- •Эконометрика
- •Введение
- •1. Модели статистической взаимосвязи
- •1.1. Типы взаимосвязи между явлениями
- •1.2. Типы данных
- •1.3. Типы моделей
- •Контрольные вопросы
- •2. Двухмерная модель линейной регрессии
- •2.1. Определение параметров млр. Метод наименьших квадратов
- •2.2. Матричная форма записи при определении параметров млр
- •2.3. Корреляционный анализ млр
- •2.4. Оценка ошибок моделирования
- •2.4.1. Основные условия (гипотезы) анализа ошибок
- •2.4.2. Ошибки оценок параметров модели
- •2.4.3. Оптимальность оценок мнк Теорема Гаусса-Маркова.
- •2.4.4. Оценка прогноза показателя и ошибок прогнозирования
- •2.5. Установление существенности связи на основе теории статистической проверки гипотез
- •2.5.1. Распределения случайных величин Нормальное распределение (Гаусса)
- •Распределение Пирсона (2-распределение)
- •Распределение Фишера
- •Распределение Стьюдента (t-распределение)
- •Статистическая проверка гипотез
- •Контрольные вопросы
- •3. Многомерная модель линейной регрессии
- •3.1. Определение параметров модели методом наименьших квадратов
- •3.2. Определение оценок параметров млр через отклонения (уменьшение числа уравнений системы до k – 1)
- •3.3. Статистические свойства оценок параметров млр
- •3.3.1. Условия анализа
- •3.3.2. Среднеквадратичные ошибки оценок параметров млр
- •3.3.3. Ошибки прогнозирования
- •3.4. Коэффициент детерминации многомерной млр
- •3.5. Определение существенности статистической связи между факторами и показателем
- •Контрольные вопросы
- •4. Мультиколлинеарность
- •4.1. Выражение для оценки параметров млр в стандартизованной форме
- •4.2. Тестирование на мультиколлинеарность методом Феррара-Глобера
- •4.2.1. Проверка на общую мультиколлинеарность
- •4.2.2. Проверка мультиколлинеарности между парами факторов
- •Контрольные вопросы
- •5. Автокорреляция
- •5.1. Обобщенный метод наименьших квадратов
- •5.2. Авторегрессионый процесс первого порядка
- •5.3. Тест Дарбина-Уотсона на автокорреляцию
- •Контрольные вопросы
- •6. Двухмерная модель нелинейной регрессии
- •6.1. Трехпараметрическая парабола
- •6.2. Двухпараметрическая парабола
- •6.3. Обзор двухпараметрических нелинейных моделей парной регрессии
- •Экспоненциальная модель
- •Логарифмическая модель
- •Гиперболическая модель
- •Контрольные вопросы
- •Литература
- •Приложение 1
- •Приложение 2
- •Приложение 3
- •Приложение 4
- •Приложение 5
Введение
Сложность и динамичность экономических процессов порождает новые и весьма высокие требования к управлению ими. Нельзя принять грамотного решения, не оценив ближние и дальние прогнозы. На их основе планируется бизнес, распределяются финансы и ресурсы. Оценки на будущее в социально-экономических явлениях базируются на вчерашней и сегодняшней статистике, которая позволяет выявить закономерности массовых явлений. Получить такие оценки можно с помощью математических моделей экономических процессов. Исходным материалом для построения моделей являются статистические данные.
Моделирование как метод познания сложных многофакторных явлений давно используется в науке и технике. Суть моделирования – выделение существенных связей и игнорирование несущественных. В результате упрощения процесса путем его представления моделью удается осуществить анализ поведения модели в различных и изменяющихся условиях. В экономике используют математические модели, которые должны адаптироваться к частой или резкой смене условий анализа, что с учетом многообразия факторов предполагает их высокую сложность. Кроме того, построение моделей основано на статистических данных большого объема. Эффективно решать такие задачи стало возможно лишь с появлением такого мощного и доступного сегодня инструмента, как компьютер. Эконометрика как наука экономического моделирования интенсивно развивается с 80-х годов 20-го века в решающей степени благодаря всеобщей компьютеризации.
По сути, эконометрика является развивающейся ветвью одного из разделов общей теории статистики «Моделирование статистических связей и их корреляционно-регрессионный анализ». В странах с развитой рыночной экономикой эта дисциплина считается базовой, она наряду с микроэкономикой и макроэкономикой дает фундаментальные основы современного экономического образования. В этой дисциплине изучаются задачи построения математических моделей экономических процессов, оценки ошибок моделирования и прогноза, установление существенности статистической связи на основе теории статистической проверки гипотез, прикладные аспекты.
