- •1. Определение и задачи эконометрики. Место эконометрики в общественных науках.
- •2. Выбор типа математической функции при построении уравнения регрессии.
- •3. Оценка параметров уравнения регрессии.
- •4. Абсолютные и относительные показатели силы связи в уравнениях парной регрессии.
- •Показатели тесноты связи в моделях парной регрессии
- •6.Статистический анализ достоверности модели парной регрессии
- •7. Оценка значимости параметров уравнения парной регрессии
- •8.Интервальная оценка параметров уравнения парной регрессии
- •9. Средняя ошибка аппроксимации
- •10. Использование модели парной регрессии для прогнозирования
- •11. Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор формы уравнения множественной регрессии
- •12. Отбор факторов в уравнение множественной регрессии.
- •13 Оценка параметров уравнения множественной регрессии.
- •16 Множественный коэффициент корреляции и коэффициент детерминации.
- •17 Показатели частной корреляции
- •18 Оценка значимости уравнения множественной регрессии на основе коэффициента детерминации и результатов дисперсионного анализа
- •19 Частные критерии Фишера в оценке результатов множественной регрессии
- •20 Использование фиктивных переменных в множественной регрессии
- •21 Мультиколлинеарность факторов - понятие, проявление и меры устранения
- •22 Гетероскедастичность - понятие, проявление и меры устранения
- •23 Общее понятие о системах уравнений, используемых в эконометрике
- •29 Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели
- •30 Специфика временного ряда как источника данных в эконометрическом моделировании
- •31 Автокорреляция уровней временного ряда и ее последствия
- •32 Моделирование тенденции временных рядов
- •33 Оценивание параметров в уравнениях тренда
- •34 Методы исключения тенденции при моделировании взаимосвязей временных рядов
- •35 Метод отклонений от тренда
- •36 Метод последовательных разностей
- •37 Регрессионные модели с фактором времени
- •38 Автокорреляция в остатках. Критерий Дарбина-Уотсона в оценке качества уравнений, построенных по временным рядам
- •39. Прогнозирование на основе рядов динамики
- •40. Модели с лаговыми переменными (основные понятия, определения и направления использования)
- •43 Ом пк при построении модели регрессии.
43 Ом пк при построении модели регрессии.
При нарушении гомоскедастичности и наличии автокоррел ошибок реком-ся трад МНК заменить на обобщенный МНК (ОМНК). Этот метод применяется к преобразованным данным и позволяет получать оценки, кот обладают св-вом несмещенности и имеют меньшие выборочн дисперсии. Рассмотрим ОМНК для корректировки гетероскедастичности. Будем предполагать, что средн знач остат величин=0, а дисперсия их для разн знач ф-ра пропорциональна величине Ki: σEi^2=(σ^2)*Ki, где σEi^2-дисперсия ошибки при конкретн i-том знач ф-ра; σ^2-постоян дисперсия ошибки при соблюдении предпосылки о гомоскедастичности остатков; Ki-k-т пропорциональности, кот меняется с изм-нием величины ф-ра, что и обуславливает неоднородность дисперсии. При этом σ^2-неизвестна, а в отношении величины Ki выдвигаются определ гипотезы, характеризующие структуру гетероскедастичности, т.е. неоднородности остатков. Предполагается, что ур-ие имеет вид: ỷ=a+b*xi+Ei. Эта модель при усл, что σEi^2=(σ^2)*Ki, примет вид: ỷ=a+b*xi+(корень из Ki)*Ei. Остаточные величины в этой модели гетероскедастичны. Предположим, что в остатках отсутствуе АК, тогда м/б перейти к ур-ию с гомоскедастичными остатками. Для этого надо поделить все переменные на (корень из Ki): σEi^2=σ^2, а ур-ие будет: ỷ/(корень из Ki)=a/(корень из Ki)+(b*xi)/ (корень из Ki)+Ei, т.е. исх дан для этого ур-ия явл-ся: y=|y1/(корень из K1)…yn/(корень из Kn)|-значения записываются в столбик; x=|x1/(корень из K1)…xn/(корень из Kn)| - в столбик. По отношению к обычн регрессии ур-ие с нов преобразов переменными представляет собой взвешенную регрессию с весами 1/(корень из Ki). Поэтому оценка параметров нов ур-ия с преобразов переем-ми приводит к взвешенному МНК, для кот необх минимизировать сумму квадратов отклонений вида: ∑(1/Ki)*(ỷ-y)^2-мин. Мы получим след систему норм ур-ий: 1.∑yi/Ki=a*∑1/Ki+b∑xi/Ki; 2.∑yi*xi/Ki=a*∑xi/Ki+b∑xi^2/Ki. Если преобразованные переменные х и у взять в отклонениях от средн ур-ней, то k-т b м/определить: b=(∑1/Ki *xi*yi)/(∑1/Ki *xi^2). При лин ур-ии лин регрессии k-т b вычисляется по др формуле: b=∑(x*y)/∑x^2. След-но, при использ ОМНК с целью корректировки гетероскедастичности k-т b представляет собой взвешенную вел-ну по отношению к обычному МНК с весами 1/K. При использовании этого метода мы вынуждены переходить к относит величинам, кот сущ-но снижают вариацию ф-ра и соотв-но уменьшают дисперсию ошибки, т.е. это наиболее простой способ учета гетероскедастичности в регрессион моделях.