
- •12. Линейная модель множественной регрессии
- •13.Экономический смысл коэффициентов линейного и степенного уравнений регрессии
- •14.Нелинейная регрессия. Нелинейные модели и их линеаризация
- •15.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам
- •16.Предпосылки применения метода наименьших квадратов (мнк)
- •17.Оценка параметров парной регрессионной модели методом наименьших квадратов
- •18.Оценка параметров парной регрессионной модели методом наименьших квадратов. Система нормальных уравнений
- •19.Теорема Гаусса - Маркова
- •20.Метод наименьших квадратов (мнк) и смысл выходной статистической информации сервиса Регрессия
- •21.Свойства оценок метода наименьших квадратов (мнк)
- •22.Метод наименьших квадратов (мнк) и его реализация с использованием сервиса “Поиск решения”
- •22.Мнк и его реализация с использованием сервиса «Поиск решений»
- •23.Понятие и причины автокорреляции остатков. Последствия автокорреляции остатков. Обнаружение автокорреляции остатков.
- •24.Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений
- •25.Анализ экономических объектов и прогнозирование с помощью модели множественной регрессии
- •26. Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений
- •27.Отражение в модели влияния неучтённых факторов. Предпосылки теоремы Гаусса-Маркова.
- •28.Проверка выполнения предпосылок мнк
- •29.Что такое стационарный процесс
- •30.Оценка качества моделей прогнозирования. Оценка точности
- •1) Проверка равенства мат ожидания нулю
- •2)Проверка условий случайности возникновения отдельных отклонений от тренда:
- •3)Проверка независимости(отсутствие автокорреляции)
- •31. Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений
- •32. Проблема мультиколлинеарности в моделях множественной регрессии. Признаки и последствия мультиколлинеарности
- •34. Фиктивные переменные: определение, назначение, типы
- •35. Оценивание линейной модели множественной регрессии (мнк) в Excel.
- •36. Отбор факторов при построении множественной регрессии. Процедура пошагового отбора переменных
- •37. Регрессионные модели с фиктивными переменными
- •38. Порядок оценивания линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel.
- •39. Фиктивная переменная сдвига: назначение; спецификация
- •40. Принципы спецификации эконометрических моделей
- •41. Основные числовые хар-ки вектора остатков в классической множественной регрессионной модели
- •42. Этапы построения эконометрических моделей
- •43. Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии
- •44. Нелинейная модель множественной регрессии Кобба-Дугласа.
- •45. Модели с бинарными фиктивными переменными
- •46.Метод наименьших квадратов: алгоритм метода; условия применения
- •47. Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности.
- •48. Прогноз по временному ряду с сезонными колебаниями
- •50. Модели временных рядов. Свойства рядов цен на бирже
- •51.Матричная форма метода наименьших квадратов.
- •52.Условия идентификации структурной формы системы одновременных уравнений
- •Нелинейная регрессия
- •54. Оценка влияния отдельных факторов на зависимую переменную на основе модели (коэффициенты эластичности, - коэффициенты).
- •55. Оценивание линейной модели множественной регрессии в Excel
- •56. Системы эконометрических уравнений
34. Фиктивные переменные: определение, назначение, типы
Фиктивная переменная (англ. dummy variable) — качественная переменная, принимающая значения 0 и 1, включаемая в эконометрическую модель для учёта влияния качественных признаков и событий на объясняемую переменную. При этом фиктивные переменные позволяют учесть влияние не только качественных признаков принимающих два, но и несколько возможных значения. В этом случае добавляются несколько фиктивных переменных.
В некоторых случаях, при повышении качества моделей, возникает необходимость оценки влияния качественных признаков на эндогенную переменную (пр.: для ф-ии спроса – это вкус потребителя, возраст, сезонность...).
Эти
показатели нельзя представить в численном
виде. Поэтому используют фиктивные
переменные – переем-е с дискретным
множеством значений, которые образом
описывают качественные признаки. Обычно
используются фиктивные переменные
бинарного типа «О—1»:
В принципе можно оценивать соответствующие
зависимости по отдельности внутри
каждой категории, а затем изучать
различия между ними, но введение фиктивных
переменных позволяет оценивать одно
уравнение сразу по всем категориям.
Тем
не менее, переменная
такая
же «равноправная» переменная, как и
любая другая «обычная» переменная. Ее
«фиктивность» состоит только в том, что
она количественным образом описывает
качественный признак. Все статистические
процедуры регрессионного анализа для
модели с фиктивными переменными (оценка
параметров регрессии, проверка значимости
и т. д.) проводятся точно так же, как
и в случае «обычных» количественных
объясняющих переменных.В общем случае,
когда качественный признак имеет более
двух значений, вводится несколько
бинарных переменных. При использовании
нескольких бинарных переменных необходимо
исключить линейную зависимость между
переменными, так как в противном случае,
при оценке параметров, это приведет к
полной мультиколлинеарности.
Поэтому применяется следующее правило: если качественная
переменная имеет к альтернативных значений, то при моделировании используются только к-1 фиктивная переменная.
В регрессионных моделях применяются фиктивные переменные двух типов: переменные сдвига и переменные наклона.
Фиктивные переменные бывают двух типов - сдвига и наклона. Фиктивная переменная сдвига - это переменная, которая меняет точку пересечения линии регрессии с осью ординат в случае применения качественной переменной. Фиктивная переменная наклона - это та переменная, которая изменяет наклон линии регрессии в случае использования качественной переменной
— модель
с фиктивной переменной сдвига;
— модель
с фиктивной переменной наклона;
— модель
с фиктивной переменной наклона и сдвига.
35. Оценивание линейной модели множественной регрессии (мнк) в Excel.
Модель
множественной регрессии имеет вид:
Согласно методу наименьших квадратов, необходимо найти такие значения оценок параметров модели, которые соответствуют минимуму суммы квадратов остатков.
алгоритм:
1. Заполнить таблицу: Записываем в столбцы значения переменных.
-
A
B
1
y1
x11
…
xk1
2
y2
x12
…
xk2
…
…
…
…
…
n
yn
x1n
…
xkn
n+1
n+2
n+3
n+4
n+5
2. Выделяем данный диапазон и нажимаем Данные/ Анализ данных/ Корреляция
3. В результате будет получена матрица коэффициентов парной корреляции
|
y |
x1 |
x2 |
x3 |
y |
|
|
|
|
x1 |
|
|
|
|
x2 |
|
|
|
|
x3 |
|
|
|
|
|
|
|
|
|
4. на основании полученных данных делаем вывод о параметрах модели, определяем характер линейной связи. Выбираем наиболее коллерируемые переменные.