- •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
-
Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
Динамічні ряди, характер яких не змінюється з часом, мають назву стаціонарних.
Стаціонарність часового ряду пов’язана з вимогою того, що він має стале середнє значення, і його рівні коливаються навколо цього середнього зі сталою дисперсією, тобто для стаціонарних рядів справджується рівність m(t) = const; D(t) = const; автокореляційна функція r(τ) визначається як
тобто вона в стаціонарному процесі є функцією одного аргументу - проміжку τ між двома моментами часу, не розрізняючи, де за часом розташовується цей проміжок.
Отже, властивості стаціонарного ряду не змінюються з часом, за яким починається рахунок його рівнів.
Припустимо, що нам потрібно змінити значення ряду yt на yt+s, де s - стале число. Якщо ряд вважається стаціонарним, то середнє, дисперсія і значення варіації ряду дисперсії yt+m мають бути такими ж, як і для yt. Якщо ж ці показники змінюватимуться з часом, то ряд буде нестаціонарним. Його легко зводять до стаціонарного, застосовуючи певні математичні перетворення, наприклад оператор різниць.
-
Тест Дікі-Фулера.
Критерій Дікі-Фулера.
Діагностика стаціонарності: простий (DF) та розширений (ADF) тест Дікі-Фулера
Основа тесту – регресія виду
∆Yt = a0 + a1t + bYt-1 + Sum(ci∆Yt-i) + ei, де
∆Yt = Yt - Yt-1.
Якщо всі сі = 0, то DF-тест, інакше – ADF-тест.
На практиці к-сть лагів для ADF-тесту не більше 10% від спростережень.
Гіпотези:
Н0: b = 0, часовий ряд є нестаціонарним, Yt ~ I(d), d>0 (d – порядок інтеграції);
H1: b < 0, часовий ряд є стаціонарним, Yt ~ I(0), тобто має порядок інтеграції 0.
Гіпотеза Н0 відкидається, якщо отриманий коефіцієнт b < 0 та t-статистика по модулю більша за абсолютну величину критичного значення статистики МакКіннона для тестування наявності одиничного кореня при заданому рівні значимості α.
| t-stat | = | b/SE(b) |;
| t-stat | > | tcritical | - Н0 відкидається, дані є стаціонарними.
Критерій Дікі-Фуллера фактично припускає, що спостережуваний ряд описується моделлю авторегрессії першого порядку (можливо, з виправленням на лінійний тренд).
Критичні значення залежать від того, яка статистична модель оцінюється і яка ймовірнісна модель в дійсності породжує значення, що спостерігаються. Якщо ряд має детермінований лінійний тренд
SM: Δxt=φxt-1+ά+βt+εt, t=2,.....,T
DGP: Δxt= ά+εt, t=2,.....,T ά≠0
В обох випадках εt незалежні випадкові величини, що мають однаковий нормальний розподіл з нульовим матиметичним очікуванням. Методом найменших квадратів оцінюються параметри даної SM і обчислюється значення звичайної t-статистики tφ для перевірки гіпотези H0:φ=0. Отримане значення порівнюється з критичним рівнем tcrit, розрахованим у припущенні, що ряд, що спостерігається, у дійсності породжується даною моделлю DGP (випадкове блукання зі зносом). DS-гіпотеза відкидається, якщо tφ < tcrit.
-
Авторегресійні моделі ( ar(p)- процеси).
Модель авторегресії описує стаціонарний процес, де значення показника є лінійною комбінацією обмеженої кількості своїх попередніх значень і випадкової складової. Наприклад, процес можна відобразити таким чином:
, (2.3.1)
де випадкова складова - білий шум. Модель містить () невідомі параметри: - дисперсію випадкової складової та коефіцієнтів моделі.
Необхідною та достатньою умовою стаціонарності процесу є те, що всі корені характеристичного рівняння для процесу перебувають у межах кола одиничного радіусу.
Процеси та мають певну схожість. Але процес завжди стаціонарний, і умова обернена лише забезпечує йому певну корисну властивість. Для ця умова дуже жорстка: або процес стаціонарний і зводиться до , або він не стаціонарний.
Умова, що всі корені рівняння за модулем не перевищують одиницю, еквівалентна тій, що граничні значення та прагнуть до нуля за необмеженого зростання .
Для одержання співвідношень для основних характеристик моделі помножимо ліву та праву частини (2.3.1) на :
і взявши математичне сподівання, одержимо рекурентне співвідношення для автоковаріацій:
(2.3.3)
Поділивши всі складові (2.3.3) на , побачимо, що автокореляції задовольняють аналогічне співвідношення:
або , , (2.3.4)
а дисперсія процесу має вигляд:
.
Зазначимо, що рівняння для подібне до рівняння, яке задовольняє сам процес . Із цих рівнянь виходить, що всі автокореляції у моделі визначаються першими автокореляціями ; також ними визначаються параметри . Щоб виразити через , візьмемо рівняння (2.3.4) для і, враховуючи, що (кореляція часового ряду із самим собою) та для будь-якого , побудуємо лінійну систему для обчислення коефіцієнтів моделі:
або в матричній формі ,
де R — невироджена автокореляційна матриця часового ряду
, , .
Отриману систему рівнянь називають системою Юла-Вокера. З неї визначають параметри -моделі:
.