- •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.
39.Алгоритм покрокової регресії.
В основу алгоритму покрокової регресії покладено залежність оцінок параметрів економетр-ї моделі і коефіцієнтів парної кореляції.
Алгоритм має 4 кроки: 1.Усі вихідні дані змінних стандартизуються (нормалізуються):
2.Знаходиться кореляційна матриця:
3.Вибираються max{|ryxj|}. Найбільше |ryxj| вказує на ту незалежну змінну, яка найтісніше пов’язана з y. На цьому кроці на основі МНК знаходиться оцінка параметра цієї змінної в моделі: . 4.Серед ін значень ryxj вибирається max{|ryxj|} і в модель вводиться наступна незалежна змінна і т.д. Якщо немає обмеження на внесення до економетр-ї моделі кожної наступної незалежної змінної, то обчислення виконуються доти, поки поступово не будуть внесені до моделі всі змінні.
Сума квадратів залишків для такої моделі запишеться так: . Звідси мінімізації підлягає
.
Узявши похідну за кожним невідомим параметром j цієї функції і прирівнявши всі здобуті похідні нулю, дістанемо систему нормальних рівнянь.
41.Негат наслідки наявності гетероск-ті залишків в лін моделях
Якщо дисперсія залишків змінюється для кожного спостереження або для груп спостережень, то це явище назив гетероск-тю. Наявність гетероск-ті спричиняє поруш-я властивостей оцінок параметрів моделі при розрахунку їх за методом 1МНК; вони, як правило, залишаються незміщеними, об ґрунт-и, але неефективними. За гетероск-ті дисперсія 2u буде змінюватися через зростаючий розкид значень залишків, тобто вона зростатиме. Це означ, що буде зростати дисперсія оцінок параметрів моделі, яка приводить до збільш-я їх стандартних похибок. Інтервали довіри оцінок параметрів моделі також будуть більшими. Як наслідок, F та t-критерії дають неточні результати. Якщо не звернути увагу на гетероск-ть, то висновки будуть неправильними.
42.Негативні наслідки наявності автокореляції залишків в лінійних моделях.
Наявність автокореляції залишків у лін-й моделі призводить до таких 3 наслідків: 1.Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок Â можуть бути невиправдано великими. 2.Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статист-і критерії t- і F-cтатистики, які знайдено для лін-ї моделі, практично не можуть бути викор-ні в дисперсійному аналізі. 3.Неефективність оцінок параметрів економетр-ї моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією.
43.Негативні наслідки наявності мультик-і.
Основні наслідки наявності М-ті: 1.Падає точність оцінювання, яка виявляється так: а)помилки деяких конкретних оцінок стають занадто великими; б)ці помилки досить корельовані одна з одною; в)дисперсії оцінок параметрів різко збіл-ся. 2. Оцінки параметрів деяких змінних моделі можуть бути незначущими через наявність їх взаємозв’язку з іншими змінними, а не тому, що вони не впливають на залежну змінну. У такому разі множина вибіркових даних не дає змоги цей вплив виявити. 3.Оцінки параметрів стають досить чутливими до обсягів сукупності спостережень. Збіл-ня сукупності спостережень іноді може спричинитися до істотних змін в оцінках параметрів. Тому при побудові економетр-ї моделі потрібно мати інформацію про те, що між пояснювальними змінними не існує мульт-ті.