1. Емпірична модель множинної лінійної регресії.

На будь-який економічний показник Y, як правило, впливає не один, а декілька факторів (регресорів) . Так, наприклад, попит населення на певний товар буде визначатися не тільки ціною на нього, але й цінами на його замінники, доходами споживачів й іншими факторами. У низці досліджень аналізується зв’язок доходу працівника певної галузі виробництва з його рівнем освіти, віком, стажем роботи в цій галузі.

В подібних випадках маємо справу з множинною лінійною моделлю (регресією), що описує взаємний зв’язок між залежною змінною Y та регресорами і яку можна подати такому вигляді:

Цей математичний запис інформує про функціональну залежність умовного математичного сподівання залежної змінної Y від m регресорів (незалежних, пояснюючих) змінних Х .

Отже, постає задача виявлення статистичного взаємозв’язку між Y та Х.

Загальний запис теоретичної лінійної множинної регресії може бути зроблений в такому вигляді:

(16.1)

де – теоретичні коефіцієнти регресії (часткові коефіцієнти) або параметри теоретичної регресії, які характеризують реакцію залежної змінної на зміну кожного регресора ; – вільний член, який визначає значення за умови, коли значення регресорів дорівнюють нулеві; – значення -го регресора при і-ому спостереженні; – випадковий збудник при і-ому спостереженні.

Для однозначного визначення параметрів моделі (12.1) необхідно, щоб виконувалась нерівність де n – число спостережень; m – число регресорів в моделі.

У векторно-матричній формі теоретичну модель (12.1) можна подати так: (16.2)

де

Компоненти вектора є величинами сталими ( ), але невідомими. Їх необхідно оцінити шляхом обробки вибірки, а тому надалі будемо мати справу із емпіричною моделлю, яка є прообразом теоретичної (16.1), (16.2):

(16.3)

де

Тут вектор є статистичною оцінкою теоретичного вектора лінійної множинної регресії (16.2).

Вектор похибок є статистичною оцінкою випадкового вектора цієї ж моделі.

Емпірична модель являє собою статистичний аналог теоретичної моделі (16.1). За її допомогою визначаються статистичні оцінки параметрів . При цьому використовується статистична обробка вибірки.

В загальному вигляді емпірична модель записується як:

(16.4)

У векторно-матричній формі система (16.4) має вигляд: (16.5)

де

Компоненти вектора є статистичними оцінками компонент теоретичного вектора лінійної множинної регресії (16.2), а компоненти вектора похибок – статистичні оцінки випадкових збудників вектора .

Якщо теоретичний вектор є величиною сталою і нам невідомою, то емпіричний вектор ми можемо визначити шляхом обробки статистичної інформації вибірки обсягом n. Враховуючи те, що вибірка складає лише незначну частину генеральної сукупності (n≤N), то інформація, яку одержимо при статистичній обробці, про регресори X_j моделі буде не повною і для кожної іншої вибірки буде потерпати певні зміни. Отже, компоненти емпіричного вектора будуть містити елемент випадковості. Таким чином, , як і сам вектор будуть випадковими величинами, які мають певні закони розподілу ймовірностей із відповідними числовими характеристиками.

Із вище наведеного можемо тепер стверджувати, що є статистичною оцінкою для теоретичного вектора . А тому постають питання математичної статистики: зміщена чи незміщена ця статистична оцінка; в якому довірчому інтервалі із заданою надійністю γ можуть перебувати теоретичні компоненти (параметри) і сама функція регресії; як здійснити перевірку на статистичну значущість теоретичних параметрів по заданому рівню значущості α.

Для вирішення цих питань нам необхідно визначити числові характеристики для параметрів (j=0,1,2,...,m) і для самої функції регресії, використовуючи при цьому елементи матричної алгебри як інструментарію, застосовуючи який ми можемо без громіздких викладок отримати необхідні результати.

14.Етапи економіко-математичного моделювання.

• Вибір конкретної форми аналітичної залежності між економетричними показниками (Специфікація моделі)

• Збирання та підготовка статистичної інформації

• Оцінювання параметрів моделей

• Перевірка адекватності моделі та достовірності її параметрів

• Застосування моделі для прогнозування розвитку економічних процесів з метою подальшого керування ними.

