- •1. Особливості та принципи економетри моделювання економ систем і процесів.
- •2. Поняття економетричної моделі її складові
- •3. Причина,які спонукають появу стохастичної складової
- •4. Етапи побудови економетричної моделі
- •6. Модель пропозиції та попиту
- •7. Модель Кейнса
- •8. Прогнозування: суть методи, класифыкацыйны ознаки
- •9. Використання економетричних моделей для прийняття управлінських рішень
- •10. Метод найменших квадратів та передумови його використання
- •12. Властивості оцінок параметрів
- •13. Умови Гаусса-Маркова для економетричних моделей парної та множинної регресії
- •14. Економетрична модель парної лінійної регресії
- •15. Оцінювання параметрів парної регресійної економетричної моделі за мнк
- •16. Розрахунок та аналіз значень коефіцієнтів детермінації та кореляції.
- •17. Перевірка адекватності моделі парної регресії та статистичної значимості оцінок її параметрів, коєфіцієнтів детермінації та кореляції.
- •18. Перевірка значущості оцінок параметрів моделі та побудова довірчих інтервалівдля оцінок параметрів моделі
- •19. Прогнозування на основі економетричних моделей парної регресії. Точкових та інтервальних прогноз.
- •20 Економчних аналіз моделі парної регресії: середня ефективність впливу чинників, гранична ефективність та коефіцієнти еластичності
- •21)Економетрична модель множинної лінійної регресії.
- •22)Оцінювання параметрів множинної регресійної економетричної моделі за мнк.
- •23)Коефіцієнти детермінації та кореляції множинної економетричної моделі, їх аналіз. Скоригований коефіцієнт детермінації.
- •Перевірка гіпотез про статистичну значимість лінійної моделі множинної регресії, коефіцієнтів регресії, коефіцієнта детермінації, коефіцієнта кореляції.
- •Перевірка гіпотез про значення коефіцієнтів регресії множинної регресійної моделі. Інтервали надійності для коефіцієнтів множинної регресії. ;
- •26.Прогнозування на сонові економетрични моделей множинної регресії. Точковий та інтервальний прогноз
- •27.Економічний аналіз моделі множинної регресії: середня ефективність впливу чинників, гранична ефективність, коефіцієнти еластичності.
- •28Нелінійні моделі. Лінеаризація нелінійних моделей.
- •29.Поліноміальні модель, побудова оцінок її параметрів.
- •30. Гіперболічна модель
- •31. Показникові моделі, побудова оцінок її параметрів.
- •Виробнича функція Кобба-Дугласа, побудова оцінок її параметрів.
- •Метод максимальної правдоподібності.
- •34.Застосування нелінійних функцій в економіці
- •35. Врахування якісних факторів в лінійних економетричних моделях за допомогою фіктивних змінних.
- •Моделі з фіктивними незалежними змінними: моделі, що містять тільки якісні незалежні змінні.
- •37/Моделі з фіктивними незалежними змінними: моделі в яких незалежні змінні носять як якісний так і кількісний характер.
- •38) Порівняння 2-х регресій. Тест Чоу.
- •39. Моделі з фіктивними залежними змінними. Модель lpm
- •41. Моделі з порушенням передумов використання мнк: мультиколінеарність
- •42. Cуть мультиколінеарності
- •43. Наслідки мультиколінеарності
- •44. Ознаки регресійної моделі які вказують на наявність мультиколінеарності
- •45 .Алгоритм Фаррара - Глобера
- •46. Методи звільнення від мультиколінеарност.
- •47 Метод гребеневої регресії усунення мультиколінеарності.
- •48. Моделі з порушенням передумов використання мнк: гетероскедастичність залишків.
- •49. Суть гетероскедастичності
- •50. Наслідки гетероскедастичності
- •51 .Методи визначення гетероскедастичності, тест рангової кореляції Спірмена
- •52.Методи виявлення гетероскедастичності, тест Парка
- •53.Методи виявлення гетероскедастичності, тест Голдфелда-Квандта.
- •55.Метод зважених найменших квадратів оцінювання параметрів моделі з гетероскедастичними залишками при невідомих дисперсіях відхилень спостережень.
- •56. Моделі з порушенням передумов використання мнк: автокореляція залишків.
- •57. Суть автокореляції
- •58. Наслідки автокореляції
- •59. Способи визначення автокореляції залишків. Критерій Дарбіна – Уотсона
- •60.Крім критерію Дарбіна – Уотсона використовують також критерій фон Неймана:
- •61. Нециклічний коефіцієнт автокореляції
- •62. Метод Ейткена
- •63. Метод перетворення вихідної інформації
- •Поняття часового ряду та специфікація його дослідження. Основні компоненти часового ряду.
- •65. Часові ряди та їх основні числові характеристики.
- •66. Вирівнювання часових рядів. Ковзні середні й автокореляція
31. Показникові моделі, побудова оцінок її параметрів.
Припустимо, що модель задачі показника, тоді - .
Для побудови моделі виконаємо лінеаризацію, за допомогою логарифмування.
Прологарифмуємо рівняння, щоб привести його до лінійного виду: , звідки маємо: , де , Отже здійснено перетворення показникової моделі ло лінійної, параметри якої мозна обчислити за допомогою функції ЛИНЕЙН().
Рис. 5 Допоміжні розрахунки параметрів рівняння показникової моделі
Отже, маємо А1=0,071, А0=-10,63. Теоретичне рівняння регресії: Y=-10,63 +0,071x
Виконаємо потенціювання рівняння та запишемо його у вигляді показникової функції: = 0.0000241,074x
Коефіцієнт детермінації R2 = 0,12, тобто варіація результату у на 12% пояснюється варіацією фактора х, на долю не врахованих факторів залишається 88%.
Для визначення якості показникової моделі обчислюїмо середню помилку апроксимації:
Тобто в середньому розрахункові значення відхиляються від фактичних на 3,978%, що вказую на високу якість моделі.
Оцінку значимості рівняння регресії проводимо за допомогою критерія Фішера, для цього порівнюються табличне значення Fтабл відповідного рівня значимості, та фактичне Fфакт:
Fфакт=1,379
При ?=0,05, k1=m=1, k2=n-m-1=10
Fтабл=4,96
Оскільки Fфакт<Fтабл, то рівняння регресії з ймовірністю 95% визначається в цілому як статистично не значиме.
Побудова показникової моделі
Припустимо, що модель задачі показника, тоді - .
Для побудови моделі виконаємо лінеаризацію, за допомогою логарифмування.
Прологарифмуємо рівняння, щоб привести його до лінійного виду: , звідки маємо: , де , Отже здійснено перетворення показникової моделі ло лінійної, параметри якої мозна обчислити за допомогою функції ЛИНЕЙН().
Отже, маємо А1=0,071, А0=-10,63. Теоретичне рівняння регресії: Y=-10,63 +0,071x
Виконаємо потенціювання рівняння та запишемо його у вигляді показникової функції: = 0.0000241,074x
Коефіцієнт детермінації R2 = 0,12, тобто варіація результату у на 12% пояснюється варіацією фактора х, на долю не врахованих факторів залишається 88%.
Для визначення якості показникової моделі обчислюїмо середню помилку апроксимації:
Тобто в середньому розрахункові значення відхиляються від фактичних на 3,978%, що вказую на високу якість моделі.
Оцінку значимості рівняння регресії проводимо за допомогою критерія Фішера, для цього порівнюються табличне значення Fтабл відповідного рівня значимості, та фактичне Fфакт:
Fфакт=1,379
При ?=0,05, k1=m=1, k2=n-m-1=10
Fтабл=4,96
Оскільки Fфакт<Fтабл, то рівняння регресії з ймовірністю 95% визначається в цілому як статистично не значиме.
Побудова показникової моделі
Припустимо, що модель задачі показника, тоді - .
Для побудови моделі виконаємо лінеаризацію, за допомогою логарифмування.
Прологарифмуємо рівняння, щоб привести його до лінійного виду: , звідки маємо: , де , , Отже здійснено перетворення показникової моделі ло лінійної, параметри якої мозна обчислити за допомогою функції ЛИНЕЙН().
Отже, маємо А1=0,071, А0=-10,63. Теоретичне рівняння регресії: Y=-10,63 +0,071x
Виконаємо потенціювання рівняння та запишемо його у вигляді показникової функції: = 0.0000241,074x
Коефіцієнт детермінації R2 = 0,12, тобто варіація результату у на 12% пояснюється варіацією фактора х, на долю не врахованих факторів залишається 88%.
Для визначення якості показникової моделі обчислюїмо середню помилку апроксимації:
Тобто в середньому розрахункові значення відхиляються від фактичних на 3,978%, що вказую на високу якість моделі.
Оцінку значимості рівняння регресії проводимо за допомогою критерія Фішера, для цього порівнюються табличне значення Fтабл відповідного рівня значимості, та фактичне Fфакт:
Fфакт=1,379
При ?=0,05, k1=m=1, k2=n-m-1=10
Fтабл=4,96
Оскільки Fфакт<Fтабл, то рівняння регресії з ймовірністю 95% визначається в цілому як статистично не значиме