
- •Два принципа спецификации эконометрических моделей и их формы
- •Типы уравнений в эмм: поведенческие уравнения и тождества (на примере макромодели).
- •Типы переменных в экономических моделях. Структурная и приведённая форма модели (на примере макромодели). Компактная запись. Типы переменных в экономических моделях.
- •Структурная и приведённая форма модели (на примере макромодели). Компактная запись.
- •Лаговые и предопределённые переменные динамической модели.
- •Модель Линтнера корректировки размера дивидендов.
- •Компактная запись.
- •Эконометрическая модель Самуэльсона–Хикса делового цикла экономики.
- •Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации функции линейн.
- •Случайная переменная и закон её распределения. Нормальный закон распределения и его параметры.
- •Ожидаемое значение случайной переменной (сп), её дисперсия и среднеквадратическое отклонение.
- •Случайная переменная и закон её распределения. Распределение хи-квадрат.
- •Случайная переменная и закон её распределения. Распределение Стьюдента Квантиль, t крит уровня и её расчёт в Excel.
- •Ковариация Cov(X, y), и коэффициент корреляции, Cor(X, y) пары случайных переменных (X, y). Частная ковариация и частный коэффициент корреляции.
- •Свойства
- •Случайная переменная и закон её распределения. Закон распределения Фишера. Квантиль, f крит уровня и её расчёт в Excel.
- •Случайный вектор и его основные количественные характеристики (на примере вектора левых частей схемы Гаусса – Маркова при гомоскедастичном неавтокоррелированном остатке).
- •Временной ряд и его структура (На примере ввп России).
- •Модели тренда временного ряда.
- •Моделирование сезонной составляющей при помощи фиктивных переменных.
- •Регрессионная зависимость случайных переменных. Функция регрессии, стандартные модели функции регрессии.
- •Понятие статистической процедуры оценивания параметров эконометрической модели. Линейные стат. Процедуры. Требования к наилучшей стат. Процедуре.
- •Теорема Гаусса-Маркова – Эйткена. Вывод выражения .
- •Теорема Гаусса-Маркова – Эйткена. Вывод выражения Cov .
- •Теорема Гаусса-Маркова – Эйткена. Вывод свойства обобщенного метода наименьших квадратов (омнк),
- •Теорема Гаусса-Маркова – Эйткена. Вывод оценки дисперсии единицы веса, .
- •Следствие из теоремы Гаусса-Маркова – Эйткена: взвешенный метод наименьших квадратов (вмнк). Практическая реализация вмнк.
- •Следствие из теоремы Гаусса-Маркова – Эйткена: метод наименьших квадратов (мнк) или теорема Гаусса-Маркова
- •Система нормальных уравнений и явный вид её решения при оценивании методом наименьших квадратов (мнк) линейной модели парной регрессии (на примере модели Оукена).
- •Ковариационная матрица оценок коэффициентов линейной модели парной регрессии: явные выражения .
- •Свойства оценок Эйткена параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: независимость случайных векторов .
- •Свойства оценок Эйткена параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: распределение оценки .
- •Свойства оценок Эйткена параметров лммр при нормальном векторе случайных остатков: закон распределения дроби .
- •Оценивание параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков методом максимального правдоподобия (ммп).
- •Оценивание нелинейных по коэффициентам моделей множественной регрессии методом Гаусса-Ньютона (на примере модели динамического ряда с экспоненциальной функцией тренда).
- •Спецификация и оценивание нелинейных по коэффициентам моделей множественной регрессии со специальными функциями регрессии (на примере производственной модели с функцией Кобба-Дугласа).
- •Оптимальное точечное прогнозирование значений эндогенной переменной по линейной модели (случай гомоскедастичного и неавтокоррелированного случайного остатка) на примере модели Оукена.
- •Тест Голдфелда-Квандта гомоскедастичности случайного остатка в лммр
- •Тест Дарбина–Уотсона отсутствия автокорреляции случайного остатка в лммр.
- •Коэффициент детерминации как мерило качества спецификации эконометрической модели (на примере модели Оукена). Скорректированный коэффициент детерминации.
- •Связь коэффициента детерминации с коэффициентом корреляции эндогенной переменной и её оценки.
- •Процедура интервального прогнозирования по оценённой линейной эконометрической модели значений эндогенной переменной (на примере модели Оукена).
- •Процедура проверки адекватности оценённой линейной эконометрической модели (на примере модели Оукена).
- •Последствия, симптомы и методика устранения ошибки спецификации эконометрической модели, состоящей в неверном выборе функции регрессии.
- •Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей во включении незначимой объясняющей переменной.
- •Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей в пропуске значимой объясняющей переменной.
- •Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей в непостоянстве значений её параметров в области изменения объясняющих переменных; тест Чоу.
- •Основные характеристики временного ряда.
- •Стационарный временной ряд. Белый шум.
- •Оценка характеристик стационарного временного ряда.
- •Частная автокорреляционная функция стационарного временного ряда и алгоритм её оценивания.
- •Модель ar(p) и её идентификация.
- •Модель ma(q) и её идентификация.
- •Оптимальные алгоритмы прогнозирования уровней стационарного временного ряда.
