- •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.
30. Частная автокорреляционная функция. Модели arma(p,q). Свойства acf и pacf.
Для того чтобы найти «чистую» автокорреляцию с лагом исключив линейное влияние промежуточных значений ряда, вычисляют частный коэффициент автокорреляции.
Частный коэффициент автокорреляции, рассматриваемый как функция лага , называется частной автокорреляционной функцией и обозначается PACF. Её стат оценкой явл выборочная частная авток функция.
Расчет частного коэф корреляции.
Для того чтобы найти частную коррел между Y и X при исключении влияния T, нужно
1. Провести регрессию Y от T и получить остатки .
2. провести регрессию X от T и получить остатки .
3. Вычислить выборочный коэф корреляции между остатками этих двух регрессий: r(Y,X/T)=r(e,d).
Частная корреляция в многомерном случае.
Пусть нужно определить коэф частной коррел между Y и одним из факторов при исключении влияния всех остальных факторов.
R^2(X) - коэф детерминации, полученный при регрессии Y от всех факторов X (в том числе и от ), а R^2(X\ - коэф детерминации, полученный при регрессии Y от всех факторов Х, кроме (т.е. от Х\ ). Тогда
Расчет частного коэф автокорреляции порядка τ
Для определения коэф частной автокорреляции rчасти (τ) ряда У порядка τ при исключении влиянии всех промежуточных наблюдений, надо вычислить:
R2 (Yt-τ ) - коэф детерминации полученный при регрессии Yt от рядов Yt-1, Yt-2, …Yt-(τ-1), Yt-τ
R2(Yt-τ+1) коэф детерминации полученный при регрессии Y от Yt-1, Yt-2, …Yt-(τ-1), кроме Yt-τ
|rчасти (τ)| =√ R2 (Yt-τ ) - R2(Yt-τ+1)/1- R2(Yt-τ+1)
Свойства ACF и ЧАКФ линейных моделей временных рядов.
Для процесса AR(p):
- АКФ – экспоненциально убывает,
- ЧАКФ – резко обрывается .
Для процесса MA(q):
- АКФ – резко обрывается ,
- ЧАКФ – экспоненциально убывает.
Кроме того, для любых процессов .
Выборочные, т.е. рассчитанные по имеющимся данным значения АКФ и ЧАКФ, разумеется, отличаются от своих теоретических прототипов ДАЖЕ для истинных моделей. Вместо равенства нулю определяют значимость или незначимость соответствующих коэффициентов корреляции. Приближенно коэффициент автокорреляции считают значимым, если .
Проверка значимости коэффициентов автокорреляции.
Автокорреляция: ; ; . Если , k-й коэффициент значим.
Частная автокорреляция: ; ; . Если , k-й коэффициент значим.
Объединенные модели авторегрессии – скользящего среднего ARMA(p,q): . Рассмотрим, например, модель ARMA(1,1): . АКФ модели ARMA(p,q) ведет себя так же, как и для модели AR(p), а ЧАКФ – как для модели MA(q). Они убывают.
Числовые хар-ки модели : ; ; ; , , .
Условия стационарности процесса ARMA(1,1). ; если ; ,если . Эти условия полезны для проверки того, что анализируемый процесс может быть описан моделью ARMA(1,1).
Оценивание параметров процесса ARMA(1,1). Есть стационарный временной ряд . Требуется найти для него параметры модели ARMA(1,1) с нулевым средним. Имеем: ; . Таким образом, для определения параметров модели ARMA(1,1) нужно вычислить дисперсию ряда и коэффициенты автоковариации и автокорреляции первого и второго порядка.