- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
(здесь не указан случайный член, но должен входить в модель мультипликативно).
После логарифмирования обеих частей получим: lnY =ln A+αln K +βln L .
Здесь α, β — эластичности выпуска по затратам капитала и
труда соответственно. Сумма этих коэффициентов является таким важным экономическим показателем, как отдача от масштаба.
При α+β=1 говорят о постоянной отдаче от масштаба (во сколько раз увеличиваются затраты ресурсов, во столько же раз увеличивается выпуск). При α+β<1 имеет место убывающая отдача от масштаба (увеличение объема выпуска меньше увеличения затрат ресурсов). При α+β>1 — возрастающая отдача от
масштаба (увеличение объема выпуска больше увеличения затрат ресурсов).
В общем случае степенная модель множественной регрессии имеет вид:
Y = β0 X 1 β1 X 2 β2...X m βmε.
Она преобразуется в линейную модель после логарифмирования.
§ 3. Обратная модель (гиперболическая)
Модель вида: |
|
1 |
|
|
|
Y = β |
+β |
+ε |
(8.5) |
||
X |
|||||
0 |
1 |
|
|
называется обратной. Она сводится к линейной модели заменой
X * = X1 . Данная модель обычно применяется в тех случаях, когда
неограниченное увеличение объясняющей переменной X асимптотически приближает зависимую переменную Y к некоторому пределу (в данном случае к β0). В зависимости от знаков β0 и β1 воз-
можны различные ситуации. Если β0 >0, β1 >0 , то (8.5) может отражать зависимость между объемом выпуска (X) и средними
149
фиксированными издержками (Y). Если β0 >0, β1 <0 , то (8.5) мо-
жет отражать зависимость между доходом X и спросом на блага Y (например, на товары первой необходимости либо товары относительной роскоши); это так называемые функции Торнквиста
(в этом случае X =− β1 — минимально необходимый уровень до-
β0
хода). Если β0 <0, β1 >0 , то получим кривую Филипса, отражаю-
щую зависимость между уровнем безработицы (X) в процентах и процентным изменением заработной платы (Y). При этом точка пересечения кривой с осью ОХ определяет естественный уровень безработицы.
Пример 8.2. Имеются данные по 10 семьям о доходе X (ден. ед.) и потреблении некоторого продукта Y (кг) (табл. 8.3).
|
|
|
|
Таблица 8.3 |
|
Исходные данные для гиперболической модели |
|||
|
|
|
|
|
|
Семья |
X |
Y |
X* = 1/ X |
|
1 |
1 |
5,6 |
1,0 |
|
|
|
|
|
|
2 |
2 |
10,8 |
0,5 |
|
|
|
|
|
|
3 |
3 |
11,1 |
0,3333 |
|
|
|
|
|
|
4 |
4 |
12,1 |
0,25 |
|
|
|
|
|
|
5 |
5 |
14,0 |
0,2 |
|
|
|
|
|
|
6 |
6 |
14,2 |
0,1667 |
|
|
|
|
|
|
7 |
7 |
12,9 |
0,1429 |
|
|
|
|
|
|
8 |
8 |
14,1 |
0,125 |
|
|
|
|
|
|
9 |
9 |
13,4 |
0,1111 |
|
|
|
|
|
|
10 |
10 |
13,7 |
0,1 |
|
|
|
|
|
|
|
|
|
|
Исходные данные показаны на рис. 8.3. Из рисунка видно, что зависимость нелинейная.
150
Рис. 8.3. Зависимость потребления Y от дохода X
Предположим, что точная зависимость может быть описана уравнением:
1
Y = β0 +β1 X +ε
или в линеаризованном виде:
Y = β0 +β1 X * +ε.
График с новыми переменными показан на рис. 8.4.
Рис. 8.4. Зависимость потребления Y от величины 1/X
151
Коэффициенты линейного уравнения определяются обычным методом наименьших квадратов. Эмпирическое уравнение регрес-
сии имеет вид: ˆy =14,9−9,18x* или, возвращаясь к исходным переменным, получим ˆy =14,9−9,x18 .
§ 4. Полиномиальная модель
Степенная функция (полином) вида: |
|
Y = β0 +β1X +β2 X 2 +...+βm X m +ε |
(8.6) |
часто отражает ту или иную экономическую зависимость.
Модель (8.6) является линейной относительно коэффициентов регрессии β0, β1, β2, ..., βm . Следовательно, ее можно свести к ли-
нейной регрессионной модели. Заменяя X k на X k (k =1, 2, ..., m), получаем вместо (8.6) модель множественной линейной регрессии:
Y = β0 +β1 X 1+β2 X 2 +...+βm X m +ε. |
(8.7) |
Произведение матриц X T X , X TY в этом случае имеет вид:
|
n |
∑x |
∑x2 |
... |
∑xm |
|
|
∑x |
∑x2 |
∑x3 |
... |
∑xm+1 |
|
|
|
|||||
X T X = |
∑x2 |
∑x3 |
∑x4 |
... |
∑xm+2 |
; |
|
|
|
... |
... |
... |
|
... ... |
|
|||||
∑xm |
∑xm+1 |
∑xm+2 |
... |
∑x2m |
|
∑ y∑x y
X TY = ∑x2y ....
∑xmy
§ 5. Показательная модель (лог-линейная)
Показательная функция:
Y = β0eβ1X + ε= β0 exp(β1X +ε) |
(8.8) |
также достаточно широко применяется в эконометрическом анализе (здесь e=2,7182818 ...). Наиболее важным ее приложением является ситуация, когда анализируется изменение переменной Y с
152
постоянным темпом прироста во времени. В этом случае переменная X символически заменяется переменной t.
Данная функция путем логарифмирования: ln(eβ1X )= β1X , ln β0 = β*0
сводится к лог-линейной модели:
lnY = β* |
+β X +ε. |
(8.9) |
0 |
1 |
|
После замены Y* =lnY получим линейную модель:
|
Y* = β0 +β1X +ε. |
|
|
|
(8.10) |
||||||
Параметры данной модели оцениваются по формулам: |
|||||||||||
|
|
|
n |
|
n |
n |
|
n |
|
||
* |
|
|
∑y*i ×∑xi2 −∑xi ×∑xi y*i |
|
|||||||
|
|
i=1 |
i=1 |
i=1 |
|
i=1 |
, |
||||
b0 |
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
n |
|
2 |
|||||
|
|
|
|
|
|
|
|
||||
|
|
|
|
n ∑xi2 − ∑xi |
|
||||||
|
|
|
|
|
i=1 |
i=1 |
|
|
|||
|
|
n |
n |
|
n |
|
n |
|
|
|
|
|
|
∑x |
y* −∑x |
×∑y* |
|
||||||
|
|
|
|
i |
i |
i |
i=1 |
i |
|
||
|
|
|
|
i=1 |
|
i=1 |
|
|
* |
||
b1 |
= |
|
|
|
|
|
|
|
|
, b0 |
=eb0. |
|
|
n |
|
n |
|
2 |
|
||||
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
n ∑xi2 |
− ∑xi |
|
|
|
|
||
|
|
|
|
i=1 |
|
i=1 |
|
|
|
|
Пример 8.3. Пусть имеются следующие данные (табл. 8.4).
Таблица 8.4
Данные для анализа показательной модели
|
X |
1 |
2 |
2 |
3 |
5 |
6 |
4 |
8 |
10 |
9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Y |
1,7 |
2,7 |
2,8 |
4,1 |
9,4 |
12,0 |
6,1 |
35,0 |
77,0 |
49,0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Очевидно, что показательная модель (рис. 8.5) будет линейной в координатах (X ,ln(Y )). Поэтому построим график в этих координатах.
153