- •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
59. Способи визначення автокореляції залишків. Критерій Дарбіна – Уотсона
Для визначення автокореляції залишків використовують критерій Дарбіна – Уотсона, величину критерію визначають за допомогою формули:
Значення DW змінюється від 0 до 4 включно. Якщо DW»2, то автокореляція відсутня.
Отримане значення критерію порівнюють з табличним, які мають нижню і верхні межі: та відповідно.
автокореляція
Критичні (табличні) значення критерію шукають в залежності від числа спостережень n і кількості незалежних змінних m при обраному рівні значимості.
Якщо значення критерію попадає в зону невизначеності, то висновок про наявність чи відсутність автокореляції зробити неможливо, в такому випадку потрібно продовжити ряд спостереження.
60.Крім критерію Дарбіна – Уотсона використовують також критерій фон Неймана:
Звідси . При . Фактичне значення критерію фон Неймана порівнюється з табличним для вибраного рівня значущості і заданого числа спостережень. Якщо , то існує додатна автокореляція.
61. Нециклічний коефіцієнт автокореляції
Цей коефіцієнт виражає ступінь взаємозв’язку залишків кожного наступного значення з попереднім, а саме:
I ряд — ;
II ряд — .
Він обчислюється за формулою:
Коефіцієнт може набувати значень в інтервалі (–1;+1). Від’ємні значення його свідчать про від’ємну автокореляцію, додатні — про додатну. Значення, що містяться в деякій критичній області біля нуля, свідчать про відсутність автокореляції, тобто стверджують нульову гіпотезу про відсутність автокореляції залишків. Оскільки ймовірнісний розподіл встановити трудно, то на практиці замість обчислюють циклічний коефіцієнт автокореляції .
Циклічний коефіцієнт автокореляції
Він виражає ступінь взаємозв’язку рядів:
I ряд — , ;
II ряд — , .
Циклічний коефіцієнт обчислюється за формулою:
Для досить довгих рядів вплив циклічних членів на величину коефіцієнта незначний, тому можна вважати, що ймовірнісний розподіл наближається до розподілу . Якщо останній член ряду дорівнює першому, тобто u1 = un, то нециклічний коефіцієнт автокореляції дорівнює циклічному. Очевидно, що коли залишки не містять тренду, то припущення про рівність u1 = un недалеке від реальності і циклічний коефіцієнт автокореляції наближається до нециклічного.
Фактично обчислене значення циклічного коефіцієнта автокореляції порівнюється з табличним для вибраного рівня значущості і довжини ряду n. Якщо , то існує автокореляція. Припускаючи, що , циклічний коефіцієнт автокореляції можна записати у вигляді
На практиці часто замість (8.16) обчислюють
62. Метод Ейткена
Нехай в економетричній моделі
yt = a0 + a1xt + ut ,
ut = ut + et ,
де et — нормально розподілені випадкові залишки. Тоді, щоб усунути автокореляцію залишків ut, треба перетворити основну модель так, щоб вона мала залишки et. Оскільки et = ut – rut – 1, то для такого перетворення треба записати модель для попереднього періоду
yt – 1 = a0 + a1xt – 1 + ut – 1,
помножити ліву і праву частину її на та відняти від моделі для періоду t.
У результаті дістанемо таку економетричну модель:
yt – yt–1 = a0(1 – ) + a1(xt – xt–1) + (ut – ut–1)
Звідси очевидно, що коли вихідні дані перетворені, а саме yt – yt–1, xt – – xt–1, то для оцінювання параметрів можна застосувати 1МНК. Причому для перетворення можна використати перші різниці yt – yt–1 і xt – xt–1, коли наближається до одиниці. Якщо близьке до нуля, то справджується обернене твердження. Зауважимо, що коли = 1, у перетвореній моделі відсутній вільний член (як виняток може бути ситуація, коли вихідна модель містить лінійний часовий тренд). Якщо залишки вихідної моделі характеризувались додатною автокореляцією, використання перших різниць спричинюється до від’ємної автокореляції.
Параметр r наближено можна знайти на основі залишків, якщо обчислити циклічний коефіцієнт кореляції r. На практиці, як правило, r » r, але r коригується на величину зміщення.
Усі ці міркування покладені в основу методів оцінки параметрів економетричної моделі з автокорельованими залишками.
Для оцінювання параметрів економетричної моделі, що має автокореляцію залишків, можна застосувати узагальнений метод найменших квадратів (метод Ейткена), який базується на скоригованій вихідній інформації з урахуванням коваріації залишків.
Коли має місце автокореляція залишків, то визначення параметрів моделі можливо за методом Ейткена.
Алгоритм розрахунку:
Визначаємо матрицю S :
де
де ut — величина залишків у період t;
ut–1 — величина залишків у період t – 1;
n — число спостережень.
Обчислюємо обернену матрицю .
Перемножуємо матрицю Х` на , де Х` - матриця, транспонована до матриці незалежних змінних X.
Знаходимо добуток .
Обчислюємо обернену матрицю та матрицю .
Знаходимо матрицю , елементи якої і будуть коефіцієнтами лінійного рівняння