- •1. Эконометрика и ее место в ряду других экономических и статистических дисциплин. Типы моделей и типы данных в эконометрике.
- •Общая задача. При помощи статистических методов выразить те закономерности, которые экономическая теория определяет лишь количественно.
- •Эконометрическая модель.
- •2. Коэффициент ковариации. Коэффициент корреляции. Их свойства. Выборочные оценки основных числовых характеристик случайных величин. Проверка значимости коэффициента корреляции.
- •Свойства ковариации
- •3. Регрессионная модель. Причины включения в модель случайного отклонения. Парная линейная регрессия. Мнк. Задачи линейного регрессионного анализа.
- •Парная регрессия.
- •Метод наименьших квадратов
- •4. Основные свойства точечных оценок. Теорема Гаусса-Маркова для однородной модели.
- •6. Проверка гипотез в одномерной модели. Интервальная оценка коэффициентов.
- •7. Множественная регрессия. Мнк. Теорема Гаусса-Маркова для многомерной модели.
- •Метод наименьших квадратов
- •9. Множественная регрессия. Гипотеза «длинная-короткая» модель. Специфика модели. Исключение существенной переменной. Включение несущественной переменной. Пошаговая регрессия.
- •10. Множественная регрессия. Тест Чоу на наличие структурного сдвига. Фиктивные переменные.
- •11. Стохастические (случайные). Обобщенный мнк. Теорема Айткена.
- •13. Гетероскедастичность. Метод взвешенных наименьших квадратов. Коррекция моделей на гетероскедастичность (3 случая).
- •14. Описание тестов проверки на гетероскедастичность (тесты Голдфельда-Куандта, Бреуша-Пагана).
- •15. Мультиколлинеарность: последствия, способы обнаружения, средства устранения. Тест.
- •16. Частный коэффициент корреляции. Его свойства, процедура вычисления.
- •17. Автокорреляция: последствия, способы обнаружения, средства устранения.
- •19. Оценивание моделей с автокорреляцией.
- •Линейные формы: интерпретация регрессии
- •21. Временные ряды. Факторы, влияющие на формирование значений временного ряда. Структура временного ряда. Основные задачи анализа временных рядов.
- •Исследование временноых рядов
- •22. Стационарные временные ряды. Их характеристики. Белый шум. Проверка стационарности временного ряда.
- •Правило проверки гипотезы об отсутствии тренда в тесте серий
- •23.Выравнивание временного ряда (аналитическое – выделение тренда регрессией от времени; механическое – метод последовательных разностей.)
- •3 Основных подхода:
- •24. Автоковариационная и автокорреляционная функция. Способ вычисления. Коррелограмма.
- •25. Линейные модели стационарных временных рядов (авторегрессии и скользящего среднего)
- •26. Модель авторегрессии ar(p). Уравнения Юла Уокера.
- •27. Модель авторегрессии ar (1)
- •28. Модель авторегрессии ar(2). Расчет параметров.
- •29. Модель скользящего среднего ma(1). Расчет параметров.
- •30. Частная автокорреляционная функция. Модели arma(p,q). Свойства acf и pacf.
- •31. Модели arima(p,d,q). Методолгия Бокса-Дженкинса. Интерпретация функций акф и чакф.
15. Мультиколлинеарность: последствия, способы обнаружения, средства устранения. Тест.
Нередко приходится сталкиваться с ситуацией, когда полученная регрессия является «плохой», т.е. t-статистика большинства оценок малы, что свидетельствует о незначимости соответствующих независимых переменных. В то же время F-статистика м.б. достаточно большой, что говорит о значимости регрессии в целом. Одна из возможных причин такого явления – мультиколлинеарность, возникающая при наличии высокой корреляции между переменными.
Мультиколлинеарность – это наличие линейной функциональной связи между независимыми переменными.
Одним из условий классической регрессионной модели является предположение о линейной независимости объясняющих переменных, что означает, что ни одна из объясняющих переменных не является строгой линейной функцией других объясняющих переменных. . Матрица (Х’Х) имеет полный ранг или определитель матрицы не равен 0: . Модель без мультиколлинеарности.
Виды мультиколлинеарности: 1) Строгая – наличие линейной функциональной связи между независимыми переменными. Матрица X’X особенная det (X’X)=0. 2) Нестрогая – наличие сильной линейной корреляционнной связи между независимыми переменными. Матрица X’X не особенная, но det (X’X) очень мал. Оценки коэф. регрессии по МНК вычисляются как . Здесь фигурирует обратная матрица . Для невырожденной матрицы А=X’X обратная матрица вычисляется как , где А*- присоединённая матрица.
Последствия:
1) Оценки коэффициентов МНК, оставаясь несмещёнными, имеют большие стандартные ошибки.
2) Вычисленные t-статистики оказываются заниженными (коэф. незначимыми). При этом модель может быть в целом значимой по F-критерию.
3) Оценки становятся очень чувствительными к изменению исходных данных. Несущественное изменение отдельных наблюдений приводит к существенному изменению модели.
4) Оценки некоторых коэф. могут иметь неправильные знаки и неоправданно большие значения.
Проблемы: 1) Корреляционная связь есть всегда. Проблема мультиколлениарности – проблема проявления корреляционных связей. 2) Однородных критериев мультикол. нет. 3) Строгая мультиколлениарность нарушает одно из основных условий Г-М и делает построение регрессии полностью невозможным. 4) Нестрогая мультикол. затрудняет работу, но не препятствует получению правильных выводов.
Источники: 1) ошибочное включение в уравнение двух или более линейно зависимых переменных. 2) В модель включается переменная, сильно коррелирующая с зависимой перемен. (доминантная). 3) Значения объясняющих переменных обычно слабо коррелированные становятся в конкретных условиях выборки сильно коррелированными.
Практически любая модель содержит мультиколлениарность. На нее не обращают внимания до появления симптомов. Только чрезмерные корреляционные связи становятся помехой.
Обнаружение: 1) Высокий коэф. детерминации при всех незначимых коэф. 2) Высокие парные коэф. корреляции (>0,7) 3)Высокий множественный коэф. детерминации между одним из факторов и некоторой группой других факторов. 4) Определитель матрицы R парных коэф. корелляции между факторами близок к нулю. 5) Определитель либо минимальное собственное значение матрицы Х’Х близко к нулю.
Тест Фаррара-Глобера: 1) Вычислить матрицу R парных коэф. корелляции между факторами. 2) Вычислить статистику FG (логарифм определителя этой матрицы) FG=ln(det R) 3) Использовать тест для проверки гипотезы мультиколлениарности: если величина FG превышает критическое значение с р=0,5*k*(k-1) степенями свободы (к - число факторов), то гипотеза мультиколлениарности отвергается.
Преодоление: 1) Исключить одну из мультиколлениарных переменных. 2) Добавить в модель важный фактор для изменения дисперсии случайного члена. 3) Изменить или увеличить выборку. 4) Преобразовать мультиколлениарные переменные - использовать нелинейные формы; - использовать агрегаты или индексы (линейные комбинации нескольких переменных) 5) Использовать первые разности вместо самих переменных.