
- •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.
5.2 Коэф.Парной и частной коррел., коэф.Эластичности.
После линейного ур-я регрессии , в рез-тате расчетов нах-ся практически теоретич.завис-ть результирующ.признака от факторов аргумента у=а0+а1х1+а2х2+…архр. Эта зад.закл.в определении силы, с кот.найден завис.проявл.среди многообр.нарушающих ее возд-вий. Данная задача распадается на 2е: 1)определ-ся степенью возд-я всех аргументов на результир.показ-лях; 2)определ-ся степень возд-я каждого аргум.на результир.показ-лях.
Коэф.парной коррел.:
показ.устойч.стат.связь м/у х и у.
Коэф.порной коррел.правильно отражает силу фактора по у при условии, что в стат.данных отражено изм-е у и х при постоян.значениях др.фак-ров, влияющих на у. Данное обстоят-во мож.иметь и положит.обстоят-во, т.к.этот коэф.коррел.фактич.отражает влияние всей совок-ти фак-ров, изм-щихся вместе с изучаемым фак-ром в том же направл. Т.обр.исслед-ль, включив в ур-е регрессии фактор хj учитывает в этой модели влияние на у целой совок-ти фак-ров, иногда даже не зная об этом.
Для оценки чистого влияния на у конкр.фактора исп-ся коэф.частной корелл.:
В практических прилож-ях реал.оценку фак-ров определяет коэф.эластичности:
5.3 Коэф.Множественной коррел.И детерминации.
После линейного ур-я регрессии , в рез-тате расчетов нах-ся практически теоретич.завис-ть результирующ.признака от факторов аргумента у=а0+а1х1+а2х2+…архр. Реш.корреляц.зад.на фоне анализа, кот. позволяет решить как изм.результирующий признак при изменении части аргументо, кот.вкл.в модель при условии, что остальные аргум.нах-ся на одном и том же ср.уровне.
Отнош.дисперсий теор.к общей – это коэф.множеств.детерминации:
Коэф.множеств.корреляции
показ.тесноту линейной корреляц.связи
фак-ров с у: R=
.
Если R=1,
то мы имеем не кореляц.связь, а
функциональную. Если R=0,
то стат.устойчивых связей нет 0<=R>=1.
6.1 Критерий Фишера.
Критерий Фишера характ-ет отношение общей дисперсии зависимой и остаточной переменной:
Задаем уровень значимости нулевой гипотезы, находим v1 и v2 и по табл.критич.знач.находим на их пересечении критич.знач-е:
В генерал.совок-ти все коэф.при факторах (в1 и в2)=0, а0=у
y=a0 +b1x1 +b2x2+ε ; у=а0=у
Fт>Fp – соглашаемся, если наоб.- опровергаем нулевую гипотезу.
tp>tт – нулевая гипотеза отклоняется
ν=n-p-1.
Вячисл-е критич.знач-я t-критерия позволяет произвести оценку доверительного интервала изм-я данного парам-ра:
6.2 Критерий Стьюдента.
Для проверки значимости коэффициентов парной корреляции используют t-критерий Стьюдента. Для этой цели требуется найти для каждого коэффициента парной корреляции значение t-критерия Стьюдента, который рассчитывается по формуле:
где r
– значение коэффициента парной
корреляции; n
– число наблюдений (n
= 20).
Затем сравним tф для каждого коэффициента парной корреляции с t-критическим (табличное значение) для 5 % уровня значимости (двустороннего) и числа степеней свободы v = n - 2.
Если tф > tкр, то найденный коэффициент парной корреляции признается значимым. В модель включаются только те факторы, которые имеют коэффициент парной корреляции ryxj > 0,5. В случае, если между самими факторами коэффициент парной корреляции ryixj >= 0,8, для избежания мультиколлинеарности, в модель включается только один фактор, тот у которого больше ryixj.