- •1.Предмет эконометрики и связь с другими науками
- •2.Эк. Возникла в середине 20 века (1926 г.).
- •3.Методология эконометрического моделирования:
- •4/Выбор типа математической функции при построении уравнений регрессии
- •5.Свойства оценок:
- •6.Показатели силы связи:
- •7.Показатели тесноты связи.
- •8.Статистическая оценка достоверности регрессионной модели.
- •13.Ошибка аппроксимации.
- •12 Нелинейная регрессия
- •11.Интервальная оценка параметров
- •14.Использование модели парной регрессии для прогнозирования
- •15.Визуальный анализ остатков
- •16.17Смысл множественной регрессии. Отбор факторов и выбор формы уравнения
- •18.Оценка параметров.
- •20.Показатели силы связи:
- •19Стандартизованные коэффициенты регрессии.
- •21.Показатели тесноты связи
- •22.Показатели частной корреляции
- •23.Оценка достоверности модели
- •24.Частные f-критерии
- •26.Предпосылки мнк
- •32.Проблемы, возникающие при построении регрессионной модели
- •27.Гетероскедастичность
- •28.Тесты, используемые для выявления гетероскедастичности:
- •29.Ранговой корреляции Спирмена
- •31.Обобщенный метод наименьших квадратов (омнк)
- •46.Фиктивные переменные
- •49.Структурные уравнения и их приведенная форма
- •50.Проблема идентификация
- •51.Достаточное условие идентификации
- •52.Оценивание параметров в структурной форме моделей
- •53.Дмнк
- •34.Автокорреляция уровней ряда и ее последствия
- •35Моделирование тенденций временного ряда
- •43Использование трендовых моделей для прогнозирования
- •40.Методы исключения тенденции при моделировании взаимосвязей по временным рядам
- •38.Метод отклонения от тренда
- •39.Метод последовательных разностей
- •41.Автокорреляция в остатках
51.Достаточное условие идентификации
Чтобы уравнение, входящее в систему одновременных уравнений было идентифицировано, необходимо и достаточно, чтобы ранг матрицы коэффициентов по отсутствующим в нем переменным был на 1 меньше числа эндогенных переменных в этой системе и определитель не равен 0.
М – число эндогенных переменных
Первое уравнение: Н=3 и D=2, т.е. D+1=Н
Коэффициенты при отсутствующих в первом уравнении переменных
уравнения |
переменные |
|
X3 |
X4 |
|
II |
A23 |
A24 |
III |
0 |
0 |
M=3, M-1=2 RangA=1 (M-1)>1 => уравнение неидентифицировано
Второе уравнение: H=2, D=1, D+1=H
Коэффициенты при отсутствующих в первом уравнении переменных
уравнения |
Переменные |
|
Y2 |
Y1 |
|
I |
B13 |
A11 |
III |
-1 |
A31 |
M=3 RangA=2 => M-1=RangA=2 => уравнение точно идентифицировано
Третье уравнение: H=3, D=2, D+1=H
Коэффициенты при отсутствующих в первом уравнении переменных
уравнения |
переменные |
|
X3 |
X4 |
|
I |
0 |
0 |
II |
A23 |
A24 |
RangA=1, M-1=2 => уравнение неидентифицировано
52.Оценивание параметров в структурной форме моделей
Основными методами оценки параметров:
- косвенный МНК (КМНК)
- Двухшаговый МНК (ДМНК)
КМНК
Применяется для точно идентифицированных уравнений.
Алгоритм:
-
Строится приведенная форма модели
-
Для каждого уравнения приведенной формы оцениваются параметры с помощью обычного МНК
-
Коэффициенты приведенной модели трансформируются в параметры структурной модели
Y1 |
Y2 |
X1 |
X2 |
2 |
6 |
1 |
4 |
3 |
7 |
2 |
2 |
4 |
8 |
3 |
3 |
5 |
9 |
2 |
6 |
6 |
6 |
4 |
7 |
Модель точно идентифицировано
-
Приведенная форма модели
-
A1=0,312 B11=0,852 B12=0,373
-
A2=7,398 B21=-0,0724 B22=-0,00557
ешим каждое уравнение с помощью обычного МНК
Перейдем к структурной форме модели:
Оценка достоверности производится по F и t критериям.
53.Дмнк
Данный метод – универсальный; для сверхидентифицированных моделей
-
Первый шаг – построение приведенной формы модели (ПФМ). С помощью МНК находят числовые параметры каждого уравнения ПФМ.
-
Второй шаг - для каждого уравнения структурной формы модели (СФМ) выполняют следующие действия:
-
находят эндогенные переменные, являющиеся факторными признаками (стоят в правой части уравнения);
-
для этих переменных определяют их выровненные (теоретические) значения, используя соответствующие уравнения ПФМ;
-
-
находят параметры рассматриваемого уравнения СФМ обычным МНК, заменяя исходные значения эндогенных переменных-факторов их выровненными значениями.
33.Временной (динамический ряд) – это ряд последовательно расположенных во времени числовых значений соответствующего показателя.
Элементы ряда:
-
уровни ряда (yt)- числовые значения того или иного показателя;
-
время (t).
Виды временных рядов:
-
моментные, если время задано моментами;
-
интервальные, если время задано интервалами.
Модели на основе рядов динамики:
-
Модели изолированного динамического ряда
-
Модели системы взаимосвязанных рядов
-
Модели авторегрессии
-
Модели с распределенным лагом
Применяя регрессию к временным рядам необходимо помнить, что непосредственное использование регрессии и корреляции к ВР может привести к ложным выводам.
Причина этого состоит в том, что уровни ряда принимают те или иные значения в результате действия ряда факторов. Одни из них – существенные, а другие – случайные.
Фактическую величину уровня ряда (yt) как функцию 3-х компонентов:
-
Тенденция (Т)
-
Периодические колебания (Р)
-
Случайные колебания (Е)
Yt = f(T, P, E)
Могут быть ряды динамики в которых отсутствуют Т и Р => Yt=f(E) – это стационарные ряды.
И вот эти ряды можно записать как: Yt = yср + E. Такие ряды наблюдаются при изучении динамики показателей из относительных и средних величин.
Например, это доля единого социального налога в процентах к ФОТ.
Ряд с тенденцией
Аддитивная модель Мультипликативная модель
Yt = T + E +P Yt = T*E*P
Наличие этих компонент приводит к проблемам при моделировании взаимосвязи между рядами.
Необходимо сначала в каждом ряду выявит тенденцию, смоделировать тренды и далее исключит тенденцию.
Возможное наличие временного лага – другая особенность ВР. То есть отставание уровней одного ряда от уровней другого. Для этого необходимо определить величин ряда. С этой целью строят взаимную корреляционную функцию. Определяют множество коэффициентов корреляции между 2 рядами, сдвинутые относительно друг друга на определенный интервал. По максимальному коэффициенту корреляции выбираем величину лага.