- •Автокорреляция случайного возмущения. Причины. Последствия.
- •Алгоритм проверки адекватности парной регрессионной модели.
- •Алгоритм проверки значимости регрессора в парной регрессионной модели.
- •4. Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.
- •5. Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений.
- •6.Гетероскедастичность случайного возмущения. Причины.
- •7.Динамическая модель из одновременных линейных уравнений (привести пример).
- •8.Идентификация отдельных уравнений системы одновременных уравнений: порядковое условие.
- •9. Индивидуальная оценка значения зависимой переменной
- •10. Интервальная оценка индивидуального значения зависимой переменной
- •11.Классическая парная регрессионная модель. Спецификация модели.
- •12.Коэффициент детерминации в регрессионной модели.
- •13.Ковариация, коэффициент корреляции и индекс детерминации.
- •14.Количественные характеристики взаимосвязи пары случайных переменных.
- •15.Коэффициент корреляции и индекс детерминации.
- •16.Линейная модель множественной регрессии.
- •17.Метод наименьших квадратов: алгоритм метода; условия применения.
- •18.Метод показателей информационной ёмкости
- •19.Методы подбора переменных в модели множественной регрессии.
- •20.Методы сглаживания временного ряда.
- •21.Модели временных рядов.
- •22.Модели с бинарными фиктивными переменными.
- •23.Модели с частичной корректировкой
- •24.Настройка модели с системой одновременных уравнений.
- •25. Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов.
- •26.Нелинейная модель множественной регрессии Кобба-Дугласа. Оценка её коэффициентов. Смотри вопрос 25
- •27.Нормальный закон распределения как характеристика случайной переменной.
- •28.Обобщённый метод наименьших квадратов
- •29. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение.
- •30. Ожидаемое значение случайной переменной, её дисперсия и среднее квадратическое отклонение.
- •31. Определение соответствия распределения случайных возмущений нормальному закону распределения.
- •32. Основные числовые характеристики вектора остатков в классической множественной регрессионной модели.
- •33.Отражение в модели влияния неучтённых факторов.
- •34.Отражение в эконометрических моделях фактора времени.
- •35.Оценивание линейной модели множественной регрессии в Excel.
- •36. Оценивание линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel с использованием сервиса линейн
- •37.Оценивание регрессионной модели с фиктивной переменной наклона; значение параметра при фиктивной переменной.
- •38.Оценка коэффициентов модели Самуэльсона-Хикса
- •39. Оценка параметров множественной регрессионной модели методом наименьших квадратов.
- •40. Оценка параметров парной регрессионной модели методом наименьших квадратов.
- •41. Оценка статистической значимости коэффициентов модели множественной регрессии.
- •42. Подбор переменных в модели множественной регрессии на основе метода оценки информационной ёмкости.
- •43. Подбор переменных в модели множественной регрессии методом «снизу вверх».
- •44. Подбор переменных в модели множественной регрессии методом исключения переменных («сверху вниз»).
- •45. Порядок оценивания линейной модели множественной регрессии методом наименьших квадратов (мнк) в Excel.
- •46. Последствия гетероскедастичности. Тест gq.
- •47. Применение теста Стьюдента в процедуре подбора переменных в модели множественной регрессии.
- •48. Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных.
- •49. Принципы спецификации эконометрических моделей и их формы.
- •50. Проблема мультиколлинеарности в моделях множественной регрессии. Признаки мультиколлинеарности
- •51. Прогнозирование экономических переменных. Проверка адекватности модели
- •52.Простейшие модели временных рядов.
- •53.Регрессионные модели с фиктивными переменными.
- •54.Свойства временных рядов
- •55.Составление спецификации модели временного ряда.
- •56.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •57.Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.
- •58.Спецификация моделей со случайными возмущениями и преобразование их к системе нормальных уравнений.
- •59.Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратов.
- •60.Статистические свойства оценок параметров парной регрессионной модели
- •61.Статистические характеристики выборки и генеральной совокупности статистических данных. Их соотношения.
- •62.Схема Гаусса – Маркова.
- •63.Теорема Гаусса-Маркова
- •64. Тест ошибочной спецификации Рамсея.
- •Тест Стьюдента
- •66. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •67. Типы переменных в эконометрических моделях. Структурная и приведённая формы спецификации эконометрических моделей.
- •68. Устранение автокорреляции в парной регрессии
- •70. Фиктивная переменная наклона: назначение; спецификация
- •71.Функция регрессии как оптимальный прогноз.
