- •Понятие и задачи эконометрики, как науки. Эконометрическая модель и ее составляющие.
- •Характеристики случайных величин: поле корреляции, математическое ожидание, среднее значение, выборочная дисперсия, стандартное отклонение.
- •Выборочный корреляционный момент (выборочная ковариация), коэффициент корреляции (r) и его свойства при большом объеме выборки.
- •Виды эконометрических моделей.
- •Понятие регрессионной модели.
- •Системы одновременных уравнений
- •Типы данных при эконометрическом моделировании Пространственные данные
- •Временные ряды
- •Стандартные предположения регрессионного анализа. Понятия гомоскедастичности и гетероскедастичности дисперсии ошибок
- •Модель парной линейной регрессии
- •Метод наименьших квадратов оценки параметров парной регрессионной модели
- •Статистические свойства мнк-оценок параметров уравнения регрессии
- •Использование модели парной линейной регрессии для прогноза
- •Геометрический смысл регрессионной модели, составляющие дисперсии.
- •Доверительный интервал для функции регрессии (для Мx (y)).
- •Доверительный интервал для индивидуальных значений зависимой переменной
- •Доверительный интервал для параметра β регрессионной модели.
- •Доверительный интервал для параметра σ2 регрессионной модели.
- •Основная идея дисперсионного анализа
- •Процедура проверки значимости линейной связи между переменными, использование f-критерия (критерия Фишера-Снедекора)
- •Коэффициент детерминации (r2) и его свойства.
- •Оценка статистической значимости коэффициентов парной линейной регрессии и корреляции.
- •Графический метод проверки стандартных предположений регрессионного анализа.
- •Понятие предельной склонности потребления в модели доход-потребление
- •Приведение степенной модели к линейной форме модели, оценка параметров модели и ее качества
- •Понятие предельной склонности и эластичности функции. Условия постоянства предельной склонности и эластичности функции.
- •Обратно пропорциональная зависимость, Линеаризация этой модели и ее эластичность
- •Модели с убывающей эластичностью, их линеаризация
- •Итерационные методы подбора нелинейных моделей
- •Нелинейные модели множественной регрессии
- •Проверка статистических гипотез о значениях отдельных коэффициентов
- •Отбор факторов в модель линейной множественной регрессии
- •Методы построения уравнения множественной регрессии
- •Метод наименьших квадратов оценивания параметров множественной линейной регрессии
- •Уравнение множественной регрессии в стандартизированном масштабе
- •Понятие частных и средних коэффициентов эластичности
- •Коэффициенты множественной корреляции и детерминации
- •Частные и общий коэффициенты корреляции
- •Проверка значимости уравнения линейной множественной регрессии с помощью критериев Фишера и Стьюдента
- •Метод взвешенных наименьших квадратов (обобщенный мнк)
- •Понятие и примеры фиктивных переменных
- •Модели, содержащие только качественные объясняющие переменные
- •Модели, в которых объясняющие переменные носят как количественный, так и качественный характер
- •Виды моделей временных рядов, составляющие временного ряда
- •Стационарные и нестационарные временные ряды
- •Аддитивная и мультипликативная модели временных рядов
- •Коэффициент автокорреляции, его свойства. Автокорреляционная функция, коррелограмма, их анализ
- •Моделирование тенденции временного ряда
- •Моделирование сезонных колебаний
- •. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •Алгоритм выявления автокорреляции остатков на основе критерия Дарбина-Уотсона
- •Классификация систем регрессионных уравнений
- •Оценка параметров систем одновременных уравнений
- •Проблема идентификации структурных моделей. Необходимое и достаточные условия идентифицируемости.
- •Методы оценки параметров структурной модели
Понятие частных и средних коэффициентов эластичности
В отличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности:
(4.10)
Где bi – коэффициент регрессии для фактора в уравнении множественной регрессии, – частное уравнение регрессии.
Наряду с частными коэффициентами эластичности могут быть найдены средние по совокупности показатели эластичности:
, (4.11)
которые показывают на сколько процентов в среднем изменится результат, при изменении соответствующего фактора на 1%. Средние показатели эластичности можно сравнивать друг с другом и соответственно ранжировать факторы по силе их воздействия на результат.
Коэффициенты множественной корреляции и детерминации
Коэффициент множественной корреляции характеризует тесноту линейной связи рассматриваемого набора факторов с исследуемым признаком или, иначе, оценивает тесноту совместного влияния факторов на результат.
Независимо от формы связи коэффициент множественной корреляции может быть найден следующим образом:
(4.12)
где – оценка общей дисперсии результативного признака; – оценка остаточной дисперсии.
Границы изменения индекса множественной корреляции от 0 до 1. Чем ближе его значение к 1, тем теснее связь результативного признака со всем набором исследуемых факторов. Величина коэффициента множественной корреляции должна быть больше или равна максимальному парному коэффициенту корреляции:
. (4.13)
При правильном включении факторов в регрессионную модель величина коэффициента множественной корреляции будет существенно отличаться от коэффициента корреляции парной зависимости. Если же дополнительно включенные в уравнение множественной регрессии факторы третьестепенны, то коэффициент множественной корреляции может практически совпадать с коэффициентом парной корреляции (различия в третьем, четвертом знаках). Отсюда ясно, что сравнивая коэффициенты множественной и парной корреляции, можно сделать вывод о целесообразности включения в уравнение регрессии того или иного фактора.
Расчет коэффициента множественной корреляции предполагает определение уравнения множественной регрессии и на его основе остаточной дисперсии:
(4.14)
Можно пользоваться следующей формулой коэффициента множественной детерминации:
(4.15)
При линейной зависимости признаков формула коэффициента множественной корреляции может быть представлена следующим выражением:
, (4.16)
где – стандартизованные коэффициенты регрессии; – парные коэффициенты корреляции результата с каждым фактором.
Формула коэффициента множественной корреляции для линейной регрессии получила название линейного коэффициента множественной корреляции, или, что то же самое, совокупного коэффициента корреляции.
Возможно также при линейной зависимости определение совокупного коэффициента корреляции через матрицу парных коэффициентов корреляции:
, (4.17)
где
(4.18)
– определитель матрицы парных коэффициентов корреляции;
(4.19)
– определитель матрицы межфакторной корреляции.
Как видим, величина множественного коэффициента корреляции зависит не только от корреляции результата с каждым из факторов, но и от межфакторной корреляции. Рассмотренная формула позволяет определять совокупный коэффициент корреляции, не обращаясь при этом к уравнению множественной регрессии, а используя лишь парные коэффициенты корреляции.
Скорректированный коэффициент множественной корреляции содержит поправку на число степеней свободы, а именно остаточная сумма квадратов делится на число степеней свободы остаточной вариации , а общая сумма квадратов отклонений на число степеней свободы в целом по совокупности .
Формула скорректированного коэффициента множественной детерминации имеет вид:
(4.20)
где m – число оцениваемых параметров уравнения регрессии; n – число наблюдений.
Поскольку то величину скорректированного индекса детерминации можно представить в виде:
(4.21)
Чем больше величина m, тем сильнее различия и .
Как было показано выше, ранжирование факторов, участвующих во множественной линейной регрессии, может быть проведено через стандартизованные коэффициенты регрессии ( -коэффициенты). Эта же цель может быть достигнута с помощью частных коэффициентов корреляции (для линейных связей). Кроме того, частные показатели корреляции широко используются при решении проблемы отбора факторов: целесообразность включения того или иного фактора в модель можно доказать величиной показателя частной корреляции.