1. Визначення економетрії як науки, її природа.

2. Основні види економетричних моделей.

3. Етапи проведення економетричного аналізу.

4. Загальний вигляд простої вибіркової лінійної регресії.

5. Суть методу найменших квадратів. Графічна ілюстрація. Формули для обчислення невідомих параметрів регресійної моделі.

6. Коефіцієнти кореляції та детермінації, їх суть та трактування. Зв’язок коефіцієнтів кореляції і детермінації.

7. Узагальнена проста регресійна модель. Припущення, що лежать в основі застосування методу найменших квадратів.

8. Перевірка значимості коефіцієнта кореляції в простій регресії.

9. Теорема Гаусса-Маркова про BLUE-оцінки.

10. Перевірка регресійної моделі на адекватність за F-критерієм Фішера.

11. Перевірка значимості параметрів b₀, b₁ за тестом Стьюдента.

12. Інтервали довіри для параметрів b₀, b₁.

13. Прогнозування в простій регресії.

14. Множинна регресійна модель та припущення, які лежать в її основі.

15. Оцінка параметрів множинної регресії за МНК. Матричний підхід.

16. В чому суть коефіцієнта детермінації ?

17. Чим скоригований коефіцієнт детермінації відрізняється від звичайного?

18. Дисперсійно-коваріаційна матриця оцінок параметрів моделі.

19. Критерій Фішера для перевірки моделі на достовірність у множинній регресії.

20. Значимість параметрів моделі у множинній регресії та інтервали довіри для цих параметрів.

21. Прогнозування в множинній регресії.

22. Поняття мультиколінеарності та її види.

23. Наслідки мультиколінеарності та її вплив на оцінки параметрів моделі.

24. Тест Фаррара-Глобера для виявлення мультиколінеарності.

25. Як можна виявити мультиколінеарність?

26. Перерахуйте основні методи вилучення мультиколінеарності.

27. Поняття гомо- й гетероскедастичності.

28. Вплив гетероскедастичності на оцінки параметрів моделі знайдені за методом найменших квадратів (1МНК).

29. Графічний аналіз залишків для виявлення гетероскедастичності.

30. Тест Гольдфельда-Квандта для перевірки моделі на наявність гетероскедастичності.

31. Узагальнений метод найменших квадратів (метод Ейткена) для оцінювання економетричної моделі у випадку гетероскедастичності.

32. У яких випадках застосовують тест Спірмена при виявленні гетероскедастичності.

33. Сутність автокореляції, її природа.

34. Наслідки автокореляції залишків в економетричному моделюванні.

35. Загальна характеристика методів виявлення автокореляції залишків.

36. Тест Дарбіна-Уотсона для виявлення автокореляції залишків.

37. Метод Ейткена (УМНК) для оцінки параметрів моделі з автокорельованими залишками.

38. Нелінійні регресійні моделі.Що розуміємо під специфікацією моделі?

39. Що таке фіктивна змінна і які основні причини їх використання?

40. В чому суть основного правила використання фіктивних змінних?

1. Визначення економетрії як науки, її природа

Економетрія – це наука, що вивчає кількісні закономірності та взаємозв’язки економічних об’єктів і процесів за допомогою математично-статистичних методів і моделей.

Основне завдання економетрики оцінити параметри моделі з урахуванням вхідної економічної інформації, перевірити відповідність моделі досліджуваному явищу і спрогнозувати розвиток економічного процесу.

2. Основні види економетричних моделей.

За засобом математичного уявлення економетричні моделі можна умовно розділити на прості та складні. Прості економетричні моделі зображені одним рівнянням, однією залежністю, складні – декільками рівняннями, залежностями:

У =ах ^в + ε;          у₁ = а₁₁х₁ + а₁₂х₂ + ε_1,

                                               у₂ = а₂₁х₁ + а₂₂х₂ + ε_2.

За кількістю факторів, що включаються в модель, прості економетричні моделі можна розділити на однофакторні та багатофакторні. Однофакторні моделі містять одну незалежну змінну, багатофакторні моделі – ряд незалежних змінних.

Однофакторні  і багатофакторні моделі можуть бути зображені лінійними та нелінійними функціями.

3. Етапи проведення економетричного аналізу.

1. Формування гіпотези і теорії

2. Збір та підготовка статистичних даних

3. Вибір конкретної форми аналітичної залежності між ек. показниками.

4. Оцінювання параметрів моделі.

5. Перевірка адекватності моделі та достовірності її параметрів.

6. Застосування моделі для прогнозування розвитку ек. процесів з метою подальшого керування ними.

4. Загальний вигляд простої вибіркової лінійної регресії.

y=b₀+b₁x+e

x,y – елементи вибірки; b₀,b₁ – точкові оцінки невідомих параметрів моделі β₀ і β₁; е – точкова оцінка невідомого параметру Е генеральної сукупності.

5. Суть методу найменших квадратів. Графічна ілюстрація. Формули для обчислення невідомих параметрів регресійної моделі.

Суть: ∑e_i²→ minтобто, якомога менші різниці між реальними значеннями і теоретичними.

b₁ = b₀=ȳ- b₁ x

6. Коефіцієнти кореляції та детермінації, їх суть та трактування. Зв’язок коефіцієнтів кореляції і детермінації.

К-т кореляції r – перевіряє щільність лінійного зв’язку між змінним x та y. Знаходиться в межах (-1;1). Рахуємо на основі вибірки. Якщоr=0, то: х і у – незалежні; зв'язок існує, але не лінійний.

К-т детермінації R² – перевіряє адекватність моделі. Знаходиться в межах (0;1). Від 0,3 до 0,65 – так звана мертва зона, де неможна зробити ніяких висовків.

Коефіцієнти є лише статистиками моделі і тому на основі кожного з них висновки не завжди вірні. R² = r²

7. Узагальнена проста регресійна модель. Припущення, що лежать в основі застосування методу найменших квадратів.

Y =β₀+β₁X+Ԑ

Передумови МНК:

1. Математичне сподівання похибок = 0 M(Ԑ_i)=0

2. Дисперсія похибок є постійною (гомоскидастичність)D(Ԑ_i)=D(Ԑ_j)=δ²

3. Випадкові відхилення незалежні між собою cov(Ԑ_i,Ԑ_j)=0 (невик. -автокореляція)

4. Похибки моделі не впливають на незалежну змінну cov(x_i,Ԑ_i)=0

5. Модель має бути лінійною відносно параметрів β_і

6. Похибки моделі мають бути розподілені за нормальним законом N(0;δ²)