- •Лекция №8 показатели качества регрессии
- •Лекция №13 нормальная линейная модель множественной регрессии Лекция №14
- •Лекция №15 традиционный метод наименьших квадратов для многомерной регрессии
- •Лекция №21 тест чоу
- •Лекция №31 оценка сверхидентифицированного уравмвшя. Двухшаговый метод наименьших квадратов (дмнк – 2 sls)
- •Лекция №32 автокорреляция уровней временного ряда и выявление его структуры
- •Лекция №33 моделирование тенденции временного ряда (построение тренда)
- •Лекция №34 моделирование сезонных и циклических колебаний
- •Лекция №42 модель частичной (неполной) корректировки
Лекция №1
ПОНЯТИЕ ЭКОНОМЕТРИКИ. СВЯЗЬ ЭКОНОМЕТРИКИ С ДРУГИМИ ОБЛАСТЯМИ ЗНАНИЙ
Лекция №2
ЭКОНОМЕТРИЧЕСКАЯ МОДЕЛЬ – ГЛАВНЫЙ ИНСТРУМЕНТ ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЙ. ЗАДАЧИ, РЕШАЕМЫЕ НА ЕЕ ОСНОВЕ. ЭТАПЫ ЭКОНОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ
Лекция №3
ТИПЫ ДАННЫХ И ВИДЫ ПЕРЕМЕННЫХ В ЭКОНОМЕТРИЧЕСКИХ ИССЛЕДОВАНИЯХ
Лекция №4
ДВУМЕРНАЯ (ОДНОФАКТОРНАЯ) РЕГРЕССИОННАЯ МОДЕЛЬ
Рис. 1. Истинная зависимость между у и х
Рассмотрим пример. Пусть имеются данные о заработной плате и возрасте по 20 рабочим. Требуется построить регрессионную модель заработной платы рабочего. Тогда у{ — заработная плата i-го рабочего ($); xi – возраст i-го рабочего (лет), i=l; 20. Исходные данные приведены в табл. 1.
Таблица 1
i |
yi |
xi |
i |
yi |
xi |
1 |
300 |
29 |
11 |
400 |
47 |
2 |
400 |
40 |
12 |
250 |
28 |
3 |
300 |
36 |
13 |
350 |
30 |
4 |
320 |
32 |
14 |
200 |
25 |
5 |
200 |
23 |
15 |
400 |
48 |
6 |
350 |
45 |
16 |
220 |
30 |
7 |
350 |
38 |
17 |
320 |
40 |
8 |
400 |
40 |
18 |
390 |
40 |
9 |
380 |
50 |
19 |
360 |
38 |
10 |
400 |
47 |
20 |
260 |
29 |
В матричной форме регрессионная модель имеет вид:
Y = X ∙ b + u
Лекция №5
НОРМАЛЬНАЯ ЛИНЕЙНАЯ РЕГРЕССИОННАЯ МОДЕЛЬ С ОДНОЙ ПЕРЕМЕННОЙ
Лекция №6
ТРАДИЦИОННЫЙ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ - МНК (OLS)
Рассмотрим пример: по данным о заработной плате и возрасте 10 рабочих (см. табл. 1) оценить параметры линейной парной регрессии методом наименьших квадратов.
Расчет оценки коэффициента регрессии сведем в табл. 2
Таблица 2
№ наблю-дения |
X – возраст рабочего, лет |
Y – заработная плата за месяц, $ |
|
|
1 |
29 |
300 |
8700 |
44,22 |
2 |
40 |
400 |
16000 |
18,92 |
3 |
36 |
300 |
10800 |
0,12 |
4 |
32 |
320 |
10240 |
13,32 |
5 |
23 |
200 |
4600 |
160,02 |
6 |
45 |
350 |
15750 |
87,42 |
7 |
38 |
350 |
13300 |
5,52 |
8 |
40 |
400 |
16000 |
18,92 |
9 |
50 |
380 |
19000 |
205,92 |
10 |
47 |
400 |
18800 |
128,82 |
11 |
28 |
250 |
7000 |
58,52 |
12 |
30 |
350 |
10500 |
31,92 |
13 |
25 |
200 |
5000 |
113,42 |
14 |
48 |
400 |
19200 |
152,52 |
15 |
30 |
220 |
6600 |
31,92 |
16 |
40 |
320 |
12800 |
18,92 |
17 |
40 |
390 |
15600 |
18,92 |
18 |
38 |
360 |
13680 |
5,52 |
19 |
29 |
260 |
7540 |
44,22 |
20 |
25 |
250 |
6250 |
113,42 |
|
713 |
6400 |
237360 |
1272,55 |
Среднее значение |
35,65 |
320 |
11868 |
63,63 |
.
