
- •Эконометрика как наука, определение, основные цели и задачи.
- •Классификация переменных эконометрических моделей.
- •Понятие гетероскедастичности, оценивание гетероскедастичных моделей, обобщенный метод наименьших квадратов.
- •4. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •5. Спецификация и преобразование к приведённой форме динамических моделей. Лаговые и предопределённые переменные динамической модели.
- •6. Понятие качества спецификации модели, тестирование качества спецификации модели .
- •7.Схема построения эконометрических моделей (на примере).
- •8. Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение.
- •9.Автокорреляция случайных возмущений, их последствия, обобщенный метод наименьших квадратов.
- •10. Принципы спецификации эконометрических моделей и их содержание.
- •11. Метод наименьших квадратов, основные понятия и определения. Расчет оценок параметров уравнения парной регрессии методом наименьших квадратов
- •12. Расчет стандартных ошибок параметров уравнения парной регрессии и точности прогнозирования.
- •13. Эконометрические модели из одновременных уравнений. Необходимое условие идентифицируемости уравнения модели.
- •14. Тест Дарбина - Уотсона отсутствия автокорреляции случайного остатка в линейной модели множественной регрессии.
- •15. Отражение в модели влияния на эндогенные переменные неучтённых факторов. Приведённая форма эконометрической модели
- •16. Линейная модель множественной регрессии. Порядок её оценивания методом наименьших квадратов в Excel. Смысл выходной статистической информации функции линейн.
- •17. Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение.
- •18. Случайная переменная (дискретная и непрерывная) и закон её распределения.
- •19. Процедура интервального прогнозирования по оценённой линейной модели значений эндогенной переменной
- •20. Модели нестационарных временных рядов с трендом и сезонной составляющей и их идентификация
- •21. Последствия нарушения предпосылок теоремы Гаусса-Маркова.
- •22. Показатели качества регрессии. Коэффициент детерминации как мерило качества спецификации эконометрической модели
- •23. Автокорреляция в уравнениях множественной регрессии, признаки ее наличия и последствия. Оценка параметров уравнения множественной регрессии с автокоррелированными остатками.
- •29. Гетероскедастичность в уравнениях множественной регрессии, ее признаки и последствия.
- •30. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
- •31. Последствия, проявления и методика устранения ошибки спецификации эконометрической модели, состоящей во включении в линейное уравнение регрессии незначимой объясняющей переменной
- •32. Модели стационарных временных рядов и их идентификация
- •33. Понятие и причина мультиколлинеарности.
- •34. Устранение гетероскедастичности в уравнениях множественной регрессии.
- •35. Взвешенный метод наименьших квадратов.
- •36. Формы эконометрических моделей. Переход от структурной к приведенной форме модели.
- •37. Показатели качества регрессии: f-тест.
- •38. Формы эконометрических моделей. Переход от структурной к приведенной форме модели
- •43. Ожидаемое значение случайной переменной, её дисперсия и среднеквадратическое отклонение
- •44. Проявления, последствия и методика устранения ошибки спецификации эконометрической модели, состоящей в неверном выборе типа функции, играющей роль уравнения регрессии.
- •45. Фиктивные переменные и особенности их использования в моделях.
- •46. Взвешенный метод наименьших квадратов.
- •54. Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение.
- •55. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
- •56. Последствия нарушений предпосылок теоремы Гаусса-Маркова.
- •57. Схема Гаусса-Маркова (на примере модели Оукена)
- •58. Сущность, предпосылки и процедура метода наименьших квадратов.
- •59. Фиктивные переменные и особенности их использования в моделях.
- •60. Понятие статистической гипотезы
- •61. Обобщённый метод наименьших квадратов.
15. Отражение в модели влияния на эндогенные переменные неучтённых факторов. Приведённая форма эконометрической модели
16. Линейная модель множественной регрессии. Порядок её оценивания методом наименьших квадратов в Excel. Смысл выходной статистической информации функции линейн.
Система состоит из равенств:1)y=a0+a1*x1+a2*x2+u; 2)E(u/x1,xt)=0; 3)E(u2/x1,x2)=r2u.x1,x2- экзоген перем, y-эндоген перемен.случ возмещен предполаг гомоскедастичн.спецификация содержит 4 параметра. это модель линейная эконометрич в виде изолир уравнений с несколькими объясняющ перемен или модель лин множ регрессии.эконом смысл коэф-ов а1 и а2-ожидаемые предельн знач перемен у по перемен х.это базовая модель,т.к.1)к такой модели мб приближенна практич любая эконометрич модель в виде изолир уравнения;2)поведен ур-ия в линейн моделях имеют такой же вид. эконометрич инвестиц модель Самуэльсона-Хикса явл частн случаем модели
17. Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение.
Пусть
матрица X
уравнений наблюдений
имеет размер
,
где
,
и обладает линейно-независимыми
столбцами, а случайные возмущения
удовлетворяют четырем условиям:
Тогда:
А)
Наилучшая линейная процедура
имеет вид:
Б) Эффективная линейная несмещенная оценка обладает свойством наименьших квадратов:
В)
Ковариационная матрица оценки
вычисляется по правилу
Г)
Несмещенная оценка параметра
модели находится по формуле
где n – число уравнений наблюдений, k+1 – количество неизвестных коэффициентов функции регрессии модели.
18. Случайная переменная (дискретная и непрерывная) и закон её распределения.
19. Процедура интервального прогнозирования по оценённой линейной модели значений эндогенной переменной
20. Модели нестационарных временных рядов с трендом и сезонной составляющей и их идентификация
Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов. Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов.
Каждый уровень временного ряда формируется из трендовой (T), циклической (S) и случайной (Е) компонент.
Модели, в которых временной ряд представлен как сумма перечисленных компонент, - аддитивные модели Y = Т + S + Е, как произведение - мультипликативные модели временного ряда: Y=T* S • Е, где Т- тренд, S- сезонная составляющая, Е – случайная составляющая
Модели временных рядов
• тренда: y(t) = T(t) +ξt
где t – время; T(t) - временной тренд заданного параметрического вида (например, линейный T(t) = a + bt); ξt - случайная (стохастическая) компонента;
• сезонности: y(t) = S(t) + ξt
где S(t) - периодическая (сезонная) компонента, ξt - случайная (стохастическая) компонента.
• тренда и сезонности: y(t) = T(t) + S(t) + ξt (аддитивная) или y(t) = T(t)S{t) + ξt (мультипликативная), где T(t) - временной тренд заданного параметрического вида; S(t) - периодическая (сезонная) компонента; ξt - случайная (стохастическая) компонента.
Кроме того, существуют модели временных рядов, в которых присутствует циклическая компонента, формирующая изменения анализируемого признака, обусловленные действием долговременных циклов экономической демографической или астрофизической природы (волны Кондратьева, циклы солнечной активности и т.д.).