- •Запорожский институт экономики и
- •Тема № 1. Предмет, методы и задачи курса “эконометрия”.
- •Задачи курса –
- •2. Обобщенной эконометрической модели.
- •Этапы эконометрического анализа:
- •Тема №3. Простая эконометрическая модель.
- •3.2.1 Определение параметров при степенной зависимости
- •3.2..2 Определение параметров гиперболы
- •3.2.3. Определение параметров показательной регрессии
- •3.2.4. Определение параметров параболы
- •Решение:
- •Алгоритм фаррара –глоберАсостоит из следующих шагов:
- •Пространственная корреляция возмущений (Гетероскедастичность остатков).
- •Автокорреляция остатков
- •Области принятия решений при d-тесте нулевой гипотезы с тремя альтернативными гипотезами.
- •При подозрении на автокорреляцию оценка по методу Эйткена может быть проведена только с использованием вспомогательной модели следую- щим образом:
- •Точечные и интервальные прогнозы регрессанда
Области принятия решений при d-тесте нулевой гипотезы с тремя альтернативными гипотезами.
Н А : р ≠ 0 |
du |
? |
du |
4-dо |
? |
4-dо | ||||
Н А : р > 0 |
du |
? |
du |
|
|
| ||||
Н А : р < 0 |
|
|
|
4-dо |
? |
4-dо |
? |
- инконклюзивная область |
|
- область отклонения гипотезы Но |
|
- область принятия гипотезы Но |
.
Критерий фон Неймана:
Рассчитывают Q -статистику:
Q = d *, где .
Фактическое значение критерия фон - Неймана сравнивают с табличным при выбранном уровне значимости α и заданному числу наблюдений n. Если Qфакт. < Q табл., то существует положительная автокорреляция.
П.7. Оценка регрессионного параметра p , преобразование данных и оценка вспомогательной модели.
Все элементы матрицы Ώ определяются через авторегрессионый параметр ρ, однако при эмпирических исследованиях ρ, как правило, неизвестно и должно быть статистически оценено.
При подозрении на автокорреляцию оценка по методу Эйткена может быть проведена только с использованием вспомогательной модели следую- щим образом:
Шаг 1: Расчёт вектора погрешностей при оценке 1- МНК:
Шаг 2: d-тест на автокорреляцию.
Рассчитать, на основе найденного Û , d – статистику и провести d-тест. Если невозможно отклонить гипотезу о том, что p ≠ 0, то выполнить оценку по методу Эйткена (Шаги 3,4,5).
Шаг 3: Оценка авторегрессионого параметра p
Рассчитать по элементам вектора погрешностей 1-МНК оценщик для p
или :
Шаг 4: Преобразование матрицы данных:
Матрица данных преобразуют с помощью матрицы преобразования следующим образом: , где новая матрица данных при авто регрессионном процессе 1-го порядка имеет вид:
Шаг 5: Оценка по 1-МНК преобразованной матрицы данных.
Рассчитать:
где
при этом
Точечные и интервальные прогнозы регрессанда
(– прогнозы, – прогнозы)
В формуле (1.11) для определения 1-МНК оценщика регрессанда используются временные ряды наблюдений за Т прошедших периодов, поэтому прогнозные значения полученные по формуле (1.11), являются – прогнозами. Об истинных прогнозах ( – прогнозах) регрессанда говорят тогда, когда во временных рядах прогнозный период лежит после оценочного периода. Качество прогноза будет тем выше, чем:
полнее выполняются предпосылки модели;
более надежно (достоверно) оценены параметры модели;
более точно определены значения регрессоров.
Значение для будущего периода, вычисленное по формуле
(3.1)
может представлять собой:
оценку математического ожидания регрессанда ;
оценка индивидуального значения регрессанда .
При этом предполагается .
Обозначим ошибку прогноза при оценке математического ожидания , а при оценке индивидуального значения регрессанда .
Тогда (3.2)
(3.3)
И, оцененная дисперсия ошибки прогноза и ошибки прогноза равны:
(3.4)
(3.5)
Следовательно, оцененная стандартная ошибка для E(Yt) и для индивидуального значения yt равна:
или (3.6)
Прогнозный интервал (интервальный прогноз, доверительный интервал) величины математического ожидания регрессанда Y при уровне доверия 1–α определяется следующим образом:
– НИЖНЯЯ ГРАНИЦА:
– ВЕРХНЯЯ ГРАНИЦА: (3.7)
где вычисляется по формуле (2.1); берется из таблицы t-критерия (см. приложение) при уровне значимости α и числа степеней свободы вычисляется по формуле (3.6).
При интерпретации данного прогнозного интервала следует различать прогнозный интервал для случайной переменной и для ее реализации. В первом случае он накрывает (включает) математическое ожидание E(Yt) с вероятностью 1–α; во втором случае интервал может включать или не включать E(Yt). Если при этом взять большое число выборок и для каждой из них вычислить соответствующий прогнозный интервал, то эти интервалы накроют E(Yt) с вероятностью (1–α)*100%.
Прогнозный интервал индивидуального значения регрессанда вычисляется по формуле (3.7), но вместо величины используется . При интерпретации также необходимо заменить E(Yt) на индивидуальное значение .
ковариационная матрица в этом случае имеет вид:
[5.7]
Все элементы матрицы Ώ определяются через авторегрессионый параметр ρ, однако при эмпирических исследованиях ρ неизвестно и должно быть статистически оценено.
араметры ц и о, входящие в выражение (11), совпадают с генеральным средним и генеральным среднеквадратическим отклонением случайной величины X. Следовательно, параметр ц определяет положение