2.3. Модели множественной линейной регрессии

33. Для оценки параметров регрессионного уравнения используют: метод наименьших квадратов (МНК) дает оценки, имеющие наименьшую дисперсию в классе всех линейных оценок.

34. Для того чтобы регрессионный анализ давал наилучшие из всех возможных результаты, должны выполняться условия: условия Гаусса-Маркова.

35. Для оценки качества регрессионных моделей используется: коэффициент множественной корреляции (индекс корреляции).

2.4 Эконометрический анализ при нарушении классических модельных предположений

36. Процесс, при котором факторы одновременно воздействуют друг на друга, определяется как:

37. Для определения наличия или отсутствия мультиколлинеарности применяют следующие способы: анализ матрицы коэффициентов парной корреляции; исследование матрицы.

38. Методы устранения или уменьшения мультиколлинеарности являются использование стратегии шагового отбора.

39. Содержательная оценка качества уравнения модели множественной регрессии состоит в проверке наличия экономического смысла в размере и характере влияния на исследуемый показатель каждого из объясняющих факторов, является самым ответственным этапом, завершающим регрессионный анализ.

40. Проверка статистического качества полученного уравнения модели множественной регрессии предполагает оценку : общего качества уравнения; статистической зависимости каждого параметра уравнения; наличие автокорреляции остатков.

41. Качество модели множественное регрессии оценивается по следующим направлениям:

• проверка качества уравнения регрессии;

• проверка значимости уравнения регрессии;

• анализ статистической значимости параметров модели;

• проверка выполнения предпосылок МНК.

42. При проверке адекватности уравнения множественной регрессии исследуемому процессу возможны следующие варианты:стр.62

43. Наличие (отсутствие) автокорреляции в отклонениях модели проверяют с помощью:dw-критерия Дарбина-Уотсона(стр.63)

44. При сравнении расчетного значения dw-статистики с табличным могут возникнуть такие ситуации:с 64

45. Тест Дарбина − Уотсона можно применять только в том случае, если выполняются следующие условия:

1. в регрессионном уравнении присутствует свободный член;

2. регрессоры являются нестохастическими;

3. в регрессионном уравнении нет лаговых значений зависимой переменной.

46. Для обнаружения гетероскедастичности обычно используют тесты о зависимости между дисперсией случайного члена и объясняющей переменной:

• тест Голдфельда-Квандта;

• тест ранговой корреляции Спирмена;

• двусторонний критерий Фишера;

• тест Глейзера и др.

2.5. Моделирование временных рядов

47. В общем случае временной ряд можно представить как функцию компонент отражающих закономерность и случайность развития: f(t) – тренд развития, S(t) – сезонная компонента, U(t) – циклическая компонента, e(t) – остаточная компонента. Стр131.

48. В эконометрике выделяются следующие основные направления экономико-статистических методов временных рядов:

49. Применяемые при обработке временных рядов методы опираются на методы математической статистики, которые базируются на следующих требованиях к исходным данным:

1. Сопоставимость данных

2. Однородность данных

3. Устойчивость тенденции

4. Полнота данных стр134.

50. Проверка наличия тренда – процедура предварительного анализа данных, сводится к проверке гипотезы о неизменности среднего значения временного ряда и осуществляется с помощью различных критериев: критерий серий, основанный на медиане; критерий проверки гипотезы о неизменности среднего значения временного ряда; критерий «восходящих» и «неисходящих» серий

51. Сглаживание временного ряда: т.е. замена фактических уровней расчетными значениями, имеющими меньшую колеблемость чем исходные данные, является простым методом выявления тенденции развития.

52. Существующие методы сглаживания делят на группы:

1. Аналитические методы

2. Методы механического сглаживания

53. Формирование уровней ряда определяется закономерностями основных типов:

• инерцией тенденции,

• инерцией взаимосвязи между последовательными уровнями ряда,

• инерцией взаимосвязи между исследуемым показателе и показателями-факторами, оказывающие на него причинное воздействие.

54. На практике наиболее часто используются кривые роста, которые позволяют описывать процессы следующих основных типов:

• без предела роста,

• с пределом роста без точки перегиба,

• с пределом роста и точкой перегиба.

55. Для оценки точности модели временного ряда в статистическом анализе, используются: максимальная по абсолютной величине ошибка; относительная максимальная ошибка; средняя по модулю ошибка; средняя по модулю относительная ошибка.

56. Адаптивные модели прогнозирования на основе временных рядов – это модели дисконтирования данных, способных быстро приспосабливать свою структуру и параметры к изменению условий.

57. Общая схема построения адаптивных моделей включает:

• по нескольким первым наблюдениям ряда оцениваются значения параметров модели;

• по имеющейся модели бается прогноз на один шаг;

• по модели со скорректированными параметрами рассчитывается прогнозная оценка на следующий момент времени;

• прогнозирование на будущее.

58. Авторегрессионной моделью временных рядов называют такую модель, в которой моделируемые значения зависят линейно: стр.165

59. В авторегрессионных моделях предполагается, что: