
- •1. Назначение экономико-математических моделей (эмм). Два принципа их спецификации. Типы уравнений в эмм: поведенческие уравнения и тождества (на примере макромодели).
- •2. Типы переменных в экономических моделях. Структурная и приведённая форма модели (на примере макромодели). Компактная запись.
- •4. Спецификация и преобразование к приведённой форме эконометрических моделей. Эконометрическая модель Самуэльсона–Хикса делового цикла экономики. Компактная запись.
- •Порядок оценивания линейной эконометрической модели из изолированного уравнения в Excel. Смысл выходной статистической информации функции линейн.
- •Случайная переменная и закон её распределения. Нормальный закон распределения и его параметры.
- •Случайная переменная и закон её распределения. Распределение хи-квадрат.
- •Случайная переменная и закон её распределения. Распределение Стьюдента, Квантиль, t крит уровня и её расчёт в Excel.
- •Ковариация Cov(X, y), и коэффициент корреляции, Cor(X, y) пары случайных переменных (X, y). Частная ковариация и частный коэффициент корреляции.
- •Свойства
- •Случайная переменная и закон её распределения. Закон распределения Фишера. Квантиль, f крит уровня и её расчёт в Excel.
- •Случайный вектор и его основные количественные характеристики (на примере вектора 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.
- •17. Моделирование сезонной составляющей при помощи фиктивных переменных.
- •18. Регрессионная зависимость случайных переменных. Функция регрессии, стандартные модели функции регрессии.
- •19.Схема Гаусса–Маркова (на примере модели Оукена).
- •20.Понятие статистической процедуры оценивания параметров эконометрической модели. Линейные статистические процедуры. Требования к наилучшей статистической процедуре.
- •21. Теорема Гаусса-Маркова: выражение вектора оценок коэффициентов и доказательство их несмещённости.
- •22. Теорема Гаусса-Маркова: выражение Cov( , ) и его обоснование.
- •24. Теорема Гаусса-Маркова: выражение .
- •25. Взвешенный метод наименьших квадратов (вмнк). Простейшая модель гетероскедастичности случайного остатка. Практическая реализация вмнк.
- •27. Система нормальных уравнений и явный вид её решения при оценивании методом наименьших квадратов (мнк) линейной модели парной регрессии (на примере модели Оукена).
- •28. Ковариационная матрица оценок коэффициентов линейной модели парной регрессии: явные выражения .
- •29.Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: независимость случайных векторов
- •30.Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: закон распределение оценки .
- •31. Свойства мнк-оценок параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков: закон распределения дроби .
- •32. Оценивание параметров линейной модели множественной регрессии (лммр) при нормальном векторе случайных остатков методом максимального правдоподобия (ммп).
- •34. Спецификация и оценивание нелинейных по коэффициентам моделей множественной регрессии со специальными функциями регрессии (на примере производственной модели с функцией Кобба-Дугласа).
- •35. Оптимальное точечное прогнозирование значений эндогенной переменной по линейной модели (случай гомоскедастичного и неавтокоррелированного случайного остатка) на примере модели Оукена.
- •Тест Голдфелда-Квандта гомоскедастичности случайного остатка в лммр
- •37.Тест Дарбина–Уотсона отсутствия автокорреляции случайного остатка в лммр.
- •38.Коэффициент детерминации как мерило качества спецификации эконометрической модели (на примере модели Оукена). Скорректированный коэффициент детерминации.
- •39. Связь коэффициента детерминации с коэффициентом корреляции эндогенной переменной и её оценки (на примере модели Оукена).
- •41. Процедура интервального прогнозирования по оценённой линейной эконометрической модели значений эндогенной переменной (на примере модели Оукена).
- •42.Процедура проверки адекватности оценённой линейной эконометрической модели (на примере модели Оукена).
- •43.Последствия, симптомы и методика устранения ошибки спецификации эконометрической модели, состоящей в неверном выборе функции регрессии.
- •44.Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей во включении незначимой объясняющей переменной.
- •45. Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей в пропуске значимой объясняющей переменной.
- •46. Последствия и симптомы ошибки спецификации линейной эконометрической модели, состоящей в непостоянстве значений её параметров в области изменения объясняющих переменных; тест Чоу.
- •47. Основные характеристики временного ряда.
- •48. Стационарный временной ряд. Белый шум.
- •49.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).
- •60. Необходимое условие идентифицируемости поведенческого уравнения модели слоу (правило порядка)
- •61. Критерий идентифицируемости поведенческого уравнения модели слоу (правило ранга)
- •62. Понятие инструментальных переменных. Оценивание параметров структурной формы двухшаговым м-ом наименьших квадратов на примере простейшей макромодели Кейнса
- •63. Теорема Слуцкого и оценивание параметров структурной формы косвенным методом наименьших квадратов (кмнк) – на примере простейшей макромодели Кейнса.
