Глоссарий

автокорреляция – взаимозависимость случайных остатков регрессионной модели. В первую очередь характерна для временных рядов. Отсутствие автокорреляции – одна из предпосылок применения метода наименьших квадратов

автокорреляция i-го порядка – автокорреляция между e_t и e_t-i

автокорреляция первого порядка – автокорреляция между соседними случайными отклонениями

автокорреляция, отрицательная – автокорреляция, при которой коэффициент корреляции между случайными отклонениями отрицателен

автокорреляция, положительная – автокорреляция, при которой коэффициент корреляции между случайными отклонениями положителен

вероятность, доверительная – степень доверия к результатам проведенной интервальной оценки

гетероскедастичность – это различие в дисперсиях случайных отклонений при различных значениях зависимой переменной. Является нарушением одной из предпосылок метода наименьших квадратов. Характерна в первую очередь для перекрестных данных.

гомостедастичность – условие постоянства дисперсий случайных отклонений – одна из предпосылок применения метода наименьших квадратов.

интервал, доверительный– интервал, в которых с известной вероятностью находится истинное значение оцениваемой переменной или параметра уравнения.

качество регрессионной модели – см. точность регрессионной модели.

ковариация – абсолютный показатель связи двух показателей

Койка, преобразование – преобразование модели с распределенными лагами для уменьшения их числа.

коррелограмма – график зависимости значения выборочного коэффициента автокорреляции от временного периода между сопоставляемыми показателями

коэффициент автокорреляции – относительный показатель, который характеризует силу и направление связи между членами одного временного ряда, отстающими друг от друга на фиксированный временной период

коэффициент детерминации (теоретический коэффициент детерминации) – статистический показатель, характеризующий качество построенной регрессионной модели. Изменяется от 0 до 1, чем ближе к 1, тем модель качественнее. Оценка статистической значимости проводится на основе F-критерия.

коэффициент корреляции – это относительный показатель связи, изменяется в пределах от –1 до 1.

критерий Дарбина-Уотсона – статистический критерий, при помощи которого можно установить наличие автокорреляции в регрессионных моделях

линеаризация – преобразование уравнения регрессии к функциональной форме, линейной относительно параметров.

матрица корреляции – матрица размером (m+1) x (m+1), где m – общее число всех факторов. В матрицу заносятся коэффициенты корреляции между факторами и результативным признаком, а также попарно между всеми факторами. В ячейке r_ij указывается коэффициент корреляции между i-м и j-м фактором.

метод взвешенных наименьших квадратов (МНК) – метод оценки параметров регрессионного уравнения. Является обобщением метода наименьших квадратов для случая, когда в модели присутствует гетероскедастичность. Заключается в том, что значения независимой переменной, используемые при расчете параметров регрессии, «взвешиваются» с учетом дисперсии случайного члена.

метод выбранных точек – метод оценки параметров регрессионного уравнения. Основан на визуальном анализе корреляционного поля и выборе точек, наиболее точно отражающих тенденции развития анализируемого явления

метод наименьших квадратов (МНК) – метод оценки параметров регрессионного уравнения, согласно которому наилучшими являются значения параметров, обеспечивающие минимизацию суммы квадратов отклонений эмпирических значений от теоретических. При его применении функционал, который необходимо минимизировать, имеет вид:

метод наименьших квадратов, обобщенный (ОМНК) – метод определения оценок коэффициентов регрессий, для применения которого необязательно выполнение предпосылок 2 и 3 МНК, касающихся взаимонезависимости случайных остатков и постоянства их дисперсии.

метод наименьших модулей – метод оценки параметров регрессионного уравнения, согласно которому наилучшими являются значения параметров, обеспечивающие минимизацию суммы модулей отклонений эмпирических значений от теоретических. При его применении функционал, который необходимо минимизировать, имеет вид:

метод проб – метод оценки параметров регрессионного уравнения. Заключается в том, что всем параметрам, кроме одного, задаются фиксированные значения, исходя из особенностей эмпирических данных. Значение последнего, неизвестного параметра определяется по методу средних.

модель ANCOVA – модель, содержащая и количественные, и фиктивные объясняющие переменные. Такая модель имеет вид множества функций, непрерывных на своей области определения.

модель ANOVA – модель, содержащая только фиктивные объясняющие переменные. Она представляет собой множество кусочно-постоянных функций.

модель LOGIT – один из видов модели бинарного выбора. Относится к числу моделей с фиктивной зависимой переменной. В ней в качестве функции, характеризующей вероятность того, что зависимая переменная примет значение 1, рассматривается логистическая функция.

модель авторегрессионная – динамическая модель, в которой в качестве объясняющих переменных используются значения результативной переменной в предыдущие периоды

модель авторегрессионная p-го порядка (AR(p)) – это динамическая регрессионная модель, в которой в качестве объясняющих переменных используются значения зависимой переменной за p предшествующих периодов.

модель авторегрессионная с распределенными лагами порядка p и q (ADL(p,q)) – динамическая регрессионная модель, в которой учитываются лаги и в независимых, и в зависимых переменных

модель авторегрессионная, скользящей средней порядков p и q (ARMA(p,q)) – это динамическая регрессионная модель, являющаяся объединением авторегрессионной модели и модели скользящей средней, т.е. в ней в качестве объясняющих переменных используются как предыдущие значения ряда, так и предыдущие значения ошибок

модель динамическая регрессионная называется регрессионная модель, в которой в качестве объясняющих переменных используются не только текущие, но и предшествующие значения, а также временной фактор

модель динамическая факторная – динамическая модель, в которой в качестве объясняющих переменных используются переменные, принадлежащие различным периодам времени

модель дисперсионного анализа – см. ANOVA-модель

модель ковариационного анализа – см. ANCOVA-модель

модель линейная вероятностная (linear probability model – LPM) – модель с фиктивной зависимой переменной. Основана на применении обычного МНК для случая, когда зависимая переменная выражена альтернативным признаком.

