- •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
38) Порівняння 2-х регресій. Тест Чоу.
Нерідко на практиці ми стикаємося всього лише з двома групами даних (s = 2). Наприклад, важливо визначити значущість структурних зрушень між двома періодами часу, або ж значущість відмінностей у виробничих функціях для двох галузей, або ж значущість відмінностей між споживчими функціями у двох країнах.
Доти, доки кількість спостережень у кожній групі перевищує кількість оцінюваних параметрів, запропонований підхід можна застосувати безпосередньо. Якщо ж в одній із груп кількість спостережень менше кількості параметрів, то цей випадок потребує особливого дослідження, яке виконав Г. Чоу (незалежно від нього — Ф. Фішер).
Нехай маємо сукупність спостережень, яка містить дві групи даних, що різняться між собою певними якісними ознаками. Постають такі запитання:
Чи можемо ми об’єднати ці групи для побудови економетричної моделі за всією сукупністю спостережень?
Як відрізняються вільні члени моделей, побудованих окремо за двома групами даних?
Чи однакові оцінки параметрів моделі, що характеризують вплив пояснювальної змінної на залежну?
Якщо йдеться лише про відмінності вільних членів, то групи спостережень можна об’єднати в одну сукупність і скоригувати вільний член введенням до моделі фіктивних змінних.
Розглянемо підхід, який запропонував для дослідження цієї проблеми Г. Чoy .
Цей підхід передбачає три етапи.
1. За основною вибірковою сукупністю спостережень n1 будуємо 1МНК оцінки параметрів моделі і знаходимо вектор залишків , а далі — суму квадратів цих залишків
,
де — вектор залежної змінної розміру n1 Ч 1;
— матриця пояснювальних змінних розміру , де r — кількість пояснювальних змінних моделі.
2. За об’єднаною (загальною) вибірковою сукупністю спостережень будуємо 1МНК-оцінки параметрів моделі і знаходимо вектор залишків моделі , а потім — суму квадратів цих залишків:
,
де Y — вектор залежної змінної розміру n ´ 1;
X — матриця пояснювальних змінних розміру n ´ (r + 1).
3. Обчислюємо -критерій за формулою:
.
Якщо справедлива нульова гіпотеза Н0, критерій повинен бути випадковою величиною, яка розподілена за законом Фішера зі ступенями свободи n2 і (n1 – r – 1). Тому якщо (n2, n1 – – r – 1) і розмір груп спостережень у кожній вибірці такий, що не дає змоги побудувати окремі 1МНК-оцінки за кожною з вибірок, то можна дістати ще вектор залишків і відповідно знайти суму квадратів цих залишків:
,
де — вектор залежної змінної за другою групою n2 розміру n2 ´ 1;
X(2) — матриця пояснювальних змінних розміру .
Тоді для визначення регресійної однорідності доцільно використовувати критерій , який обчислюється так:
.
Цей критерій за припущенням про правильність нульової гіпотези також має бути випадковою величиною і мати F-розподіл. Порівнявши його з табличним значенням F-критерію за вибраного рівня значущості та ступенів свободи і , можна прийняти чи відхилити нульову гіпотезу. Якщо g1 > Fa крит, то нульову гіпотезу про регресійну однорідність треба відхилити, у протилежному випадку її потрібно прийняти.