- •Содержание
- •Автокорреляция случайного возмущения. Причины. Последствия.
- •Алгоритм проверки адекватности парной регрессионной модели.
- •Алгоритм проверки значимости регрессора в парной регрессионной модели
- •4. Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •5. Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений.
- •6.Гетероскедастичность случайного возмущения. Причины.
- •7.Динамическая модель из одновременных линейных уравнений (привести пример)
- •8.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
- •Необходимое условие идентифицируемости
- •9. Индивидуальная оценка значения зависимой переменной
- •10. Интервальная оценка индивидуального значения зависимой переменной
- •11.Классическая парная регрессионная модель. Спецификация модели.
- •12.Коэффициент детерминации в регрессионной модели.
- •13.Ковариация, коэффициент корреляции и индекс детерминации.
- •14.Количественные характеристики взаимосвязи пары случайных переменных
- •15.Коэффициент корреляции и индекс детерминации.
- •16.Линейная модель множественной регрессии
- •17.Метод наименьших квадратов: алгоритм метода; условия применения
- •18.Метод показателей информационной ёмкости
- •19.Методы подбора переменных в модели множественной регрессии
- •20.Методы сглаживания временного ряда.
- •21, 52. Модели временных рядов
- •22.Модели с бинарными фиктивными переменными
- •23.Модели с частичной корректировкой
- •24.Настройка модели с системой одновременных уравнений.
- •25, 26. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов
- •27.Нормальный закон распределения как характеристика случайной переменной
- •28.Обобщённый метод наименьших квадратов
- •29, 30. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение
- •31. Определение соответствия распределения случайных возмущений нормальному закону распределения
- •32. Основные числовые характеристики вектора остатков в классической множественной регрессионной модели.
- •33.Отражение в модели влияния неучтённых факторов
- •34.Отражение в эконометрических моделях фактора времени
- •35, 36, 45.Оценивание линейной модели множественной регрессии в Excel
- •37.Оценивание регрессионной модели с фиктивной переменной наклона
- •38.Оценка коэффициентов модели Самуэльсона-Хикса
- •39. Оценка параметров множественной регрессионной модели методом наименьших квадратов
- •40. Оценка параметров парной регрессионной модели методом наименьших квадратов
- •41. Оценка статистической значимости коэффициентов модели множественной регрессии.
- •Ситуации
- •42. Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •43. Подбор переменных в модели множественной регрессии методом «снизу вверх»
- •44. Подбор переменных в модели множественной регрессии методом исключения переменных («сверху вниз»).
- •46. Последствия гетероскедастичности. Тест gq
- •47. Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии
- •48. Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных
- •49. Принципы спецификации эконометрических моделей и их формы
- •50. Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности
- •51. Прогнозирование экономических переменных. Проверка адекватности модели
- •53.Регрессионные модели с фиктивными переменными.
- •54.Свойства временных рядов
- •55.Составление спецификации модели временного ряда.
- •56, 57. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •58.Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений.
- •59.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •60.Статистические свойства оценок параметров парной регрессионной модели
- •61.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •62.Схема Гаусса – Маркова
- •63.Теорема Гаусса-Маркова
- •64. Тест ошибочной спецификации Рамсея.
- •Тест Стьюдента
- •66, 67. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •68. Устранение автокорреляции в парной регрессии
- •69. F-тест качества спецификации множественной регрессионной модели.
- •70. Фиктивная переменная наклона: назначение; спецификация
- •71.Функция регрессии как оптимальный прогноз
- •72.Характеристики сервиса «Описательная статистика».
- •73. Метод наибольшего прадоподобия
- •Последовательность решения:
- •74. Что такое стационарный процесс
- •75. Эконометрика, её задача и метод.
- •76.Экспоненциальное сглаживание временного ряда
- •77. Этапы построения эконометрических моделей
- •78. Этапы решения экономико-математических задач.
