- •Поняття економетричної моделі, її складові частини.
- •Причини, які спонукають появу випадкової складової в регресійних моделях.
- •Етапи побудови економетричної моделі.
- •Параметри моделі парної лінійної регресії, їх сутність та оцінювання.
- •Закони розподілу ймовірностей емпіричних параметрів , їх числові характерстики та статистичні властивості.
- •Обчислення значень вибіркових дисперсій , , для парної регресії.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою t-критерію.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою f-критерію.
- •Перевірка суттєвості оцінок параметрів на основі t-критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі парної регресії.
- •Передумови застосування методу найменших квадратів.
- •Метод найменших квадратів (мнк). Система нормальних рівнянь.
- •Оператор оцінювання мнк в матричному вигляді.
- •Властивості оцінок параметрів, знайдених за мнк.
- •Дисперсійний аналіз моделі лінійної множинної регресії.
- •Коефіцієнт множинної кореляції та детермінації та перевірка їх статистичної значущості.
- •Дисперсійно-коваріаційна матриця оцінок параметрів.
- •Довірчі інтервали для оцінок параметрів.
- •Перевірка достовірності оцінок параметрів за допомогою t -критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії.
- •Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
- •Поняття фіктивних змінних.
- •Врахування якісних факторів в лінійних економетричних моделях за допомогою фіктивних змінних.
- •Моделі з фіктивними регресорами: моделі, що містять тільки фіктивні незалежні змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні.
- •Моделі з фіктивними залежними змінними.
- •Оцінювання параметрів моделі з фіктивними змінними.
- •Порівняння двох регресійних моделей. Тест Чоу.
- •Суть та наслідки мультиколінеарності.
- •Тестування наявності мультиколінеарності в моделі. Алгоритм Фаррара-Глобера.
- •Методи усунення мультиколінеарності.
- •Алгоритм покрокової регресії.
- •Поняття про гомо- та гетероскедастичність залишків.
- •Негативні наслідки наявності гетероскедастичності залишків в лінійних моделях.
- •Тест Гольдфельда-Квандта. Послідовність його виконання.
- •Алгоритм теста Глейсера.
- •Перевірка наявності гетероскедастичності залишків на основі теста коефіцієнта рангової кореляції Спірмена.
- •Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •Зважений метод найменших квадратів.
- •Суть та наслідки автокореляції стохастичної складової.
- •Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •Критерій фон Неймана.
- •Циклічний та нециклічний коефіцієнт автокореляції.
- •Узагальнений метод найменших квадратів для знаходження оцінок параметрів моделі з автокорельованими залишками.
- •Метод перетворення вихідної інформації.
- •Алгоритм методу Кочрена – Оркатта.
- •Оцінювання параметрів моделі з автокорельованими залишками методом Дарбіна.
- •Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •Авторегресійні моделі.
- •Оцінювання авторегресійних моделей з часовим лагом незалежних змінних.
- •Часовий ряд в загальному вигляді. Поняття тренду, сезонної, циклічної та випадкової компоненти. Основні етапи аналізу числових рядів.
- •Метод ковзної середньої для згладжування часового ряду.
- •Експоненціальне згладжування.
- •Аналітичні методи згладжування часового ряду.
- •Довжина часового ряду суттєво перевищує ступінь полінома , а випадкові залишки мають властивості «білого шуму», тобто
- •Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •Тест Дікі-Фулера.
- •Авторегресійні моделі ( ar(p)- процеси).
- •Моделі ковзного середнього (ma(q)- процеси).
- •Авторегресійні моделі ковзного середнього ( arma(p,q)- процеси).
- •Інтегровані авторегресійні моделі ковзного середнього ( arima(p,d,q)- процеси).
- •Адаптивні моделі. Схема їх побудови.
- •Поняття про коінтеграцію часових рядів.
- •Моделі коригування помилки, етапи її побудови.
- •Поняття системи економетричних рівнянь. Приклади моделей на основі системи одночасних рівнянь.
- •Структурна та зведена форми системи рівнянь.
- •Ідентифікація. Необхідна і достатня умова ідентифікації.
- •Непрямий метод найменших квадратів оцінювання параметрів системи одночасних рівнянь.
- •Оцінювання параметрів системи одночасних рівнянь двохкроковим методом найменших квадратів.
- •Трьохкроковий метод найменших квадратів.
- •Прогноз ендогенних змінних
-
Часовий ряд в загальному вигляді. Поняття тренду, сезонної, циклічної та випадкової компоненти. Основні етапи аналізу числових рядів.
Послідовність спостережень одного показника (ознаки), упорядкована залежно від послідовно зростаючих або спадних значень другого показника (ознаки) є одновимірним рядом динаміки.
Якщо ознакою, за якою відбувається впорядкування ряду, є час, то такий динамічний ряд має назву часового ряду.
в найзагальнішому випадку часовий ряд y1, y2, y3, … yn економічної динаміки можна розкласти на чотири структурних елементи:
тренд Qt;
сезонний компонент St;
циклічну складову Zt;
випадкову складову Ut.
Таким чином, під трендом розумітимемо стійку систематичну зміну процесу протягом довготривалого періоду, тобто тренд визначає зміни, які зумовлюються тривалими постійно діючими факторами, що визначають основну тенденцію часових рядів.
Якщо вони мають строго періодичний або близький до нього характер і завершуються протягом одного часового періоду, то вони мають назву сезонних коливань.
У тих випадках, коли період коливання становить кілька часових періодів (наприклад, років), говорять, що в часовому ряді є довготривалий циклічний компонент. Тренд, сезонний і циклічний компоненти мають назву регулярних, або систематичних компонентів часового ряду. Складову часового ряду, що залишається після вилучення з нього регулярних компонентів, раніше названо випадковою, або нерегулярною.
Вона є обов’язковою складовою часового ряду в економіці, бо випадкові фактори неминуче притаманні будь-якому економічному явищу.
Якщо систематичні регулярні компоненти часового ряду визначені правильно, то після їх вилучення залишковий компонент має бути випадковим компонентом часового ряду, тобто повинен мати такі властивості:
-
характеризуватись випадковістю коливань рівнів залишкової послідовності (або простіше — залишків);
-
відповідністю розподілу ймовірностей рівнів випадкового компонента нормальному закону розподілу;
-
рівністю нулю математичного сподівання;
-
незалежністю значень рівнів залишків, тобто відсутністю суттєвої між ними автокореляції.
-
У більшості випадків фактичний рівень часового ряду наводиться як сума або добуток трендової, сезонного, циклічного й випадкового компонентів:
-
Yt = Qt + St + Zt + Ut або Yt = Qt St Zt Ut.
-
Модель, де часовий ряд наводиться як сума перелічених компонентів, має назву адитивної моделі. Модель, де часовий ряд подається через добуток складових компонентів, тобто Yt = = Qt St Zt Ut , має назву мультиплікативної моделі.
-
Метод ковзної середньої для згладжування часового ряду.
Щоб якнайчіткіше визначити основну тенденцію ряду (тренд) для подальшого прогнозування процесу, використовуючи ту чи іншу трендову модель, розроблені методи згладжування (вирівнювання) часових рядів, які називають механічним методом визначення тренду.
Отже, статистичні методи згладжування часових рядів поділяють на дві групи: методи механічного методу згладжування ряду та аналітичне вирівнювання, базоване на кривих зростання.
Сутність методів механічного згладжування полягає в такому. Береться кілька перших рівнів часового ряду (три, чотири, п’ять чи сім), кількість яких утворює інтервал згладжування. Для них добирається поліном, степінь якого має бути меншим за кількість рівнів, що входять в інтервал згладжування; за допомогою полінома розраховуються нові, вирівняні значення рівнів до середини інтервалу. Далі інтервал згладжування зрушується на один рівень праворуч (або вниз), обчислюється наступне згладжуване значення і т. ін.
Найпростішим методом механічного згладжування є метод простої ковзної середньої. Спочатку для часового ряду y1, y2, y3, … yn визначається інтервал згладжування m(m < n). Якщо потрібно згладити дрібні безпорадні коливання, то інтервал згладжування беруть по змозі більшим; інтервал згладжування зменшують, якщо потрібно зберегти дрібніші коливання. За інших однакових умов інтервал згладжування рекомендується брати непарним. Для перших m рівнів часового ряду обчислюється їхнє середнє арифметичне; це буде згладжуване значення рівня ряду, яке відповідає середині інтервалу згладжування.
Далі інтервал згладжування зсувається на один рівень праворуч (або вниз), повторюється обчислення середньої арифметичної і т. д. Для обчислення згладжених рівнів ряду застосовуємо формулу: , t > p, (11.6)де і - порядковий номер рівня ряду; (для непарних m; для парних m формула ускладнюється).
Отже, послідовно проводячи такі обчислення, дістанемо n – m + 1 згладжених значень рівнів ряду; згідно з цим перші й останні p рівнів ряду губляться (не згладжуються) — це є першим недоліком цього методу.
Другим недоліком є те, що він застосовний лише для рядів, що мають лінійну тенденцію.