
- •Назначение экономико-математических моделей (эмм). Два принципа их спецификации. 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.
- •Спецификация и преобразование к приведённой форме эконометрических моделей. Эконометрическая модель Самуэльсона–Хикса делового цикла экономики. Компактная запись.
- •5. Схема построения эконометрических моделей (на примере эконометрической модели Оукена).
- •6. Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации функции линейн.
- •7. Случайная переменная и закон её распределения. Нормальный закон распределения и его параметры.
- •8. Случайная переменная и закон её распределения. Распределение хи-квадрат.
- •9. Случайная переменная и закон её распределения. Распределение Стьюдента Квантиль t крит уровня и её расчёт в Excel.
- •10. Ковариация Cov(X, y), и коэффициент корреляции, Cor(X, y) пары случайных переменных (X, y). Частная ковариация и частный коэффициент корреляции.
- •Свойства
- •11. Случайная переменная и закон её распределения. Закон распределения Фишера. Квантиль f крит уровня и её расчёт в Excel.
- •12. Случайный вектор и его основные количественные характеристики. Случайный вектор левых частей схемы Гаусса – Маркова при гомоскедастичном неавтокоррелированном остатке.
- •Случайный вектор и факторизация его ковариационной матрицы. Случайный вектор случайных остатков в схеме Гаусса – Маркова при гетероскедастичном 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 статистические процедуры. Требования к наилучшей статистической процедуре.
- •Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: закон распределение оценки .
- •Свойства мнк-оценок параметров линейной модели множественной регрессии (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).
- •Порядок проверки статистических гипотез (на примере гипотезы об адекватности лммр).
- •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 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 (на примере модели Оукена).
- •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.
- •Оптимальный линейный алгоритм прогнозирования уровней стационарного временного ряда.
- •Модели нестационарных временных рядов. Идентификация модели тренда.
- •Оценивание линейной модели с автокоррелированным остатком ar(1) алгоритмом Хильдретта – Лу.
- •Проблема мультиколлинеарности, типы и симптомы мультиколлинеарности. Методика отбора регрессоров в линейной модели в ситуации мультиколлинеарности.
- •Модели с лаговыми переменными: авторегрессионная модель и модель распределённых лагов; проблемы оценивания этих моделей.
- •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).
- •Критерий идентифицируемости поведенческого уравнения модели слоу (правило ранга).
- •Понятие инструментальных переменных. Оценивание параметров структурной формы двухшаговым методом наименьших квадратов (2мнк) – на примере простейшей макромодели Кейнса.
- •Теорема Слуцкого и оценивание параметров структурной формы косвенным методом наименьших квадратов (кмнк) – на примере простейшей макромодели Кейнса.
Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: закон распределение оценки .
(Внимание: нумерация формул идёт не по порядку)
Так
как вектор случайных остатков имеет
нормальный закон распределения, то и
нормально распределённым будет случайный
вектор
.
(8.86)
Компоненты этого вектора имеют
количественные характеристики
Образуем
из этих компонент независимые стандартные
нормально распределённые случайные
переменные
(8.90)
Рассмотрим
величину
(
- это эффективная линейная несмещенная
оценка, обладающая свойством наименьших
квадратов), она зависит от выборки
, а значит, является случайной переменной.
Начнем
с оценки вектора случайных остатков
(8,79)
Представим
этот вектор как выход линейного
преобразования вектора
.
Для этого подставим в правую часть 8,79
правую часть
и приведем подобные члены:
Здесь
приняли обозначение
Теперь,
в правую часть предпоследнего равенства
подставляем правую часть
и, раскрывая скобки, получаем искомое
преобразование:
(8,81)
В
компактном виде получаем
(8.81’)
С
учетом 8,81 находим значение квадратичной
формы
(
)
(8.82)
С учётом (8.82) и (8.86) получим
(8.89)
С учётом (8.89) и (8.90) получим:
(8.91)
Это
значит, что при нормально распределённом
векторе случайных остатков в схеме
Гаусса-Маркова квадратичная форма
(8.91) является случайной переменной,
распределённой (с точностью до множителя
)
по закону хи-квадрат с количеством
степеней свободы К+1. Ч учётом этого
утверждения, находим, что
(8.92)
В силу (8.92) оценка дисперсии единицы веса тоже имеет с точностью до множителя закон распределения хи-квадрат с количеством степеней свободы n-(k+1):
Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: закон распределения дроби .
-
стандартная ошибка (оценка среднего
квадратического отклонения) компоненты
.
Докажем, что случайная переменная
(8.107)
имеет закон распределения Стьюдента с количеством степеней свободы n-(k+1), т.е.
(8.108)
Доказательство.
Разделим
числитель и знаменатель дроби (8.107) на
константу
.
Учитывая (из 30-го вопроса), получим:
(8.109)
Здесь
символом
обозначена стандартная нормально
распределённая случайная переменная.
-
дробь Стьюдента с n
степенями свободы
(7.47)
С учётом (7.47) и (8.109) получим представление (8.108)