Эконометрические модели в виде систем линейных одновременных уравнений (слоу): примеры и проблема оценивания параметров структурной формы (на примере макромодели Кейнса).
В общем случае экономическая модель может включать в себя несколько текущих эндогенных переменных. Линейная экономическая модель в общем случае имеет спецификацию (1).
Пример
– модель Кейнса
(2)
Модель (1) называют моделью из одновременных уравнений, поскольку какие-то эндогенные переменные модели в некоторых поведенческих уравнениях могут играть роль объясняющих переменных, например, в модели (2) У объясняет С.
Моделям (1) присущи 2 проблемы – проблема идентификации и проблема оценивания параметров структурной формы.
Рассмотрим вторую проблему на примере модели Кейнса (2). Проблема состоит в зависимости (коррелированности) эндогенных объясняемых переменных и случайных остатков соответствующих поведенческих уравнений.
Запишем
приведенную форму модели (2):
(3)
Рассматривая
второе уравнение в (3), мы констатируем,
что Y
является линейной функцией случайного
остатка u.
По теории вероятности
,
значение Y
коррелирует со значением случайного
остатка u.
Следовательно, в силу наличия ненулевой
ковариации в уравнениях наблюдений
модели Кейнса оказывается нарушенной
последняя предпосылка теоремы ГМ.
Нарушение этой предпосылки порождает
несостоятельность оценок параметров
модели (1), вычисленных МНК, ВМНК или
ОМНК.
60. Необходимое условие идентифицируемости поведенческого уравнения модели слоу (правило порядка)
Рассмотрим модель СЛОУ и запишем ее исследуемое поведенческое уравнение в следующем виде:
Здесь G – число текущих эндогенных (объясняемых) переменных модели;
К – кол-во предопределенных переменных, в состав которых, возможно, входит 1.
Например, в модели Кейнса: G =2, K=2.
Равенство
называется условием нормализации, оно
означает, что в исследуемом поведенческом
уравнении объясняемая эндогенная
переменная выражена в явном виде через
объясняющие переменные и, возможно,
какие-то другие эндогенные переменные.
Например, в модели Кейнса в поведенческом
уравнении эндогенная переменная
выражена в явном виде (является явной
функцией от переменных Y(эндогенной)
и 1).
Можем записать поведенческое уравнение компактнее:
,
где
- вектор переменных модели: эндогенных
и экзогенных;
- коэф. при объясняемых и объясняющих
переменных.
Справедлива
следующая теорема:
Пусть
поведенческое уравнение (1) идентифицируемо.
Тогда справедливо следующее неравенство:
(2)
Где
число
объясняющих переменных, входящих в
данное исследуемое поведенческое
уравнение.
кол-во эндогенных переменных входящих
в исследуемое поведенческое уравнение.
Замечание: неравенство (2) позволяет определить неидентифицируемые поведенческие уравнения, но не позволяет определить идентифицируемые. Такое определение способен дать критерий идентифицируемости.
Пример:
простейшая модель спроса- предложения
блага на конкурентном рынке. Рассмотрим
первое поведенческое уравнение:
61. Критерий идентифицируемости поведенческого уравнения модели слоу (правило ранга)
Обратимся к записи исследуемого поведенческого уравнения модели
Компактная
запись:
,
где
- вектор переменных модели: эндогенных
и экзогенных;
- коэф. при объясняемых и объясняющих
переменных.
Обычно
вектор коэф-ов
содержит много нулей (какое-то кол-во
нулевых элементов). Данное обстоятельство
позволяет представить в следующем виде
ограничения, которым удовлетворяют
искомые коэффициенты данного повед.ур-я.
В выражении
горизонтальная
прямоугольная матрица, кол-во строк
которой совпадает с числом априорно
нулевых коэффициентов. С позиции линейной
алгебры ограничения (1) на параметры
повед.ур-я являются системой линейных
однородных ур-ний.
Критерий (необходимое и достаточное условие) идентифицируемости поведенческого уравнения.
Пусть
символом
обозначена матрица коэф-ов компактного
вида
линейной модели СЛОУ. Пусть
символом
обозначена матрица линейных ограничений
на параметры исследуемого пов.ур-я. Это
уравнение идентифицируемо т.и т.т.,к.
справедливо рав-во:
.
ранг матрицы,
тек.эндог.переменные
м-ли.
Пример: м-ль Кейнса.
век-р
эндогенных переменных
в-р экзогенных переменных. Из векторов
собираем
Матрица
коэф-ов компактной записи структурной
формы данной модели имеет вид:
Следовательно, критерий идентифицируемости выполняется, и ,значит, повед.ур-е данной модели идентифицируемо.