- •Економетрія
- •Змістовий модуль 1: постановка задачі економетричного моделювання
- •1.1. Предмет, заВдання і зміст економетричного моделювання
- •1.1.1. Предмет економетрії
- •1.1.2. Проблеми і завдання економетричного моделювання
- •1.1.3. Зміст (послідовність) економетричного моделювання
- •1.2. Формування матриці даних для економетричного моделювання
- •1.2.1 Загальна характеристика матриці
- •1.2.2 Змінні в матриці
- •1.2.3. Об’єкти спостереження в матриці
- •1.2.4. Вимоги до розмірів матриці
- •1.2.5. Показники варіації змінних
- •1.2.6. Поля кореляції і їх аналіз
- •1.2.7. Вилучення аномальних об’єктів спостереження
- •1.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •1.3.1. Тестові завдання
- •1.3.2. Логічні вправи
- •1.3.3. Розрахункові вправи
- •Змістовий модуль 2: специфікація економетричних моделей
- •2.1. Ідентифікація незалежних змінних
- •2.1.1. Мета і послідовність ідентифікації
- •2.1.2. Коефіцієнти парної кореляції і детермінації
- •2.1.3. Тестування суттєвості (невипадковості) коефіцієнтів кореляції
- •2.1.4. Інтервали довіри для коефіцієнтів кореляції
- •2.1.5 Мультиколінеарність
- •2.1.6. Бета - коефіцієнти
- •2.1.7. Тестування автономії екзогенних змінних
- •2.1.8. Коефіцієнт множинної кореляції і детермінації
- •2.1.9. Тестування значущості вкладу факторів у множинну детермінацію
- •2.1.10. Вилучення екзогенних змінних
- •2.2. Специфікація аналітичної форми рівнянь регресії
- •2.2.1. Мета і способи специфікації
- •2.2.2. Аналітичні форми рівнянь регресії
- •2.2.3. Спосіб перших різниць
- •2.2.4. Лінеаризація нелінійних рівнянь регресії
- •2.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •2.3.1. Тестові завдання
- •2.3.2. Логічні вправи
- •2.3.3. Розрахункові вправи
- •Змістовий модуль 3: оцінювання параметрів економетричних моделей
- •3.1. Оцінювання параметрів рівнянь регресії
- •3.1.1. Мета і вимоги до оцінювання параметрів
- •3.1.2. Основні припущення щодо оцінювання параметрів
- •3.1.3. Метод найменших квадратів
- •3.1.4. Виконання за мнк основних припущень щодо оцінювання параметрів
- •3.1.5. Гетероскедастичність
- •3.1.6. Автокореляція
- •3.1.7. Значущість (адекватність) рівняння регресії
- •3.1.8. Перевірка значущості параметрів моделі
- •3.1.9. Інтервали довіри до коефіцієнтів регресії
- •3.2. Прогнозування залежної змінної
- •3.2.1. Прогнозування на парних моделях
- •3.2.2. Прогнозування на множинних моделях
- •3.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •3.3.1. Тестові завдання
- •3.3.2. Логічні вправи
- •3.3.3. Розрахункові вправи
- •4. Відповіді до розрахункових вправ
- •Економетричних моделей
- •Список літератури
- •Критичні значення t для побудови прямокутного шаблону двомірного розсіювання*
- •Значення f – критерію Фішера
- •Навчальне видання
- •61002, Харків, хнамг, вул. Революції, 12
- •61002, Харків, хнамг, вул. Революції, 12
2.2.3. Спосіб перших різниць
Спосіб перших різниць для обґрунтування аналітичної форми рівняння регресії передбачає послідовне виконання наступних дій.
1) Групування об‘єктів спостереження за фактором (факторами) , для чого спочатку розраховують інтервал групування за формулою
. (2.21)
У нашому прикладі інтервал, наприклад, за фактором Е дорівнює
.
Отже (див.рис.1.5) утворилось шість груп об’єктів спостереження.
2) У кожній групі визначають середні арифметичні значення .
3) Визначають перші різниці між наступним і попереднім значенням за групами. Такі розрахунки для аналітичного обґрунтування форм залежностіу від , на прикладі залежності Р від Е подані в табл. 2.3.
Таблиця 2.3 − Перші різниці зростання Р при збільшенні фактора Е
Інтервал по Е | |||||
1-2 |
3 |
6,7; 7,3; 5,4 |
19,4 |
6,47 |
- |
2-3 |
4 |
7,9; 8,9;, 8,9; 7,5 |
32,3 |
8,08 |
+1,61 |
3-4 |
4 |
9,5; 9,1; 7,9; 9,3 |
35,8 |
8,95 |
+0,87 |
4-5 |
5 |
10,9; 9,7; 10,6; 8,5; 9,2 |
48,9 |
9,78 |
+0,83 |
5-6 |
4 |
9,8; 11,2; 11,5; 9,5; |
42,0 |
10,5 |
+0,72 |
6-7 |
4 |
11,5; 11,4; 13,04 10,6 |
46,5 |
11,63 |
+1,13 |
7-8 |
5 |
10,1; 12,7; 10,4; 12,5; 12,0 |
57,7 |
11,54 |
-0,09 |
Сума |
29 |
|
282,6 |
9,74 |
|
4) Якщо перші різниці однакові (приблизно однакові) або різні, але не виявляють закономірності зменшення, чи збільшення, то слід вибирати лінійну форму регресії. Саме такий випадок (див.табл.2.3) і спостерігається в залежностіР від Е у нашому прикладі. Отже аналітична форма регресії Р-Е найбільш ймовірно є лінійною.
Якщо перші різниці виявляють явну тенденцію до збільшення або зменшення, треба вибирати криволінійну форму регресії з одним поворотом (квадратичну, гіперболічну, степеневу, експоненту).
Якщо ж перші різниці нагадують ординати нормального розподілу (спочатку збільшується, а потім зменшується і навпаки), то вибирають криволінійну форму регресії з двома поворотами (парабола 3-го порядку, логістична крива, або крива Гомперця).
2.2.4. Лінеаризація нелінійних рівнянь регресії
Оцінювання параметрів рівняння регресії, як буде показано далі (див. підрозділ 3.1.2), ґрунтується на ряді об’єктивних припущень.
Перше припущення вимагає, щоб рівняння регресії мало лінійну форму. Але в економіці часто зустрічаються залежності як квазілінійні, так і суттєво нелінійні!
Використання цього класу регресії для побудови економетричних моделей пов‘язано з обчислювальними труднощами тому, що вказані регресії не допускають безпосереднього застосування класичного методу найменших квадратів для оцінювання параметрів рівнянь регресії. Щоб зробити це можливим, початкові дані спостережень піддають перетворенням з метою лінеаризації залежностей, тобто наданням їм лінійної форми.
Для квазілінійної регресії таке перетворення означає заміну значень незалежних змінних. Наприклад, в регресійному рівнянні гіперболічної форми
1/х можна замінити змінною z=1/х і отримати рівняння лінійної форми
Аналогічно можна лінеаризувати квадратичну функцію (параболу)
,
замінивши , тоді
Для суттєво нелінійних регресій лінеаризація досягається, як правило, шляхом логарифмування рівнянь регресії. Нижче наводимо логарифмічні перетворення найуживаніших суттєво нелінійних регресій, що розглядалися в підрозділі 2.2.2:
степенева
→lgy=lg+ lgx
показникова (експоненційна)
→lgy=lg+x lg
Як бачимо, степеневе рівняння регресії у від , стає лінійною регресієюlgy від lgx .в даному разі невідомими параметрами рівняння регресії є lgі.