- •2.Автокорреляция случайного возмущения. Причины. Последствия.
- •4.Автокорреляция. Методы устранения автокорреляции
- •5.Алгоритм проверки адекватности парной регрессионной модели
- •6.Алгоритм проверки значимости регрессора в парной регрессионной модели
- •7.Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •8.Выбор типа математической функции при построении уравнения регрессии
- •9.Выведите формулы вычисления параметров модели парной регрессии
- •10.Гетероскедастичность - понятие, проявление и меры устранения.
- •11.Гетероскедастичность случайного возмущения. Причины. Последствия. Тест gq.
- •12.Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •15.Индивидуальная и интервальная оценка индивидуального значения зависимой переменной
- •16.Интервальная оценка параметров уравнения парной регрессии
- •17.Классическая парная регрессионная модель. Спецификация модели. Теорема Гаусса – Маркова.
- •18.Ковариация, коэффициент корреляции и индекс детерминации
- •19.Количественные характеристики взаимосвязи пары случайных переменных.
- •20. Косвенный метод наименьших квадратов для оценки параметров структурной формы модели
- •21. Коэффициент корреляции и индекс детерминации в регрессионной модели.
- •22. Линейная модель множественной регрессии
- •23. Метод Монте-Карло, его применение в эконометрике
- •24. Метод наименьших квадратов: алгоритм метода; условия применения. Обобщённый метод наименьших квадратов
- •25. Модели с бинарными (фиктивными) переменными.
- •26. Моделирование тенденции временных рядов (аналитическое выравнивание)
- •27. Мультиколлинеарность факторов – понятие, проявление и меры устранения
- •28. Назначение теста Голдфелда-Квандта, этапы его проведения.
- •Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов.
- •30.Нелинейная регрессия (линеаризация, оценка параметров)
- •31.Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение.
- •32.Основные числовые характеристики вектора остатков в классической множественной регрессионной модели
- •33.Отражение в модели влияния неучтённых факторов и времени.
- •35.Оценка адекватности полученной эконометрической модели (см. 5)
- •36.Оценка коэффициентов модели Самуэльсона-Хикса
- •37.Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •38. Оценка параметров парной регрессионной модели методом наименьших квадратов.
- •39.Оценка параметров эконометрической модели
- •40.Оценка статистической значимости коэффициентов модели множественной регрессии. (см. 6)
- •41.Подбор объясняющих переменных множественной линейной модели. Алгоритм исключения квазинеизменных переменных
- •42.Подбор объясняющих переменных множественной линейной модели. Метод анализа матрицы коэффициентов корреляции.
- •43.Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •44.Понятие гомоскедастичности и гетероскедастичности случайных возмущений, их графическая интерпретация.
- •45.Порядок оценивания линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel
- •46.Последствия гетероскедастичности. Тест Голдфелда-Квандта.
- •47.Предпосылки метода наименьших квадратов
- •48.Применение обобщенного метода наименьших квадратов (омнк) для случая гетероскедастичности остатков.
- •49.Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии.
- •50.Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных.
- •52.Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности.
- •53.Проверка качества эконометрической модели См.5
- •54.Прогнозирование экономических переменных. Проверка адекватности модели. См.5
- •56.Регрессионные модели с фиктивными переменными.
- •57.Роль вектора и матрицы корреляции множественной линейной модели при подборе объясняющих переменных.
- •58.Свойства дисперсии случайной переменной
- •59.Случайные переменные и их характеристики.
- •60.Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор формы уравнения множественной регрессии.
- •62.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам
- •64.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •65.Статистические свойства оценок параметров парной регрессионной модели.
- •66.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •67.Суть метода наименьших квадратов. Его графическое пояснение
- •68.Схема Гаусса – Маркова.
- •69.Схема построения эконометрической модели.
- •70.Теорема Гаусса – Маркова.
- •71.Тест Дарбина – Уотсона, последовательность его выполнения.
- •72.Тест Стьюдента.
- •73. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •74. Устранение автокорреляции в парной регрессии. (см. 4)
- •75. Функция регрессии как оптимальный прогноз.
- •76. Цели и задачи эконометрики. Этапы процесса эконометрического моделирования. Классификация эконометрических моделей.
- •77. Эконометрика, её задача и метод.
- •78. Эконометрическая инвестиционная модель Самуэльсона-Хикса.
- •80. Этапы исследования зависимостей между экономическими явлениями при помощи эконометрической модели. Принципы спецификации модели. Формы эконометрических моделей.
- •81. Этапы построения эконометрических моделей
64.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
Одним из основных способов корректировки гетероскедастичности является использование метода взвешенных наименьших квадратов. Он применяется в том случае, когда известны диагональные элементы автоковариационной матрицы вектора возмущений . В этом случае уравнения наблюдений можно преобразовать следующим образом. Поделим каждый член на СКО возмущения: , где t=1….n. В результате преобразования спецификация принимает вид спецификации классической регрессионной модели: . Определим количественные характеристики случайного возмущения :
математическое ожидание: E{}=E{}==0
дисперсия случайного члена: Var {}=Var{}===1, таким образом ~N(0,1) и при помощи данного преобразования случайное возмущение приобрело свойство гомоскедастичности.
В случае, если значения неизвестны, используется доступный обобщенный метод наименьших квадратов. В этом методе выполняется оценка неизвестных дисперсий, но при условии, что на структуру автоковариационной матрицы накладываются дополнительные ограничения (предпосылки). Наиболее часто используется следующая предпосылка: СКО возмущения пропорционально одному из регрессоров.
65.Статистические свойства оценок параметров парной регрессионной модели.
Теорема Гаусса-Маркова. Пусть матрица Х имеет полный ранг. При выполнении условий Гаусса-Маркова МНК-оценки параметров относятся к классу линейных по Y, несмещенных оценок с минимальной дисперсией. Покажем линейность оценок следующим выражением: Докажем несмещенность полученных оценок. Введем обозначение: , тогда можно показать, что справедливы следующие соотношения: , , , . Свойство несмещенности оценок параметра проверяется соответственно: , , E()=b, E=a. Оценка является состоятельной если: , т.е с увеличением объема выборки оценки более плотно концентрируются около истинного значения. Оценка становится более надежной в вероятностном смысле, и дисперсия оценки стремится к нулю. Для доказательства состоятельности оценок параметров парной регрессии получим выражения для элементов автоковариационной матрицы вектора оценок параметров . В матричной форме =AY, поэтому =Cov{AY,AY}=. Определим элементы автоковариационной матрицы случайного вектора Y: , где -единичная матрица с размером nxn. Таким образом ==( Так как Q=, получим выражения элементов ковариационной матрицы вектора через выборочные данные: , таким образом имеем: , . Как следует из этих выражений, с увеличением объема выборки n дисперсии несмещенных оценок параметров стремятся к нулю, то есть МНК-оценки параметров парной регрессии являются состоятельными.
В качестве эффективности оценок чаще всего используется критерий вида: Е{}=. Несмещенная оценка является эффективной, если она имеет минимальную дисперсию по сравнению с любыми другими оценками этого параметра в классе выбранных процедур(т.е. является менее случайной). Доказательство эффективности МНК-оценок выполняется путем сравнения их дисперсий с дисперсиями линейных несмещенных оценок . Пусть -вектор несмещенных линейных оценок параметров , определяемых выражением вида , где С- произвольная(2хn)- матрица. Тогда в силу несмещенности оценки и равенства AX=, можно записать: , откуда следует, что CX=0. Определим автоковариационную матрицу вектора оценок : , так как Cov{Y,Y}= I и С=0, A=. Диагональные элементы автоковариационной матрицы-дисперсии оценок параметров. Диагональные элементы неотрицательны, поэтому Var( Var(, т.е МНК-оценка является эффективной, имея минимальную дисперсию по сравнению с любыми несмещенными оценками неизвестного параметра в классе линейных процедур