- •Ангелина Витальевна Яковлева
- •2. Основные математические предпосылки эконометрического моделирования. Закон больших чисел, неравенство и теорема Чебышева
- •3. Теоремы Бернулли и Ляпунова
- •4. Виды эконометрических моделей
- •5. Классификация эконометрических моделей
- •6. Этапы эконометрического моделирования. Проблемы, решаемые при эконометрическом исследовании
- •7. Сбор статистических данных для оценивания параметров эконометрической модели
- •8. Классификация видов эконометрических переменных и типов данных. Проблемы, связанные с данными
- •9. Общая модель парной (однофакторной) регрессии
- •10. Нормальная линейная модель парной (однофакторной) регрессии
- •11. Критерии оценки неизвестных коэффициентов модели регрессии
- •12. Оценивание неизвестных коэффициентов модели регрессии методом наименьших квадратов. Теорема Гаусса – Маркова
- •13. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели парной регрессии
- •14. Оценка коэффициентов модели парной регрессии с помощью выборочного коэффициента регрессии
- •15. Оценка дисперсии случайной ошибки модели регрессии
- •16. Состоятельность и несмещённость мнк-оценок
- •17. Эффективность мнк-оценок мнк
- •18. Характеристика качества модели регрессии
- •19. Понятие статистической гипотезы. Общая постановка задачи проверки статистической гипотезы
- •20. Ошибки первого и второго рода. Понятие о статистических критериях. Критическая область, критические точки
- •21. Правосторонняя критическая область. Левосторонняя и двусторонняя критические области. Мощность критерия
- •22. Проверка гипотезы о значимости коэффициентов модели парной регрессии
- •23. Проверка гипотезы о значимости парного коэффициента корреляции
- •24. Проверка гипотезы о значимости модели парной регрессии. Теорема о разложении сумм квадратов
- •25. Точечный и интервальный прогнозы для модели парной регрессии
- •26. Линейная модель множественной регрессии
- •27. Классический метод наименьших квадратов для модели множественной регрессии. Метод Крамера
- •28. Линейная модель множественной регрессии стандартизированного масштаба
- •29. Соизмеримые показатели тесноты связи
- •30. Частные коэффициенты корреляции для линейной модели регрессии с двумя факторными переменными
- •31. Частные коэффициенты корреляции для модели множественной регрессии с тремя и более факторными переменными
- •32. Построение частных коэффициентов корреляции для модели множественной регрессии через показатель остаточной дисперсии и коэффициент множественной детерминации
- •33. Коэффициент множественной корреляции. Коэффициент множественной детерминации
- •34. Проверка гипотезы о значимости частного и множественного коэффициентов корреляции
- •35. Проверка гипотезы о значимости коэффициентов регрессии и модели множественной регрессии в целом
- •36. Процедура проверки адекватности оцененной линейной эконометрической модели на примере модели Оукена
- •37. Определение мультиколлинеарности. Последствия мультиколлинеарности. Методы обнаружения мультиколлинеарности
- •38. Методы устранения мультиколлинеарности
- •39. Модели регрессии, нелинейные по факторным переменным
- •40. Модели регрессии, нелинейные по оцениваемым коэффициентам
- •41. Модели регрессии с точками разрыва
- •42. Метод наименьших квадратов для моделей регрессии, нелинейных по факторным переменным
- •43. Метод наименьших квадратов для моделей регрессии, нелинейных по оцениваемым коэффициентам
- •44. Методы нелинейного оценивания коэффициентов модели регрессии
- •45. Показатели корреляции и детерминации для нелинейных моделей регрессии
- •46. Проверка гипотезы о значимости нелинейной модели регрессии. Проверка гипотезы о линейной зависимости между переменными модели регрессии
- •47. Тесты Бокса-Кокса и Зарембеки выбора модели регрессии
- •48. Коэффициенты эластичности
- •49. Производственные функции
- •50. Двухфакторная производственная функция Кобба-Дугласа
- •51. Показатели двухфакторной производственной функции Кобба-Дугласа
- •52. Метод наименьших квадратов для двухфакторной производственной функции Кобба-Дугласа. Эффект от масштаба производства
- •53. Двухфакторная производственная функция Солоу
- •54. Многофакторные производственные функции
- •55. Модели бинарного выбора
- •56. Метод максимума правдоподобия
- •57. Гетероскедастичность остатков модели регрессии
- •58. Тест Глейзера обнаружения гетероскедастичности остатков модели регрессии
- •59. Тест Голдфелда-Квандта обнаружения гетероскедастичности остатков модели регрессии
- •60. Устранение гетероскедастичности остатков модели регрессии
- •61. Автокорреляция остатков модели регрессии. Последствия автокорреляции. Автокорреляционная функция
- •62. Критерий Дарбина-Уотсона обнаружения автокорреляции остатков модели регрессии
- •63. Устранение автокорреляции остатков модели регрессии
- •64. Методы Кохрана-Оркутта и Хилдрета-Лу оценки коэффициента автокорреляции
- •65. Обобщённая модель регрессии. Обобщённый метод наименьших квадратов. Теорема Айткена
- •66. Доступный обобщённый метод наименьших квадратов. Взвешенный метод наименьших квадратов
- •67. Модели регрессии с переменной структурой. Фиктивные переменные
- •68. Тест Чоу
- •69. Спецификация переменных
- •70. Компоненты временного ряда
- •71. Метод проверки гипотезы о существовании тренда во временном ряду, основанный на сравнении средних уровней ряда
- •72. Критерий «восходящих и нисходящих» серий. Критерий серий, основанный на медиане выборочной совокупности
- •73. Метод Форстера-Стьюарта проверки гипотез о наличии или отсутствии тренда. Метод Чоу проверки стабильности тенденций
- •74. Аналитический вид тренда
- •75. Адекватность трендовой модели
- •76. Сезонные и циклические компоненты временного ряда
- •77. Сезонные фиктивные переменные
- •78. Одномерный анализ Фурье
- •79. Методы фильтрации временного ряда
- •80. Автокорреляция уровней временного ряда. Анализ структуры временного ряда на основании коэффициентов автокорреляции
- •81. Стационарный процесс. Стационарный временной ряд. Белый шум
- •82. Линейные модели стационарного временного ряда
- •83. Модель авторегрессии и проинтегрированного скользящего среднего
- •84. Показатели качества модели авторегрессии и проинтегрированного скользящего среднего
- •85. Критерий Дикки-Фуллера проверки наличия единичных корней
- •86. Цензурированные результативные переменные
- •87. Системы эконометрических уравнений
- •88. Структурная и приведённая формы системы одновременных уравнений. Идентификация модели
- •89. Условия идентификации структурной формы системы одновременных уравнений
- •90. Косвенный метод наименьших квадратов (кмнк)
- •91. Метод инструментальных переменных
- •92. Двухшаговый метод наименьших квадратов (дмнк)
- •93. Спецификация и приведенная форма эконометрических моделей в виде системы одновременных уравнений. Эконометрическая модель Самуэльсона-Хикса делового цикла экономики
- •94. Динамические эконометрические модели
- •95. Модели авторегрессии
- •96. Модели с распределённым лагом
- •97. Метод Алмон
- •98. Нелинейный метод наименьших квадратов. Метод Койка
- •99. Модель адаптивных ожиданий (мао)
- •100. Модель частичной (неполной) корректировки (мчк)
54. Многофакторные производственные функции
Многофакторной производственной функцией называется функция, которая характеризует зависимость объёма производства от n-го количества факторов производства.
y=f(xi),
где
Многофакторные производственные функции полезны тем, что на их основе можно рассчитать целый ряд важнейших экономических показателей.
К основным показателям многофакторных производственных функций относятся:
1) показатель средней производительности (эффективности, отдачи) i-го фактора при условии фиксированности всех остальных факторов:
2) показатель предельной производительности (эффективности, отдачи) i-го фактора, который характеризует приращение объёма производства на единицу приращения i-го фактора, рассчитывается как частная производная по факторной переменной xi:
3) для определения характера изменения предельной производительности с изменением объёма i-го фактора при постоянном значении всех остальных факторов, включённых в модель, рассчитывается частная производная второго порядка по факторной переменной xi:
Если показатель
больше нуля, то предельная производительность возрастает с ростом объёма i-ой факторной переменной.
Если показатель
равен нулю, то можно найти такое значение объёма i-ой факторной переменной, при котором предельная производительность будет или минимальной или максимальной.
4) показатель частной эластичности i-го ресурса для многофакторной производственной функции характеризует относительное изменение результата производства на единицу относительного изменения i-ой факторной переменной:
5) потребность производства в i-том факторе выражается через функциональную зависимость вида:
xi=φ(y,x1…xi-1,xi+1…xn).
6) для любой пары факторов производства i и j можно рассчитать предельную норму замещения j-ой факторной переменной i-той факторной переменной. Эта норма равна взятому со знаком минус отношению показателей предельной производительности i-ой и j-ой факторных переменных:
При выборе конкретного вида производственной функции исследователь должен руководствоваться закономерностями изменения всех рассмотренных показателей. В некоторых случаях выбранную форму производственной функции приходится отвергать, потому что соответствующая ей система показателей противоречит результатам качественного анализа или эмпирическим данным. С другой стороны предварительные заключения о характере изменений рассмотренных показателей могут стать основным доводом в пользу выбора той или иной формы производственной функции.
55. Модели бинарного выбора
Результативная переменная у в нормальной линейной модели регрессии является непрерывной величиной, способной принимать любые значения из заданного множества. Но помимо нормальных линейных моделей регрессии существуют модели регрессии, в которых переменная у должна принимать определённый узкий круг заранее заданных значений.
Моделью бинарного выбораназывается модель регрессии, в которой результативная переменная может принимать только узкий круг заранее заданных значений
В качестве примеров бинарных результативных переменных можно привести:
Приведенные в качестве примеров бинарные переменные являются дискретными величинами. Бинарная непрерывная величина задаётся следующим образом:
Если стоит задача построения модели регрессии, включающей результативную бинарную переменную, то прогнозные значения yiпрогноз, полученные с помощью данной модели, будут выходить за пределы интервала [0;+1] и не будут поддаваться интерпретации. В этом случае задача построения модели регрессии формулируется не как предсказание конкретных значений бинарной переменной, а как предсказание непрерывной переменной, значения которой заключаются в интервале [0;+1].
Решением данной задачи будет являться кривая, удовлетворяющая следующим трём свойствам:
1) 1) F(–∞)=0;
2) F(+∞)=1;
3) F(x1)>F(x2) при условии, чтоx1> x2.
Данным трём свойствам удовлетворяет функция распределения вероятности.
Модель парной регрессии с результативной бинарной переменной с помощью функции распределения вероятности можно представить в следующем виде:
prob(yi=1)=F(β0+β1xi),
где prob(yi=1) – это вероятность того, что результативная переменная yi примет значение, равное единице.
В этом случае прогнозные значения yiпрогноз, полученные с помощью данной модели, будут лежать в пределах интервала [0;+1].
Модель бинарного выбора может быть представлена с помощью скрытой или латентной переменной следующим образом:
Векторная форма модели бинарного выбора с латентной переменной:
В данном случае результативная бинарная переменная yi принимает значения в зависимости от латентной переменной yi*:
Модель бинарного выбора называется пробит-моделью или пробит-регрессией (probit regression), если она удовлетворяет двум условиям:
1) остатки модели бинарного выбора εi являются случайными нормально распределёнными величинами;
2) функция распределения вероятностей является нормальной вероятностной функцией.
Пробит-регрессия может быть представлена с помощью выражения:
NP(yi)=NP(β0+β1x1i+…+βkxki),
где NP – это нормальная вероятность (normal probability).
Модель бинарного выбора называется логит-моделью или логит-регрессией (logit regression), если случайные остатки εi подчиняются логистическому закону распределения.
Логит-регрессия может быть представлена с помощью выражения:
Данная модель логит-регрессии характеризуется тем, что при любых значениях факторных переменных и коэффициентов регрессии, значения результативной переменной yi будут всегда лежать в интервале [0;+1].
Обобщённый вид модели логит-регрессии:
Достоинством данной модели является то, что результативная переменная yi может произвольно меняться внутри заданного числового интервала (не только от нуля до плюс единицы).
Логит-регрессия относится к классу функций, которые можно привести к линейному виду. Это осуществляется с помощью преобразования, носящего название логистического или логит преобразования, которое можно проиллюстрировать на примере преобразования обычной вероятности р:
Качество построенной логит-регрессии или пробит-регрессии характеризуется с помощью псевдо коэффициента детерминации, который рассчитывается по формуле:
Если значение данного коэффициента близко к единице, то модель регрессии считается адекватной реальным данным.