- •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 параметрови, при которых сумма квадратов отклонений фактических значений результативного признакаот теоретическихминимальна:
.
свойства оценок, полученных с помощью МНК:
Линейность оценок – оценки параметров ипредставляют 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 признакови,– дисперсия признакаи
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 – значениепри.
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).