- •Зміст дисципліни за темами
- •Тема 1. Концептуальні аспекти економетричного моделювання економіки
- •Тема 2. Принципи побудови економетричних моделей. Парна та множинна лінійна регресія
- •Тема 3: Моделі множинних регресій, що зводяться до лінійних
- •Тема: Економіко – математичне моделювання
- •2. Математична модель економічного об’єкту
- •Критерії вибору „хорошої моделі”:
- •За характером застосування методів дослідження виділяються:
- •2. Об'єкт, предмет, мета і завдання економетрії
- •3. Основні етапи економетричного аналізу
- •4. Економічні задачі, які розв'язують за допомогою економетричних методів
- •5. Основні етапи зародження та розвитку економетрії
- •Тема: Регресійні моделі
- •1. Поняття регресії
- •3. Парна лінійна регресія
- •4. Теоретична і розрахункова моделі
- •5. Метод найменших квадратів – метод розрахунку параметрів моделі.
- •6. Дисперсійний аналіз моделі
- •Приклад виконання типового завдання
- •1. Економічна постановка задачі
- •2. Геометричне зображення залежності між досліджуваними показниками
- •3. Оцінювання параметрів парної лінійної регресії
- •4. Розрахунок коефіцієнта детермінації та парної кореляції.
- •5. Перевірка достовірності побудови моделі на основі статистичних критеріїв
- •5. Визначення стандартних похибок та довірчих інтервалів для оцінок параметрів моделі
- •6. Точковий та інтервальний прогноз на основі побудованої моделі.
- •Тема: Загальна лінійна економетрична модель
- •1. Множинна лінійна регресія
- •2. Передумови застосування метода найменших квадратів
- •3. Дисперсійний і регресійний аналіз моделей
- •4. Точковий та інтервальльний прогноз
- •5. Перевірка якості та статистичної значущості моделі
- •Завдання №1 на самостійну роботу
- •1). Побудувати економетричну модель залежності між факторами за допомогою функції «линейн»:
- •Тема: Нелінійні моделі
- •Степенева (поліноміальна ) модель
- •2. Гіперболічна модель
- •3. Показникові моделі
- •4. Виробнича функція Кобба – Дугласа
- •Завдання №2 на самостійну роботу
- •Тема: Фіктивні змінні в регресійних моделях
- •1. Необхідність використання фіктивних змінних
- •2. Моделі ancova
- •2.1. Ancova - Модель при наявності у фіктивної змінної двох альтернатив
- •2.2. Моделі ancova за наявності у якісних змінних більш двох альтернатив
- •3. Використання фіктивних змінних у сезонному аналізі
- •Завдання № 3* на самостійну роботу Розрахувати моделі із фіктивними змінними :
- •Дослідити розраховану модель на значущість. Тема: Мультиколінеарність факторів моделі
- •Поняття мультиколінеарності
- •Основні наслідки мультиколінеарності:
- •Дослідження наявності мультиколінеарності
- •Ознаки мультиколінеарності
- •Алгоритм Фаррара – Глобера
- •Завдання №4 на самостійну роботу
- •Тема: Гетероскедастичність моделі
- •1. Поняття гетероскедастнчності та її наслідки
- •2. Перевірка гетероскедастичності
- •Тема: Автокореляція відхилень (залишків)
- •1. Поняття автокореляції та її наслідки
- •Перевірка наявності автокореляції
- •Завдання № 5 на самостійну роботу
4. Теоретична і розрахункова моделі
Теоретична лінійна модель Y = a0 + a1·x + u, розрахункова модель Yр= â0+â1·x+ û,
де â0 , â1, u – відповідні оцінки, наближені значення параметрів теоретичної моделі
â0 a0, â1· a1, u û
у Yт
Yр
Yі(т)
Yі u
Ŷі (р) û
xі х
В цьому рівнянні коефіцієнт a1 – це частинний коефіцієнт регресії, який характеризує чутливість величини у до зміни фактора х – вплив змінної x на умовне математичне сподівання як зміниться величина фактора Y за умов збільшення фактора Х на одну одиницю.
