- •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)
95. Модели авторегрессии
Моделью авторегрессииназывается динамическая эконометрическая модель, в которой в качестве факторных переменных содержатся лаговые значения результативной переменной.
Пример модели авторегрессии:
yt=β0+β1xt+δ1yt–1+εt,
где β1 – это коэффициент, который характеризует краткосрочное изменение переменной у под влиянием изменения переменной х на единицу своего измерения;
δ1 – это коэффициент, который характеризует изменение переменной у в текущий момент времени t под влиянием своего изменения в предыдущий момент времени (t–1).
Промежуточным мультипликатором называется произведение коэффициентов модели авторегрессии (β1*δ1).
Промежуточный мультипликатор отражает общее абсолютное изменение результативной переменной у в момент времени (t+1).
Определение. Долгосрочным мультипликатором называется показатель, рассчитываемый как
Долгосрочный мультипликатор отражает общее абсолютное изменение результативной переменной у в долгосрочном периоде.
Если для модели авторегрессии выполняется условие |δ|<1, то при наличии бесконечного лага будет справедливым равенство:
В нормальной линейной модели регрессии все факторные переменные не зависят от случайной ошибки модели. Данное условие для моделей авторегрессии нарушается, потому что переменная yt-1 частично зависит от случайной ошибки модели εt. Следовательно, при оценке неизвестных коэффициентов традиционным методом наименьших квадратов ы получим смещённую оценку коэффициента при переменной yt–1.
При определении оценок неизвестных коэффициентов модели авторегрессии используется метод инструментальных переменных (IV – Instrumental variables).
Суть метода инструментальных переменных заключается в том, что переменная yt–1, для которой нарушается предпосылка применения метода наименьших квадратов, заменяется на новую переменную z, удовлетворяющую двум требованиям:
1) данная переменная должна тесно коррелировать с переменной yt–1: cov(yt–1,z)≠0;
2) данная переменная не должна коррелировать со случайной ошибкой модели εt: cov(z,ε)=0.
Предположим, что на основании собранных данных была построена модель авторегрессии вида:
yt=β0+β1xt+δ1yt–1+εt.
Рассчитаем оценки неизвестных коэффициентов данной модели с помощью метода инструментальных переменных.
В данной модели авторегрессии переменная yt коррелирует с переменной xt, следовательно, переменная yt–1 зависит от переменной xt–1. Охарактеризуем данную корреляционную зависимость с помощью парной модели регрессии вида:
yt–1=k0+k1xt–1+ut,
где k0 ,k1 – неизвестные коэффициенты модели регрессии;
ut– случайная ошибка модели регрессии.
Обозначим выражение k0+k1xt–1 через переменную zt–1. Тогда модель регрессии для переменной yt–1 примет вид:
yt–1= zt–1+ut.
Новая переменная zt–1 удовлетворяет свойствам, предъявляемым к инструментальным переменным:
1) она тесно коррелирует с переменной yt–1: cov(zt–1,yt–1)≠0;
2) она коррелирует со случайной ошибкой исходной модели авторегрессии εt: cov(εt, zt–1).
Таким образом, исходная модель авторегрессии может быть представлена следующим образом:
yt=β0+β1xt+δ1(k0+k1xt–1+ut)+εt= β0+β1xt+δ1 zt–1+νt,
где νt= δ1 ut+ εt.
На следующем этапе оценки неизвестных коэффициентов преобразованной модели рассчитываются с помощью традиционного метода наименьших квадратов. Эти оценки будут являться оценками неизвестных коэффициентов исходной модели авторегрессии.