- •1.Поняття економ-ої моделі, її складові частини
- •2.Роль, місце економ моделей в управл ек сист-и
- •3.Прич, що спон появу випад склад-ої регрес мод
- •4.Етапи побудови економетричної моделі
- •5.Специфікація економетричних моделей
- •6.Помилки специфікації моделей регресії
- •7.Парам-и моделі парн лін регресії. Сутн-ь й оцінюв
- •8.Мнк оцінюв-я параметрів парної лінійної регресії
- •9.Коеф-т детерм-ії й корел-ії для моделі парної регресії. Перев-а суттєв-і коеф-а де терм-ії за t-крит
- •10.Коеф. Детерм-ї (кд) та корел-ї (кк) для моделі парної регресії. Перевірка суттєвості кд за допом. F-крит.
- •16.Коеф. Множ. Корел. Та детермінації та перевірка їх статистичної значимості
- •17.Передумови застос-ня мнк для оцінки пар-ів множ. Лін. Регресії.
- •18.Дисперсійно-коваріац матриця оцінок параметрів
- •19.Надійні інтервали для оцінок парам-ів множинної лінійної моделі регресії
- •20.Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії
- •21.Значимість економетричної моделі.
- •22.Знач-ть оцінок парам-ів множ лін моделі регресії
- •23.Прогнозув залеж змінної на осн-і економ моделі
- •25.Поліноміальна модель. Визнач-я вектора * статист аналіз моделі
- •26.Гіперболічна модель. Визнач-я вектора * статист аналіз моделі
- •27.Показник модель. Визнач-я параметрів, статист аналіз моделі
- •29. Сутність виробничої функції та її застосування
- •30. Поняття фіктивних змінних.Приклад
- •31.Врахув-я якісних факторів в лін-х економет-х моделях за доп фіктивних змінних
- •32. Моделі з фікт-и регресорами: моделі, що містять тільки фікт-і незал-і змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні
- •33. Моделі з фіктивними залежними змінними
- •34. Порівняння двох регресійних моделей. Тест Чоу
- •35.Суть та наслідки мультикол-сті (м).
- •36.Тест-ня наявності мультикол-ті (м) в моделі.
- •37.Алгоритм Фаррара-Глобера.
- •38.Методи усунення мультикол-ті.
- •39.Алгоритм покрокової регресії.
- •41.Негат наслідки наявності гетероск-ті залишків в лін моделях
- •42.Негативні наслідки наявності автокореляції залишків в лінійних моделях.
- •43.Негативні наслідки наявності мультик-і.
- •44.Тест Гольдфельда-Квандта. Пос-ть його вик-ня.
- •45.Алгоритм теста Глейсера.
- •46.Перевірка наявності гетероскедаст-і залишків на основі теста коеф-а рангової кореляції Спірмена
- •40.Поняття про гомо- та гетероскедас-ть залишків.
- •47.Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •48. Зважений метод найменших квадратів.
- •49.Суть та наслідки автокор-ії стохаст-ої складової
- •50.Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •52. Критерій фон Неймана.
- •51.Цикл та нециклічний коефіцієнт автокореляції(а)
- •53.Узаг-ий мнк для знаходж-я оцінок параметрів моделі з автокорельов-и залишками
- •56.Метод Кочрена – Оркатта.
- •54.Метод Ейткена оцін парам моделі з автокор зал
- •55.Метод перетвор-я вихідної інфор-ії в оцінюв-і параметрів моделі з автокорельов-и залишками
- •58.Оцін параметрів моделі з автокор залишками методом Дарбіна
- •57.Алгоритм методу Кочрена-Оркатта.
- •59.Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •60.Авторегресійні моделі.
- •61.Оцінюв-я авторегресійних моделей з часовим лагом незалежних змінних.
- •62.Автокореляція часового ряду, коефіцієнт автокореляці, автокореляційна функція
- •63.Часовий ряд в загальному вигляді.
- •65. Виявлення тренду часового ряду.
- •66. Методи визначення тренду часового ряду.
- •67.Криві зростання.
- •68.Методи вибору форми тренду.
- •69.Оцінка адекватн-і і точності трендових моделей.
