- •1. Вид эконометрической модели, ее структура. Уравнение регрессионной модели. Переменные участвующие в любой эконометрической модели.
- •3.Корреляционное поле. (Диаграмма рассеяния).
- •4.Основные статистики, спользуемые в экономических моделях. Средняя величина, дисперсия (вариация), ковариация.
- •5. Коэффициент парной корреляции. Пределы ее изменения.
- •6. Оценка значимости линейного коэффициента корреляции с помощью t-критерия Стьюдента.
- •7 . Матрица коэффициентов парной корреляции, её структура, экономическая сущность.
- •8. Коэффициент множественной корреляции, приделы его измерения.
- •9. Проверка значимости коэффициента множественной корреляции и детерминации с помощью f-критерия Фишера
- •10. Частный коэффициент множественной корреляции, пределы его измерения
- •11. Предпосылки метода наименьших квадратов.
- •12. Свойства оценок регрессионной модели, полученные по мнк.
- •13. Формулы расчета оценок а0 и а1 в модели парной регрессии.
- •18. Проверка значимости уравнения регрессии с помощью f критерия Фишера .Расчетный и табличный критерий Фишера.
- •20. Оценка статистической значимости параметров модели с помощью критерия Стьюдента.
- •21. Стандартные ошибки коэффициентов Sa0 Sa1 и их расчет
- •22. Расчет доверительных интервалов для параметров парной регрессии
- •23. Определение прогнозного значения по эконометрической модели парной регрессии.Точный и интервальный прогноз.
- •24. Виды моделей множественной регрессии (м.Р.)
- •25. Что показывает коэффициент регрессии aj в модели множественной регрессии?
- •26. Соотношение между числом наблюдений и числом оцениваемых параметров при построении множественной регрессионной модели.
- •27. Матричная форма записи множественного регрессионного уравнения и оценка параметров модели.
- •28. Система нормальных уравнений для двухфакторной регрессионной модели.
- •30. Проверка качества построенной множественной регрессионной модели: коэффициент детерминации, множественный коэффициент корреляции, относительная ошибка аппроксимации.
- •31. Проверка значимости построенной множественной регрессионной модели.
- •32. Проверка статистической значимости параметров множественной регрессионной модели.
- •33. Построение доверительных интервалов для параметров мрм. Предельная ошибка параметра.
- •35. Коэффициент эластичности
- •36. Мультиколлинеарность: определение, признаки и последствия.
- •Наиболее полным алгоритмом исследования мультиколлинеарности есть алгоритм Фаррара-Глобера. С его помощью тестируют три вида мультиколлинеарности:
- •1. Всех факторов ( - хи-квадрат);
- •1. Нормируем значения факторов
- •Алгоритм метода главных компонентов:
- •42. Устранение гетероскедастичности остатков модели регрессии
- •43. Критерий Дарбина — Уотсона рассчитывается по следующей формуле.
43. Критерий Дарбина — Уотсона рассчитывается по следующей формуле.
где
—
коэффициент автокорреляции первого
порядка.
В
случае отсутствия автокорреляции
,
при положительной автокорреляции
стремится
к нулю, а при отрицательной — к 4:
На
практике применение критерия Дарбина
— Уотсона основано на сравнении
величины
с
теоретическими значениями
и
для
заданных числа наблюдений
,
числанезависимых
переменных модели
и уровня
значимости
.
Если
,
то гипотеза о
независимости случайных отклонений
отвергается (следовательно присутствует
положительная автокорреляция);Если
,
то гипотеза не отвергается;Если
,
то нет достаточных оснований для
принятия решений.
Когда
расчетное значение
превышает
2, то с
и
сравнивается
не сам коэффициент
,
а выражение
[2].
Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина — Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают
