- •11. Экономико-математические модели включают в себя
- •2.2. Парная регрессия и корреляция
- •2.3. Модели множественной линейной регрессии
- •2.4 Эконометрический анализ при нарушении классических модельных предположений
- •2.5. Моделирование временных рядов
- •2.6. Изучение взаимосвязей на основе временных рядов
- •3.2. Оптимизационные модели
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:
-
в регрессионном уравнении присутствует свободный член;
-
регрессоры являются нестохастическими;
-
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:
-
Сопоставимость данных
-
Однородность данных
-
Устойчивость тенденции
-
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:
-
Аналитические методы
-
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: