- •Содержание
- •Программа по эконометрике (35-36 группы)
- •Раздел I. Теория Глава 1. Определение эконометрики
- •1.1 Предмет эконометрики
- •Типы данных
- •Классы моделей
- •1.4 Оценивание моделей
- •1.5 Типы зависимости
- •1.6 Основные этапы эконометрического моделирования
- •Глава 2. Методы и модели анализа динамики экономических процессов
- •2.1 Понятие экономических рядов динамики
- •2.2 Предварительный анализ и сглаживание временных рядов
- •Метод проверки разности средних уровней
- •Метод Фостера-Стьюарта
- •Сглаживание
- •Метод простой скользящей средней
- •2.3 Оценка адекватности и точности трендовых моделей
- •Проверка точности
- •2.4 Трендовые модели на основе кривых роста
- •Классификация моделей
- •2.6 Модель Брауна (модель экспоненциального сглаживания)
- •Этапы построения модели Брауна первого порядка
- •2.7 Прогнозирование экономической динамики на основе трендовых моделей
- •Глава 3. Парная регрессия
- •Корреляция
- •Глава 4. Множественная регрессия и корреляция
- •4.1 Выбор формы уравнения регрессии
- •4.2 Определение мультиколлинеарности
- •1 Способ
- •2 Способ
- •Оценка значимости коэффициентов регрессии
- •4.3 Предпосылки метода наименьших квадратов
- •4.4 Метод Гольдфельдта-Квандта (для однофакторной модели)
- •Глава 5. Системы эконометрических уравнений
- •5.1 Понятие о системах уравнений
- •5.2 Структурная и приведенная формы модели
- •5.3 Проблема идентификации
- •Необходимое условие идентификации
- •Достаточные условия идентификации
- •5.4 Косвенный метод наименьших квадратов (кмнк)
- •5.5 Двухшаговый метод наименьших квадратов (дмнк)
- •Глава 6. Моделирование временных рядов (без учета сезонности)
- •Построение аддитивной и мультипликативной модели
- •Приложение
5.5 Двухшаговый метод наименьших квадратов (дмнк)
Основная идея ДМНК – на основе приведенной модели получить для сверхидентифицируемого уравнения теоретические значения эндогенных переменных, содержащихся в правой части уравнения.
Далее, подставив их вместо фактических значений, можно применить обычный МНК к структурной форме сверхидентифицируемого уравнения. Метод получил название двухшагового МНК, т.к. дважды используется МНК: на первом шаге при определении приведенной формы модели и нахождении на ее основе оценок теоретических значений эндогенной переменной и на втором шаге применительно к структурному сверхидентифицируемому уравнению про определении структурных коэффициентов модели по данным теоретических (расчетных) значений эндогенных переменных.
Сверхидентифицируемая модель может быть двух типов:
все уравнения системы сверхидентифицируемы;
система содержит наряду со сверхдентифицируемыми точно идентифицируемые уравнения.
Если все уравнения системы сверхидентифицируемые, то для оценки структурных коэффициентов каждого уравнения используется ДМНК. Если в системи присутствуют идентифицируемые уравнения, то структурных коэффициенты по ним находятся из системы приведенных уравнений.
Применим ДМНК к сверхидентифицируемой системе:
Данная модель может быть получена из модели:
если наложить ограничения на ее параметры, а именно:
В результате первое уравнения стало сверхидентифицируемым:
Второе уравнение не изменилось, осталось идентифицируемым:
Регион |
|
|
|
|
1 |
2 |
5 |
1 |
3 |
2 |
3 |
6 |
2 |
1 |
5 |
4 |
7 |
3 |
2 |
4 |
5 |
8 |
2 |
5 |
5 |
6 |
5 |
4 |
6 |
Среднее |
4 |
6,2 |
2,4 |
3,4 |
На первом шаге найдем приведенную форму модели:
На основе второго уравнения данной системы можно найти теоретические значения для эндогенной переменной , т.е.. Подставим значенияиво второе уравнение.
1 |
2 |
3 |
4 |
5 |
6 |
7 | |
-1,4 |
-0,4 |
0,103 |
-1,297 |
-2 |
2,594 |
1,682 | |
-0,4 |
-2,4 |
0,042 |
-0,358 |
-1 |
0,358 |
0,128 | |
0,6 |
-1,4 |
-0,035 |
0,565 |
0 |
0 |
0,319 | |
-0,4 |
1,6 |
0,020 |
-0,380 |
1 |
-0,380 |
0,144 | |
1,6 |
2,6 |
-0,130 |
1,470 |
2 |
2,940 |
2,161 | |
0 |
0 |
0 |
0 |
0 |
5,512 |
4,434 |
После того, как найдены оценки эндогенной переменной , обратимся к сверхидентифицируемому уравнению. Заменяя фактические значенияих оценками, найдем значение новой переменной.
Далее применяем МНК у уравнению , т.е.
Откуда:
Т.о.
Глава 6. Моделирование временных рядов (без учета сезонности)
Каждый уровень временного ряда формируется из T– трендовой компоненты,S– циклической компоненты,E– циклической случайной компоненты.
Модели, в которых временной ряд представлен как сума перечисленных компонент, называются аддитивными, как произведение –мультипликативнымимоделями.
- аддитивная модель
- мультипликативная модель
Перед построением этих моделей необходимо найти лаг, используяавтокорреляционную функцию– последовательность коэффициентов автокорреляции уровнейI-го,II-го, … порядка.
Коэффициенты автокорреляции:
;;
;;
Считается, что коэффициентов корреляции необходимо найти
Лаг– это порядок коэффициента корреляции.
Медианный лаг– это период, в течение которого с момента времениtбудет реализована половина общего воздействия фактора на результат.
График зависимости значений автокорреляционной функции от величины лага называют коррелограммой.
Если все коэффициенты автокорреляции близки в 1, то присутствует явная линейная зависимость, лаг равен единице, нет сезонности.