Учитывая обратимость матрицы , находим МНК-оценку вектора b: , где .
По правилу умножения матриц:
.
.
Найдем обратную матрицу:
.
Тогда вектор оценок параметров регрессии равен:
а оценка уравнения регрессии будет иметь вид:
Лекция №8 показатели качества регрессии
Таблица 3
Наблюдение — i |
yi> |
|
|
|
1 |
300 |
271,9233 |
28,0767 |
788,3009 |
2 |
400 |
351,4487 |
48,55133 |
2357,232 |
3 |
300 |
322,5304 |
-22,5304 |
507,6168 |
4 |
320 |
293,612 |
26,38796 |
696,3245 |
5 |
200 |
228,5458 |
-28,5458 |
814,8646 |
6 |
350 |
387,5966 |
-37,5966 |
1413,501 |
7 |
350 |
336,9895 |
13,01049 |
169,2729 |
8 |
400 |
351,4487 |
48,55133 |
2357,232 |
9 |
380 |
423,7445 |
-43,7445 |
1913,577 |
10 |
400 |
402,0557 |
-2,05571 |
4,22596 |
И |
250 |
264,6937 |
-14,6937 |
215,9056 |
12 |
350 |
279,1529 |
70,84712 |
5019,314 |
13 |
200 |
243,005 |
-43,005 |
1849,429 |
14 |
400 |
409,2853 |
-9,28529 |
86,21667 |
15 |
220 |
279,1529 |
-59,1529 |
3499,063 |
16 |
320 |
351,4487 ' |
-31,4487 |
989,0186 |
17 |
390 |
351,4487 |
38,55133 |
1486,205 |
18 |
360 |
336,9895 |
23,01049 |
529,4827 |
19 |
260 |
271,9233 |
-11,9233 |
142,1652 |
20 |
250 |
243,005 |
6,99501 |
48,93017 |
Итого |
6400 |
6400 |
0 |
24887,88 |
Тогда 5 (в нашем примере п =20, h=2).
Лекция №9
ПРОВЕРКА ГИПОТЕЗ О ЗНАЧИМОСТИ ПАРАМЕТРОВ РЕГРЕССИИ, КОЭФФИЦИЕНТА КОРРЕЛЯЦИИ И УРАВНЕНИЯ РЕГРЕССИИ В ЦЕЛОМ
Лекция №10
ПРОГНОЗ ОЖИДАЕМОГО ЗНАЧЕНИЯ РЕЗУЛЬТАТИВНОГО ПРИЗНАКА ПО ЛИНЕЙНОМУ ПАРНОМУ УРАВНЕНИЮ РЕГРЕССИИ
Рис. 2. Точечная и интервальная оценки прогноза
Лекция №11
НЕЛИНЕЙНАЯ РЕГРЕССИЯ. ВИДЫ НЕЛИНЕЙНОЙ РЕГРЕССИИ. ОЦЕНКА ПАРАМЕТРОВ
Рис. 3. Параболическая зависимость
Рис. 4. Зависимость в виде равносторонней гиперболы
Лекция №12
КОРРЕЛЯЦИЯ ДЛЯ НЕЛИНЕЙНОЙ РЕГРЕССИИ. КОЭФФИЦИЕНТЫ ЭЛАСТИЧНОСТИ
; ,
Таблица 4
Вид функции |
Точечный коэффициент эластичности |
Средний коэффициент эластичности |
Линейная |
|
|
Парабола |
|
|
Равносторонняя гипербола |
|
|
Степенная |
|
|
Показательная |
|
|