- •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
23.Понятие и причины автокорреляции остатков. Последствия автокорреляции остатков. Обнаружение автокорреляции остатков.
Понятие.
Автокорреляция -- это взаимосвязь последовательных элементов временного или пространственного ряда данных. В эконометрических исследованиях часто возникают и такие ситуации, когда дисперсия остатков постоянная, но наблюдается их ковариация. Это явление называют автокорреляцией остатков.
Автокорреляция остатков чаще всего наблюдается тогда, когда эконометрическая модель строится на основе временных рядов. Если существует корреляция между последовательными значениями некоторой независимой переменной, то будет наблюдаться и корреляция последовательных значений остатков. Автокорреляция может быть также следствием ошибочной спецификации эконометрической модели. Кроме того, наличие автокорреляции остатков может означать, что необходимо ввести в модель новую независимую переменную.
Автокорреляция в остатках есть нарушение одной из основных предпосылок МНК - предпосылки о случайности остатков, полученных по уравнению регрессии. Один из возможных путей решения этой проблемы состоит в применении к оценке параметров модели обобщенного МНК. При построении уравнения множественной регрессии по временным рядам данных возникает также проблема мультиколлинеарности факторов, входящих в уравнение регрессии, в случае если эти факторы содержат тенденцию.
Причины:
Среди основных причин, вызывающих появление автокорреляции, можно выделить ошибки спецификации, инерцию в изменении экономических показателей, эффект паутины, сглаживание данных. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводит к системным отклонениям точек наблюдений от линии регрессии, что может обусловить автокорреляцию. Инерция. Многие экономические показатели (например, инфляция, безработица, ВНП и т.п.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Действительно, экономический подъем приводит к росту занятости, сокращению инфляции, увеличению ВНП и т.д. Этот рост продолжается до тех пор, пока изменение конъюктуры рынка и ряда экономических характеристик не приведет к замедлению роста, затем остановке и движению вспять рассматриваемых показателей. В любом случае эта трансформация происходит не мгновенно, а обладает определенной инертностью. Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). Например, предложение сельскохозяйственной продукции реагирует на изменение цены с запаздыванием (равным периоду созревания урожая). Большая цена сельскохозяйственной продукции в прошедшем году вызовет (скорее всего) ее перепроизводство в текущем году, а следовательно, цена на нее снизится и т.д. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его подынтервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может послужить причиной автокорреляции.
Последствия.Если пренебречь автокорреляцией остатков и оценить параметры модели МНК, то придем к таким трем следствиям.
1. Оценки параметров модели могут быть несмещенными, но неэффективными, то есть выборочные дисперсии вектора оценокА могут быть неоправданно большими.
2. Поскольку выборочные дисперсии исчисляются не по уточненным формулам, то статистические критерии t- и F-статистики, которые найдены для линейной модели, практически не могут быть использованы в дисперсионном анализе.
3. Неэффективность оценок параметров эконометрической модели приводит, как правило, к неэффективным прогнозам, то есть прогнозам с очень большой выборочной дисперсией.