24.Настройка модели с системой одновременных уравнений.
Имеем элементарную модель конкурентного рынка
По результатам наблюдений необходимо получить оценки параметров a0, a1, b0, b1
(1)
Чтобы получить эти оценки, Вспомним, что на спрос влияет располагаемый доход
Введение в первое уравнение системы (1) дополнительной экзогенной переменной xt привело к тому, что второе уравнение стало идентифицируемо.
Правило. Для устранения проблемы идентификации необходимо:
1. Дополнить уравнения системы дополнительными предопределенными переменными
2. Дополнительные переменные включаются в уравнения смежные с неидентифицируемыми
Идентифицируемая модель конкурентного рынка
Остается определить, какие уравнения в модели являются неидентифицируемые
Для этих ответов пользуемся теоремой «правило порядка». Вопрос № 8 (ниже кратко):
Пусть i-ое поведенческое уравнение модели (2.4) идентифицируемо. Тогда справедливо неравенство
Mi (пред) G – Mi (энд) – 1. (2.5)
В нём:
Mi (пред) – количество предопределённых переменных модели, не включённых в i-ое уравнение; Mi (энд) – количество эндогенных переменных модели, не включённых в i-ое уравнение.
25, 26. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов
Y – уровень выпуска продукции, K – уровень основного капитала, L – уровень рабочей силы.
Оценка:
Далее ЛИНЕЙН.
27.Нормальный закон распределения как характеристика случайной переменной
Непрерывная случайная величина Х называется распределенной по нормальному закону с параметрами μ и σ, если ее плотность распределения есть
где параметр μ — среднее значение (математическое ожидание) случайной величины и указывает координату максимума кривой плотности распределения, а σ² — дисперсия.
Нормальное распределение зависит от двух параметров — смещения и масштаба, то есть является с математической точки зрения не одним распределением, а целым их семейством. Значения параметров соответствуют значениям среднего (математического ожидания) и разброса (стандартного отклонения).
Стандартным нормальным распределением называется нормальное распределение с математическим ожиданием 0 и стандартным отклонением 1.
Если случайные величины X1 и X2 независимы и имеют нормальное распределение с математическими ожиданиями μ1 и μ2 и дисперсиями исоответственно, то X1 + X2 также имеет нормальное распределение с математическим ожиданием μ1 + μ2 и дисперсией.
Нормальное распределение часто встречается в природе. Например, следующие случайные величины хорошо моделируются нормальным распределением:
отклонение при стрельбе
погрешности измерений
рост живых организмов
28.Обобщённый метод наименьших квадратов
При наличии гетероскедастичности целесообразно использовать обобщенный метод наименьших квадратов (ОМНК). Фактически при этом корректируется модель, изменяются ее спецификации, преобразуются исходные данные для обеспечения несмещенности, эффективности и состоятельности оценок коэффициентов регрессии.
Предполагается, что среднее остатков равно нулю, но дисперсия уже не является постоянной, а пропорционально величинам Ki, где величины представляют собой коэффициенты пропорциональности, различные для различных значений фактора х. Таким образом, именно эти коэффициенты характеризуют неоднородность дисперсии.
Исходная модель после введения этих коэффициентов в уравнение множественной регрессии продолжает оставаться гетероскедастичной (точнее таковыми являются остаточные величины (остатки) модели). Пусть эти остаточные величины не являются автокоррелированными. Часто считают, что эти остатки просто пропорциональны значениям фактора. Наиболее простой вид модель принимает, когда принимается гипотеза о том, что ошибки пропорциональны значениям последнего по порядку фактора. Введем новые переменные, получающиеся делением исходных переменных модели, зафиксированные в результате i- наблюдения, на корень квадратный из коэффициентов пропорциональности Ki. Тогда получаем новое уравнение в преобразованных переменных, в котором уже остатки гомоскедастичны. Сами новые переменные – это взвешенные старые (исходные) переменные.