- •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.
3.2. Отбор факторов-аргументов
Основная задача, стоящая при выборе факторов, включаемых в корреляционную модель, заключается в том, чтобы ввести в анализ все основные факторы, влияющие на уровень изучаемого явления так, а колеблемость этих факторов объясняла подавляющую часть колеблемости результативного признака. Однако введение в модель большого числа факторов нецелесообразно, правильнее отобрать только сравнительно небольшое число основных факторов, находящихся предположительно в корреляционной связи с выбранным функциональным показателем.
Чрезмерное увеличение числа факторов может не прояснить, а, наоборот, затушевать картину множественных связей. Непосредственный отбор факторов-аргументов для включения их в корреляционную модель должен осуществляться на основе качественного
теоретико-экономического анализа, исходя из целей и задач исследования. Наряду с факторами, непосредственно формирующими уровень исследуемого результативного показателя, в анализ необходимо вводить и так называемые глубинные факторы, действующие опосредованно. При помощи априорного теоретического анализа, часто нельзя выявить не только меру, но даже направление влияния того или иного фактора для изучаемых экономических показателей. Например, показатели структуры затрат.
Качественный теоретический анализ при первом приближении не позволяет ответить на вопрос о существенности влияния отобранных факторов. Поэтому в практике корреляционного анализа широкое распространение получил так называемый двухстадийный отбор. В соответствии с ним в модель включаются все предварительно отобранные факторы. Затем среди них, на основе специальной количественной оценки и дополнительною качественного анализа выявляются несущественно влияющие факторы, которые постепенно отбрасываются пока не останутся те, относительно которых можно утверждать, что имеющийся статистический материал согласуется с гипотезой об их совместном существенном влиянии на зависимую переменную при выбранной форме связи.
Своё наиболее законченное, выражение двухстадийный отбор получил в методике так называемого многошагового регрессионного анализа, при котором отсев несущественных факторов происходит па основе показателей их значимости, в частности, на основе величины taj - расчетном значении критерия Стьюдента.
При предварительном отборе факторов, включаемых в анализ, к ним предъявляются специфические требования. Прежде всего, показа тети, выражающие эти факторы должны быть количественно измеримы. В некоторых случаях, используя современный математический аппарат, можно учесть и качественные показатели. Однако такой учет требует дополнительных процедур формализации ЭТИХ показателей.
Факторы, включаемые в модель, не должны находиться между собой и функциональной или близкой к ней связи. Наличие таких связей носил название мультиколлинеарности. Мультиколлииеарность свидстельствует о том, что некоторые факторы характеризуют одну и ту же сторону изучаемого явления. Поэтому их одновременное включение в модель нецелесообразно, так как они в определенной степени дублируют друг друга. Если нет особых предположений, говорящих в пользу одного из этих факторов, следует отдавать предпочтение тому из них, который характеризуется большим коэффициентом парной (или частной) корреляции или вносит в уравнение регрессии наибольший вклад, то есть дает меньшую остаточную дисперсию.
Использование для отбора включаемых в модель факторов коэффициентов парной корреляции оправдано тем, что они служат фактически концентрированным выражением влияния на изучаемый показатель всей функциональной связанной группы факторов. С этой точки зрения коэффициент парной корреляции более предпочтителен, чем коэффициент частной корреляции. С другой стороны, мультиколлинеарность приводит к весьма нежелательным последствиям. В этом случае матрица системы нормальных уравнений оказывается плохо обусловленной, что ведёт за собой невозможность получения (или неустойчивость) результатов решения.
Выбор факторов, включаемых в модель, зачастую предопределяется возможностью получения исходной статистической информации. По многим важным для анализа хозяйственной деятельности факторам в годовых отчётах предприятий нет соответствующих данных, и их получают в результате специальных обследований.