядя на рис.2.1 (см. пример 2.2), можно предположить, что имеет место параболическая регрессия второго порядка, т.е. следует искать уравнение регрессии вида
ух = 0+1х +2х2 ,
где 0, 1, 2 – неизвестные коэффициенты.
Пользуясь методом наименьших квадратов, получаем систему линейных уравнений относительно неизвестных параметров:
х42+х31+х20=ух2,
х32+х21+х0 =ух, (4.7)
х22+х1+0= у.
Пример 4.1. По данным корреляционной таблицы 2.2 построить параболическую функцию регрессии.
Подставляя данные в (4.7), получаем систему:
2860002+111601+4600=8100,
111602+4601+20.40=354,
4602+20.41+0=17.4.
Решив эту систему, найдем 2=0.055, 1= – 2.26, 0=38.2.
Искомое параболическое уравнение регрессии принимает вид:
ух =0.055х2 – 2.26х+38.2 (Пунктирная линия на рис. 2.1).
Легко убедиться, что условные средние, вычисленные по данному уравнению, незначительно отличаются от условных средних корреляционной таблицы.
у10 =0.055102 – 2.2610+38.2=21.1,
у20 =0.055202 – 2.2620+38.2=15,
у30 =0.055302 – 2.2630+38.2=19.9.
Найденное уравнение хорошо согласуется с данными наблюдений.