- •1.Типы моделей и переменных, применяемых в эконометрике. Чем регрессионная модель отличается от функции регрессии?
- •60. Двухшаговый мнк. Всегда ли можно применить двухшаговый мнк?
- •2. Этапы эконометрического моделирования. Каковы основные причины наличия в регрессионной модели случайного отклонения?
- •59. Косвенный мнк. Всегда ли можно применить косвенный мнк?
- •3.Основные понятия теории вероятностей. Нормальное распределение и связанные с ним χ2 - распределение, распределение Стьюдента и Фишера.
- •58. Идентификация модели в системах одновременных уравнений.
- •4. Генеральная совокупность и выборка. Свойства статистических оценок.
- •57. Структурная и приведенная формы модели в системах одновременных уравнений.
- •56. Типы систем одновременных уравнений. В чем особенность системы рекурсивных уравнений?
- •6. Экономическая интерпретация параметров линейной модели парной регрессии. Какой смысл может иметь свободный коэффициент?
- •55. Arima-модель.
- •7. Статистический смысл коэффициента детерминации. Какова связь между линейным коэффициентом корреляции и коэффициентом регрессии в линейной модели парной регрессии?
- •54. Типы моделей нестационарных временных рядов.
- •8. Баланс для сумм квадратов отклонений результативного признака. В каком случае общая ско равна факторной? Что происходит, когда общая ско равна остаточной?
- •53. Типы моделей стационарных временных рядов.
- •9. Число степеней свободы. Чему равны числа степеней свободы для различных ско в парной регрессии?
- •52. Стационарность временного ряда. Какой стационарный процесс называется «белым шумом»?
- •10. Проверка нулевой гипотезы о статистической незначимости уравнения регрессии в целом. Как используется f-статистика в регрессионном анализе?
- •51. Модель arma. Как интерпретируют параметры моделей авторегрессии?
- •11. Проверка нулевой гипотезы о статистической незначимости параметров уравнения регрессии. Как рассчитать критерий Стьюдента для коэффициента регрессии в линейной модели парной регрессии?
- •50. Прогнозирование на основе трендовой и тренд-сезонной моделей временных рядов. Чему равна сумма сезонных компонент в аддитивной модели временного ряда?
- •12. "Грубое" правило анализа статистической значимости коэффициентов регрессии. Какая связь между tb- и f- статистиками в парной линейной регрессии?
- •49. Этапы построения тренд-сезонных моделей временных рядов. В чем отличие аддитивной и мультипликативной моделей временных рядов?
- •13. Схема определения интервальных оценок коэффициентов регрессии.
- •48. Модель регрессии с фиксированным эффектом и модель регрессии со случайным индивидуальным эффектом. Оценивание модели со случайным индивидуальным эффектом.
- •14. Схема предсказания индивидуальных значений зависимой переменной. В каком месте доверительный интервал прогноза по парной модели является наименьшим?
- •47. Основные понятия и характеристики панельных данных.
- •15. Спецификация эмпирического уравнения линейной модели множественной регрессии. Что измеряют коэффициенты регрессии линейной модели множественной регрессии?
- •46. Прогноз вероятности по логит-модели. Прогноз вероятности по пробит-модели.
- •45. Проверка значимости коэффициентов в модели бинарного выбора?
- •44. Логит-модели и пробит–модели. Какова интерпретация коэффици-ентов моделей бинарного выбора?
- •18. Способы оценивания параметров регрессии в условиях мультиколлинеарности.
- •43. Замещающие переменные в регрессионных моделях.
- •19. Стандартизованный вид линейной модели множественной регрессии: форма записи и практическое применение. Как связаны стандартизованные коэффициенты регрессии с натуральными?
- •42. Исключение существенных переменных и включение несущественных переменных.
- •20. Скорректированный коэффициент детерминации. В чем недостаток использования коэффициента детерминации при оценке общего качества ли-нейной модели множественной регрессии?
- •41. Показатели корреляции при нелинейных соотношениях рассматриваемых признаков. Смысл средней ошибки аппроксимации.
- •21. Назначение частной корреляции при построении модели множе-ственной регрессии.
- •40. Коэффициенты эластичности в нелинейных регрессионных моделях.
