- •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
Доверительный интервал для параметра σ2 регрессионной модели.
Наряду с интервальными оценками функции регрессии иногда представляет интерес построения доверительных интервалов для параметров регрессионной модели , в частности для α, β и (дисперсии возмущения εi или зависимой переменной yi).
При построении доверительного интервала для параметра исходят из того, что статистика имеет -распределение с k = n – 2 степенями свободы. Поэтому интервальная оценка для на уровне значимости α имеет вид:
(2.26)
Доверительный интервал выбирается таким образом, чтобы вероятность
Основная идея дисперсионного анализа
Для того чтобы проверить значимость уравнения регрессии необходимо установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных (одной или нескольких) для описания зависимой переменной.
Рисунок 2.4
На рисунке 2.3 изображены наблюдаемые значения переменных xi , yi, соответствующая этим значениям линия регрессии, обозначены составляющие регрессии:
По рисунку AB = CB + AC или
где – ордината точки прямой, соответствующей уравнении регрессии, имеющей абсциссу xi.
Возведя обе части в квадрат и просуммировав выражение для каждого i-го случая, имеем
(2.28)
где - полная сумма квадратов;
- сумма квадратов, объясненная моделью;
- остаточная сумма квадратов.
Если поделить выражение на n , то получим
, (2.29)
то есть дисперсия переменной у частично объясняется изменчивостью , а частично изменчивостью остатка регрессии.
Оценка этой изменчивости
(2.30)
– обусловлена уравнением регрессии или объясняющей переменной,
(2.31)
– воздействием неучтенных случайных факторов и ошибок.
Процедура проверки значимости линейной связи между переменными, использование f-критерия (критерия Фишера-Снедекора)
Эта процедура будет иметь смысл при соблюдении стандартных предположений о модели.
Чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому наблюдению, определяют среднюю ошибку аппроксимации:
. (2.32)
Средняя ошибка аппроксимации не должна превышать 8–10%.
Оценка значимости уравнения регрессии в целом производится на основе -критерия Фишера, которому предшествует дисперсионный анализ. Согласно основной идее дисперсионного анализа, общая сумма квадратов отклонений переменной от среднего значения раскладывается на две части – «объясненную» ( ) и «необъясненную» ( ).
Случайные величины и имеют -распределение соответственно с (m-1) и (n-m) степенями свободы. Поэтому уравнение регрессии значимо на уровне α, если фактически наблюдаемое значение статистики
, (2.33)
где - сумма квадратов, объясненная моделью;
- остаточная сумма квадратов;
m – число оцениваемых параметров уравнения регрессии;
n – число наблюдений;
– табличное значение критерия.
В случае линейной парной регрессии m=2 и уравнение регрессии значимо на уровне значимости α, если
.