- •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.
63.Часовий ряд в загальному вигляді.
Будь-який часовий ряд можна представити як суму детермінованого та випадкового компонентів:
В свою чергу де термін-ий компонент склад-я з 3 частин: трендового, сезонного, циклічного компонентів.
Таким чином (адитивна модель). Мультиплікативна модель:
Детермінований компонент змінюється за певними правилами, які можуть бути визначені за допомогою досліджень і відповідного аналізу часового ряду.
65. Виявлення тренду часового ряду.
Метод різниць середніх рівнів. 1й етап - Початковий часовий ряд розбивається на дві частини однакової довжини. 2й етап – Для кожної частини ряду розраховується середнє значення і дисперсії. 3й етап – перевіряється однорідність дисперсій обох частин за допомогою критерію Фішера. Якщо розрахункове значення менше за табличне то гіпотеза про рівність дисперсій приймається і переходимо до 4 етапу. 4 етап – Перевіряється гіпотеза про відсутність тренду з використанням t-критерію Стьюдента. Якщо розрахункове значення t більше за критичне, то приймається з імовірністю 1-а(а-рівень значущості) гіпотеза про існуванню тренду.
66. Методи визначення тренду часового ряду.
Метод простої сковзної середньої. Для часового ряду y1,y2,y3… yn визнач. інтервал згладж. m(m<n). Для перших m рівнів часового ряду обчислюється їх сер. арифм. Це буде згладжуване значення рівнів ряду, яке відповідає середині інтервалу згладжування. Далі інтервал зсувається на один рівень праворуч, повторюється обчислення сер. арифм. Для обчисл. Згладжених рівнів ряду ýt застосовуэмо формулу: с.413низ. де i - порядковий номер ряду, p = (m-1)/2. Застосований лише для рядів, що мають лінійну тенденцію. Метод експоненціального згладжування. У процедурі відшукання загладжуваного рівня застосовується значення тільки попередніх рівнів ряду, взятих з певною вагою, яка зменшується при віддалені від кінця ряду. Вага рівнів знижується експоненціально, залежно від параметра згладжування α(0< α<1). Експоненційне згладжування розраховуэться за такою формулою:St=α*yt+(1- α)*St-1. де α-параметр згладжув-я.
67.Криві зростання.
Якщо існує певна закономірність в динаміці деякого економічного явища або процесу, то тенденція цієї зміни може бути встановлена добором потрібної функції y(t)=f(t). Найчастіше в ек-ці викор-ся поліном-ні, експонент-і та S-подібні криві зрост-я. Параметри многочленів поліному мають конкретну інтерпретацію (а1-швидк. зрост-я, а2-прискор. зрост. і т. д.) Експонен-а ф-ція Yt=AB^t описує процесс зі сталим темпом зростання і сталим темпом приросту. Процеси, що характер-ся насиченням, описуються модифікованою експонентою Yt=K+AB^t. У маркетингових дослідженнях, відбиваючи основну тенденцію, використовують функцію Гомперця Yt=KA^b(^t).
68.Методи вибору форми тренду.
Візуальний - вибір форми тренду на основі графічного зображення динамічного ряду. На результат впливає масштаб графічного зображення. 2-ий спосіб - полягає у викор-і методу послідовних різниць, згідно з яким обчислюється 1-ий, 2-ий та вищий порядки різниць рівнів часового ряду. Обчислення проводиться доти, доки різниці не будуть майже однаковими. Порядок рівності різниці беруть за ступінь многочленна для вирівнювання основної тенденції динаміки. 3-ій спосіб - за критерій вибору форми тренду беруть суму квадратів відхилень значень рівнів від розрах-их. Із множини функцій вибирають таку, якій відповідає мінімальне знач-я цього критерію. 4-ий спосіб - метод характер-ик приростів полягає у тому, що вибір форми кривої відбув-я за попередньою статист-ою обробкою динамічного ряду(ковзна середня, середні прирости згладженого ряду, похідні характеристики приростів).