- •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)
79. Методы фильтрации временного ряда
Методы фильтрации временных рядов предназначены на решение проблем, возникающих при исследовании взаимосвязи между двумя и более временными рядами, с помощью исключения из них трендовой и сезонной компонент.
К проблемам, которые позволяют устранить методы фильтрации временных рядов, относятся:
1) проблема ошибочности показателей тесноты и силы связи:
а) если временные ряды, между которыми изучается взаимосвязь, содержат циклическую или сезонную компоненту одинаковой периодичности, то в результате значение показателей тесноты связи будет завышено;
б) если один из временных рядов содержит циклическую или трендовую компоненту или периодичность совместных колебаний различна, то в результате значение показателей тесноты связи будет занижено;
2) проблема «ложной корреляции»:
а) если временные ряды, между которыми изучается взаимосвязь, содержат тренды одинаковой направленности, то уровни этих рядов будут положительно коррелированны;
б) если временные ряды, между которыми изучается взаимосвязь, содержат тренды противоположной направленности, то уровни этих рядов будут отрицательно коррелированны.
Первая проблема решается путём исключения из временного ряда сезонной компоненты.
Если временной ряд представлен в виде аддитивной модели, то сезонная компонента устраняется путём вычитания из исходных уровней ряда показателей абсолютных отклонений Sai.
Если временной ряд представлен в виде мультипликативной модели, то сезонная компонента устраняется путём деления исходных уровней ряда на индексы сезонности Isi.
Проблема “ложной корреляции” решается путём исключения из временного ряда трендовой компоненты.
Предположим, что исследуется зависимость между двумя временными рядами – Х и Y. При этом была построена модель регрессии вида:
Yt=β0+β1*Хt+εt.
Для выявления «ложной корреляции» необходимо провести анализ остатков данной модели регрессии, потому что если в модели присутствует обычная автокорреляция остатков, следовательно, существует и «ложная автокорреляция».
Исключение трендовой компоненты осуществляется с помощью метода отклонений от тренда.
Алгоритм реализации метода отклонений от тренда:
1) вычисляются отклонения уровней временных рядов Yt и Xt от их значений, рассчитанных на основе уравнений тренда:
2) определяется степень тесноты связи между полученными отклонениями с помощью коэффициента корреляции:
3) для линейной модели регрессии строится модель зависимости отклонения e(yt) от e(xt):
e(yt)=a0+a1* e(xt).
Неизвестные коэффициенты данной модели рассчитываются с помощью классического метода наименьших квадратов по формулам:
В результате получим модель вида:
e(yt)=a1* e(xt).
Исключение трендовой компоненты можно также осуществить с помощью метода последовательных разностей. При этом рассчитываются разности между текущим и предыдущим уровнями для каждого временного ряда:
Далее рассчитывается показатель линейной корреляции абсолютных цепных приростов по формуле:
На основании показателей абсолютных цепных приростов можно построить линейную модель регрессии вида:
где а1 – это коэффициент, который уравнении характеризует в среднем прирост Y при изменении прироста Х на единицу своего измерения;
а0 – это коэффициент, который характеризует прирост Y при нулевом приросте Х.
С помощью разностных операторов первого порядка можно исключить автокорреляцию только в тех временных рядах, в которых основная тенденция выражена прямой линией.
С помощью разностных операторов второго порядка можно исключить автокорреляцию в тех временных рядах, в которых основная тенденция выражена параболой второго порядка.