16.Загальна лінійна економетрична модель.

Економетрична модель — це функція чи система функцій, що описує кореляційно-регресійний зв’язок між економічними показниками, один чи кілька з яких є залежною змінною, інші — незалежними.

У загальному вигляді економетрична модель запишеться так:

де y — залежна змінна; — незалежні змінні; u — стохастична складова

Побудова будь-якої економетричної моделі, незалежно від того, на якому рівні і для яких показників вона будується, здійснюється як послідовність певних кроків.

Крок 1. Знайомство з економічною теорією, висунення гіпотези взаємозв’язку. Чітка постановка задачі.

Крок 2. Специфікація моделі. Використовуючи всі ті форми функцій, які можуть бути застосовані для вивчення взаємозв’язків, необхідно сформулювати теоретичні уявлення і прийняті гіпотези у вигляді математичних рівнянь. Ці рівняння встановлюють зв’язки між основними визначальними змінними за припущення, що всі інші змінні є випадковими.

Крок 3. Формування масивів вихідної інформації згідно з метою та завданнями дослідження.

Крок 4. Оцінка параметрів економетричної моделі методом найменших квадратів, що дає змогу проаналізувати залишки і відповісти на запитання: чи не суперечить специфікація моделі передумовам “класичної” моделі лінійної регресії?

Крок 5. Якщо деякі передумови моделі не виконуються, то для продовження аналізу треба замінювати специфікацію або застосовувати інші методи оцінювання параметрів.

Крок 6. Проведення аналізу вірогідності моделі та визначення прогнозу за побудованою моделю.

17.Метод найменших квадратів.

Нехай економетрична модель у матричній формі має вигляд

де Y — вектор значень залежної змінної;

X — матриця незалежних змінних розміром (n — число спостережень, m — кількість незалежних змінних);A — вектор оцінок параметрів моделі; u — вектор залишків.

Н айпоширенішим з критеріїв,який дозволяє обрати з множини прямих найкращу є МНК . Відхилення або помилки

наз залишками. За методом необхідно проводити пряму таким чином, щоб сума квадратів помилок булла мін.

Щоб застосувати 1МНК для оцінки параметрів моделі, необхідне виконання таких умов:

1) математичне сподівання залишків дорівнює нулю, тобто

(4.2)

2) значення u_i вектора залишків u незалежні між собою і мають постійну дисперсію, тобто (4.3)

3) незалежні змінні моделі не пов’язані із залишками: (4.4)

4) незалежні змінні моделі утворюють лінійно незалежну систему векторів, або, іншими словами, незалежні змінні не повинні бути мультиколінеарними, тобто :

,

де X_k — k-й вектор матриці пояснювальних змінних; X_j — j-й вектор цієї матриці пояснювальних змінних X, .

Оператор 1МНК.Алгоритм

1.незал змінні записати у вигляді матриці , де хо – век з одиниць

2.обчислити матрицю ХТХ, вектор ХТУ

3. обчислити обернену М (ХТХ)-1

4. Обчислити параметри за формулами:

23. Основні дефініції економіко-математичного моделювання.

Економетрія – це порівняно новий напрям економічної науки, що утворюється від поєднання теоретичної економіки, математики, статистики. Слово економетрія озн «вимірювання в економіці». Економетрія - наукова самостійна дисципліна, яка об'єднує сукупність теоретичних результатів, прийомів, методів і моделей, призначена для того, щоб на базі економічної теорії, економічної статистики, математико-статистичного інструментарію надавати конкретне кількісне вираження загальним закономірностям, що обумовлені економічною теорією взаємозв'язків економічних явищ і процесів. Об’єктом економетрії є економічні системи та простори, сукупність різних соціально-економічних процесів, що протікають в економічній системі.

Предмет економетрії – це економетричні методи і моделі, що дозволяють визначити і дослідити кількісні взаємозв’язки між соціально-економічними процесами і явищами. Метою економетричного дослідження є аналіз реальних економічних систем і процесів, що в них відбуваються, за допомогою економетричних методів і моделей, їх застосування при прийнятті науково обґрунтованих управлінських рішень.

Економетрія поділяється на дві частини:

1) економетричні методи;( методи оцінювання параметрів класич екон моделі за МНК, коли порушуються деякі передумови використання МНК, параметрів динамічних економетричних моделей, оцінювання параметрів економетричних моделей, які побудовані на основі с-ми одночасових структ рівнянь

2) економетричні моделі

Основне завдання-оцінити параметри моделі з урахуванням вхідної економ інформації,відповідність моделей і спрогнозувати розвиток економ процесів.

24.Основні задачі економетрії.

Найважливішою задачею є оцінювання параметрів і перевірка значущості економетричної моделі. Першим етапом цього процесу є специфікація моделі в математичній формі. Другий етап — збір і підготовка економічної інформації. На третьому етапі оцінюються параметри моделі. Четвертий етап — це перевірка моделі на вірогідність. Дуже важливими на цьому етапі є оцінки дисперсії залишків моделі. Ці оцінки відіграють вирішальну роль при з’ясуванні якості економетричних моделей, вони необхідні для визначення надійності обчислених параметрів і для застосування розроблених моделей у прогнозуванні.

1. Дослідження розвитку економічних процесів і прогнозування, їх динаміки

2. Правильний вибір факторів при побудові математично-статистичної моделі

3. Вибір і побудова матем-статист моделі, здійснення ряду модельних експериментів, аналіз одержаних результатів і перенесення їх на реальну економічну систему як основу прийняття незалежних рішень.

33.Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера.

Для перевірки статистичної значущості впливу регресорів на залежну змінну моделі використовуємо статистичний критерій Фішера:

;

при рівні значущості =0,05 та ступенях свободи k₁=m=2 i k₂=n-m-1=22 по таблиці розподілу Фішера знаходимо =3,44.

Обчислимо спостережене значення критерію за формулою:

.

Критерій Фішера має правобічну критичну область із критичною точкою робимо статистичний висновок:

оскільки > , то статистична гіпотеза відхиляється, отже всі регресори мають вплив на залежну змінну.

43.Узагальнений метод найменших квадратів.

Нехай досліджується лін модель:

з порушенням умов гомоскедастичності, тобто

Д ана матриця є симетричною та додатньо-визначеною матрицею н-го порядку. Тоді для даної матриці існує така невирождена матриця «Пі», для якої:

З дійснюємо наступні перетворення:

• ліву і праву частини множимо на :

• В ведемо умовні позначення:

• О держимо рівняння:

П еревірка моделей на гетероскедастичність, в даному випадку, підтверджується. Тому для визначення статистичних оцінок моделей можна викор ЗМНК, для якого:

А ле враховуючи умовні позначення, отримаемо:

Таким чином, одержимо:

Д е

Розглянутий метод перетворень початкової моделі з подальшим використання ЗМНК отримав назву УМНК.

44.Умови Гауса-Маркова.

1. Математичне сподівання випадкових відхилень повинно дорівнювати нулеві: .Ця умова вимагає, щоб випадкові відхилення в середньому не впливали на залежну змінну Y, тобто в кожному конкретному спостереженні відхилення може набувати додатні або від’ємні значення, але не повинно спостерігатися систематичне зміщення відхилень в переважній більшості в бік одного знаку.

2. Дисперсія випадкових відхилень повинна бути сталою величиною , .

3. Відсутність систематичного зв’язку між значеннями випадкового елемента у будя яких двох спостереженнях.

4. Випадковий елемент повинен бути розподілений незалежно від пояснюючих змінних.

5. Компоненти випадкового вектора повинні мати нормальний закон розподілу.

6. Між регресорами , матриці Х повинна бути відсутня лінійна (кореляційна) залежність. Для цього випадку повинна виконуватися умова .

7. Економетричні моделі повинні бути лінійними відносно своїх параметрів.

Економетричні моделі, для яких виконуються умови (1-7), називають класичними лінійними моделями.

Моделі, для яких виконується умова (2) (сталість дисперсії випадкових відхилень), називають гомоскедастичними.

Моделі, для яких не виконується умова (2) ( ), називають гетероскедастичними.