- •70.Застос-я фіктивних змінних у модел-і сез колив
- •71.Основні етапи аналізу часових рядів
- •72.Метод ковзної середньої для згладж час ряду
- •73.Експоненційне згладжування
- •75.Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •76.Поняття системи економічних рівнянь. Приклади моделей на основі системи одночасних рівнянь
- •77.Структурна та звед форми одночасних рівнянь
- •80.Алгоритм непрямого мнк
- •78.Ідентифік-ія. Необхід та достатня умова ідентиф.
- •79.Непрямий мнк оцінювання параметрів системи одночасних рівнянь.
- •81.Рекурсивні системи одночасних рівнянь, оцінювання їх параметрів
- •82.Проблеми ідентифікації системи одночасних рівнянь
- •83.Оцінюв-я параметрів системи одноч-их рівнянь двох кроковим методом найменших квадратів
- •84. Алгоритм двокрокового методу найменших квадратів (2мнк)
- •85.Трьохкроковий метод найменших квадратів
- •86.Прогноз ендогенних змінних.
40.Поняття про гомо- та гетероскедас-ть залишків.
Якщо дисперсія залишків стала для кожного спостереження, тобто M(uu’)=2uE, то ця її властивість назив гомоск-тю. Часто у практ-х дослідженнях явище гомоск-ті порушується. Випробування на наявність чи відсутність гомоск-ті звичайно не практикується, але здебільшого можна висунути гіпотези про правдоподібність альтерн-х припущень щодо пропорційності помилки до X. Якщо дисперсія залишків змінюється для кожного спостереження або групи спостережень, тобто M(uu’)=2uS, то це явище назив гетероск-тю. Якщо існує гетероск-ть залишків, то це спричинюється до того, що оцінки параметрів моделі МНК будуть незміщеними, обгрунтованими, але неефективними. При цьому формулу для стандартної помилки оцінки, строго кажучи, застосувати не можна.
47.Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
1. У = [х]{α}{ε}, Х1…Хm – незалежні, детер-ні змінні. 2. М(Еі)=0.
3.
Можна показати, що отримані за допомогою МНК оцінки параметрів моделі у випадку порушення 3 і 4 умов класичної лін регресійної моделі втрачають свої оптимальні властивості. У цьому випадку можна оцінки оцінки параметрів моделі визначити за УМНК:
(1).
Теорема Ейткена: В класі лін незміщенних оцінок вектора α для моделі УМНК оцінки (1) мають найменшу матрицю коваріацій.
48. Зважений метод найменших квадратів.
Припустимо, що гетероскедастичність має форму Зазначимо, що така трансформація еквівалентна застосуванню зваженого методу найменших квадратів (ЗМНК), який є особливим випадком узагальненого методу найменших квадратів (УМНК). Суть ЗМНК полягає в мінімізації зваженої суми кв-их відхилень:
Зазначимо також, що ЗМНК, застосований до початкової моделі, дає такі самі результати, що й МНК, застосований до трансформованої моделі.
49.Суть та наслідки автокор-ії стохаст-ої складової
Автокореляція залишків – коли дисперсія залишків є сталою, але спостерігається їх коваріація. Якщо існує кореляція між послідовними значеннями деякої пояснювальної змінної, то буде спостерігатись і кореляція послідовних значень залишків. Ще це може означати, що необхідно ввести до моделі нову незалежну змінну.
У загальному випадку ми вводимо до моделі лише деякі з істотними змінних, а вплив змінних, яких виключено з моделі, має позначитися на зміні залишків. Існування кореляції між послідовними значеннями виключеної з розгляду змінної не обов‘язково має викликати відповідну кореляцію залишків, бо вплив різних змінних може взаємно погашати. Якщо кореляція послідовних значень виключених з моделі змінних спостерігається, то загроза виникнення автокореляції залишків стає реальністю.
Якщо знехтувати автокореляцією залишків і оцінити параметри моделі 1МНК, то дійдемо таких трьох наслідків: 1.Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок можуть бути невиправдано великими. 2. Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статистичні критерії t- і F-cт-ки, які знайдено для лін моделі, практично не можуть бути використані в диспер-му аналізі. 3. Неефективність оцінок параметрів економетричної моделі призводить, як правило, до неефек-их прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією.