
- •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.
12.2 Линеаризация уравнения регрессии с использованием логарфмического преобразования (степенные и показательные функции).
В тех случаях, когда связь между фактор-ми перем-ми и результ-им приз-ом имеет вид степенного ур-ия (мультиколлин-ая функция) линеализация произв-ся путем логарифмирования исх. ур-ия.
12.3 Представление случайного члена в преобразованных нелинейных ур-ях регрессии.
(1)
(2)
Если
в
(1) удовл-ет четырем условиям случайности,
т. е. мат. ожид-е =0, независимо др. от
друга, то случ. Составляющая во (2) также
будет удовл-ть этим усл-ям, и найденные
из (2) с пом. МНК оценки параметров будут
несмещ-ми, состоят-ми и эффектив-ми
оценками. Если будем иметь ур-ие вида:
(3), то случ. состав-ая должна входить
как сомножитель.
(4)
Четырем усл-ям случайности должен
удовл-ть lnδi,
а самоδi
подчин.др. законам. Н-р,
В получаемые с пом. МНК оценки состоятельные и эфектив-ые для ур-ия (4) и все стат. критерии справедливы для лин-го аддитивного ур-ия (4).
12.4 Определение параметров нелин-го ур-ия герессии, не приводимого к лин-му ур-ию.
Возьмем ур-ие:
.Данное
ур-ие не м. б. приведено к лин-му путем
замены переменных или логарифмированием.
Для оценки парам-ов данного ур-ия также
используемметод минимизации суммы
квадратов отклонений. Алгоритм нах-ия
парам-ов α иbпредставим
в виде послед-ти процедур:
1) примем некоторые правдоподобные исходн. знач-я α и b(α =1÷10,b= 0 ÷ 1,α0 =1,b=0,5)
2) исп-уя эти знач-я, найдем теоретич.
знач-я
и
вычислим
3) вычислим
4)сделаем небольшой шаг по параметру α: Δ α =1+0,1= 1,1 и снова найдем величину μ(2). Если μ(2)< μ(1) , то шаг сделан в правильном направлении.
5) продолжаем увелич-ть α в дан. напр-ии по шагам до тех пор, пока μ не начнет расти.
6) аналогич-ую процедуру проводим с параметром bфиксиров. α.
7) фиксируем найденное bи снова начинаем изменять α. Процедура повтор-ся до тех пор, пока любые измен-ия α иbне будут приводиь к увнлич-ю μ.
12.5 Выбор вида ур-ия регрессии с использ-ем теста Бокса-Кокса.
Исп-ие нелин-ых ур-ий для построения
ур-ия регрессии значит-но повышает
универс-сть регр-го анализа, но и усложняет
задачу исслед-ля, т.к. усложняется
проблема спецификации ур-ия регрессии.
Если мы имеем дело с парной регрессией,
то вид ур-ия м.б. решен (выбран) путем
построения графика зависимости у = f(x)
и по виду этого графика можно дост-но
просто выбрать ур-ия. Однако в случае
множ-ой регрессии такой подход практич-ки
невозможен. В этом случае часто задача
решется путем подбора подходящей функции
и в качестве критерия оптим-ти используют
коэф-т множ-ой детерминацииR2,
иногда сумма квадратов отклонений.
Такой подход неправомерен, если
сравниваются принципиально различ-е
функц-ые зависимости. Н-р: лин-ая аддитивная
модель(1)
мультипликтивная
модель
(2)
Использовать для срав-ия этих моделей сумму кавдратов отклонений невозм-но, т. к. lnyi ≠ yi, а значит-но < его
(3)
Величина R2 также не может быть использ-на, хотя она и безразмерна, т. к. она относ-ся к разным понятиям. В (1) она объясняет дисперсию у, объясн-ую дисперсией факториальных приз-ов (х1и х2). Во (2) она объясняет дисперсиюlny, вызванную дисперсиейlnх1илиlnх2. В тех случаях, когдаR2 у одной модели значит-но >, чем у другой, тогда можно обоснованно осущ-ть выбор в пользу этой модели. Однако в тех случаях, когдаR2одной и др. модели соизмеримы др.с другом, то проблема выбора усложняется. В этом случае предлагается для выбора исп-тьтест Бокса-Кокса(это в общем случае). Для сравнения моделей (1) и (2) Пол Зарембко предложил упрощение теста Бокса-Кокса в 1968г. Суть теста в этом сл. след-ая:
исход-ые данные по у исп-ся для вычисления средней геометрической
значение у персчит-ся с исп-ем
исп-ие нов. знач-я у находим параметры (оценки) ур-ия (1). А исп-уя lny’из ур-ия (3) нах-ся оценки ао,β1,β2.Для этих двух моделей (1) и (3) нах-ся сумма квадратов отклонений. Эти суммы являются сопоставимыми и след-но та модель, которая дает меньшую сумму квадратов отклонений и признается лучшей.
