- •1. Назначение эконометрических моделей. Принципы их спецификации.
- •2. Типы переменных в эконометрических моделях.
- •3. Структурная форма спецификации эконометрических моделей.
- •4. Приведённая форма спецификации эконометрических моделей.
- •5. Взаимосвязь структурной и приведённой форм спецификации эконометрической модели.
- •6. Этапы построения эконометрических моделей.
- •8. Смысл выходной статистической информации функции линейн.
- •9. Классификация регрессионных моделей.
- •10. Спецификация парной линейной регрессионной модели.
- •11. Предпосылки Гаусса-Маркова относительно случайного возмущения регрессионной модели.
- •12. Теорема Гаусса - Маркова.
- •13. Оценка параметров парной регрессионной модели методом наименьших квадратов (мнк) в координатной форме.
- •18. Доверительные интервалы параметров парной регрессионной модели
- •19. Алгоритм построения интервальных оценок параметров регрессионной модели в Excel.
- •21. Алгоритм проверки значимости оценок параметров линейной регрессионной модели в excel
- •22. Интервальная оценка ожидаемого значения зависимой переменной в парной регрессионной модели.
- •23. Интервальная оценка индивидуального значения зависимой переменной в парной регрессионной модели.
- •24. Алгоритм проверки адекватности парной регрессионной модели.
- •Коэффициент детерминации в регрессионных моделях
- •Нецентрированный коэффициент детерминации регрессионной модели.
- •28. Спецификация множественной линейной регрессионной модели.
- •40. Алгоритм проверки адекватности множественной регрессионной модели.
- •41. Скорректированный коэффициент детерминации в множественной регрессионной модели.
- •43. Спецификация регрессионной модели при наличии автокорреляции случайного возмущения
- •44. Причины автокорреляции случайного возмущения.
- •45. Последствия автокорреляции случайного возмущения.
- •47. Способы корректировки автокорреляции (авторегрессионные модели первого порядка).
- •48. Способы корректировки автокорреляции: алгоритм метода Кохрейна-Оркатта.
- •49. Спецификация регрессионной модели при наличии гетероскедастичности случайного возмущения.
- •50. Причины гетероскедастичности случайного возмущения.
- •51. Последствия гетероскедастичности случайного возмущения.
- •52. Алгоритм теста Голдфельда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •53.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •54. Способы корректировки гетероскедастичности. Доступный метод взвешенных наименьших квадратов.
- •55. Обобщенная регрессионная модель. Обобщенный метод наименьших квадратов.
- •Преобразование переменных
- •Матрица преобразований:
- •Оцениваемая спецификация:
- •56. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •57. Примеры спецификаций регрессионных моделей нелинейных по параметрам.
- •58. Интерпретация параметров регрессионных моделей нелинейных по параметрам.
- •59. Способы включения случайных возмущений в спецификацию нелинейной по параметрам модели.
- •60. Спецификация и оценивание мнк эконометрических моделей нелинейных по переменным.
- •62. Интерпретация параметров регрессионных моделей нелинейных по переменным.
- •63. Проблема мультиколлинеарности в моделях множественной регрессии.
- •64. Признаки мультиколлинеарности.
- •65. Фиктивные переменные: определение, назначение, типы, смысл названий.
- •66. Фиктивная переменная сдвига: спецификация регрессионной модели с фиктивной переменной сдвига.
- •67. Экономический смысл параметра при фиктивной переменной сдвига.
- •68. Применение фиктивных переменных сдвига при исследовании сезонных колебаний: спецификация модели; проблема мультиколлинеарности.
- •69. Экономический смысл параметров при фиктивных переменных сдвига при исследовании сезонных колебаний.
- •70. Фиктивная переменная наклона: назначение; спецификация регрессионной модели с фиктивной переменной наклона.
- •71. Тест Чоу на наличие структурных изменений в регрессионной модели.
- •72. Оценка моделей с распределенными лагами с конечным числом лагов.
- •73. Оценка моделей с распределенными лагами с бесконечным числом лагов: метод геометрической прогрессии.
- •74. Оценка моделей с распределенными лагами с бесконечным числом лагов: метод Койка.
- •75. Проблемы оценки параметров регрессионных моделей с распределёнными лагами методом Койка
- •76. Оценка моделей с распределенными лагами: метод Алмон.
