- •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
5. Визначення стандартних похибок та довірчих інтервалів для оцінок параметрів моделі
Коваріаційна матриця
Середньо квадратичні (стандартні) похибки оцінок параметрів:
; .
σ2( )= = 39,627, σ ( )= 6,295
σ2( ) = = 0,009 σ ( ) = 0,094
Інтервали надійності для оцінок :
t табл. знаходиться з таблиці Т- розподілу: df = n – m -1, α /2 – рівень значущості;
T- розподіл: α/2 = 0,05/2 =0,025, k = n - 2 = 9 , t kp = tта б = 2,262
: - tkp ∙σ ( ) = -11,872; + tkp σ( ) = 17,102
: - tkp∙σ( ) = 0,390; + tkp∙σ( ) = 0,816
6. Точковий та інтервальний прогноз на основі побудованої моделі.
Точковий прогноз: хпр = ;
Х пр = 78,000, Ŷ пp = a^0 + a^1∙Xпр = 2,872 + 0,603∙78 = 49,887
Інтервальний прогноз: ,
Дисперсія прогнозу ,
.= 1,545 D*np = Du + Dnp = 6,188
σ*np = 2,488 tkp ∙ σ,* np = 5,630
Тема: Загальна лінійна економетрична модель
1. Множинна лінійна регресія
Рівняння множинної регресії – це рівняння такого вигляду, яке виражає лінійною залежністю умовне математичне сподівання регресанта y від декількох факторів xі
М = f(x1, x2……. xm), Y= f (A;Х)+ и,
де Х – матриця незалежних змінних, включає в себе змінні значення x1, x2.,.., xm,
А – вектор невідомих параметрів моделі,
–випадковий (стохастичний) фактор.
Теоретично рівняння множинної лінійної регресії (РМЛР) записується в розгорнутому вигляді таким чином:
Y = а0 + а1 Х1 + а2Х2 + … + аmХm + и.
В цьому рівнянні кожен коефіцієнт aj – це частинний коефіцієнт регресії, який характеризує чутливість величини у до зміни фактора хj – вплив збільшення значення змінної xj (на одну одиницю) на зміну умовного математичного сподівання Y (в певних одиницях вимірювання), коли всі інші змінні фактори вважаються сталими.
Частинні коефіцієнти еластичності: характеризують вплив окремих факторів: на скільки % зміниться регресант Y, якщо значення одного із факторів Хj збільшиться на 1% за незмінності інших факторів.
Кількість спостережень n має бути m+1 , а число r = n-(m+1) називається кількістю ступенів свободи.
2. Передумови застосування метода найменших квадратів
– умови Гаусса-Маркова
1). Математичне сподівання випадкових відхилень дорівнює нулю. М( )=0
2). Наявність гомоскедастичності: дисперсія відхилень випадкових складових є сталою величиною
D = = const
3). Відсутність автокореляції: випадкове відхилення і є незалежними один від одного
4). Випадкові відхилення є незалежними від факторів xj.
5). Відсутність мультиколінеарності: між самими пояснюючими змінними факторами xj. відсутня строга лінійна залежність.
6). Самі випадкові відхилення мають нормальний закон розподілу.
Якщо всі ці умови виконуються, то розраховується емпіричне рівняння регресії:
Ŷр = â0 + â1 х1+ â2 х2+ … + âm хm+ û,
де оцінки âi – наближені значення теоретичних параметрів моделі (ці оцінки повинні бути ефективними, спроможними та незміщеними).