Настоящий курс является начальным курсом эконометрики и включает темы по двухмерным и многомерным моделям линейной регрессии, анализу мультиколлинеарности и автокорреляции, наиболее распространенным двухмерным нелинейным моделям. Более глубокие математические обоснования ряда положений можно найти в первом появившемся в России учебном пособии по эконометрике [1], а полезный лабораторный практикум с использованием аппарата и таблиц EXCEL и пакета STATGRAPHICS – в пособиях [2] и [5].
1. Модели статистической взаимосвязи
1.1. Типы взаимосвязи между явлениями
Многие явления в природе и обществе взаимосвязаны. Если зимой много снега – весной жди наводнений. Если плохая экология – это к болезням. Если впереди курортный сезон – растет спрос (и цены) на купальники. Практически любое явление связано со многими факторами (причинами), что приводит к сложности анализа.
Среди различных типов связи нас будет интересовать так называемая статистическая (стохастическая) связь между массовыми явлениями. Когда исследуется влияние какого-то фактора на интересующий нас результат, то говорят о причинно-следственной связи между фактором Х и результатом Y. Статистика наследует из этой связи лишь терминологию (фактор и результат), суть же статистической связи принципиально отлична от причинно-следственной.
Различают функциональную (детерминированную) и статистическую связь. Под функциональной связью понимают зависимость y = y(x), при которой каждому значению аргумента х (фактора) ставится в соответствие известное (детерминированное) значение функции, рис.1.1, а. Например, закон Ньютона a = F/m (ускорение тела а пропорционально силе F и обратно пропорционально массе m) является примером линейой функциональной зависимости между a (функцией) и F (аргументом). Связь называют статистической, если для каждого фиксированного значения xX существует множество возможных значений показателя Y, рис.1.1, б. Обычно Y рассматривается как случайная величина, имеющая для каждого фиксированного значения х0 распределение условных вероятностей P{Y = yk | x0} или плотности вероятности р (y | x0). Если при изменении фактора х существенно изменяется и распределение показателя Y, то говорят о наличии существенной статистической связи между X и Y. О такой связи можно в первом приближении судить уже по изменению среднего значения показателя Y – условного математического ожидания
, (1.1)
которое здесь записано для непрерывной случайной величины Y. Эту зависимость как функцию аргумента х в теории вероятностей называют линией регрессии. Она изображена в качестве примера на рис.1.1, б.
Рис.1.1
В литературе по эконометрике нет однозначной терминологии в отношении X и Y. В частности, встречаются такие пары терминов, как регрессор (Х) и регрессант (Y), объясняющая (независимая) и объясняемая (зависимая) переменные и др. Мы будем придерживаться наиболее распространенных терминов: Х – фактор, Y – показатель.
Отличие статистической связи от причинно-следственной состоит в следующем. В теории вероятностей (и математической статистике) для случайных величин Х и Y доказано, что если Y зависит от X, то и X зависит от Y. Скажем, предложение Y зависит от спроса Х, потребление мороженого – от сезона. Это причинно-следственные зависимости. Читатель вряд ли согласится, что сезон зависит от потребления мороженого. И будет прав лишь наполовину (с точки зрения причинно-следственной связи). Между тем сезон (статистически) зависит от уровня потребления мороженого. Иначе говоря, по результату мы можем судить о причине на основе статистического опыта. Если хладокомбинат работает на предельных мощностях, наверняка в разгаре лето. Если самолет разбился, комиссия исследует наиболее вероятные причины катастрофы (на основе наблюдения и статистики).
В эконометрике (как и в статистике) приходится иметь дело с выборками ограниченного объема n и вместо вероятностей (плотностей вероятности) оперировать их оценками – частостями (или относительными частотами). При этом на основе выборки можно построить аппроксимацию (приближенную функцию) линии регрессии. Такие линии регрессии называют математическими моделями статистической зависимости между фактором Х и показателем Y. Они используются для оценок и прогнозов в экономических и финансовых расчетах, при планировании бизнеса и распределении инвестиционных потоков.
Частным случаем статистической связи является корреляционная связь. Она оценивается коэффициентом корреляции, характеризующим степень линейной статистической связи.
При изучении взаимосвязей между экономическими явлениями решаются следующие задачи:
выбор типа модели регрессии;
построение модели выбранного типа (определение параметров модели);
прогнозирование показателя для заданного значения фактора;
оценка ошибок моделирования и прогноза;
дисперсионно-корреляционный анализ модели и установление существенности связи между фактором и показателем;
оценка адекватности результатов моделирования наблюдаемым явлениям.