- •Модели нестационарных временных рядов. Идентификация модели тренда.
- •Оценивание линейной модели с автокоррелированным остатком ar(1) алгоритмом Хильдретта – Лу.
- •Проблема, симптомы мультиколлинеарности. Методика отбора регрессоров в линейной модели в ситуации мультиколлинеарности.
- •Эконометрические модели в виде систем линейных одновременных уравнений (слоу): примеры и проблема идентификации (на примере модели спроса-предложения блага).
- •Эконометрические модели в виде систем линейных одновременных уравнений (слоу): примеры и проблема оценивания параметров структурной формы (на примере макромодели Кейнса).
- •Необходимое условие идентифицируемости поведенческого уравнения модели слоу (правило порядка). Сверхидентифицируемость параметров поведенческого уравнения.
- •Правило ранга.
- •Косвенный метод наименьших квадратов.
- •Двухшаговый метод наименьших квадратов.
Необходимое условие идентифицируемости поведенческого уравнения модели слоу (правило порядка). Сверхидентифицируемость параметров поведенческого уравнения.
Линейная модель одновременных уравнений (ЛМОУ).
-
эндогенные, G
– их количество
-
предопределенные, К – кол-во
В
компактной записи модели квадратная
м-ца А=(аij)
состоит из коэф-тов при эндог пер-х и
предполагается невырожденной. i-е
поведенческое ур-е модели может быть
разрешено относительно пер-й
,
при этом справедливо рав-во:
=1
. Оно именуется условием нормализации.
Теорема. Пусть в ситуации (1.2) i-е поведенческое ур-е модели (1.1) идентифицируемо. Тогда справедливо неравенство К-Ki>Gi-1 (17.29)
где Кi, — количество предопределенных переменных модели, входящих в г-с уравнение; Gi — количество эндогенных переменных модели, входящих в i-е уравнение модели.
Рассматривая неравенство (17.29), можем сказать, что если i-c поведенческое уравнение модели (1.1) идентифицируемо, то количество К – Кi, предопределенных переменных, не входящих в данное уравнение, по крайней мере на единицу больше количества G, эндогенных переменных, входящих в это уравнение.
Замечание. Подчеркнем, что справедливость неравенства (17.29) является необходимым условием ндешифицируемостн i-io уравнения. Это значит, что когда неравенство (17.29) несправедливо, га i-e уравнение заведомо неидентифицируемо. Однако при выполнении неравенства (17.29) еще нельзя сделать выводи об идентифицируемости данного уравнения. Так, условие (17.29), именуемое правилам порядка, позволяет выявлять неидентифицируемыс уравнения модели (17.22), но не дает возможности отмечать ее идентифицируемые уравнения. Такую возможность доставляет критерий (необходимое и достаточное условие), рассмотренный ниже.
Модель сверхидентифицируема, если число приведенных коэффициентов больше числа структурных коэффициентов. В этом случае на основе коэффициентов приведенной формы можно получить два или более значений одного структурного коэффициента.
Пример:
Структурная модель всегда представляет собой систему сон местных уравнений, каждое из которых необходимо проверять на идентификацию. Модель считается идентифицируемой, если каждое уравнение системы идентифицируемо. Если хотя бы одно из уравнений системы неидентифицируемо, то и вся модель считается неидентифицируемой. Сверхидентифицируемая модель содержит хотя бы одно сверхидентифицируемое уравнение.
Выполнение условия идентифицируемости модели проверяется для каждого уравнения системы. Для того чтобы уравнение было идентифицируемо, нужно, чтобы число предопределенных переменных, отсутствующих в данном уравнении, но присутствующих в системе, было равно числу эндогенных переменных в данном уравнении без одного.
Правило ранга.
Чтобы сформулировать критерий идентифицируемости i-ro уравнения (1.1), потребуется понятие ограничений на его коэффициенты.
Определение 17.1. Ограничениями на коэффициенты i-ro уравнения модели (1.1) называется система из однородных линейных алгебраических уравнений
(17.30)
которым
априорно удовлетворяет вектор
(17.31)
коэффициентов i-го уравнения модели (1.1).
Итак, полагаем, что для i-го поведенческого уравнения модели (1.1) построена матрица Ri ограничений (17.30), состоящая из Li строк и G + К столбцов. Подчеркнем, что Li < G + К. Добавим, что Li — количество переменных модели (1.1), не входящих в i-e уравнение.
Обозначим символом
=
(А|В) (17.36)
расширенную матрицу ЛМОУ. Матрица (17.36) содержит G строк и G+ К столбцов. Элементами i-й строчки матрицы (17.36) являются компоненты вектора (17.31). Все готово для формулировки критерия идентифицируемости поведенческих уравнений модели (1.1) из линейных одновременных линейных уравнений.
Теорема 17.2. В ситуации (1.1) i-е уравнение модели (1.1) из линейных одновременных уравнений идентифицируемо тогда и только тогда, когда справедливо равенство
rk(
)
= G-l, (17.37)
где
rk(
)
— ранг произведения матриц
.
Доказательство этого важного для эконометрики утверждения, именуемого правилам ранга, предлагается получить в процессе