- •Isbn 978-5-7944-1210-9 © зао «прогноз», 2008 содержание
- •Предисловие
- •1.Введение Историческая справка
- •Эволюция термина
- •Некоторые сведения об истории возникновения эконометрики
- •Выделение эконометрики в самостоятельную науку
- •Место эконометрики в системе экономических знаний
- •Примеры эконометрических моделей Модель кривой спроса
- •Цена автомобиля на вторичном рынке
- •Цена жилья на вторичном рынке
- •Наполняемость федерального бюджета
- •Производственная функция Кобба-Дугласа
- •Цели и методология эконометрического исследования
- •2. Необходимые сведения из теории вероятностей и математической статистики
- •Основные сведения Основные определения
- •Основные числовые характеристики абсолютно непрерывной случайной величины
- •Статистические точечные оценки числовых характеристик
- •Некоторые свойства статистических оценок (определения)
- •Общий подход к построению интервальных статистических оценок параметров
- •Наиболее часто используемые в эконометрике распределения
- •Критические значения распределения случайной величины
- •Интервальные оценки параметров нормального распределения по результатам наблюдений Доверительный интервал для , если известно
- •Доверительный интервал для , если неизвестно
- •Доверительный интервал для при известном значении
- •Доверительный интервал для при неизвестном
- •Проверка статистических гипотез
- •Правила проверки гипотез относительно параметров нормального распределения
- •Проверка гипотезы относительно при известном
- •Проверка гипотезы относительно a при неизвестном
- •Проверка гипотезы относительно при неизвестном
- •3. Линейная парная регрессия Постановка задачи
- •Идентификация модели (нахождение точечных оценок параметров)
- •Необходимые и достаточные условия минимума суммы квадратов остатков. Система нормальных уравнений
- •Свойства оценок мнк
- •Условия Гаусса–Маркова
- •Линейность оценок
- •Несмещенность оценок
- •Состоятельность оценок
- •Эффективность оценок
- •Интервальные оценки коэффициентов парной регрессии, полученные с помощью мнк
- •Теоретические интервальные оценки
- •Практические интервальные оценки
- •Оценка качества модели линейной парной регрессии
- •Оценка значимости коэффициента линейной парной регрессии (t - тест)
- •Оценка качества модели линейной парной регрессии в целом (f-тест)
- •Прогнозирование с помощью модели линейной парной регрессии, оценка качества прогноза Точечный прогноз
- •Интервальный прогноз
- •Геометрическая интерпретация точности прогноза
- •Геометрический подход к нахождению коэффициентов линейной регрессии
- •4. Линейная множественная регрессия
- •Описание модели линейной множественной регрессии
- •Идентификация модели
- •Геометрическая интерпретация метода наименьших квадратов
- •Свойства точечных оценок мнк
- •Оценка модели линейной множественной регрессии в целом. Коэффициент детерминации
- •Геометрическая иллюстрация зависимости точности прогноза от расстояния до средней точки
- •Некоторые обобщения мнк Обобщенный мнк
- •Взвешенный мнк
- •5. Некоторые проблемы, возникающие при практическом применении мнк
- •Проблема мультиколлинеарности: понятие, обнаружение, способы преодоления проблемы Понятие мультиколлинеарности
- •Методы обнаружения мультиколлинеарности
- •Методы устранения мультиколлинеарности
- •Проблема гетероскедастичности: понятие, тесты на гетероскедастичность, способы преодоления проблемы Понятие гетероскедастичности
- •Тесты на наличие в модели гетероскедастичности
- •Методы преодоления гетероскедастичности
- •Проблема автокорреляции (ак): понятие, методы обнаружения, способы преодоления проблемы, авторегрессионное преобразование первого порядка Понятие автокорреляции
- •Методы обнаружения автокорреляции
- •Методы преодоления автокорреляции
- •Авторегрессионное преобразование первого порядка
- •6. Системы одновременных уравнений. Косвенный мнк. Двухшаговый мнк
- •Кейнсианская модель формирования доходов
- •Косвенный мнк
- •Проблема идентифицируемости модели
- •Двухшаговый мнк
- •Трехшаговый мнк
- •Общий вид системы одновременных уравнений
- •7. Фиктивные переменные. Применение фиктивных переменных для исследования устойчивости коэффициентов регрессии. Тест чоу Фиктивные переменные (качественные переменные)
- •Использование качественных переменных для анализа устойчивости коэффициентов регрессии. Тест Чоу
- •8. Нелинейные регрессионные модели
- •Модели, нелинейные по переменным
- •Модели, нелинейные по параметрам
- •Общий вид модели наблюдений в случае существенно нелинейной модели
- •Сравнение регрессионных моделей с различными функциональными формами. Тест Бокса–Кокса
- •9. Временные ряды Определение временного ряда. Основные понятия
- •Метод экспоненциального сглаживания
- •Список литературы
- •Словарь
- •Предметный указатель
- •Приложения
- •614990, Г. Пермь, ул. Букирева, 15
- •614990, Г. Пермь, ул. Букирева, 15
Модели, нелинейные по параметрам
В моделях, нелинейных по параметрам, например степенных или показательных, непосредственное применение стандартного МНК для их оценки невозможно, так как необходимым условием применимости МНК является линейность по коэффициентам уравнения регрессии. В данном случае преобразованием, которое приводит уравнение регрессии к линейному виду, является логарифмирование.