- •77. Тест Дарбина на наличие (отсутствие) автокорреляции вектора возмущений в авторегрессионных моделях.
- •78. Системы одновременных уравнений (соу): проблема оценивания структурных параметров.
- •79. Проблема идентификации системы одновременных уравнений соу.
- •80. Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
- •81. Идентификация отдельных уравнений системы одновременных уравнений: ранговое условие.
- •82. Косвенный метод наименьших квадратов: алгоритм метода; условия применения
- •83. Двухшаговый метод наименьших квадратов (дмнк): алгоритм метода; условия применения.
- •84. Корректировка оценки дисперсии возмущения при реализации алгоритма дмнк в Excel.
- •85. Корректировка оценок ско оценок параметров соу при реализации алгоритма дмнк в Excel.
80. Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
Необходимое условие идентификации уравнения:
k-p
q-1,
где
k – число предопределенных переменных в системе;
p – число предопределенных переменных в уравнении;
q – число эндогенных переменных в уравнении.
Число исключенных из уравнения экзогенных переменных должно быть не меньше числа включенных эндогенных переменных минус единица.
Терминология: если порядковое условие выполняется со знаком «=» - уравнение точно идентифицируемо; если порядковое условие выполняется со знаком строгого неравенства – уравнение сверхидентифицируемо.
81. Идентификация отдельных уравнений системы одновременных уравнений: ранговое условие.
Необходимое и достаточное условие идентификации уравнения:
rank
(M12)=q-1,
где M12
- матрица
коэффициентов приведенной формы в
блочном виде взаимосвязи структурной
и приведенной форм (напомним, что
).
Ранг матрицы M12 равен числу включенных в уравнение эндогенных переменных минус единица.
Формулировка рангового условия через матрицу ограничений.
Определение:
ограничениями называется система
линейных однородных алгебраических
уравнений
которая априорно удовлетворяет вектор
коэффициентов структурной формы.
Где
– матрица коэффициентов системы
ограничений i-го
уравнения модели.
Ранговое условие идентификации.
i-е уравнение модели идентифицируемо тогда и только тогда, когда справедливо равенство:
(с учетом нормализации).
Обозначение:
=
– расширенная матрица структурной
формы.
82. Косвенный метод наименьших квадратов: алгоритм метода; условия применения
Косвенный метод наименьших квадратов используется в случае точно идентифицируемой структурной модели. Процедура применения косвенного метода предполагает выполнение следующих этапов работы:
1. структурная модель преобразовывается в приведенную форму модели;
то есть, например:
для модели
y1t = a12 * y2t + b11 * x1t + v1t
y2t = a21 * y1t + b22 * x2t + v2t
приведенная форма будет иметь вид:
y1t = m11 * x1t + m12 * x2t + u1t
y2t = m21 * x1t + m22 * x2t + u2t.
2. для каждого уравнении приведенной формы модели обычным методом наименьших квадратов оцениваются приведенные коэффициенты (δij);
3. коэффициенты приведенной формы модели трансформируются в параметры структурной модели.
То есть, например:
для оценки структурных параметров по приведенным воспользуемся равенством AM = -B , переписанное в виде AM + B = 0, или через расширенную матрицу структурной формы А̄ = (А|B) :
А̄
* (
)
= 0, где I
– единичная матрица k
x
k.
Для оценки коффициентов i-й
строки матрицы А̄, помимо приведенного
выше соотношения, учтем априорные
ограничения: условие нормализации и
равенство нулю некоторых структурных
коэффициентов. Получается, что вектор
коэффициентов i-й
строки матрицы удовлетворяет следующей
системе уравнений:
,
можно показать, что если i-е уравнение идентифицируемо и выполнено условие нормализации, то система имеет единственное решение. Если значение элементов матрицы приведенной системы М известны, то в системе (1.2) используются их МНК-оценки.
Для оценок структурных параметров в косвенном методе наименьших квадратов используются МНК – оценки параметров приведенных уравнений.
Косвенный метод наименьших квадратов предназначен для оценивания структурных параметров отдельного уравнения системы и может дать результат (без сочетания с другими методами, например, с двухшаговым методом наименьших квадратов) только в применении к точно идентифицируемому уравнению.
