
- •Типы взаимосвязи между явлениями. Функц. И коррел. Связь.
- •2. Типы данных и типы моделей. Специфика экон. Данных. Системы эконометрич. Уравнений.
- •3. Ковариация между переменными. Формула расчета ковариации.
- •4.Коэффициент парной корреляции
- •5.Качественная оценка коэф. Парной корреляции. Шкала Чеддока.
- •6. Оценка значимости линейного коэффициента корреляции с помощью t-критерия Стьюдента.
- •7. Матрица коэффициентов парной корреляции, ее структура, экономическая сущность.
- •8. Коэффициент множественной корреляции, приделы его измерения.
- •10. Частный коэффициент множественной корреляции, пределы его измерения
- •11.Оценка тесноты нелинейной связи, индекс корреляции
- •12.Регрессионные модели. Общие предпосылки рег. Анлиза.
- •13. Алгоритм построения и анализа регрессионных моделей
- •14. Основные предпосылки мнк
- •15. Свойства оценок параметров регрессионной модели
- •16. Оценка параметров регрессионного уравнения с помощью метода наименьших квадратов
- •17. Оценка параметров линейной модели парной регрессии. Расчетные формулы
- •18. Матричная форма модели парной регресии и формула расчета ее парметров
- •19. Оценка качества уравнения регрессии
- •20. Коэффициент детерминации и коэффициент корреляции, их расчет в модели парной регересии.
- •22. Проверка значимости уравнения регрессии в целом. F-критерий Фишера.
- •23. Уровень значимости и степени свободы пр проверке значимости уравнения регрессии.
- •26. Оценка статистической значимости коэффициентов регрессии
- •27. Доверительные интервалы параметров регрессии
- •41. Способы обнаружения мультиколлинеарности. Обнаружение мультиколлинеарности с помощью алгоритма Феррара-Флобера: критерий Пирсона , критерий Фишера, критерий Стьюдента.
- •42. Понятие гомо- и гетероскедастичности
- •43. Критерий обнаружения гетероскедастичности.
- •44. Тест Гольдфельда-Квандта для обнаружения гетероскедастичности.
- •45. Обобщенный мнк и его отличие от классического мнк (метод Эйткена).
- •46. Автокорреляция в регрессионных моделях. Причины, последствия, методы устранения.
- •47. Метод обнаружения автокорреляции. Метод рядов для обнаружения автокорреляции.
- •48. Критерий Дарбина-Уотсона.
- •49. Коэффициент автокорреляции первого порядка и его применение для раскрытия неопределенности в критерии Дарбина-Уотсона.
- •50. Регрессионные уравнения с переменной структурой. Фиктивные переменные. Виды фиктивных переменных, преимущества использования.
- •51. Использование фиктивных переменных для исследования структурных изменений. Моделирование сезонности. Количество бинарных переменных при к градациях.
- •52. Модель задачи об оптимальном использовании средств, представленной в виде регрессионной модели
- •57. Система рекурсивных регрессионных уравнений. Ее формальная запись. Метод решения.
- •59. Приведенная форма модели одновременных регрессионных уравнений. Причины, вызывающие необходимость построения приведенной формы модели.
- •64. Алгоритм косвенного метода решения систем одновременных уравнений.
- •65. Алгоритм двухшагового метода наименьших квадратов для решения систем одновременных регрессионных уравнений
- •66. Понятие динамического ряда, временного ряда. Его обозначение. Составляющие временного ряда. Виды моделей представления временного ряда.
- •67. Процедуры предварительного анализа временных рядов.
- •72 Моделирование экономических процессов, подверженных колебаниям. Критерии проверки наличия сезонных колебаний.
- •73 Фильтрация компонентов тренд-сезонных колебаний временного ряда
- •74 Адаптивные модели прогнозирования: сс модель и ар модель
59. Приведенная форма модели одновременных регрессионных уравнений. Причины, вызывающие необходимость построения приведенной формы модели.
60.
Примеры практической постановки задач
систем одновременных уравнений: модель
1 спроса и предложения, модель 2-кейнсианская
модель спроса и предложения.Эндогенные
лаговые переменные.
Кейнсианская
модель AD - AS —
базовая для анализа процессов выпуска
товаров и услуг и уровня цен в экономике.
Она позволяет выявить факторы (причины)
колебаний и последствия.Кривая совокупного
спроса AD —
количество товаров и услуг, которое
способны приобрести потребители при
сложившемся уровне цен. Точки на кривой
представляют собой комбинации выпуска
(Y)
и общего уровня цен (Р), при которых рынки
товаров и денег находятся в равновесии
(рис. 25.1).Лаговые
эндогенные - это переменные значении,
которых измерены в прошлый момент
времени и являются известными т.е.
заданными.
