
- •Эконометрика как наука: цель, задачи, предмет и метод. Понятие эконометрической модели
- •Типы данных и виды переменных в эконометрических моделях
- •Этапы эконометрического моделирования.
- •Понятие генеральной и выборочной совокупности значений случайной величины. Числовые характеристики генеральной и выборочной совокупности.
- •Зависимость (независимость) случайных величин. Функциональная и статистическая зависимости. Ковариация и корреляция св. Выборочные и теоретические коэффициенты ковариации и корреляции.
- •Основные принципы и общая схема проверки статистических гипотез. Понятие уровня значимости и числа степеней свободы. Примеры критериев статистического теста.
- •Оценивание значимости коэффициента парной корреляции с помощью t-критерия Стьюдента.
- •Корреляционно – регрессионный анализ: предпосылки и этапы проведения.
- •Модель парной линейной регрессии: спецификация, условия построения.
- •Метод наименьших квадратов. Предпосылки применения метода для оценивания регрессионной модели. Система нормальных уравнений и ее решение.
- •Вопрос 11.Методы оценивания
- •Точечные оценки параметров модели парной линейной регрессии, их свойства и экономическая интерпретация. Связь оценки коэффициента регрессии с выборочным значением коэффициента корреляции.
- •Точечные оценки параметров модели парной линейной регрессии, их свойства и экономическая интерпретация. Связь оценки коэффициента регрессии с выборочным значением коэффициента корреляции.
- •Стандартная ошибка регрессии, стандартные ошибки оценок параметров модели парной линейной регрессии, их свойства.
- •14/ Оценивание значимости коэффициентов выборочной функции парной линейно регрессии с помощью т-критерия Стьюдента.
- •15. Коэффициент детерминации и его значение. Проверка гипотез, относящихся к оценке адекватности регрессионной модели в целом.
- •16. Интервальные оценки параметров. Построение доверительных интервалов для параметров модели парной линейной регрессии.
- •Вопрос 17 Модели регрессии, нелинейные по факторным переменным
- •Модели регрессии, нелинейные по оцениваемым коэффициентам
- •18. Задача множественного корреляционно – регрессионного анализа. Спецификация эконометрической модели множественной регрессии. Условия Гаусса – Маркова для модели множественной регрессии.
- •19. Отбор факторных признаков для включения в модель множественной линейной регрессии.
- •6. Об.Переменные д.Б. Сильно коррелированны с рез. Переменной.
- •20. Явление мультиколлинеарности факторов в регрессионной модели. Способы определения наличия мультиколлинеарности и ее устранения.
- •Методы устранения мультиколлинеарности
- •2. Метод дополнительных регрессий
- •3. Метод последовательного присоединения
- •23. Проверка адекватности модели множественной регрессии
- •24. Гомоскедастичность и гетероскедастичность ряда остатков регрессионной модели.
- •Последствия гетероскедастичности
- •Обнаружение гетероскедастичности
- •Тест Голдфелда—Квандта.
- •Тест ранговой корреляции Спирмена
- •Устранение гетероскедастичности
- •25. Числовые характеристики модели множественной линейной регрессии
- •27. Задача идентифицируемости системы одновременных уравнений. Необх. И достаточ. Условие идентифицируемости уравнений системы.
- •Рассмотрим типы систем эконометрических уравнений.
- •1. Система независимых регрессионных уравнений (внешне не связанных)
- •2. Система рекурсивных уравнений
- •28. Разновидности мнк для оценивания параметров многомерных регрессионных моделей.
- •Двухшаговый метод наименьших квадратов (дмнк)
- •29. Компоненты временного ряда
- •30/ Аддитивная и мультипликативные модели временного ряда.
- •31/ Явления автокорреляции и авторегрессии временного ряда.
- •32/ Моделирование тенденции временного ряда. Основные типы трендов и их распознавание.
- •33/ Эконометрическое прогнозирование, виды прогнозов. Средняя погрешность прогнозирования.
- •34/ Прогнозирование по трендам. Качество прогноза.
Зависимость (независимость) случайных величин. Функциональная и статистическая зависимости. Ковариация и корреляция св. Выборочные и теоретические коэффициенты ковариации и корреляции.
Возможны следующие ситуации:
CВмогут быть независимы
СВ могут быть связаны строгой функциональной зависимостью
Однозначной зависимости нет, каждому значению соответствует множество значений СВ
Зависимость, при которой каждому значению СВ соответствует распределение значений других СВ и заранее неизвестно какое именно значение примет эта СВ называется статистической (или вероятностной, стохастической). Например, зависимость между урожайностью и количеством внесенных удобрений.
Функциональная зависимость – зависимость, когда каждому значению одной переменной соответствует определенное значение другой (например, скорость свободного падения в вакууме в зависимости от времени).
Корреляционной зависимостью между двумя переменными называется функциональная зависимость между значениями одной из них и условным математическим ожиданием другой.
Ковариацией ( или корреляционным моментом) Cov (X,Y) случайных величин Х и У называется математическое ожидание произведения отклонений этих величин от своих математических ожиданий, то есть Cov(X,Y)=M[(X-ax)(Y-ay)], где ax=М(х), ay=М(у). Характеризует силу взаимодействия между СВ.
Для оценки тесноты (силы) линейной связи служат коэффициенты ковариации и корреляции.
Пусть
х и у – СВ, тогда количественной мерой
линейной статистической зависимости
между этими величинами называют
коэффициент корреляции.
=
Пусть имеются выборочные значения совокупности x= {xi}, y= {yi}, i=1,2…n
Для оценки выборочного коэффициента корреляции требуется знать оценки для выборочной ковариации между этими значениями и выборочные дисперсии этих СВ.
Коэффициент ковариации представляет собой математическое ожидание произведения отклонений величин от их мат. ожиданий:
Cov (X, Y) = M[(X – M(X)) (Y – M(Y))].
Если рассматриваемые величины независимы, то коэффициент ковариации равен нулю
Коэффициент
корреляции r=
=
Величина безразмерная. Используется
для измерения силы или зависимости
между случайными величинами. Чем ближе
|r|
к 1, тем ближе зависимость к линейной.
Количественное определение степени
тесноты связи между признаками применяется
тогда, когда данные наблюдений выбраны
из ГС, в которой статистическая связь
между соответствующими признаками
линейна, а СВ распределены по нормальному
закону.
Выборочный
коэффициент корреляции r
при достаточно большом объеме выборки
n
обладает следующими свойствами (так же
как коэффициент
в ГС):
-1
r 1, причем чем ближе к -1и 1 тем сильнее линейная взаимосвязь между СВ
Корреляционная связь может быть прямой или обратной (если 0<r<1 прямая связь, если -1<r<0 обратная связь)
Если r=±1, то говорят, что корреляционная связь представляет собой линейную функциональную зависимость
r=0 величины линейно независимы
-
Значение r
Характер связи
r
[-0,3;0)
Практические отсутствует
r [-0,5;-0,3)
Слабая
r [-0,7;-0,5)
Умеренная
r (-1;-0,7)
Сильная