- •Эконометрика. Цели и задачи. Этапы эконометрического моделирования.
- •Основные этапы регрессионного анализа.
- •Что такое функция регрессии? Чем регрессионная модель отличается от функции регрессии?
- •Как выглядит линейная модель парной регрессии? Как называются переменные в модели?
- •Коэффициент корреляции. Свойства коэффициента корреляции. Множественный коэффициент корреляции. Частный коэффициент корреляции. Ложная корреляция.
- •Причины наличия в регрессионной модели случайного отклонения.
- •Что понимается под спецификацией модели и как она осуществляется в случае одной независимой переменной.
- •В чем состоит различие между теоретическим и эмпирическим уравнениями регрессии?
- •В чем суть метода наименьших квадратов?
- •Выведите формулы для расчета коэффициентов парной линейной регрессии по методу наименьших квадратов.
- •Проинтерпретируйте коэффициенты эмпирического парного линейного уравнения регрессии.
- •12.Коэффициент детерминации. Роль коэффициента детерминации при определении качества построенного уравнения регрессии. Формула расчёта коэффициента детерминации.
- •15. Расчет коэффициентов множественной регрессии по мнк в матричной форме.
- •16. Коэффициент детерминации и скорректированный коэффициент детерминации.
- •Сформулируйте предпосылки мнк. Каковы последствия их выполнимости или невыполнимости.
- •Как определяются стандартные ошибки регрессии и коэффициентов регрессии?
- •19. Интервальные оценки коэффициентов регрессии
- •20. В чем суть статистической значимости коэффициентов регрессии?
- •Как определяется статистическая значимость коэффициентов регрессии
- •Что такое предсказание значения зависимой переменной? Как его найти?
- •Что означает статистическая значимость уравнения регрессии в целом? Как проверить значимость уравнения по f-тесту?
- •Что такое мультиколлинеарность? Последствия мультиколлинеарности.
- •Методы устранения мультиколлинеарности.
- •26. Пошаговый метод включения исключения факторной переменной в модель регрессии.
- •27.Нелинейные модели регрессии.
- •28.Основные виды ошибок спецификации модели.
- •4.3. Ошибки спецификации
- •29. Фиктивная переменная. Причины использования фиктивных переменных в моделях регрессии.
- •Что такое автокорреляция остатков, и каковы ее виды? Причины ее возникновения.
- •30. В чем суть теста Чоу проверки структурной однородности модели. Тест Грегори Чоу
- •Примеры использования фиктивных переменных.
- •Каким образом выявляется наличие автокорреляции в остатках?
- •Способы устранения автокорреляции в остатках.
- •Что такое гетероскедастичность? Причины и последствия гетероскедастичности.(гл 5)
- •38. Временной ряд. Составляющие временного ряда. Примеры.
- •39.Коэффициент автокорреляции. Автокорреляционная функция. Коррелограмма.
38. Временной ряд. Составляющие временного ряда. Примеры.
Временной ряд – послед. Значений признака наблюдений через равные промежутки времени.
Yt Xt – временной ряд
Значения временного ряда наз. Уровнями.
Традиционно считается, что временной ряд является совокупностью следующих составляющих:
Yt=Tt+St+Vt+ɛt аддитивная
Или
Yt=Tt*St*Vt*ɛt мультипликативная
Где,
Tt – тренд, основная тенденция изменения ряда
St – сезонность, показывающая вариации связи с сезонными изменениями
Vt – цикличность
Примерами являются погодные данные, курс котируемых акций, курс валют.
39.Коэффициент автокорреляции. Автокорреляционная функция. Коррелограмма.
Коэффициент автокорреляции порядка к – коэф. Корреляции между исходным временным рядом и этим рядом, сдвинутым на к шагов во времени (лагов).
Коэф. Рассчитывается n/4 , где n – кол-во уровней временного ряда.
Автокорреляция уровней ряда – корреляционная зависимость между последними уровнями временного ряда.
Автокоррел. Функция временного ряда – послед. Коэфф. Корреляции при возрастании порядка k, т. е r(1), r(2), … r(k).
Коррелограмма – график автокоррел. Функции.Служит для определения структуры ряда. Если наиболее высоким оказался коэф. Автокорреляции 1 порядка, то исследуемый ряд содержит только тренд.
Если наиболее высоким оказался коэф. Автокорреляции порядка p, то исследуемый ряд содержит циклические колебания с периодом p моментов времени. Если все коэф. Автокорреляции достаточно малы, то можно сделать 2 вывода:
- в ряду есть только случайная составляющая;
- в ряду присутствует сильный нелинейный тренд.