- •22. Смысл и определение индекса множественной корреляции.
- •39. Индекс корреляции. Подбор линеаризующего преобразования (подход Бокса-Кокса).
- •23. Способы отбора факторов для включения в линейную модель множественной регрессии.
- •38. Линеаризация нелинейных моделей. Выбор формы модели.
- •24. Проверка обоснованности исключения части переменных из уравнения регрессии.
- •37. Классы и виды нелинейных регрессий.
- •25. Проверка обоснованности включения группы новых переменных в уравнение регрессии.
- •36. Тест Чоу в моделях с фиктивными переменными.
- •26. Частный f-критерий. Чем он отличается от последовательного f-критерия?
- •35. Смысл дифференциального свободного члена и дифференциального углового коэффициента в моделях с фиктивными переменными. ???
- •27. Гомоскедастичности и гетероскедастичности остатков регрессии. Каковы последствия гетероскедастичности остатков регрессии?
- •34. Правило применения фиктивных переменных. Ловушка фиктивных переменных.
- •28. Способы обнаружения гетероскедастичности остатков регрессии. Какие критерии могут быть использованы для проверки гипотезы о гомоскедастичности регрессионных остатков?
- •29. Способы устранения гетероскедастичности остатков регрессии. Метод взвешенных наименьших квадратов.
- •30. Автокорреляция случайных отклонений. Каковы основные причины и последствия автокорреляции?
- •31. Основные методы обнаружения автокорреляции.
46. Прогноз вероятности по логит-модели. Прогноз вероятности по пробит-модели.
Логит-модель – это модель, используемая для предсказания вероятности возникновения некоторого события путём подгонки данных к логистической кривой. Основное преимущество применения logit-моделей заключается в том, что не возникает проблем с интерпретацией результирующего показателя (R), который может принимать значения только в интервале от 0 до 1 и определяет номинальное значение вероятности наступления несостоятельности предприятия. Отметим что, в моделях вероятность банкротства не определяется поминальным значениям. Также моделям присуще наличие так называемых «зон неопределённости», при попадании в которые по значению рассчитанного рейтингового показателя нельзя сделать однозначный вывод о вероятности банкротства. В logit-моделях такие зоны отсутствуют, поскольку, если оценённая вероятность (R) больше, чем 0,5, то делается прогноз, что событие произойдет, а если меньше, чем 0,5 или равна – что событие не произойдет.
Пробит-модель позволяет оценить вероятность того, что анализируемая (зависимая) переменная примет значение 1 при заданных значениях факторов. В пробит-модели пробит-функция от вероятности моделируется как линейная комбинация факторов.
16. Требования к факторам для включения их в модель множественной регрессии. Мультиколлинеарность.
Требования к факторам, для включения в модель:
1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность.
2. Факторы не должны не должны быть интеркоррелированы и тем более находиться в точной функциональной связи. Включение в модель факторов с высокой интеркорреляцией, когда Ryx1<Rx1x2 для зависимости y = a + b1x1 + b2x2 + ε может привести к нежелательным последствиям - система нормальных уравнений может оказаться плохо обусловленной и повлечь за собой неустойчивость и ненадежность оценок коэффициентов регрессии.
Если между факторами существует высокая корреляция, то нельзя определить их изолированное влияние на результативный показатель и параметры уравнения регрессии оказываются неинтерпретируемыми.
3. Включаемые во множественную регрессию факторы должны объяснить вариацию независимой переменной. Если строится модель с набором р факторов, то для нее рассчитывается показатель детерминации R2, который фиксирует долю вариации результативного признака за счет рассматриваемых в регрессии р факторов.
При дополнительном включении в регрессию р+1 фактора коэффициент детерминации должен возрастать, а остаточная дисперсия уменьшаться.Если же этого не происходит и данные показатели практически мало отличаются друг от друга, то включаемый в анализ фактор xp+1 не улучшает модель и практически является лишним фактором.
Мультиколлинеарность — наличие линейной зависимости между объясняющими переменными (факторами) регрессионной модели.
При этом различают:
1) полную коллинеарность - означает наличие функциональной (тождественной) линейной зависимости 2) Частичную мультиколлинеарность — наличие сильной корреляции между факторами.