5. Метод найменших квадратів – метод розрахунку параметрів моделі.
Метод найменших квадратів – метод розрахунку параметрів моделі Yр= â0 + â1·x + û.
Ідея методу базується на тому, що величина еі має буде мінімальною:
= ∑(yi - ỳ) або ∑(yi - ỳ)2 або ∑│yi - ỳ│ min.
Краще всього в ролі функції оцінки відхилень взяти суму квадратів відхилень кожної точки від свого розрахункового значення Q (â0 , â1) = = ∑(yi - ỳ)2 = ∑( yi – (â0 + â1·xі+ ûі))2.
Ця функція має min значення в тих точках, де частинні похідні по змінних â0 , â1l дорівнюватимуть нулю:
=0, ( yi – (â0 + â1·xі))(-1) = 0, ∑ yі – ∑â0 – ∑ â1·xі = 0,
=0 (( yi – (â0+ â1·xі))(- xi)=0 ∑ yі·хі – â0 ∑ хі – â1 ∑ ·xі2 =0,
Записується остаточна система рівнянь: n â0 + â1 ∑ ·xі = ∑ yі ,
â0 ∑ хі + â1 ∑ ·xі2 =∑ yі·хі ,
n – кількість спостережень.
Розв’язання системи рівнянь проводиться за допомогою оберненої матриці або за правилом Крамера. Основний визначник системи , тому існує єдиний розв'язок системи: . З цього випливає, що лінія регресії проходить через точку, координати якої с середніми значеннями показника Y та фактора X.
ả1 = = = .
Ця рівність означає, що коефіцієнт ả1 моделі ПЛР дорівнює відношенню кореляційного моменту до дисперсії фактора Х і дорівнює тангенсу кута між лінією регресії і віссю ОХ.
ả0 = = = .
Середнє значення прогнозу показника Y р при значенні фактора Хр визначається за формулою = ả0 + ả1
6. Дисперсійний аналіз моделі
Дисперсія залишків Dи = = характеризує міру відхилень значень залежного фактора yi від розрахованих значень за моделлю yi^.
Дисперсія змінної Dу = характеризує міру відхилень значень залежного фактора yi від середнього значення
Коефіцієнт детермінації R2 = 1- = є (0;1)
знаходиться для перевірки якості рівняння регресії і визначає характер лінійного впливу зміни значень факторів моделі на змінну Y, тобто на скільки відсотків рівняння регресії пояснює поведінку залежної змінної Y.
Крім того, показник R2 може виявитися в ході розрахунків відємним, чому може сприяти: неякісна лінійна модель (звязок в моделі є нелінійним); коефіцієнт моделі а0 є дуже і дуже малим; малий обсяг статистичних даних.
Коефіцієнт кореляції R =√ R2 характеризує тісноту лінійного зв’язку :
чим тіснішим є лінійний звязок між Х і Y, тим ближче R 1,
чим слабшим є лінійний звязок між Х і Y ,тим ближче R 0.
Крім того, якщо R > 0, то характер зміни Х і Y однаковий ,
якщо R < 0, то характер зміни Х і Y протилежний, (R > 0 при а1 > 0; R < 0 при а1 < 0).
якщо r(X,Y) = 0, то величини X та Y некорельовані.
або використовують вибірковий коефіцієнт кореляції R(X,Y ) є (-1;1)
Стандартне (середнє квадратичне) відхилення оцінки ả0 : ả0 = и
Стандартне (середнє квадратичне) відхилення вільного члена рівняння регресії оцінки ả1 знаходять за формулою ả1 = и
Інтервали надійності для оцінок :
Межі (інтервали) надійності індивідуальних прогнозних
Y*пр - t(α/2; ( n-2 )) · σ и < Y*пр < Y*пр + t (α/2 ( n -2)) · σ и
де ta - статистика Ст'юдента, α- рівень значущості, k = n - 2 ступені свободи.