модель множественная регрессионная (множественная регрессия) представляет собой регрессионную модель, связывающую несколько независимых (объясняющих) переменных с одной результативной.

модель парная регрессионная (регрессия) – это эконометрическая модель, описывающая зависимость между двумя факторами

модель с переменной структурой – модель, в которой в качестве объясняющей переменной используются фиктивные переменные, отражающие атрибутивные признаки.

модель с распределенными лагами p-го порядка (DL(p)) – динамическая регрессионная модель, в которых учитываются только лаги в независимых переменных

модель скользящей средней q-го порядка (MA(q)) – это динамическая регрессионная модель, в которой в качестве объясняющих переменных используются случайные ошибки в предыдущих временных периодах.

мультиколлинеарность – тесная линейная взаимосвязь объясняющих переменных

несмещенность оценки – свойство оценки, заключающееся в том, что математическое ожидание значения оценки равно истинному значению оцениваемого параметра

оценка, интервальная представляет собой интервал, в котором с известной вероятностью находится истинное значение исследуемого признака.

оценка, точечная представляет собой отдельное число (точку), которое используется в качестве оценки параметра генеральной совокупности

переменные вредные – в случае их добавления в модель, изменяют значения параметров в ней без существенного изменения качества

переменные лаговые – переменные, отражающие значения факторов в предшествующие периоды. Используются в динамических моделях.

переменные лишние – переменные, не оказывающие существенного влияния, в случае их добавления в модель, ни на качество модели, ни на ее параметры

переменные независимые – переменные, которые в регрессионной модели определяют другие, зависимые переменные. Деление переменных на зависимые и независимые обуславливается выбранной теоретической экономической моделью, то есть, используя различные теоретические предпосылки, можно построить модели, для которых независимые переменные одной будут зависимыми другой, и наоборот. (см. также зависимые переменные)

переменные зависимые – переменные, значения которых определяются построенной регрессионной моделью (см. также независимые переменные)

переменные объясняющие – см. переменные независимые

фактор – см. переменные независимые

переменные факторные (факторы)– см. переменные независимые

переменные полезные – это переменные, введение которых в модель значительно улучшает ее качество

переменные фиктивные – это переменные, отражающие атрибутивные признаки. Эти переменные могут принимать только два значения: 1, если наблюдается определенное значение признака, и 0, если оно не наблюдается. При этом количество переменных для включения одного признака будет на 1 меньше числа значений, принимаемых этим признаком.

предел доверительный – граница доверительного интервала

подход «сверху вниз» – подход к формированию эконометрической модели. Состоит в том, что изначально в модель включается максимально возможное число независимых переменных. Затем происходит оценка значимости переменных, и те переменные, которые не оказывают существенного влияния на зависимую переменную, явление, исключаются

подход «снизу вверх» – подход к формированию эконометрической модели. Заключается в том, что изначально выбирается максимально простая модель, содержащая только один основной фактор. Затем, если эта модель недостаточно точна, в нее вводят новые независимые переменные. Процесс усложнения модели осуществляется до тех пор, пока она не будет иметь удовлетворительную точность.

ряд временной – см. ряд динамики

ряд временной нестационарный – временной ряд, в котором показатель имеет определяемую временем устойчивую тенденцию изменения. Соответственно, все характеристики нестационарного временного ряда зависят от фактора времени.

ряд временной стационарный – временной ряд, в котором вероятностные характеристики показателя не меняются со временем

ряд динамики (временной ряд) – последовательность данных, характеризующих состояние объекта в различные моменты времени

состоятельность оценки – свойство оценки, которое означает, что по мере увеличения числа единиц в анализируемой выборке ее значение стремится к истинному значению показателя

спецификация модели – аналитическое выражение описывающей модель функции

теоретическая ковариация ( ) – это математическое ожидание произведения отклонений двух случайных величин от их средних значений.

теоретический коэффициент детерминации (коэффициент детерминации, R²) показывает, какая доля вариации независимой переменной объяснена на основе построенной регрессионной модели.

тест Глейзера статистический тест, позволяющий выявить наличие гетероскедастичности. По алгоритму применения аналогичен тесту Парка, однако за счет использования более универсальной функциональной зависимости имеет более широкие возможности

тест Голдфельда-Квандта – статистический тест, позволяющий выявить наличие гетероскедастичности. на основе предположения, что дисперсия ошибок модели пропорциональна значениям независимой переменной.

тест Парка – статистический тест, позволяющий выявить наличие гетероскедастичности основан на построении регрессионной зависимости дисперсии остатков от значения зависимой переменной

тест ранговой корреляции Спирмена – статистический тест, позволяющий выявить наличие гетероскедастичности на основе расчета коэффициента ранговой корреляции Спирмена между значениями независимой переменной и квадратами случайных отклонений

тест Чоу – статистический тест для оценки качества модели с переменной структурой в мультипликативной форме с одной фиктивной переменной. Тест Чоу основан на расчете F-критерия.

тренд – основная временная тенденция в ряде динамики

точность регрессионной модели – степень ее соответствия фактическим данным. Оценка точности модели – один из этапов эконометрического исследования. Состоит из: 1) расчета показателей точности модели в целом (коэффициент детерминации) и отдельных ее компонентов (дисперсия коэффициентов), 2) анализа их статистической значимости на основе проверки соответствующих гипотез, 3) интервальной оценки коэффициентов и зависимой переменной

эффективность оценки – свойство оценки, которое означает, что разброс оценок, получаемых в различных наблюдениях, минимален.