Добавил:
Upload
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:ekonometrika.docx
X
- •1. Нестационарные по математическому ожиданию и стационарные процессы.
- •2. Понятие, предмет, задачи эконометрики.
- •3. Основные этапы развития эконометрики.
- •4. Особенности эконометрического метода.
- •5. Стохастика - детерминированный характер социально - экономических явлений.
- •7. Основные этапы моделирования связи методом корреляционно-регрессионного анализа.
- •8. Выбор объекта исследования при построении эконометрической модели.
- •9. . Выбор факторов, включаемых в систему, при построении эконометрической модели.
- •10. Сбор исходной информации при построении эконометрической модели.
- •11. Первичная статистическая обработка при построении эконометрической модели.
- •12. Построение двухмерной линейной модели корреляционно-регрессионного анализа.
- •13. Проверка значимости коэффициентов простой линейной регрессии и адекватности регрессионной модели.
- •14. Оценка существенности параметров линейной регрессии с помощью дисперсионного анализа.
- •15.Нелинейная регрессия
- •16. Множественная линейная регрессия: задача и основные предположения.
- •17. Выбор формы уравнения множественной регрессии.
- •18. Проверка значимости результатов множественной регрессии.
- •19. Метод наименьших квадратов для множественной линейной регрессии.
- •20. Геометрическая интерпретация метода наименьших квадратов.
- •21. Статистические свойства оценок параметров, теорема Гаусса - Маркова.
- •22. Парные, частные коэффициенты корреляции, совокупные коэффициенты множественной корреляции и детерминации. Понятие и связь между ними.
- •24. Использование коэффициента детерминации r2 и f-критерия для проверки статистических гипотез о параметрах регрессии.
- •25. Предпосылки метода наименьших квадратов. Гомоскедастичность дисперсии остатков. Гетероскедастичность.
- •2) Нулевая средняя величина остатков, т.Е.
- •4. Отсутствие автокорреляции остатков. Значения остатков распределены независимо друг от друга.
- •26. Обобщенный метод наименьших квадратов.
- •Сущность обобщённого мнк
- •27. Взвешенный метод наименьших квадратов.
- •28. Регрессионные модели с переменной структурой (фиктивные переменные).
- •29. Экономическая интерпретация многофакторной регрессионной модели.
- •30. Понятие мультиколлинеарности, ее значение при отборе факторов.
- •31. Расчет ошибки репрезентативности и доверительных интервалов при построении моделей.
- •32. Методы исключения тенденции во временных рядах.
- •33. Скользящая средняя и метод центрирования.
- •34. Автокорреляция. Тесты на автокорреляцию остатков (критерий Дарбина-Уотсона).
- •35. Оценивание при наличии автокорреляции остатков.
- •36. Прогнозирование в регрессионных моделях. Хуета какая то
- •37. Система линейных одновременных уравнений и ее идентификация.
- •38. Приведенная форма структурной модели.
- •39Идентификация параметров структурной и приведенной форм модели.
- •40. Оценивание параметров структурной формы модели.
- •42. Двушаговый метод оценки параметров систем одновременных уравнений.
- •43. Экономически значимые примеры систем одновременных уравнений.
- •45. Типы динамических эконометрических моделей. Модели с распределенным лагом и модели авторегрессии.
- •46. Интерпретация моделей: краткосрочный, промежуточный и долгосрочный мультипликаторы.
- •48. Метод Алмон. Метод Койка. Метод главных компонент. Метод Алмон
48. Метод Алмон. Метод Койка. Метод главных компонент. Метод Алмон
Данный метод можно применять к моделям, которые характеризуются полиномиальной структурой лага и конечной величиной лага L:
yt=β0+β1xt+β2xt–1+…+βLxt–L+εt. (1)
Структура лага определяется графическим методом при отражении зависимости параметров при факторных переменных от величины лага.
Метод койка
В основе метода или преобразования Койка лежит предположение о том, что если модель регрессия (1) справедлива для момента времени t, то она справедлива и для момента времени (t–1):
yt–1=β0+β1xt–1+β1λxt–2+β1λ2xt–3+β1λ3xt–4+…+εt,
Умножим обе части данного уравнения на λ и вычтем их из модели регрессии (1). В результате получим выражение вида:
yt– λ yt–1= β0(1– λ)+β1xt+εt–λ εt–1,
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]