61. Идентификация систем. Предопределенные переменные системы одновременных уравнений. Идентификация систем — математический аппарат для построения математических моделей динамической системы по измеренным данным. Предопределенные переменные, к которым относятся:
1) обычные экзогенные переменные, они заранее предопределены, так как объясняются фактами, лежащими вне модели;
2) лаговые экзогенные переменные, они заранее предопределены, так как их значения принадлежат предшествующим периодам и объясняются вне модели;
3) лаговые эндогенные переменные, их предопределенность следует из предшествующего объяснения в эконометрической модели.
4) Совместно зависимые переменные, которые определяются не одним уравнением, а одновременными уравнениями модели.
5) Возмущающие переменные, т.е. экономические величины, не входящие в уравнения эконометрических моделей, но оказывающие влияние на совместно зависимые переменные.
62. Классы структурной модели относительно идентифицируемости регрессионных уравнений. Необходимое условие идентификации:
- D + 1 = H - условие означает, что уравнение идентифицируемо
- D + 1 < H - неравенство означает, что уравнение неидентифицируемо;
- D + 1 > H – т.е. уравнение сверхидентифицируемо, где H – число эндогенных переменных в уравнении системы, D – число предопределенных переменных, отсутствующих в уравнении, но присутствующих в системе.
Достаточное условие идентификации заключается в том, что определитель матрицы, составленный из коэффициентов при переменных в исследуемом уравнении, не равен нулю, а ранг этой матрицы не менее числа эндогенных переменных системы без единицы.
Выполняя задачи по эконометрике, при решении идентифицируемого уравнения применяют косвенный метод наименьших квадратов, для решения сверхидентифицированных и неидентифицированных уравнений применяется двухшаговый метод наименьших квадратов.
Процедура косвенного метода наименьших квадратов
составляется приведенная форма модели и определяются числовые значения параметров каждого ее уравнения обычным МНК;
путем математических преобразований переходят от приведенной формы к структурной форме, тем самым получают численные оценки структурных параметров.
Процедура двухшагового метода наименьших квадратов
составляется приведенная форма модели и определяются численные значения параметров каждого его уравнения обычным методом наименьших квадратов;
выявляются эндогенные переменные, которые находятся в правой части структурного уравнения, параметры которого определяют двухшаговым МНК, и далее находят расчетные значения по уравнениям приведенной формы модели;
обычным методом наименьших квадратов определяются параметры структурного уравнения, используя в качестве исходных данных фактические значения предопределенных переменных и расчетные значения эндогенных переменных, которые стоят в правой части данного структурного уравнения.
63. Необходимое и достаточное условие идентифицируемости уравнений структурной формы модели. Показать на примере. Первое необходимое условие идентифицируемости уравнения структурной формы системы одновременных уравнений. Уравнение структурной формы системы одновременных уравнений идентифицируемо в том случае, если оно исключает хотя бы N-1 предопределённую переменную: (N–n)+(M–m)≥N–1.
Второе необходимое условие идентифицируемости уравнения структурной формы системы одновременных уравнений. Уравнение структурной формы системы одновременных уравнений идентифицируемо в том случае, если количество предопределённых переменных, не входящих в данное уравнение, будет не меньше числа эндогенных переменных этого уравнения минус единица: N–n≥m–1.
Достаточное условие идентифицируемости уравнения структурной формы системы одновременных уравнений. Уравнение структурной формы системы одновременных уравнений идентифицируемо в том случае, если ранг матрицы K равен (N-1). Проверим выполнение первого необходимого условия идентифицируемости. Для функции спроса выполняются равенства m=2 и n=1. Отсюда (N–n)+(M–m)=(2–1)+(2–2)+(2–2)=1=(N–1)=1, следовательно, уравнение спроса является точно идентифицированным. Для функции предложения выполняются равенства m=2 и n=1. Отсюда (N–n)+(M–m)=(2–1)+(2–2)+(2–2)=1=(N–1)=1, следовательно, уравнение предложения является точно идентифицированным. Проверим выполнение второго необходимого условия идентифицируемости. Для функции спроса выполняются равенства m=2 и n=1. Отсюда N–n=2–1=1=m–1=2–1=1, следовательно, уравнение спроса является точно идентифицированным. Для функции предложения выполняются равенства m=2 и n=1. Отсюда N–n=2–1=1=m–1=2–1=1, следовательно, уравнение предложения является точно идентифицированным. Проверим выполнение достаточного условия идентифицируемости, заключающееся в том, чтобы хотя бы один из коэффициентов матрицы K не был равен нулю, т.к. M–1=1.
В первом уравнении модели исключена переменная It и матрица K=[b2]. Т.к. определитель данной матрицы не равен нулю, следовательно, rank=1=M–1 и уравнение является идентифицированным. Во втором уравнении исключена переменная Pt–1 и матрица К=[a2]. Т.к. определитель данной матрицы не равен нулю, следовательно, rank=1=M–1 и уравнение является идентифицированным.