
- •1. История развития. Этапы становления.
- •2.Определение (предмет) эконометрики.
- •3. Эконометрический метод и этапы эк-го исследования.
- •4. Измерения в эк-ке.
- •5. Парная регрессия и корреляция. Способы задания уравнения парной регрессии.
- •6. Линейная модель парной регрессии. Смысл и оценка параметров.
- •7. Оценка существенности пар-ов регрессии. Смысл и оценка пар-ов.
- •8. Корреляция и детерминация для линейной регрессии.
- •9. Прогноз по линейному ур-ию регрессии.
- •10. Средняя ошибка аппроксимации
- •11. Нелин.Регрессиия. Классы нелин.Регрессий. Нелин.Регрессия отн-но вкл-ых в анализ объясняющих пер-ых и по оцениваемым пар-ам.
- •2) Нелин.Рег-ия по оцениваемому коэф-ту.
- •12. Корреляция и детерминация для нелинейной регрессии (дисперс-й ан-з)
- •13. Коэффициенты эластичности для разных видов регрессионных моделей.
- •1. Выдвигаем нулевую гипотезу:
- •2. Наблюдаемое значение f-критерия Фишера (Fнабл) определяется по формуле:
- •3. Fтабл (α, k1, k2)
- •4. Сравниваем наблюдаемое и табличное значения. Делаем вывод:
- •15. Оценка адекватности модели
- •16. Множественная регрессия (спецификация модели).
- •17. Проблема мультиколленеарности.
- •18. Отбор факторов при построении множественной регрессии
- •20. Множественная корреляция
- •21. Частные уравнения регрессии
- •22. Частные коэффициенты корреляции
- •23. Оценка надежности результатов множественной регрессии и корреляции.
- •24. Частный f-критерий Фишера ( ) для уравнения множественной регрессии
- •26. Фиктивные переменные во множественной регрессии.
- •27, 28. Предпосылки мнк: гомоскедастичность, гетероскедастичность, автокорреляция остатков.
- •29. Метод наименьших квадратов. Обобщенный мнк.
- •I. Модель в натуральном и стандартизованном масштабе:
- •Множественная модель в натуральном масштабе (общий вид) запишется так:
- •Модель множественной регрессии в стандартизованном масштабе.
- •Мнк для модели в общем виде:
- •Мнк для модели в стандартизованном масштабе:
- •30. Общие понятия и необходимость использования систем эконометр-их уравнений. Формы и составляющие систем эконометрич-х уравнений.
- •31. Формы и составляющие систем эконометрич-х уравнений
- •32. Проблема идентификации. Необходимое и достаточное условие идентифицируемости
- •33. Методы оценки параметров систем уравнений: косвенный, двушаговый и трехшаговый методы.
- •34. Основные элементы временного ряда.
- •35. Автокорреляция уровней временного ряда и выявление его струк-ры.
- •36. Моделирование тенденции временного ряда
- •37. Моделирование сезонных и циклич колебаний
- •38.Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •39. Методы исключения тенденции.
- •2 Основных метода:
- •1)Метод отклонения от тренда.
- •2)Метод последовательных разностей.
- •40. Динамические эконометрические модели
- •1.Харак-ка и интерпретация параметров модели с распределенным лагом.
- •Медианный шаг
- •41.Харак-ка модели с распределенным лагом.
- •Медианный шаг
- •42. Метод Койка и Лаги Алмон
33. Методы оценки параметров систем уравнений: косвенный, двушаговый и трехшаговый методы.
Наиболее часто для оценки параметров системы одновременных уравнений
применяются косвенный, двухшаговый и трехшаговый методы наименьших квад-
ратов (КМНК, ДМНК и ТМНК). Первый из них используется только в случае
идентифицируемых уравнений. Реже применяется универсальный, но очень
сложный в вычислительном отношении метод максимального правдоподобия.
Косвенный МНК используется в случае идентифицируемой системы урав-
нений и заключается в следующем:
1) исходная система уравнений преобразуется в приведенную форму моде-
ли
и определяются численные значения
параметров
ij
для каждого ее уравне-
ния в отдельности с помощью традиционного МНК;
2) путем алгебраических преобразований осуществляется переход от при-
веденной формы к уравнениям структурной формы модели, что автоматически
дает численные оценки структурных параметров.
Двухшаговый МНК основан на использовании, так называемых, «инстру-
ментальных» переменных и является универсальным методом. Как уже отмеча-
лось, в системе одновременных уравнений нарушаются предпосылки о незави-
симости факторов (выражаемых эндогенными переменными) и ошибок уравне-
ний. Для преодоления этой трудности можно использовать замену эндогенных
переменных уi в правых частях уравнений модели на вспомогательные «инстру-
ментальные» переменные ŷi, которые были бы близки к исходным эндогенным
переменным и при этом не зависели бы от ошибок уравнений. В качестве таких
переменных предлагается использовать переменные, определяемые уравнениями
приведенной формы модели.
Согласно двухшаговому МНК, численные значения структурных парамет-
ров определяются в следующей последовательности:
1) Исходная система уравнений преобразуется в приведенную форму мо-
дели и определяются численные значения параметров ij для каждого ее урав-
нения в отдельности с помощью традиционного МНК;
2) По полученным уравнениям приведенной формы находятся расчетные
значения инструментальных переменных ŷi, соответствующих эндогенным переменным уi для каждого наблюдения;
3) С помощью обычного МНК определяются параметры каждого струк-
турного уравнения в отдельности, используя в качестве факторов фактические
значения предопределенных переменных и полученные расчетные значения
инструментальных переменных ŷi.
Более эффективным, но требующим существенно больших вычислительных затрат, является трехшаговый метод наименьших квадратов (ТМНК).
Он заключается в том, что двухшаговый метод наименьших квадратов приме-
няется не к исходным уравнениям модели, а к уравнениям, преобразованным
согласно обобщенному методу наименьших квадратов. Трехшаговый МНК яв-
ляется итерационной процедурой:
1) Параметры модели определяются обычным или двухшаговым МНК.
2) Вычисляются ошибки модели и определяется оценка корреляционной
матрицы ошибок.
3) Уравнения преобразуются согласно обобщенному МНК.
4) Применяется двухшаговый МНК к преобразованным уравнениям и по-
лучается улучшенная модель (с улучшенными параметрами).
5) Процесс повторяется, начиная со второго шага, пока не будет достигнута заданная точность (либо превышено заданное количество итераций). Если случайные члены структурной модели не коррелируют, то трехшаговый метод сводится к двухшаговому.