- •Вопросы к экзамену по дисциплине «Эконометрика» вечернее отделение 2011-2012 гг.
- •Определение эконометрики. Основные задачи эконометрики.
- •Оценка параметров уравнения регрессии по мнк.
- •Понятие корреляции.
- •Показатели корреляции: линейный коэффициент корреляции, индекс корреляции, теоретическое корреляционное отношение.
- •Коэффициент детерминации.
- •Множественная регрессия, ее смысл и значение.
- •Оценка параметров уравнения множественной регрессии.
- •Стандартизованные коэффициенты регрессии, их интерпретация.
- •Коэффициенты эластичности, их экономический смысл.
- •Частные уравнения регрессии.
- •Частные и общий f-критерий в оценке результатов множественной регрессии.
- •28. Структурная и приведенная формы эконометрической модели.
- •34. Оценка параметров уравнения тренда.
- •36. Анализ временных рядов при наличии периодических колебаний: аддитивная и мультипликативная модели.
- •37. Особенности изучения взаимосвязанных временных рядов.
Вопросы к экзамену по дисциплине «Эконометрика» вечернее отделение 2011-2012 гг.
Определение эконометрики. Основные задачи эконометрики.
Эконометрика – наука о применении статистических и математических методов в экон анализе для проверки правильности экон моделей и способов решения экон проблем. В эконометрике модель относица к классу матем моделей, те приближенное описание объекта (фирма, орг) на язык матем (алгебраические соотношения, неравенства, дифференциальные уравнения, логические соотношения). Прим: у=3+2х – эконометрическая модель, где у-спрос, х-цена; парная линейная регрессия, те регрессионная модель. Эконометрические методы базируюца на анализе связей между различными экон показателями (факторами) на осн статистических данных с использованием аппарата теории вероятности и математической статистики.
Осн задачи эконометрики:
Построение модели, то есть представление в матем форме – проблема спецификации (выбрать вид)
Оценка параметров построенной модели (а и в) – этап параметризации
Проверка качества найденных параметров модели и самой модели в целом – этап верификации (t-критерий Стьюдента и f-критерий Фишера)
Использование проверенной модели для объяснения, прогнозирования и предсказания поведения исследуемых экон показателей.
Основные виды эконометрических моделей:
Регрессионные модели
На практике приходица решать проблемы, кот заключаеца в установлении вида и количественно оценки связей и независимых (объясняющих экзогенные – задаваемые извне х) переменных на зависимую (объясняемую эндогенную – задаваемую изнутри у)
Временные ряды
ВР – последовательность упорядоченных во времени наблюдений величины, кот характеризует экон показатель.
Системы одновременных уравнений
При моделировании экон систем (моделей функционирования фирмы) матем модель может содержать систему уравнений, описывающих динамику системы и дополненных статистическими балансовыми соотношениями.
Этапы построения эконометрической модели.
Определение цели исследования, качественный анализ и изучение экон объекта
Анализ и оценка эмпирических данных (исходных)
Построение матем модели
Количественная оценка параметров модели
Формальный анализ матем модели
Этапы:
1. постановочный (формулируется цель исследования, отбор переменных, входящих в
будущую модель. Цель – анализ исследуемого экон явл, прогноз поведения экон
переменных, имитация развития объекта при различных значениях экзогенных
переменных, выработка управл решений. Экзоген переменные – задаются извне (Х),
эндоген переменные – задаются внутри (У).
2. априорный (анализ информации известной до начала моделирования),
3. параметризация (выбор вида функции: линейная, степенная, логарифмическая.),
4. информационный (сбор стат данных, выбор программного средства: MS EXCEL, STATISTIKA, GPSS, EVIEWS),
5. идентификация модели (находятся значения коэф, входящих в модель: а0, а1.),
6. верификация модели (сопоставления реальных и модельных данных, проверка
истинности и адекватности модели).
Роль эконометрического моделирования в изучении социально-экономических процессов.
Уравнение регрессии, его смысл и назначение.
Регрессия – форма связи, выражаеца моделью уравнения.
Регрессия бывает парная и множественная. Парная регрессия – аналитическое выражение связи 2х признаков (результативного и факторного). У=f(x), где у – зависимая переменная (результативный), а х – независимая, объясняющая (фактор). В ур регрессии функциональная связь выражаеца матем формулой: yj=ŷxi+Ɛj, где yj - фактическое значение результативного признака; ŷxi – теоретическое значение результативного признака; Ɛj – случайная величина, характеризующая отклонение реал значения результативного признака от теоретического.
Виды связей:
Функциональная – связь, при кот опр значение фактора соответствует только одно значение результативного признака
Стахостическая – связь, кот проявл не в каждом отдельном, а в общем, среднем или большем числе наблюдений
Корреляционная – частный случай стахостической, при кот изменения среднего значения результативного признака обусловлено изменение факторов.
Также по аналитическому выражению выделяют:
Линейная – статистическая связь между явлениями, кот приближенна выражена уравнением прямой линии
Нелинейная – статистическая связь между соц-экон явл, кот выражаеца уравнением какой-либо кривой линии (парабола, гипербола и тд)
Также по направлению связи деляца на прямую и обратную.
Выбор типа математической функции при построении уравнения регрессии.
Определить тип уравнение можно исследуя зависимость графически, однако сущ более общие указания, позволяющие выявить уравнение связей не прибегая к графическому изображению. Если результирующий признак у и фактор х возрастают одинаково, примерно в арифметической прогрессии, то следовательно связь между ними линейная, а при обратной связи – гиперболическая. Если х растет в арифметической прогрессии, а у быстрее, то используеца параболическая или степенная регрессия.
Метод наименьших квадратов (МНК), условия его применения.
Для нахождения неизвестных параметров уравнения используеца МНК.
Суть: Неизвестные параметры а и в выбираюца таким образом, чтоб сумма квадратов отклонений эмпирических значений у от значений, найденных по уравнения регрессии, должна быть минимальной.
S(a,b)=сумма(ŷ-y)^2=сумма(a+bx-y)^2->min
Применение МНК:
На основание необходимого условия существования экстремум функции 2х переменных S(a,b) – необходимо ее частные производные прировнять к 0. Далее разделив обе части уравнений на n, получим систему норм уравнений в виде:
А+в*хср=уср
А*хср+в*хср^2=хср*у
Условия применения МНК:
Случайный член регрессии (возмущение) в каждом наблюдении имеет нулевое мат ожидание, те М(Ɛi)=0 (нет систематических ошибок), для любого i=1…n
Дисперсия возмущения не зависит от номера наблюдения. Это условие гомоскедастичности модели
Возмущения в разных наблюдениях не зависят друг от друга, те нет связи (случайные члены должны быть абсолютно независимыми друг от друга)
Возмущение и независимая переменная х в этом наблюдении независимы друг от друга
Для того, чтобы регрессионный анализ осн на обычном методе МНК давал наилучший из всех возможных результатов должны выполняца все 4 условия теоремы Гауса-Маркова.