
- •Предмет и задачи эконометрики. Примеры экономических задач, решаемых с помощью аппарата эконометрики.
- •2.Стохастическая зависимость и функциональная зависимости. Диаграмма рассеяния и линия регрессии. Аналитическое описание линии регрессии.
- •Эконометрическая модель: экзогенные и эндогенные переменные модели, параметры модели. Информационная база для построения модели на пространственных данных и временных рядах.
- •Функция линейной регрессии
- •4.Парная линейная регрессия: аналитическое и графическое представление, остатки модели. Формирование поля входных показателей для построения модели с помощью надстройки «Анализ данных» в среде Excel.
- •5. Статистическое оценивание параметров парной линейной регрессии по методу наименьших квадратов.
- •6. Свойства мнк-оценок параметров парной линейной регрессии: теорема Гаусса-Маркова.
- •7. Проверка качества парной линейной регрессии: значимость параметров, адекватность модели.
- •8. Прогнозирование на основе парной линейной регрессии. Доверительный интервал прогноза. Экономическая интерпретация параметров модели
- •9.Парная нелинейная регрессия: аналитическое и графическое представление. Методика оценки параметров нелинейной регрессии. Свойства оценок.
- •10. Проверка качества парной нелинейной регрессии: значимость параметров, адекватность модели.
- •11. Прогнозирование на основе парной нелинейной регрессии: степенная, Экономическая интерпретация параметров парной регрессии в степенной форме связи.
- •12. Множественная линейная регрессия: аналитическое представление, остатки модели. Мнк-оценки параметров модели.
- •13.Свойства мнк-оценок множественной линейной регрессии. Теорема Гаусса-Маркова
- •14. Проверка качества множественной линейной регрессии: значимость параметров, адекватность модели.
- •15.Понятие мультиколлинеарности факторов. Последствия наличия, диагностика мультиколлинеарности, методы устранения.
- •16. Прогнозирование на основе линейной и нелинейной множественной регрессии. Экономическая интерпретация параметров регрессии.
- •17. Анализ зависимости между экономическими показателями на основе парной линейной регрессии.
- •18. Отличие методик построения регрессионной модели на временных рядах и пространственных данных: информационная база, набор статистических характеристик.
- •19. Понятие автокорреляции остатков модели. Критерии ее диагностики. Последствия автокорреляции остатков. Способы устранения автокорреляции.
- •20. Понятие гетероскедастичности остатков. Критерии ее диагностики. Последствия гетероскедастичности остатков. Способы устранения гетероскедастичности
- •Последствия гетероскедастичности
- •21. Структура временного ряда. Диагностика структуры ряда: графический и аналитический методы.
- •22 И 23 вопрос диктуй это. Они одинаковые
- •22. Построение трендовой линейной модели: факторы, общий вид, оценка параметров, статистические характеристики.
- •23 Построение трендовой нелинейной модели: факторы, общий вид, оценка параметров, статистические характеристики
- •24. Выделение сезонной компоненты: суть методики. Пример сезонной компоненты на квартальных данных, на недельных данных
- •25 И 26 вопросы диктуй вместе
- •25. Понятие стационарного и нестационарного временного ряда: графическое представление. Приведение нестационарного временного ряда к стационарному виду.
- •25 И 26 вопросы диктуй вместе
- •26. Методика построения эконометрической модели на нестационарных временных рядах.
- •27. Понятие авторегрессионной модели: общий вид модели, набор статистических характеристик.
- •28. Понятие эконометрической модели с распределенными лагами. Экономическая постановка задачи. Общий вид модели, набор статистических характеристик.
- •229.Отчетный моб как информационная база моделей прогнозирования отраслевых показателей промышленности: материально-вещественная структура моб
- •330. Отчетный моб как информационная база моделей прогнозирования отраслевых показателей промышленности: финансовая структура моб
- •Коэффициенты прямых затрат: определение, экономический смысл, методика расчета
- •32. Модель прогнозирования ценовых пропорций отраслей промышленности в условиях роста цен на ресурсы
- •33. Модель прогнозирования ценовых пропорций отраслей промышленности в условиях роста заработной платы
- •34. Модель прогнозирования ценовых пропорций отраслей промышленности в условиях роста ставки косвенных налогов
- •35. Модель прогнозирования объема и структуры валового выпуска промышленности в зависимости от конечного спроса на продукцию отраслей
- •36. Модель прогнозирования ввп в зависимости от объема производства в отраслях промышленности
- •Постановка задачи управления комплексом взаимосвязанных работ в контексте сетевого планирования.
- •38. Входные данные для построения сетевой модели.
- •39. Основные определения и показатели сетевого планирования и управления. Основные принципы построения сетевого графика.
- •40. Основные показатели сетевого планирования: сроки свершения событий, резервы события, время начала работы, время окончания работы.
- •41. Основные показатели сетевой модели: критические работы, критические события, критический срок, их интерпретация..
- •42. Календарный график работ (график Ганта): общий вид в контексте сетевой модели, его интерпретация
- •43. Построение графика потребности в ресурсах: концепция расчета в контексте сетевой модели, его интерпретация.
