- •1.Предмет, задачи и методы эконометрики.
- •2.1 Общие положения.
- •2.2 Метод наименьших квадратов.
- •2.3 Свойства оценок полученных мнк.
- •3.1 Выбор функционального показателя.
- •4.1 Общие положения.
- •3.2 Отбор факторов-аргументов.
- •3.3. Выбор формы связи
- •3.4 Отбор исходных данных.
- •4.2 Проверка случ-ти колебаний уровня остаточной последоват-ти.
- •4.4 Проверка рав-ва матем.Ожидания случайной компоненты нулю.
- •4.3 Проверка соответствия распределения случ.Компоненты нормальному з-ну распредел-я.
- •4.5 Проверка независ-ти значений уровней случайной компоненты.
- •4.6 Определение точности модели.
- •5.1 Линейные ур-я регрессии. Закон сложения дисперсий.
- •5.2 Коэф.Парной и частной коррел., коэф.Эластичности.
- •5.3 Коэф.Множественной коррел.И детерминации.
- •6.1 Критерий Фишера.
- •6.2 Критерий Стьюдента.
- •7.1.Гетероскедастичность остатков в ур.Регрессии и ее последствия.
- •7.2.1. Тест ранговой корреляции Спирмена.
- •7.2.2.Тест Голфенда-Квандта.
- •7.2.3 Тест Глейзера.
- •7.3 Методы устранения гетероскедастичности.
- •8.1 Автокорреляция (остатков) и связанные с ней факторы.
- •8.2. Обнаруж-е автокоррел.1-го порядка. Критерий Дарбина–Уотсона
- •8.3.1. Устранение автокоррел, описыв.Авторегрессионной схемой 1го порядка в общем случае. Поправка Прайса – Уинстена.
- •9.2, 9.3 Мультиколлин-ть: способы ее обнаружения и устранения.
- •10. Обобщенный мнк и его исп-ие для оценки эфф-ти методов определения параметров уравнения регрессии.
- •11.1.Фиктивные переменные для пространственных выборок и временных рядов.
- •11.2.Фиктивные переменные для коэф-та наклона ур-ия регрессии.
- •11.3 Тест Чоу.
- •12.1 Линеаризация уравнения регрессии путем замены переменных.
- •12.2 Линеаризация уравнения регрессии с использованием логарфмического преобразования (степенные и показательные функции).
- •12.3 Представление случайного члена в преобразованных нелинейных ур-ях регрессии.
- •12.4 Определение параметров нелин-го ур-ия герессии, не приводимого к лин-му ур-ию.
- •12.5 Выбор вида ур-ия регрессии с использ-ем теста Бокса-Кокса.
- •13.1 Общая характеристика временных рядов. Трендовые модели.
- •13.2 Предварительный анализ временных рядовю. Метод Ирвина.
- •13.3 Сглаживание временных рядов экономич. Показ-ей.
- •13.5 Замещающие переменные и их использование при построении уравнения регрессии (общие сведения).
- •13.6 Непреднамеренное использование замещающих переменных.
- •13.7 Лаговые переменные и их использование пи построении уравнения регрессии(общие сведения).
- •14.1 Система линейных одновременных уравнений слоу (общие сведения)
- •14.2 Структурная и приведённая формы слоу.
- •14.3 Косвенный метод наименьших квадратов (кмнк) и его использование для определения параметров слоу.
- •14.4 Метод инструментальных переменных (мип) и его применение для параметров уравнения регрессия (общий случай)
- •14.5 Метод инструментальной переменной (мип) и его применение для слоу.
- •14.6 Идентифицируемость слоу.
- •14.7 Двухшаговый метод наименьших квадратов.
- •14.8 Трехшаговый мнк.
1.Предмет, задачи и методы эконометрики.
Предметом эконометрики – явл.фак-ры, формирующие разв-е эк-ких явлений и процессов.
Эконометрика – это наука о способах построения эк-матем.моделей. Задачей эк-рики явл.построение эк.моделей, позвол.обоснов.процесс управленческих решений. Матем.модели в эк-ке исп-ся для анализа происх.процесссов, их прогнозиров-я и поиска управленч.воздействий, позв-щих получ.желаемый рез-тат. Осн.методами, исп.в эк-рии, явл. регрессионный и кареляционный анализ.
Регрессионный
позвол.найти количеств.коном
факторов хоз деятельности наиболее
распрострон.
Корреляционный позвол.выявить наличие/отсутствие устойчивых стат.взаимосв.м/у факторным и результативным признаком. Кр.того, он позвол.оценить стат.надежность выявлен.взаимосвязей и найти доверительный интервал, в кот.нах-ся истинные знач-я искомых парам-ров.
Для построения модели необх: 1.Сформулировать предмет и цели исслед-я 2.Выделить структурные или функц.эл-ты системы в соотв. данной цели 3.Качественно описать связь м/у эл-тами 4.Ввести обознач-я и формализ.взаимосвязи м/у эл-тами, т.е. построить матем.модель 5.Определить параметры выбранной матем.модели 6.Провести расчеты по матем.модели и сделать анализ получ.рез-татов и при необх-ти уточнить построен.матем.модель.
2.1 Общие положения.
В случае функциональной завис-ти у=α+β*х каждому знач-ю Х соотв-ет строго определенное знач-е у.
Для корреляц.завис-ти каждому знач-ю Х соотв-ет ряд распредел-я у.
уi=α + βxi+i - ур-е регрессии ху, где i-случайная составляющая, α,β- коэф.ур-я
Ур.регрессии показ.как в среднем изм-ся у при изм.х. В завис-ти от того, ск-ко фак-ров исп-ся в ур.регрессии, она мож.быть: простой (однофакторной) и многофакторной (если неск-ко х). В общем виде зад.выглядит след.обр.: имеется достаточно мощная стат.совок-ть, распределенная по m признакам, один из кот.результативный, а остальные факторные, требуется найти yi=f(xi1;xi2;...;xip), кот.наилучш.обр. апроксимирует эту стат.совок-ть. yi=Ai*Ki *Li *е.
2.2 Метод наименьших квадратов.
Задачу можно представ.: yi=f(xij;aj) (1), где i=1,2...n – число наблюдений, j= 0,1,2….p – число факторов.
Если бы знач-я хij и уi находились бы точно, то для нахождения парам-ров аj достаточно было бы сделать р+1 измерений. Однако знач-я уi и хij известны не точно. Кр.того, на у могут влиять факторы, кот.не учтены в ур.(1), поэт.никакие (р+1)измерения не позвол.определить истинное знач-е парам-ров аj. В связи с этим производят n измерения, кот. существенно больше, чем (р+1): n>(p+1). В этом случае любая система из р+1 ур-е будет несовместна с др.системой.
Принцип МНК: наивероятнейшими значениями аj будут такие, при кот.сумма квадратов отклонения теор.значений результирующего признака от фактич.значений будет минимальн.