- •Вопрос 1
- •Вопрос 2
- •3. Геометрическая интерпретация мнк
- •4.Теорема Гаусса-Маркова
- •5. Использование t-статистики для проверки статистических гипотез о параметрах регрессии.
- •6. Использование коэффициента детерминации r2 и f–критерия для проверки статистических гипотез о параметрах регрессии.
- •7. Тестирование гипотез общего линейного вида о параметрах регрессии.
- •8. Мультиколлинеарность
- •9. Искусственные (фиктивные) переменные.
- •10. Гетеро- и гомоскедастичность. Модели с безусловной и условной гетероскедастичностью.
- •13.Автокорреляция (последовательная корреляция) определяется
- •16) Система линейных одновременных уравнений (лоу) и ее идентификация.
- •17.Метод инструментальных переменных оценки параметров систем одновременных уравнений.
- •18.Двухшаговый метод оценки параметров систем одновременных уравнений.
- •19.Модели векторной авторегрессии
- •20.Моделирование и прогнозирование волатильности финансовых рынков.
- •23. Модели систем массового обслуживания
- •24. Весь процесс эконометрического моделирования можно разбить на шесть основных этапов:
- •Типы исходных данных для построения эконометрических моделей
- •Экономическая интерпретация коэффициентов регрессионного уравнения в линейной спецификации и в модели «в логарифмах»?
- •27) Какие гипотезы проверяются с помощью критерия Стьюдента?
- •28) Какие гипотезы проверяются с помощью критерия Дарбина-Уотсона?
- •37. Как оценивается дисперсия истинной ошибки модели.
- •38. Каковы последствия мультиколлинеарности факторов.
- •43. Основные подходы к оценке коэффициентов эконометрической модели, содержащей лаговые зависимые переменные
- •44. Оценка точности прогноза
- •45.Что представляет собой “доверительный интервал прогноза”?
- •46.Охарактеризуйте особенности прогнозирования на основе моделей авторегрессионных временных рядов.
- •50. Тесты ранга коинтеграции.
9. Искусственные (фиктивные) переменные.
Термин “фиктивные переменные” используется как противоположность “значащим” переменным. Как правило, фиктивная переменная — это индикаторная переменная, отражающая качественную характеристику. Это могут быть разного рода атрибутивные признаки, такие, например, как профессия, пол, образование. Чтобы ввести такие переменные в регрессионную модель, им должны быть присвоены те или иные цифровые метки, т. е. качественные переменные преобразованы в количественные. Такого вида сконструированные переменные принято называть фиктивными переменными. Также можно встретить термин «искусственные переменные». В регрессионных моделях с временными рядами используется три основных вида фиктивных переменных:1) Переменные-индикаторы принадлежности наблюдения к определенному периоду — для моделирования скачкообразных структурных сдвигов. 2) Сезонные переменные — для моделирования сезонности.3) Линейный временной тренд — для моделирования постепенных плавных структурных сдвигов.
10. Гетеро- и гомоскедастичность. Модели с безусловной и условной гетероскедастичностью.
Модель с условной авторегрессионной гетероскедастичностью (АРУГ) предложена Энглом (Engle (1982)). Смысл понятия состоит в том, что дисперсия остаточного членаet в момент времени t зависит от квадратов остаточных членов из предыдущих периодов. Самая простая форма имеет вид: σ2t=E{ε2t|It-1}=ω+αε2t-1;где It-1-информационное множество, обычно включающееe εt-1 и всю его предысторию. Моделью АРУГ описывается следующее: если в периоде t -1случается большое возмущение, то более вероятно, что εt также имеет большое (по абсолютной величине) значение. Таким образом, когда ε2t-1 является большим, дисперсия следующего остатка εt является также большой. Модель с безусловной гетероскедастичностью: пусть модель временного ряда {xt} допускает представление: xt=µt+ζt, t≥1, где µt=E{xt},D{xt}=D{ζt}=ψ2(t, µt)σ2 (1). Временной ряд {xt} в общем случае может быть нестационарным как по среднему значению, так и по дисперсии. Формула для дисперсии временного ряда в (1) описывает модель безусловной гетероскедастичности, которая определяется:известной монотонной функцией ψ(*) и неизвестным параметром σ2>0.
11. Гетеро- и гомоскедастичность. Тест Уайта на гетероскедастичность. Гомоскедастичность предполагает, что дисперсия случайных ошибок в модели постоянна. Гетероскедастичность – непостоянство дисперсии случайных ошибок. Тест Уайта применяется при построении ОЛСМ (общая линейная статистическая модель) с помощью обобщённого метода наименьших квадратов. При тесте Уайта предполагается, что гетероскедастичность обусловлена включенными в модель объясняющими переменными. Тест Уайта: Н0: дисперсия ряда остатков постоянна. Н0 не отклоняется, если Р>ɛ, отклоняется, если Р<= ɛ.
12. Тест Чоу на структурную изменчивость. Тест Чоу применяется для выявления стабильности временного ряда. Для этого временной ряд разбивается на две подвыборки: до существенных изменений ряда и после этого. Н0: имеются структурные изменения во временном ряде. Н0 не отклоняется, если y>Δ, отклоняется, если y <= Δ.