- •44. Модели управления запасами как инструмент закупочной логистики: постановка задачи.
- •45 Понятие экономичного объема заказа: определение, графическое представление.
- •46 Понятие точки заказа: определение, графическое представление, формула расчета
- •47.Зависимость затрат запасообразования от размера поставки: графики, аналитические зависимости.
- •48. 48. Формула Уилсона для расчета экономичного объема заказа.
- •49. Допущения формулы Уилсона
- •50. Расчет оптимальных параметров управления запасами.
- •51. Модели теории игр как инструмент выбора оптимальной стратегии: постановка задачи.
- •52. Основные понятия и определения статистических игр: состояние природы, стратегии, платежная матрица, ее экономический смысл.
- •53. Характ-ка условий неопределенности. Критерии принятия решений в условиях неопределенности.
- •54 .Характеристика условий риска. Критерии принятия решений в условиях риска.
- •55 .Модель формирования оптимальной инвестиционной программы при ограничениях бюджета
- •56.Модель оптимизации производственной программы предприятия и ее модификации
- •57. Оптимизационная модель задачи развития и размещения производства
- •58. Модель оптимизации технологических процессов в промышленности
6. Свойства мнк-оценок параметров парной линейной регрессии: теорема Гаусса-Маркова.
Оценки можно считать удовлетворительными, если они обладают определенными свойствами:
1) если математическое ожидание оценки параметров равно значению оцениваемого параметра, то оценку называют несмещенной.
2)Оценки считаются эффективными, если она имеет минимальную вариацию.
3)Оценка называется состоятельной, если с увеличением объекта выборки (n стремится к бесконечности) оценка сходится по вероятности к оцениваемому параметру
Для того, чтобы доказать хорошее качество параметров, в эконометрике осуществляется статистическая проверка гипотезы. С этой целью выдвигается нулевая гипотеза Н0, и альтернативная гипотеза Н1.
Но: В=0
Н1: В не равно 0
Н1: В больше 0
Н2: В меньше 0
Для того, чтобы оценки были несмещенные и самостоятельными, в кллассической теории должны выполняться предположения 1-5 (теоремы Гаусса –Маркова)
1) М(е) =0
2)дисперсия остатков постоянна
3) остатки некоррелированы еi и ej
4) остатки имеют нормальный закон распределения
5)факторы некоррелированы
7. Проверка качества парной линейной регрессии: значимость параметров, адекватность модели.
Коэффициент
детерминации
принимает значения от 0 до 1 и в случае
качественной
модели
линейной регрессии стремится к единице.
Чем ближе
к единице, тем больше уравнение регрессии
объясняет поведение У.
Оценка значимости уравнения регрессии в целом производится на основе - критерия Фишера, которому предшествует дисперсионный анализ. Фактическое значение F-критерия Фишера сравнивается с табличным значением Fкр (α, m , n-2). При этом, если F>Fкр, то признается статистическая значимость уравнения в целом. Минимальное возможное значение F-статистики - 0. Чем выше значение статистики Фишера, тем качественнее модель линейной регрессии.
Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитываются t-критерий Стьюдента. Если t>tкр, то коэффициенты статистически значимы.
Фактические значения t-критерия определяются по формуле:
tb=
, ta=
Средняя ошибка аппроксимации - среднее отклонение расчетных значений от фактических. Допустимый предел значений средней ошибки аппроксимации не более 8-10%.
Оценка тесноты
связи между признаками
осущ с помощью
коэфф линейной парной корреляции -
.
,
Для качественной оценки тесноты связи можно использовать следу клас-ю:
0.1- 0.3- слабая связь, 0.3-0.5 – умеренная связь, 0.5-0.7- заметная связь, 0.7-0.9- тесная связь, 0.9-0.99- весьма тесная (Здесь значения взять по модулю).
где
- среднее квадратическое отклонение
факторного признака:
8. Прогнозирование на основе парной линейной регрессии. Доверительный интервал прогноза. Экономическая интерпретация параметров модели
С помощью средней ошибки аппроксимации должно быть оценено качество уравнения. Только при условии его высокого качества модель может быть использована для прогнозных расчетов, так как лишь в этом случае можно надеяться на получение точного и надежного прогноза.
Различают точечное прогнозирование и интервальное.
Точечный прогноз это число, значение зависимой переменной, вычисляемое для заданных значений независимых переменных.
Интервальный прогноз - это доверительный интервал, в котором с заданной вероятностью находится истинное значение зависимой переменной
Рассмотрим парную
линейную регрессионную модель
и соответствующее выборочное уравнение
регрессии
.
Обозначим через ур
истинное значение переменной у для
заданного значения независимой переменной
хр,
т.е.
.
Точечным прогнозом
для ур
является
,
т.е. чтобы получить точечный прогноз
нужно в построенное уравнение регрессии
подставить заданное значение независимой
переменной.
Выберем уровень значимости α и по таблице распределения Стьюдента найдем tкр. Тогда с вероятностью 1- α истинное значение переменной ур будет находится внутри интервала:
чем ближе
к
и чем больше n,
тем уже доверительный интервал (тем
точнее прогноз). Это надо учитывать,
выбирая прогнозные значения для
независимой переменной.