- •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
-
Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
Припустимо, що в множинній регресії
ми хочемо перевірити гіпотези про рівність двох кутових коефіцієнтів.
або
або
Можна показати, що при виконанні звичайних класичних припущень величина випливає із закону t-розподілу з (n–4) степенями вільності, оскільки (7.3.1) являє собою модель із 4 змінними. У загальному випадку моделі з k параметрами кількість степенів вільності дорівнює (n–k). Величина , що входить в обчислюється за формулою
Процедура використання t-статистики нічим не відрізняється від уже нам відомої. Якщо визначена за величина t перевищує критичне значення для вибраного рівня значущості і відповідної кількості степенів вільності, то ми відхиляємо нульову гіпотезу; в протилежному випадку гіпотеза не відхиляється. Можна застосувати після визначення t за і підхід на підставі p-величини.
-
Поліноміальна модель. Визначення вектора статистичний аналіз моделі.
Ця модель задовольняють умови використання звичайного МНК
де , , ,
Модель звичайного МНК
Статистичний аналіз:
Критерій Стьюдента (t) всієї моделі
- оцінки параметрів моделі
-
Гіперболічна модель. Визначення вектора статистичний аналіз моделі.
Ця модель задовольняють умови використання звичайного МНК
де , , , Модель звичайного МНК
Статистичний аналіз:
Критерій Стьюдента (t) всієї моделі
- оцінки параметрів
-
Аналіз моделі.Показникова модель. Визначення вектора статистичний аналіз моделі.
Показниково – степенева парна регресія
Y = Xax + b
Після логарифмування і заміни Y1 = ln Y; Z = X ln X; b1 = ln b зводиться до лінійної регресії Y1 = aZ + b1
Параметри а та b1 знаходимо за формулами
(2.6)
а потім знаходимо b = eb1
-
Виробнича функція Кобба-Дугласа. Визначення вектора статистичний аналіз моделі.
Виробнича функція — це економетрична модель, яка кількісно описує зв’язок основних результативних показників виробничо-господарської діяльності з факторами, що визначають ці показники. До основних показників можна віднести дохід, прибуток, рентабельність, продуктивність праці, собівартість і т. ін.
Перше поняття виробничої функції пов’язане з математичним моделюванням технологічної залежності між обсягом продукції, що випускається, і кількісними характеристиками витрат ресурсів. Звідси і назва функції «виробнича». Уперше таку функцію побудували американські дослідники Кобб і Дуглас ще в 30-ті роки ХХ століття за даними про функціонування обробної промисловості США протягом двадцяти років. Це є класичним прикладом економетричного моделювання.
Функція Кобба—Дугласа (CDPF) належить до найвідоміших виробничих функцій, що набули широкого застосування в економічних дослідженнях, особливо на макрорівні. Класична виробнича функція Кобба—Дугласа має вигляд
Y = aF L1– ,
де Y — обсяг продукції; F — основний капітал; L — робоча сила.
Сума параметрів, або ступінь однорідності класичної функції Кобба—Дугласа, дорівнює одиниці. А це означає, що зі збільшенням обох виробничих ресурсів на 1 % обсяг продукції також збільшиться на 1 %. Отже, ефективність ресурсів у такому разі стала.
Практичні дослідження функції Кобба—Дугласа показали, що припущення про лінійну однорідність на практиці виконується рідко. Тому було запропоновано виробничу функцію більш загального вигляду
Y = aF L.
Сума параметрів ( + ) на відміну від попереднього випадку може бути як меншою, так і більшою від одиниці. Якщо ( + ) > 1, то темпи зростання обсягу продукції вищі за темпи зростання виробничих ресурсів, а якщо ( + ) < 1, то, навпаки, темпи зростання обсягу продукції нижчі за темпи зростання ресурсів.