
- •1.Задачи эконометрики в области социально-экономических исследований
- •2.Эконометрика и её связь с экономической теорией. Эконометрический анализ в макроэкономике
- •3.Этапы развития эконометрики.
- •4.Экономические данные: перекрёстные данные и временные ряды. Цели и методы сбора статистических данных.
- •5.Подготовка статистических данных и использование их в модели
- •6.Различные способы представления экономических данных.
- •7.Введение случайного компонента в экономическую модель. Эконометрическая модель. Адекватность, точность, область применения.
- •8.Классификация переменных в эконометрических моделях.
- •10.Корреляционная зависимость. Модельное и выборочное уравнение регрессии
- •11-12Парная линейная регрессия. Метод наименьших квадратов (мнк). Свойства оценок мнк. Парная линейная регрессия. Мнк. Предпосылки мнк.
- •Линейная модель парной регрессии и корреляции
- •13.Сравнение истинных и оцененных зависимостей
- •14.Множественная линейная регрессия
- •2.1. Спецификация модели. Отбор факторов при построении уравнения множественной регрессии
- •15.Показатели качества регрессии
- •16.Частные уравнения регрессии. Частные коэффициенты корреляции
- •17.Частные уравнения регрессии. Частные коэффициенты эластичности
Линейная модель парной регрессии и корреляции
.
Построение
линейной регрессии сводится к оценке
ее параметров –
и
.
Классический подход к оцениванию
параметров линейной регрессии основан
на методе наименьших квадратов (МНК).
МНК позволяет получить такие оценки
параметров
и
,
при которых сумма квадратов отклонений
фактических значений результативного
признака
от теоретических
минимальна:
.
свойства оценок, полученных с помощью МНК:
Линейность оценок – оценки параметров
и
представляют собой линейные комбинации наблюдаемых значений объясняемой переменной
.
Несмещённость оценок:
Состоятельность оценок:
Эффективность – данное свойство означает, что оценка имеет минимальную дисперсию в заданном классе оценок:
Теорема
Гаусса-Маркова: если
выполнены условия Гаусса-Маркова, тогда
оценки ,
полученные с помощью метода наименьших
квадратов, являются линейными,
несмещёнными, эффективными и состоятельными
оценками.
,
,
где ковариация признаков
и
,
– дисперсия признака
и
Ковариация – числовая характеристика совместного распределения двух случайных величин, равная математическому ожиданию произведения отклонений этих случайных величин от их математических ожиданий. Дисперсия – характеристика случайной величины, определяемая как математическое ожидание квадрата отклонения случайной величины от ее математического ожидания. Математическое ожидание – сумма произведений значений случайной величины на соответствующие вероятности.
Параметр
называетсякоэффициентом регрессии.
Его величина показывает среднее изменение
результата с изменением фактора на одну
единицу.
Формально
– значение
при
.
Уравнение
регрессии всегда дополняется показателем
тесноты связи. При использовании
линейной регрессии в качестве такого
показателя выступает линейныйкоэффициент
корреляции,
который можно рассчитать по следующим
формулам:
.
(1.6)
Для оценки
качества подбора линейной функциирассчитывается квадрат линейного
коэффициента корреляции,
называемыйкоэффициентом детерминации.
Коэффициент детерминации характеризует
долю дисперсии результативного признака
,
объясняемую регрессией, в общей дисперсии
результативного признака.
Чтобы иметь общее суждение о качестве моделииз относительных отклонений по каждому наблюдению, определяют среднюю ошибку аппроксимации. не должна превышать 8–10%.
После того
как найдено уравнение линейной регрессии,
проводится оценка значимостикак
уравнения в целом, так и отдельных его
параметров. Проверить значимость
уравнения регрессии – значит установить,
соответствует ли математическая модель,
выражающая зависимость между переменными,
экспериментальным данным и достаточно
ли включенных в уравнение объясняющих
переменных (одной или нескольких) для
описания зависимой переменной. на основе-критерия
Фишера, которому предшествует дисперсионный
анализ.
13.Сравнение истинных и оцененных зависимостей
14.Множественная линейная регрессия
Парная регрессия может дать хороший результат при моделировании, если влиянием других факторов, воздействующих на объект исследования, можно пренебречь. Если же этим влиянием пренебречь нельзя, то в этом случае следует попытаться выявить влияние других факторов, введя их в модель, т.е. построить уравнение множественной регрессии
,
где
– зависимая переменная (результативный
признак),
– независимые, или объясняющие, переменные
(признаки-факторы).