- •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.
58. Идентификация модели в системах одновременных уравнений.
Идентификация – это единственность соответствия между приведенной и структурной формами модели.
С позиции идентифицируемости структурные модели можно подразделить на три вида:
- идентифицируемые;
- неидентифицируемые;
- сверхидентифицируемые.
Модель идентифицируема, если все структурные ее коэффициенты определяются однозначно, единственным образом по коэффициентам приведенной формы модели, т.е. число параметров структурной модели равно числу параметров приведенной формы модели. D+1 = Н
Модель неидентифицируема, если число приведенных коэффициентов меньше числа структурных коэффициентов, и в результате структурные коэффициенты не могут быть оценены через коэффициенты приведенной формы модели. D+1 < Н
Модель сверхидентифицируема, если число приведенных коэффициентов больше числа структурных коэффициентов. В этом случае на основе приведенных коэффициен-тов можно получить два или более значений одного структурного коэффициента. Сверхидентифицируемая модель, в отличие от неидентифицируемой, практически решаема, но требует для этого специальных методов исчисления параметров. D+1 > Н
Н – число эндогенных переменных в i- ом уравнении системы,
D – число экзогенных переменных, которые содержатся в системе
4. Генеральная совокупность и выборка. Свойства статистических оценок.
Генеральная совокупность - Вся исследуемая совокупность однородных объектов.
Выборка - Исследуемая совокупность случайно отобранных объектов из генеральной совокупности.
В качестве оценок параметров распределения генеральной совокупности берутся их выборочные оценки. При этом различают 2 вида оценок: точечные, интервальные.
Точечная
оценка
параметра
-
числовое значение этого параметра,
полученное по выборке объема n . Выборка
носит случайный характер, то оценка
является
СВ, принимающей различные значения для
различных выборок. Любую оценку
называют статистикой или статистической
оценкой параметра
.
Качество оценок имеет следующие свойства:
1)Оценка
называется
несмещенной
оценкой параметра
, если ее математическое ожидание равно
оцениваемому параметру
.
В противном случае – оценка называется
смещенной .
2)
Разность
-
называется смещением
или систематической ошибкой оценивания.
Для несмещенных оценок систематическая
ошибка равна нулю. Если
,
то
завышает
среднее значение
.
В этом случае она будет иметь наименьшую
среди других оценок дисперсию.
3)
Оценка
называется
эффективной
оценкой параметра
,
если ее дисперсия
меньше
дисперсии любой другой альтернативной
несмещенной оценки при фиксированном
объеме выборки n,
т.е.
4)
Оценка называется асимптотически
эффективной,
если с увеличением объема выборки ее
дисперсия стремится к нулю, т.е
5)
Оценка
называется состоятельной
оценкой параметра
,
если
сходится по вероятности к оцениваемому
параметру
при
.
Состоятельная
оценка –
оценка, которая дает истинное значение
при достаточно большом объеме выборки
вне зависимости от значений входящих
в нее конкретных наблюдений n.
