- •26.Предпосылки метода мнк.
- •27. Гетероскедастичность – понятие, проявление и меры устранения.
- •28. Оценка гетероскедантичности с помощью метода Гольдфельда-Квадта.
- •29. Использование коэффициента корреляции рангов Спирмэна для проверки наличия гетероскедантичности в остатках.
- •30. Использование тестов Уайта, Парка, Глейзера при анализе гетероскедантичности в остатков.
- •31. Применение обобщенного мнк (омнк) для случая гетероскедантичности остатков.
- •32. Мультиколлинеарность факторов – понятие, проявление и меры устранения.
- •33. Специфика временного ряда как источника данных в эконометрическом моделировании.
- •34. Автокорреляция уровней временного ряда и ее последствия.
- •35.Моделирование тенденции временных рядов.
- •43.Прогнозирование на основе рядов динамики.
- •48.Виды переменных в системах взаимозависимых уравнений.
- •36.Оценивание параметров в уравнениях тренда.
- •37.Модели сезонности: аддитивная и мультипликативная.
- •38.Исключение тенденции на основе метода отклонений от тренда.
- •39.Исключение тенденции на основе метода последовательных разностей.
- •40.Исключение тенденции на основе включения в модель регрессии по временным рядам фактора времени.
- •41.Автокорреляция в остатках. Критерий Дарбина-Уотсона в оценке качества уравнений, построенных по временным рядам.
- •42.Обобщенный метода наименьших квадратов (омнк) при построении модели регрессии по временным рядам.
- •44.Общая характеристика моделей с распределенным лагом и моделей авторегрессии.
- •45.Интерпретация параметров моделей с распределенным лагом и моделей авторегрессии
- •46.Применение фиктивных переменных для моделирования сезонных колебаний
- •47.Общее понятие о системах уравнений, используемых в эконометрике.
- •49.Структурная и приведенная формы модели.
- •50.Проблема идентификации. Необходимое условие идентификации (порядковое или счетное правило).
- •51.Достаточное (ранговое) условие идентификации.
- •52.Косвенный метод наименьших квадратов для оценки параметров структурной формы модели.
- •53.Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •54. Примененние систем эконометрических уравнений.
26.Предпосылки метода мнк.
МНК строит оценки регрессии на основе минимизации суммы квадратов остатков. Поэтому очень важно исследовать поведение остаточных величин регрессии i. Условия необходимые для получения несмещенных, состоятельных и эффективных оценок(свойства оценок), представляют собой предпосылки МНК, соблюдение кот. желательно для получения достоверных результатов регрессии. Предпосылки: 1.случайный характер остатков 2.нулевая средняя остатков, не зависящая от фактора x 3.гомоскедастичность (дисперсия каждого отклонения одинакова для всех значений x) 4.отсутствие автокорреляции остатков 5.остатки должны подчиняться нормальному распределению
Если распределение случайных остатков i не соответствует некоторым предпосылкам мнк, то следует корректировать модель.1-сторится график зависимости остатков i от теоретических значений результативного признака ŷ. Если на графике нет направленности в располож точек i, то остатки представляют собой случайн величины и мнк оправдан. В противном случае, когда остатки не случайны, носят систематич хар-р,не имеют постоянной дисперсии, надо исп-ть доп инф-ию, либо строить новое ур-ие регрессии(пока ост. не будут случайными)2 – означает (у-ŷ)=0. Это выполнимо для линейных моделей и моделей, нелинейных относительно включаемых переменных. Для обеспечения несмещенности должна существовать независимость случайных остатков i и переменных х. Строится график зависимости случ остатков от факторов, включ в регрессию хi. Если нет направленности остатков, след. нет зависимости, если есть направленность, то модель неадекватна. 3-значит, что для каждого значения фактора хi остатки i имеют одинаковую дисперсию 4-т.е. зависимости каждого следующего значения остатков от предыдущих 5 –только в этом случае можно будет проводить проверку параметров с помощью t и F критериев.
27. Гетероскедастичность – понятие, проявление и меры устранения.
Дисперсия – среднее арифметическое из квадратов отклонений наблюденных значений (х1,х2…хn) случайной величины от их среднего арифметического. Гомоскедантичность остатков означает, что для каждого значения фактора хi остатки i имеют одинаковую дисперсию. Если это условие МНК не соблюдается, то меет место гетероскедантичность. Наличие ее можно увидеть на поле корреляции.
а — дисперсия остатков растет по мере увеличения х;
б — дисперсия остатков достигает максимальной величины при средних значениях переменной х и уменьшается при минимальных и максимальных значениях х;
в — максимальная дисперсия остатков при малых значениях х и дисперсия остатков однородна по мере увеличения значений х.
Наличие гомоскедастичности или гетероскедастичности можно видеть и по графику зависимости остатков от теоретических значений результативного признака
Большая дисперсия для больших значений .
Данный вид графиков является наиболее приемлемым для изучения гомо- и гетероскедаcтичности для множественной регрессии.
Гетероскедастичность будет сказываться на уменьшении эффективности оценок В частности, становится затруднительным использование формулы стандартной ошибки коэффициента регрессии предполагающей единую дисперсию остатков для любых значений фактора
Причины гетероскедантичности: неоднородная совокупность, неверная функциональная форма модели. Меры устранения:-Увеличение числа наблюдений -Изменение функциональной формы модели -Разделение исходной совокупности на качественно-однородные группы и проведение анализа в каждой группе -Использование фиктивных переменных, учитывающих неоднородность -Исключение из совокупности единиц, дающих неоднородность.