4. Классы моделей:

1.) Модели временных рядов:

• Модели тренда (тренд – устойчивое изменение уровня показателя в течении длительного времени).

• Модели сезонности (сезонность характеризует устойчивые внутригодовые колебания уровня показателей).

• Модели автокорреляции и адаптивного прогноза

Модели временных рядов объясняют поведение временного ряда, исходя только из его предыдущих значений.

2.) Регрессионные модели с одним уравнением

В этих моделях объясняемая переменная (У) представляется в виде функции от объясняющих переменных (Х). По виду регрессии модели делятся на:

• Линейные

• Нелинейные

3.) Системы одновременных уравнений

Описываются системами уравнений, состоящих из тождеств и регрессионных уравнений, в каждом из которых аргументы содержат не только объясняющие переменные (Х), но и объясняемые переменные (У) из других уравнений системы.

5. Основные этапы и проблемы экономического моделирования:

1. Постановочный (постановка проблемы, цели, набор переменных, обоснование)

2. Априорный (анализ сущности изучаемого объекта и формирование априорной информации)

3. Информационный (сбор необходимой статистической информации, значений экономических переменных)

4. Спецификация модели (выражение в математической форме связей и соотношений, определение эндогенных (внутренних) и экзогенных (внешних) переменных, формирование ограничений модели)

5. Параметризация модели (оценка параметров выбранной зависимости, которая проводится на основе статистических данных)

6. Идентификация модели (статистический анализ модели и оценка её параметров)

7. Верификация (проверка адекватности модели, точности расчетов по данной модели, соответствие результатов реальному экономическому явлению)

6. Типы зависимостей между переменными:

1. Функциональная зависимость – задаётся в виде точной формулы, в которой каждому значению переменной соответствует строго определённое значение другой.

2. Статистическая зависимость – связь переменных, на которую накладывается воздействие случайных факторов.

• Корреляционная – форма статистической связи между переменными, при которой изменение одной переменной приводит к изменению математического ожидания другой.

• Регрессионная – форма статистической связи между переменными. Односторонняя зависимость среднего значения случайной величины Y от одной X или нескольких Xn случайных или детерминированных величин. Может быть парной (линейная=парная регрессия) или в зависимости от нескольких переменных – множественной.

7. Понятие регрессионной модели. Экономическая интерпретация случайной составляющей

Уравнение, которое связывает зависимую (или объясняемую) переменную Y с независимыми (или объясняющими) переменными x1, x2, …, xn называют уравнением регрессии. Принято различать простую (парную) регрессию и множественную регрессию.

Простая регрессия представляет собой регрессию между двумя переменными – у и х, т. е. модель вида

где у – зависимая переменная (результативный признак);

х – независимая или объясняющая, переменная (признак-фактор).

Парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной (Х). Она, в свою очередь, делится на: линейную и нелинейную (показательная, степенная, гипербола и т.д.)

Множественная регрессия соответственно представляет собой регрессию результативного признака с двумя и большим числом факторов, т. е. модель вида

В уравнении регрессии связь переменных представляется в виде функциональной связи, выраженной соответствующей математической функцией. Практически в каждом отдельном случае величина У складывается из двух слагаемых

,

y – фактическое значение результативного признака;

 – теоретическое значение результативного признака, найденное по уравнению регрессии;

ε – случайная составляющая, характеризующая отклонения реального значения результативного признака от теоретического, найденного по уравнению регрессии.

Случайная составляющая ε называется также возмущением. Присутствие случайных ошибок в уравнениях объясняется несколькими причинами — влиянием неучтенных факторов, непредсказуемостью человеческих реакций, неточностями наблюдений и измерений и т.д. Присутствие в модели случайной величины порождено тремя основными источниками:

• спецификацией модели,

• выборочным характером исходных данных,

• особенностями измерения переменных.

От правильно выбранной спецификации модели зависит величина случайных ошибок: они тем меньше, чем в большей мере теоретические значения результативного признака подходят к фактическим данным.