- •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.
71.Функция регрессии как оптимальный прогноз
Конечной целью статистического анализа временных рядов является прогнозирование будущих значений исследуемого показателя. Различают д/ср и кр/ср прогнозирование. В первом анализируется долговременная динамика исследуемого процесса, и главным считается выделение общего направления его изменения (тренда). Для предсказания кр/ср колебаний проводится более детальный регрессионный анализ с целью выявления большого числа показателей, определяющих поведение исследуемой величины.
Пусть оценивается модель вида Y^t = b0+b1*xt в момент времени (). ЗначениеY^t+p – значение по уравнению регрессии, построенному по МНК. Тогда доверительный интервал для действительного значения множественной регрессии имеет вид:
где – критическое значение, определяемое для соответствующего уровня значимостии числа степеней свободы; – стандартная ошибка оценки (стандартная ошибка регрессии); – значение объясняющей переменной в момент (); – дисперсия переменной.
После получения прогнозных значений необходимо проверить качество прогноза. Для этого используются следующие показатели:
Относительная ошибка прогноза, вычисляемая по формуле:
или
Чем больше значение ошибки (выраженное в процентах), тем хуже качество прогноза.
Стандартная среднеквадратическая ошибка, рассчитываемая по формуле:
где – количество прогнозных периодов.
Значения показателя лежат в интервале от нуля до единицы.
При прогноз абсолютно точен. Таким образом, чем ближе значениек нулю, тем точнее прогноз.
Точечный прогноз осуществляется путем подстановки требуемого значения в полученное уравнение регрессии.
Интервальная оценка для линейной парной регрессии находится из условия:
где L - период упреждения;
уn+L- точечный прогноз по модели на (n+L)-й момент времени;
n- количество наблюдений во временном ряду;
Sy -стандартная ошибка прогнозируемого показателя, рассчитанная по ранее приведенной формуле;
ta- табличное значение критерия Стьюдента для уровня значимости а и для числа степеней свободы, равногоn— 2.
72.Характеристики сервиса «Описательная статистика».
Инструмент "Описательная статистика" автоматически вычисляет наиболее широко используемые в практическом анализе характеристики распределений. При этом значения могут быть определены сразу для нескольких исследуемых переменных.
Определим параметры описательной статистики для переменных(а,б,в,г,д…). Для этого необходимо выполнить следующие шаги.
1.Выберите в главном меню тему "Сервис" пункт "Анализ данных". Результатом выполнения этих действий будет появление диалогового окна "Анализ данных", содержащего список инструментов анализа.
2.Выберите из списка "Инструменты анализа" пункт "Описательная статистика" и нажмите кнопку "ОК". Результатом будет появление окна диалога инструмента "Описательная статистика".
3.Заполнить поля диалогового окна и нажать кнопку "ОК".
Результатом выполнения указанных действий будет формирование отдельного листа, содержащего вычисленные характеристики описательной статистики для исследуемых переменных.
Получаем данные на листе "Результаты анализа". Вторая строка содержит значения стандартных ошибок e для средних величин распределений. Другими словами среднее или ожидаемое значение случайной величины М(Е) определено с погрешностью ± e .
Медиана – это середина численного ряда или интервала. Как и математическое ожидание, медиана является одной из характеристик центра распределения случайной величины. В симметричных распределениях значение медианы должно быть равным или достаточно близким к математическому ожиданию.
Мода – наиболее часто встречающееся значение в интервале данных. Для симметричных распределений мода равна математическому ожиданию. Иногда мода может отсутствовать.
Эксцесс характеризует остроконечность (положительное значение) или пологость (отрицательное значение) распределения по сравнению с нормальной кривой. Теоретически, эксцесс нормального распределения должен быть равен 0. Однако на практике для генеральных совокупностей больших объемов его малыми значениями можно пренебречь.
Асимметричность (коэффициент асимметрии) характеризует смещение распределения относительно математического ожидания. При положительном значении коэффициента распределение скошено вправо, т.е. его более длинная часть лежит правее центра (математического ожидания) и обратно. Для нормального распределения коэффициент асимметрии равен 0. На практике, его малыми значениями можно пренебречь.
Величина "Интервал" определяется как разность между максимальным и минимальным значением случайной величины (численного ряда).
Параметры "Счет" и "Сумма" представляют собой число значений в заданном интервале и их сумму соответственно.
Последняя характеристика "Уровень надежности" показывает величину доверительного интервала для математического ожидания согласно заданному уровню надежности или доверия. По умолчанию уровень надежности принят равным 95%. Чем выше принятый уровень надежности, тем больше будет величина доверительного интервала для среднего.
Расчет доверительного интервала для среднего значения можно также осуществить с помощью специальной статистической функции ДОВЕРИТ()