- •72.Характеристики сервиса «Описательная статистика».
- •73. Метод наибольшего прадоподобия
- •74. Что такое стационарный процесс.
- •75. Эконометрика, её задача и метод.
- •76.Экспоненциальное сглаживание временного ряда
- •77. Этапы построения эконометрических моделей.
- •78. Этапы решения экономико-математических задач.
48. Применение фиктивных переменных при исследовании сезонных колебаний: спецификация модели, экономический смысл параметров при фиктивных переменных.
Фиктивные переменные на практике приходится учитывать в моделях факторы, носящие качественный характер, значения которых в наблюдениях не возможно измерить с помощью числовой шкалы.
Использование сезонных фиктивных переменных является одним из методов моделирования сезонных составляющих временного ряда. При этом подходе строится регрессионная модель, которая, помимо фактора времени, включает сезонные фиктив$ ные переменные.
Фиктивной переменной называется атрибутивный (или качественный) фактор, представленный с помощью определенного цифрового кода.
Регрессионная модель, включающая в качестве фактора (факторов) фиктивную переменную, называется регрессионной моделью с переменной структурой.
Рассмотрим временной ряд Xi j,
где i — это номер сезона (периода времени внутри года, напри мер, месяца или квартала);
(L — число сезонов в году);
j — номер года, j = (m — общее количество лет).
Количество уровней исходного ряда равно L × m = n. Число сезонных фиктивных переменных в регрессионной модели всегда должно быть на единицу меньше сезонов внутри года, т. е. должно быть равно величине L − 1. При моделировании годовых данных регрессионная модель, помимо фактора времени, должна содержать одиннадцать фиктивных компонент (12 − 1).
При моделировании поквартальных данных регрессионная модель должна содержать три фиктивные компоненты (4 − 1) и т. д.
Каждому из сезонов соответствует определенное сочетание фиктивных переменных. Сезон, для которого значения всех фиктивных переменных равны нулю, принимается за базу сравнения.
Для остальных сезонов одна из фиктивных переменных принимает значение, равное единице.
Если имеются поквартальные данные, то значения фиктивных переменных D1, D2, D3 будут принимать следующие значения для каждого из кварталов
Значения для каждого из кварталов для значения фиктивных переменных D1, D2, D3
Квартал |
D2 |
D3 |
D4 |
1 |
0 |
0 |
0 |
2 |
1 |
0 |
0 |
3 |
0 |
1 |
0 |
4 |
0 |
0 |
1 |
Общий вид регрессионной модели с переменной структурой в данном случае будет иметь вид:
yt =β0 +β1 ×t+δ2 ×D2 +δ3 ×D3 +δ4 ×D4 +εt
Построенная модель регрессии является разновидностью аддитивной модели временного ряда. Базисным уравнением исследуемой регрессионной зависимости будет являться уравнение тренда для первого квартала:
y =β +β ×t+ε
Тогда общий вид модели регрессии с переменной структурой будет иметь вид:
yt=β0+ β1*t+δ2*D2+δ3*D3+δ4*D4+εt.
Данная модель регрессии представляет собой одну из разновидностей аддитивной модели временного ряда.
На основе общей модели регрессии с переменной структурой можно составить базисную модель или модель тренда для первого квартала:
yt=β0+ β1*t+εt.
Также на основе общей модели регрессии с переменной структурой можно составить частные модели регрессии:
1) частная модель регрессии для второго квартала:
yt=β0+ β1*t+δ2+εt;
2) частная модель регрессии для третьего квартала:
yt=β0+ β1*t+δ3+εt;
3) частная модель регрессии для четвёртого квартала:
yt=β0+ β1*t+δ4+εt.
Данные частные модели регрессии отличаются друг от друга только на величину свободного члена δi.
Коэффициент β1 характеризует среднее абсолютное изменение уровней временного ряда под влиянием основной тенденции.
Сезонная компонента для каждого сезона рассчитывается как разность между средним значением свободных членов всех частных моделей регрессий и значением постоянного члена одной из моделей.
Среднее значение свободных членов всех частных моделей регрессий рассчитывается по формуле:
Для поквартальных данных оценка сезонных отклонений осуществляется по формулам:
1) оценка сезонного отклонения для первого квартала:
2) оценка сезонного отклонения для второго квартала:
3) оценка сезонного отклонения для третьего квартала:
4) оценка сезонного отклонения для четвёртого квартала:
Сумма сезонных отклонений должна равняться нулю.