для того, чтобы окончат-но решить вопрос, что действительно одна из моделей дает лучшее соответ-ие, рассчит-ся пок-ль:
, где Т-число набл-й (n),Z-отнош-е ∑ кв. отклонений в 1 и 2 ур-ии.
. Х2расч. сравнив-ся с табличным. Данное стат. распределение им. одну степень свободы и разное знач-е уровня значимости, если Х2расч. > Х2табл. при 5 %-значимости, то действ-но одна из моделей сущ-но лучше другой.
Общая характеристика временных рядов. Трендовые модели.
Динамич. процессы, происх-ие в эк-их
системах чаще всего проявляются в виде
ряда послед-но располож-ых в хронолог-ом
порядке знач-ий того или иного пок-ля,
кот. в своих изменениях отражает ход
развития изучаемого явления. Эти знач-я
пок-ей могут служить основой для
разработки прикладн. моделей особого
вида, наз-ых трендовыми моделями.
Послед-ть наблюдений одного пок-ля,
упорядоч-ая в завис-ти от послед-но
возраст-их или убывающих знач-ий др.
показ-ля наз.динамическим рядом.
Если в кач-ве приз-ка, в завис–ти от
кот-го проис-ит упорядочеие, берется
время, то такой динамич. ряд наз.временным
рядом. Состав-ми элем-ми радов динамики
явл. цифровые значения пок-ля, наз-ыеуровнемэтих радов и моменты или
интервал времени, к кот. относ-ся эти
уровни. Временные ряды образованные
пок-ми. харк-ми эк. явления на опред.
моменты времени над.моментными. Если
уровни временного ряда образ-ся путем
агрегирования за опред-ый промежуток
времени, то такие рады наз-сяинтервальными
врем. Рядами. Врем. Ряды могут быть
образованы как из абсолютных знач-й эк.
пок-ей, так и из средних относит-ых
величин. Эти ряды наз.производными
рядами. Поддлиной врем. рядапоним-ся время, прошедшее от начала
момента набл-ия до конечного. Если во
врем. ряду прояв-ся длит-ая тенденция
изм-ия эк. пок-ля, то считается, что в
этом имеется тренд. След-но подтрендомпоним-ся изменение, опред-ее общее
направ-е развития, т. е. осн. тенденция
врем. ряда. След-но, эк-ко-мат-ая динамич-ая
модель, в кот. развитие эк. системы
отраж-ся через тренд ее осн. показ-ей
наз.трендовой моделью. Отличие
врем. эк. радов от простых стат. совокуп-ей
закл-ся прежде всегов том, что послед-ые
знач-я уровня временного ряда зависят
друг от друга, т. е. имеется существенная
автокорел-ия между уровнями ряда (не
остатков, а х). В связи с этим выводы и
формулы ТВ и МС могут исп-ся с большей
осторожностью. Любой врем. ряд эк. пок-ей
можно разложить на 4 составл-ие:,
где Т-тренд,S-сезонная
сост-ая, С-циклич-ая сост-ая,
-случ-ая
сост-ая. При построении трендовых моделей
необходимо, чтобы дан. Модельсущ-ым
образом отражала изменения систематич-их
компонент врем. ряда. (Т,S,C). Случ. сост-ая (
)
для адекватных моделей должна подчиняться
4 св-ам Гаусса-Марка (2 лаб. Работа):1)
случай-ть колеб-й; 2) мат. ожидание = 0; 3)
норм-ый закон распр-ия; 4) независ-ть.
- трендовая модель.
Предварительный анализ временных рядовю. Метод Ирвина.
Предвар-ый анализ врем. рядов эк. показ-ей
закл. в основном выявлении и устранении
аномальных зн-ий уровней ряда, а также
определении наличия тренда в исх-ом
врем-ом ряде. Под аномальными уровнямипоним-ся отдельное знач-е уровня врем.
ряда, кот. не отвечает потенц. возм-ям
ислед-ой эк. системы и, оставаясь в
качестве ур-ня ряда,, оказ-ет сущест-ое
влияние на знач-е осн-ых характер-ик вр.
ряда. Причинами аномальных наблюдений
м. б.ошибки технич-го порядка или
ошибки первого рода. Такие ошибки
подлежат выявлению и устранению. Однако
аномальные уровни во врем. рядах могут
возникать из-за возд-ия факторов, имеющих
объективный хар-р, проявл-ся эпизодич-ки
(т. е. редко) – это ошибки второго рода,
и они устранению не подлежат. Для выявл-я
аномальных уровней врем. ряда исп-ся
методы, рассчит-ые для стат. совок-ей, в
частности м-д Ирвина:λ=0,05 (т.е 5% уровень знач-ти 0 гипотезы).
После выявления аном. уровней изучаемого
ряда необх-мо выявить причину возн-ия
этого аномальн. уровня. Если аном-ое
набл-ие вызвано ошибкой первого рода,
то они устран-ся путем замены этого
аном-го набл-ия сред-им арифм-им знач-ем,
получ-ым из аппроксимирующей кривой
для данного врем-го ряда.
Сглаживание временных рядов экономич. показ-ей.
Часто уровни эк. рядов динамики колеб-ся. При этом тенденция развития эк. явления во времени скрыта случ. отклонениями ур-ня в ту или иную стороны с целью более четкого появления тенденции развития исслед-го процесса. В том числе для дальнейшего примен-я мет-ов прогнозир-ия на основе тренд. моделей производит сглаживание вр. рядов. Методы сглаж-я дел-ся на 2 большие группы:
1) аналитическое выравнивание с исп-ем кривой, отображ-ей осн. тенденцию вр. ряда (измен. вр. ряда).
2) механич-ое выравнивание отдельн. уровней вр. ряда с использованием фактич. знач-й соседних уровней.
Методы аналитич-го выр-иябазируются на применении разл-го вида полиномов и нах-ии коэф-ов этих полиномов МНК. В кач-ве поиномов исп. либо степен. Чебышева поиномы, рад Фурье.
Суть механич-го сглаж-ия зак-ся в
след.:берется неск-ко 1-ых Ур-ей вр.
ряда,образующих интервал сглаж-ия. Для
них подбир. полином, степень кот-го
должна быть< числа уровней, входящих
в интервал сглаживания. С пом. полинома
опр-ся нов. выровненные знач-я уровней
в середине интервала сглаж-ия. Затем
интервал сглаж-я сдвиг-ся на 1 уровень
ряда вправо и вычисл-сяслед-ее сглаженное
знач-е и т. д. Самым простым методом
мех-го сглаж-я явл.метод простой
скользящей средней.В данном методе
для уровней ряда у1, у2, у3…уn
опред-ся интервал сглаж-яm<n.
Если необх-мо сгладить как можно больше
колебаний, то инт-ал сглаж-ия берут по
возможности большим. Если необх-мо
сохранить колеб-ия опред-ой частоты,
то инт-ал сглаж-ия уменьшают. Желат-но
инт-ал сглаж-ия брать нечетным. Для
первыхm-уровней вычисл-ся
ср. арифм. Это будет сглаженное знач-е
для середины инт-ла сглаж-ия. Затем
интервал сдвиг-ся вправо на 1 уровень.
Для высисл-я сглаж-ых знач-й исп-ся
формула:.
В рез-те получается (n-m+1)
– сглаженных знач-й. При этом первые и
послед-ие р-уровни ряда не сглаж-ся.
Данный метод обычно исп-ют дл рядов,
имеющих лин. тенденцию.
Метод взвешенной скользящей средней:
отлич от предыдущего тем, что уровни
ряда, вход-ие в интервалсглаж-ия
суммируются с разн. весами и аппроксимация
ряда в пределах инт-ла сглаж-ия осущ-ся
с исп-ем полиномов степени от 2 и више.
Опред-ие сглаж-го знач-я в этом случае
опред-ся по фор-ле:,
где ρ – веса разл. уровней ряда в сглаж-ом
знач-ии. Эти веса (ρ) опр-ют с пом. МНК,они
приводятся в соотв-ии справочн табл.
Метод экспоненциального сглаж-ия:Особ-тью данного метода явл. то, что при нахождении степенного ур-ня исп-ются знач-ия только предшеств-их уровней ряда, взятых с опред-ым весом, причем вес наблюдения уменьш-ся по мере удаления его от момента времени, для кот-го опред-ся сглаж-ие знач-ия уровня ряда.
В данном методе, если обозначить через
Stсглаж-ие зная-ия,
где α-парам-рсглаж-ия 0< α <1, (α-1) –
коэф-т дисконтир-ия. Экспоненциальная
средняя явл. взвеш-ой средней всех
предыдущих уровней ряда. Эмпирически
рекомендуется выбирать α ≈ (0,1÷0,3). В
некот-х рекомендациях берут
.
Начальное значение (Sо)
обычно вычисл-ся как ср. арифм-ое первых
членов ряда.
.