- •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
-
Поняття про коінтеграцію часових рядів.
Нехай часові ряди та є інтегрованими порядку d, тобто І(d). Тоді, як правило, лінійна комбінація цих двох рядів також буде І(d). Але якщо існує лінійна комбінація цих рядів І(d – b), тоді ці ряди називають коінтегрованими порядку (d, b), що позначають . Якщо відповідну лінійну комбінацію можна записати у формі , де , то вектор називається коінтеграційним вектором. У попередньому прикладі змінні та є , тому d = b = 1, та коінтеграційний вектор .
Зазначимо такі властивості коінтегрованих змінних:
-
включення сталої до не дає жодного ефекту;
-
доведено, що коінтегрованість змінних означає коінтегрованість їхніх логарифмів, тоді як коінтегрованість логарифмів змінних не означає коінтегрованості самих змінних (звідси випливає, що для вибору конкретної функціональної форми бажано провести окремі дослідження нелінійних перетворень змінних у коінтегративних співвідношеннях);
-
коінтегрування передбачає, що дві змінні не рухаються окремо, оскільки и, що є мірою розбіжності між та , можна розглядати як «похибку», яка є стаціонарною із нульовим середнім. Це твердження можна записати у вигляді:
і тлумачити як обмежене або рівноважне співвідношення між y1t та у2t.
4) доведено, якщо та обидва є , мають сталі середні значення й є коінтегрованими, тоді існує механізм генерації даних із коригуванням похибки, або модель коригування похибки (ЕСМ).
-
Моделі коригування помилки, етапи її побудови.
Щоб поглибити економетричний аналіз і поліпшити точність моделювання, розглядають модель коригування похибки, яка поєднує довготривалий зв’язок для досліджуваних змінних із лагом одиниця та короткотривалий динаміку, виражену залежністю різниць ендогенних змінних від поточних і лагових різниць екзогенних змінних. Найпростіша модель коригування похибки для випадку двох змінних та має такий формалізований вигляд:
,(5.3.3)
,(5.3.4)
де d(L) є поліномом скінченного порядку від лаг-оператора L та похибки та є сумісними процесами білого шуму, які, можливо, корельовані за однакових значень t і .
Остання умова означає, що и трапляється принаймні в одному з рівнянь. Справедливість (5.3.3) та (5.3.4) випливає із того, що та є , отже, їхня різниця є , і тому кожен доданок є .
Абсолютне значення величини вимірює відстань до положення рівноваги в попередній момент часу. Механізм коригування похибки може з’явитися в моделях фінансових ринків за умови, коли очікувані суб’єктами майбутні значення змінних втілені у поточній змінній. Зазначимо, що не тільки коінтегровані змінні мають задовольняти такій моделі, а й дані, породжені ЕСМ, також мають бути коінтегрованими.
Якщо кілька змінних є коінтегрованими, то існує їхнє векторне ARMA-зображення. У стандартній VARMA-моделі немає обмежень щодо взаємного руху кількох часових рядів. Саме коінтеграція дає змогу дослідникові вводити до відповідної системи необхідний зв’язок між змінними, що зумовлює точніше оцінювання моделі.
Побудова й коректне застосування моделей коригування похибки з метою прогнозування передбачає послідовне виконання таких етапів:
-
перевірка рядів на стаціонарність;
-
визначення порядку інтеграції кожного ряду;
-
тестування рядів на коінтеграцію;
-
оцінювання моделі та перевірка на адекватність.
-