
- •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
50. Наслідки гетероскедастичності
МНК дає найкращі лінійні незміщені оцінки, при використанні умов Гауса-Маркова---однією з цих умов є умова гомоскедастичності моделі ( сталості дисперсій залишків) при герероскедастичності МНК застосування приводить до таких наслідків:
Оцінки коефіцієнтів залишається незміщеними та лінійними.
Оцінки коефіцієнтів за МНК небудуть ефективними( тобто нематимуть найменшу дисперсію в порівнянні з оцінками отриманими не за МНК- за іншими методами)
Дисперсію оцінок будуть розраховуввати із зміщенням оскільки дисперсія залишків дuiІ =∑UiІ/ m(n+1) в цьому випадку є незміщеною.
Гіпотези, які перевіряються на основі t та F статисти, а також інтервальні оцінки будуть ненадійні, тобто зроблені на їх основі статистичні висновки можуть бути помилкові, стандартні похибки коефіцієнтів будуть заниженими, а t статисти завищені. Отже коефіфцієнт можна вважати статистично значимим будучи насправді статистично незначимим.
51 .Методи визначення гетероскедастичності, тест рангової кореляції Спірмена
Для перевірки наявності гетероскедастичності використовуються чотири методи.
4.1. Критерій m.
4.2. Параметричний тест Гольдфельда — Квандта.
4.3. Непараметричний тест Гольдфельда — Квандта.
4.4. Тест Глейсера.
Коефіцієнт кореляції рангів, запропонований К. Спірменом, відноситься до непараметричних показників зв'язку між змінними, виміряними в ранговій шкалі. При розрахунку цього коефіцієнта не потрібно ніяких припущень про характер розподілів ознак у генеральній сукупності. Цей коефіцієнт визначає ступінь тісноти зв'язку порядкових ознак, які в цьому випадку представляють собою ранги порівнюваних величин.
Величина коефіцієнта кореляції Спірмена лежить в інтервалі +1 і -1.
Коефіцієнт рангової кореляції Спірмена використовується у випадках, коли: - змінні мають рангову шкалу вимірювання; - Розподіл даних занадто відрізняється від нормального або взагалі невідомо; - вибірки мають невеликий об'єм (N <30). У принципі число ранжованих ознак (якостей, рис тощо) може бути будь-яким, але сам процес ранжирування більшого, ніж 20 числа ознак досить скрутний. Ранговий коефіцієнт кореляції Спірмена обчислюється за формулою:
rxu=1-6*(Уd2i/n*(n2-1),де Уd2i =rx-ru
txu=│rxu*корінь з n-2/корінь з 1-rxu2│
Якщо tt<tr, в моделі наявна гетероскедастичність.
52.Методи виявлення гетероскедастичності, тест Парка
Для перевірки наявності гетероскедастичності використовуються чотири методи.
4.1. Критерій m.
4.2. Параметричний тест Гольдфельда — Квандта.
4.3. Непараметричний тест Гольдфельда — Квандта.
4.4. Тест Глейсера.
Тест
Парка
Парк
запропонував
наступну
функціональну
залежність:
Алгоритм
тесту:
1)
Оцінюємо
вихідне
рівняння
і
визначаємо
ei.
2)
Оцінюємо
рівняння
Перевіряємо статистичну значимість коефіцієнта в рівняння на основі статистики
,
де Sb=корінь
з : д2v/У(lnx-lnx
середнє)2,
при д2v=RSS/n-2/
Якщо tr>tt – в моделі гетероскедастичність.