- •1.Предмет, задачи и методы эконометрики.
- •2.1.Общие положения.
- •2.2. Метод наименьших квадратов
- •2.3. Свойства оценок полученных мнк.
- •3. Методика построения многофакторных корреляционных моделей для показателей эффективности хозяйственной деятельности
- •3.1. Выбор функционального показателя
- •3.2. Отбор факторов-аргументов
- •3.3. Выбор формы связи
- •3.4. Отбор исходных данных
- •3.5. Решение корреляционных моделей и экономико-математический анализ результатов решения
- •4.1.Оценка адекватности и точности регрессионных моделей. Общие положения.
- •4.2. Проверка случайности колебаний уровня остаточной последовательности.
- •4.3 Проверка соответствия распределения случайной компоненты нормальному закону распределения
- •4.4 Проверка равенства математического ожидания случайной компоненты нулю.
- •4.5. Проверка независимости значений уровней случайной компоненты.
- •4.6. Определение точности модели.
- •5. Исследование влияния факторов на изменение результирующего показателя в уравнении регрессии.
- •6. Оценка статистической надежности уравнения регрессии и ее последствия.
- •7.1.Гетероскедастичность остатков в уравнении регрессии и ее последствия.
- •7.2.1. Тест ранговой корреляции Спирмена.
- •7.2.2.Тест Голфенда-Квандта.
- •7.2.3 Тест Глейзера.
- •7.3 Методы устранения гетероскедастичности.
- •8.1 Автокорреляция (остатков) и связанные с ней факторы.
- •8.2. Обнаружение автокорреляции 1-го порядка. Критерий Дарбина – Уотсона
- •8.3.1. Устранение авт-ции, описываемой авторегрессионной схемой 1-ого порядка в общем случае. Поправка Прайса – Уинстена.
- •9. Мультиколлинеарность: способы ее обнаружения и устранения.
- •10. Обобщенный мнк и его исп-ие для оценки эфф-ти методов определения параметров уравнения регрессии.
- •11.1.Фиктивные переменные для пространственных выборок и временных рядов.
- •11.2.Фиктивные переменные для коэф-та наклона ур-ия регрессии.
- •11.3 Тест Чоу.
- •12.1 Линеаризация уравнения регрессии путем замены переменных.
- •12.2 Линеаризация уравнения регрессии с использованием логарфмического преобразования (степенные и показательные функции).
- •12.3 Представление случайного члена в преобразованных нелинейных ур-ях регрессии.
- •12.4 Определение параметров нелин-го ур-ия герессии, не приводимого к лин-му ур-ию.
- •12.5 Выбор вида ур-ия регрессии с использ-ем теста Бокса-Кокса.
- •13.4 Замещающие переменные и их использование при построении уравнения регрессии (общие сведения).
- •13.5. Время, как замещающая переменная при моделировании нтп в производственной функции Кобба-Дугласа
- •13.6 Непреднамеренное использование замещающих переменных.
- •13.7 Лаговые переменные и их использование пи построении уравнения регрессии(общие сведения).
- •14.1 Система линейных одновременных уравнений слоу (общие сведения)
- •14.2 Структурная и приведённая формы слоу.
- •14.3Косвенный метод наименьших квадратов (кмнк) и его использование для определения параметров слоу.
- •14.4 Метод инструментальных переменных (мип) и его применение для параметров уравнения регрессия (общий случай)
- •14.5 Метод инструментальной переменной (мип) и его применение для слоу.
- •14.6 Идентифицируемость слоу.
- •14.7 Двухшаговый метод наименьших квадратов.
- •14.8 Трехшаговый мнк.
8.1 Автокорреляция (остатков) и связанные с ней факторы.
При опред-ии ур-ия регрессии значения случ.составляющей в любом наблюдении опр-ся незав-мо от его значений во всех др.набл-ях.
Автокор-ция– зависимость одной случ.составляющей от другой.
Последствия авт-ции примерно такие же как и при гетероск-ти т.е оценки коэф-ов ур-ния регрессии становятся неэффективными , стандартные ошибки коэф-ов ур-ия занижаются. Обычно вопрос авток-ции остатков возникает при исслед-ии временных рядов, но соседними значениями результатирующего признака могут считаться значения, упоряд-ые по возрастанию к-л факториальной переменной.
Постоянная направленность воздействия не включенного в уравнение регрессии к-л фактора явл. наиболее частой причиной положительной автокор-ции.
Пример: Исследуем спрос на мороженое:
Наблюдения показали, что спрос меняется. График:
Выводы:
если в ур-ии регрессии вкл. существ. фактор(в данном сл.), вызыв-ий авток-цию, то она устраняется
если увеличить интервал наблюдений (в нашем сл.), то авт-ция устраняется
если мы имеем: (график)
,то это пример отриц-ой авт-ции.
8.2. Обнаружение автокорреляции 1-го порядка. Критерий Дарбина – Уотсона
Во многих сл.фактич.зависимость, опред-ую авт-цию остатков можно аппроксимировать авторегрессионной схемой 1-го порядка:
, где- чисто случ.величина;- пок-ль авт-ции. Если, то имеем сущ-ую отриц.авт-цию;- авт-ция отсутствует;- сущ-ет положит. авт-ция.
Оценка
Недостаток этой формулы– для этой формулы нет критических значений, поэтому используют для этой формулы критерий Дарбина – Уотсона.
Критерий Дарбина – Уотсона:
Известно, что:
(график) - обнаружение гетероск-ти
Если -авт-ция применяется.
8.3.1. Устранение авт-ции, описываемой авторегрессионной схемой 1-ого порядка в общем случае. Поправка Прайса – Уинстена.
(1)
Наиб. лучший способ устранения – это опред-ть фактор, кот.вызывает авт-цию остатков и вкл.его в ур-ие регрессии,но это трудно сделать, т.к.
нам неизвестен фактор
этот ф-р трудно измерить
Поэтому исп-ют др.способы. Пусть закономерность, описывающая авт-цию и нам известно . Для простоты рассмотрим ур-ие 1-го порядка:
() (2)
Получим
(3), следовательно полностью устранена авт-ция
При исп-ии такого подхода пропадает первое наблюдение. Если выборка маленькая, то потеря 1-го наблюдения может снизить эффект-ть оценок, вызванную авт-цией остатков.
Для возвращения 1-го наблюдения исп-ся след.подход. Если ур-ие (3) им.случ.составляющую, не связанную с др.случ.остатками в наблюдениях 2,3,4…n, то эти случ.составляющие не коррелируют и с 1-ым остатком, т.е., а значит мы можем исп-ть 1-ое наблюдение без преобразований:
. Однако в этом сл.ур-ие (1) будет оказывать, при применении МНК, неоправданно большое влияние на определенные оценки параметров.
Для устранения этого дисбаланса м/д ур-ми Прайс и Уинстен предложили умножить 1-ое ур-ие на поправочный коэф-т . В этом сл.ур-ие становится соизмеримым с др.ур-ми.
8.3.2. Метод Кокрана-Оркатта. Метод Хилдрета – Лу.
Метод Кокрана-Оркатта.
Данный метод исп-ся для устранения авт-ции итарационную процедуру, кот.можно представить в виде след.этапов:
оцениваем исходное регрессионное ур-ие, т.е. находим λ и β.
вычисляем остатки
находим оценку ρкоэф-та авт-ции (1)
исп-уя данную оценку ρнаходим ур-ие (3)
производим определение параметров ур-ия (3) и находим новые значения оценок λ и β
повторно вычисляем остатки и фактически возвращаемся к этому №3
Процесс повторяется до тех пор, пока не будет получена требуемая точность сходимости в оценках λ и β
Метод Хилдрета – Лу.
В данном м-де исслед-ль задает интервал изменения величины ρ, допустим в пределахДля каждого значенияρ производится оценка парпметров λ и β из ур-ия (3). Затем из полученных рез-ов выбир-ся такой, кот.дает минимальную стандартную ошибку для преобразованного ур-ия. Исп-мые в этом ур-ии значенияρ,λ и β принимаются за искомые.
В сл., когда статистика Дарбина – Уотсона указ.на очень тесную положительную авт-цию, можно исп-ать упрощенную процедуру, в кот.принимается ρ=1. В этом сл.ур-ие (3) принимает след. вид: