- •2. Автокорреляция случайных возмущений: определение, причины, последствия, количественные характеристики вектора случайных возмущений в условиях автокорреляции
- •3.Алгоритм проверки адекватности множественной регрессионной модели
- •4. Алгоритм проверки значимости регрессоров в множественной регрессионной модели: выдвигаемая статистическая гипотеза, процедура ее проверки, формулы для расчета статистики
- •5. Анализ влияния факторов на зависимую переменную по модели регрессии
- •6. Анализ матрицы коэффициентов парной корреляции. Проверка значимости коэффициентов корреляции
- •7. Способы включения случайного возмущения в спецификацию нелинейной модели
- •8. Гетероскедастичность случайного возмущения: определение, причины, последствия, количественные характеристики вектора случайных возмущений в условиях гетероскедастичности
- •9. Диагностика эконометрических моделей: тестирование гетероскедастичности случайного возмущения (тест Голдфельда-Квандта)
- •10. Диагностика эконометрических моделей: тестирование гетероскедастичности случайного возмущения (тест Уайта)
- •11. Диагностика эконометрических моделей: тестирование значимости структурных изменений в экономике (тест Чоу)
- •12. Диагностика эконометрических моделей: тестирование функциональной формы (тест Рэмси reset)
- •13. Классификация эконометрических моделей для панельных данных
- •14. Классическая множественная регрессионная модель: спецификация, предпосылки
- •15. Классическая множественная регрессионная модель: числовые характеристики вектора мнк-оценок параметров.
- •16. Классическая множественная регрессионная модель: числовые характеристики вектора оценок эндогенной переменной
- •17. Классическая множественная регрессионная модель: числовые характеристики вектора ошибок прогнозов
- •19. Линейно-вероятностная модель с дискретной зависимой переменной. Спецификация модели
- •20. Матричная форма метода наименьших квадратов: спецификация множественной регрессионной модели в матричной форме, вывод оценки вектора параметров модели
- •21. Методы обнаружения мультиколлинеарности
- •22. Модели бинарного выбора. Логит и пробит модели
- •23. Модель панельных данных со случайными эффектами
- •24. Объединённая модель панельных данных
- •25. Модели для панельных данных: типы моделей
- •26. Модель бинарного выбора: Спецификация модели. Оценка параметров модели методом максимального правдоподобия
- •Линейно-вероятностная модель (lpm-Linear Probability Model)
- •27. Мультиколлинеарность и методы ее устранения
- •28. Обобщенный метод наименьших квадратов
- •29. Обобщенный метод наименьших квадратов структурных изменений в экономике: использование фиктивных переменных, тест Чоу
- •30. Определение структурных изменений в экономике: использование фиктивных переменных, тест Чоу
- •31. Основные числовые характеристики вектора остатков в классической множественной регрессионной модели. Оценка дисперсии возмущений модели множественной регрессии
- •32. Основные этапы эконометрического моделирования
- •Сбор статистической информации об объекте исследования
- •Оценка параметров модели (параметризация, настройка)
- •Проверка адекватности модели (верификация)
- •33. Оценка параметров парной регрессионной модели методом наименьших квадратов (суть метода, вывод формул для нахождения оценок коэффициентов через систему нормальных уравнений)
- •35. Показатели качества модели: коэффициент детерминации (обычный, скорректированный)
- •36. Пошаговые процедуры отбора факторов в модель регрессии
- •38. Проблема мультиколлинеарности в моделях множественной регрессии. Виды мультиколлинеарности, признаки, последствия
- •39. Проблема мультиколлинеарности в моделях множественной регрессии: полная мультиколлинеарность (определение, последствия, пример способа устранения)
- •40. Последствия и признаки частичной мультиколлинеарности
- •41. Прогнозирование на основе модели множественной регрессии
- •42. Свойства оценок мнк (определения и смысл)
- •43. Структурная и приведённая формы спецификации эконометрических моделей
- •44. Схема проведения эконометрических исследований (краткая характеристика каждого этапа)
- •46. Тест Бреуша-Годфри на наличие (отсутствие) автокорреляции случайных возмущений: предпосылки, нулевая гипотеза, тестовая статистика, алгоритм
- •47. Тест Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений: предпосылки, нулевая гипотеза, тестовая статистика, алгоритм
- •48. Тестирование мультиколлинеарности. Метод Фаррара-Глоубера
- •49. Типы нелинейности эконометрических моделей. Оценивание эконометрических моделей нелинейных по переменным
- •51. Модель Кобба-Дугласа. Оценка линеаризуемой нелинейной модели и проверка ее адекватности.
- •52. Типы переменных в эконометрических моделях. Типы экономических моделей (примеры)
- •Модели временных рядов;
- •Регрессионные модели с одним уравнением;
- •Системы одновременных уравнений
- •53. Фиктивные переменные наклона. Спецификация моделей. Примеры
- •54. Фиктивные переменные: определение, назначение, типы (спецификация, смысл параметра при фиктивной переменной)
- •55. Эконометрическое исследование: определение, задача, цель, метод. Назначение эконометрических моделей
- •56. Доступный метод взвешенных наименьших квадратов: способ корректировки переменных; числовые характеристики возмущений в преобразованной модели
- •57. Способы корректировки автокорреляции: алгоритм метода Кохрейна-Оркатта.
- •58. Способы корректировки автокорреляции: алгоритм метода Хилдрета-Лу
- •59. Способы корректировки автокорреляции: поправка Прайса-Уинстона в авторегрессионной схеме первого порядка
- •60. Методы обнаружения мультиколлинеарности. Метод дополнительных регрессий
28. Обобщенный 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.
29. Обобщенный метод наименьших квадратов структурных изменений в экономике: использование фиктивных переменных, тест Чоу
Тест Чоу (Чжоу, англ. Chow test) — применяемая в эконометрике процедура проверки стабильности параметров регрессионной модели, наличия структурных сдвигов в выборке. Фактически тест проверяет неоднородность выборки в контексте регрессионной модели.
Истинные значения параметров модели могут теоретически различаться для разных выборок, так как выборки могут быть неоднородны. В частности, при анализе временных рядов может иметь место так называемый структурный сдвиг, когда со временем изменились фундаментальные характеристики изучаемой системы. Это означает, что модель до этого сдвига и модель после сдвига вообще говоря разные. Например, экономика в 1998—1999 году и в 2008—2009 годах претерпевала структурные изменения в связи с кризисными явлениями, поэтому параметры макроэкономических моделей могут быть разными, до и после этих моментов.
Суть теста Чоу заключается в следующем:
полная выборка объема n разбивается на две подвыборки А и В объемами n1 и n2 соответственно (n = n1 + n2);
для полной выборки, а также для подвыборок А и В оцениваются параметры линейных уравнений регрессии:
,
(0)
,
(1)
;
(2)
выдвигается и проверяется с помощью F-статистики гипотеза о равенстве друг другу соответствующих коэффициентов регрессии, а именно гипотеза
,
;Наблюдаемое значение статистики вычисляется по выборочным данным на основании формулы
,
где
– сумма квадратов отклонений выборочных
значений
от соответствующих значений, рассчитанных
по уравнению регрессии (j),
,
,
– объем выборки.
Построенная
F-статистика имеет распределение Фишера
с числами степеней свободы
и
.
Если
,
то гипотеза
отклоняется. В этом случае моделирование
следует осуществлять с помощью
кусочно-линейной модели. Если же
,
то нет оснований отклонять нулевую
гипотезу, а значит, ее моделирование
следует осуществлять с помощью единого
для всей совокупности уравнения.
