- •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.
53.Регрессионные модели с фиктивными переменными.
Термин “фиктивные переменные” используется как противоположность “значащим” переменным, показывающим уровень количественного показателя, принимающего значения из непрерывного интервала. Как правило, фиктивная переменная — это индикаторная переменная, отражающая качественную характеристику. Чаще всего применяются бинарные фиктивные переменные, принимающие два значения, 0 и 1, в зависимости от определенного условия. Например, в результате опроса группы людей 0 может означать, что опрашиваемый - мужчина, а 1 - женщина.
Рассмотрим модель регрессии, характеризующую зависимость переменной размера заработной платы у от переменной стажа работников х с различным образованием. Качественная переменная «образование» может принимать три значения: среднее, среднее специальное и высшее. Для включения факторной переменной «образование» в модель регрессии, необходимо ввести две новых фиктивных переменных, потому что их количество должно быть на единицу меньше, чем значений качественной переменной.
Следовательно, качественная переменная «образование» может быть представлена в виде:
Модель регрессии, характеризующая зависимость переменной размера заработной платы у от переменной стажа работников х с различным образованием, примет вид: y=β0+β1x+β2D1+ β3D2.
Моделью регрессии без ограничений называется модель регрессии, в которую включены все фиктивные переменные. Базисной моделью или регрессией с ограничениями называется модель регрессии, в которой все значения фиктивных переменных равны нулю.
54.Свойства временных рядов
Временной ряд – это датированная целочисленными моментами времени t экономическая переменная . Эта переменная служит количественной характеристикой некоторого экономического объекта, поэтому изменение этой переменной во времени определяется факторами, оказывающими воздействие на данный объект с ходом времени. Все факторы делятся на 3 класса.
1 класс: факторы («вековые» воздействия), результирующее влияние которых на данный объект на протяжении длительного отрезка времени не изменяют своего направления. Они порождают монотонную составляющую (тенденцию или тренд).
2 класс: факторы (циклические воздействия), результирующее влияние которых на объект совершает законченный круг в течение некоторого фиксированного промежутка времени T.
3 класс: факторы (случайные воздействия),результирующее влияние которых на объект с высокой скоростью меняет направление и интенсивность.
3 Класс факторов позволяют интерпретировать величину вкаждый период времени как случайную переменную. Закон распределения этой переменной зависит от переменной времениt , т.е. . Следовательно, от переменной времениt зависят и основные количественные характеристики временного ряда :.
55.Составление спецификации модели временного ряда.
Временной ряд - это совокупность значений какого-либо показателя за несколько последовательных моментов или периодов. Модели, построенные по данным, характеризующим один объект за ряд последовательных моментов (периодов), называются моделями временных рядов.
Каждый уровень временного ряда формируется из трендовой (T), циклической (S) и случайной (Е) компонент. Модели, в которых временной ряд представлен как сумма перечисленных компонент, - аддитивные модели, как произведение -мультипликативные модели временного ряда. Аддитивная модель имеет вид: Y = Т + S + Е; мультипликативная модель: Y=T* S • Е, где Т- тренд, S- сезонная составляющая, Е – случайная составляющая .
Построение модели включает следующие шаги:
выравнивание исходного ряда методом скользящей средней;
расчет значений сезонной компоненты S;
устранение сезонной компоненты из исходных уровней ряда и получение выровненных данных в аддитивной (Т + Е) или в мультипликативной (Т * Е) модели;
аналитическое выравнивание уровней (Т + Е) или (Т * Е) и расчет значений Т с использованием полученного уравнения тренда;
расчет полученных по модели значений (T + S) или (Т * S);
расчет абсолютных и/или относительных ошибок.
Построение аналитической функции для моделирования тенденции (тренда) временного ряда называют аналитическим выравниванием временного ряда.
Параметры трендов определяются обычным МНК, в качестве независимой переменной выступает время t = 1, 2, ..., п, а в качестве зависимой переменной - фактические уровни временного ряда уt.
Критерием отбора наилучшей формы тренда является наибольшее значение скорректированного коэффициента детерминации R2.