1) Логарифмические модели. Степенные зависимости между переменными широко распространены в практике эконометрического моделирования социально-экономических процессов. Рассмотрим уравнение парной регрессии вида
(8.12)
где и – параметры модели. Параметр степенной модели представляет собой значение эндогенной переменной, полученное при единичном значении регрессора. Для того чтобы дать экономическую интерпретацию параметру данной модели, продифференцируем (8.12) по переменной :
(8.13)
откуда
(8.14)
т.е. параметр представляет собой эластичность переменной по переменной . Уравнение (8.12) не является линейным. Прологарифмируем обе части данного уравнения:
, (8.15)
где
.
Спецификация, соответствующая (8.15),
называется двойной
логарифмической
моделью:
, (8.16)
поскольку и эндогенная переменная, и регрессор используются в логарифмической форме. Второе название модели – модель с постоянной эластичностью – следует из того факта, что параметр , являясь константой, представляет собой эластичность.
Уравнение (8.16) линейно относительно логарифмов переменных, поэтому вводя обозначения
,
, (8.17)
получаем спецификацию линейной модели, к которой при соответствующем включении случайного возмущения применим МНК:
.
(8.18)
Модели типа (8.12) используются в микроэкономике для построения производственных функций, функций потребления, функций спроса и т. д.
Спецификации линейных моделей, включающих или только логарифмы значений эндогенной переменной, или только логарифмы значений регрессора, называются полулогарифмическими. Модель со спецификацией вида
(8.19)
относится к полулогарифмическим моделям и называется лог-линейной моделью. Очевидно, для преобразования ее к линейному виду используется замена . Для экономической интерпретации параметра модели продифференцируем (8.19) по :
, (8.20)
т. е. параметр характеризует отношение относительного изменения к абсолютному изменению и имеет смысл темпа прироста переменной по переменной . Полулогарифмические модели обычно используются для измерения темпа прироста экономических переменных. Например, к спецификации (8.19) приводит логарифмирование уравнения регрессии экспоненциального вида:
, (8.21)
которое
описывает операцию наращения начальной
суммы
за период
по непрерывной процентной ставке
(силе роста). Смысл параметра
– относительный прирост
за единицу времени.
2) Линейно-логарифмическая модель. Эта модель имеет вид
(8.22)
Линейно-логарифмическая модель приводится к линейной путем замены . Смысл параметра установим стандартным образом. Продифференцировав (8.22) по , получим
(8.23)
откуда
(8.24)
т. е. параметр характеризует отношение абсолютного изменения к относительному изменению (изменение переменной y вследствие единичного относительного прироста ). Модель (8.22) используется при исследовании влияния процентного изменения регрессора на абсолютное изменение эндогенной переменной, например, при моделировании влияния процентного изменения денежной массы на изменение объема ВНП.
Все рассмотренные выше модели с помощью того или иного преобразования сводятся к линейным. Однако существует класс моделей, несводимых к линейным, такие модели называются существенно нелинейными.
