- •Содержание
- •Введение
- •1. Парная корреляция и регрессия
- •1.1. Спецификация модели
- •1.2. Линейная корреляция и регрессия
- •1.3. Нелинейная регрессия
- •1.4. Проверка значимости линейного уравнения регрессии
- •1.5. Корреляция для нелинейной регрессии
- •1.6. Предпосылки метода наименьших квадратов
- •1.7. Обобщенный метод наименьших квадратов
- •2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.2. Спецификация модели
- •2.3. Частные уравнения регрессии
- •2.4. Выбор формы уравнения множественной регрессии
- •Оценка параметров уравнения множественной регрессии
- •2.6. Многошаговый регрессионный анализ
- •3.1.2. Способы выявления структурной неоднородности
- •3.2. Методы последовательного разбиения
- •3.3. Методы многомерной классификации
- •3.3.1. Мера сходства
- •3.3.2. Модели кластерного анализа
- •4.2. Числовые характеристики экономического развития
- •4.3. Состав динамического ряда
- •4.4. Моделирование одномерных динамических рядов
- •4.4.1. Типы экономического развития и их трендовые модели
- •4.4.2. Построение трендовых моделей
- •4.4.3. Сглаживание временных рядов
- •4.4.4. Моделирование тенденции временного ряда при наличии структурных изменений
- •4.4.5. Влияние автокорреляции на структуру временного ряда
- •4.5. Многомерные временные ряды
- •4.5.1. Сущность и особенности многомерных динамических рядов
- •4.5.2. Способы построения множественной регрессионной модели по временным рядам
- •5.1.2. Связь однородности статистической совокупности с типом моделей
- •5.2. Динамическое моделирование взаимосвязей в структурно-однородных совокупностях
- •5.2.1. Методы построения пространственно-динамических
- •Моделей
- •5.2.2. Выбор вида пространственно-динамической модели
- •5.2.3. Динамизация параметров связи
- •5.3.2. Построение динамических моделей на основе временных выборок
- •6. Системы эконометрических уравнений
- •6.1.Общие понятия и способы представления систем эконометрических уравнений
- •6.2. Структурная и приведенная формы модели
- •6.3. Проблемы идентификации структурной модели
- •6.4. Оценка параметров структурной модели
- •6.5. Двухшаговый метод наименьших квадратов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Оценка параметров авторегрессионных моделей
- •7.3. Интерпретация параметров модели с распределенным лагом
- •7.4. Интерпретация параметров модели авторегрессии
- •7.5. Изучение структуры лага и выбор вида модели с распределенным лагом
- •7.6. Лаги Алмон
- •8. Статистическое прогнозирование динамических рядов
- •8.1. Сущность и виды статистических прогнозов
- •8.2. Методы статистического прогнозирования
- •8.2.1. Экстраполяция динамических рядов
- •8.2.2. Прогнозирование на основе экспоненциального сглаживания
- •8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
- •Список литературы
3.1.2. Способы выявления структурной неоднородности
Выбор способа выделения структурной неоднородности зависит от характера исходных данных, от цели моделирования, от уровня алгоритмизации и программного обеспечения требуемых расчетов.
На начальном этапе соответствующих исследований выдвигается статистическая гипотеза о структурной неоднородности (в пространстве и во времени) на основе комплексного анализа структуры исходной совокупности показателей с последующей формальной проверкой гипотезы. В случае ее подтверждения необходимо выявить характер изменения степени однородности, причем, либо в области априорно заданной из содержательных представлений о моделируемом процессе, либо – в заранее неизвестной, которую необходимо определить на основе анализа выборочных значений.
Необходимо учитывать следующие предпосылки возможности формулировки вышеуказанной гипотезы:
наличие качественных признаков, непосредственно или косвенно воздействующих на данный показатель;
наличие количественных показателей с особым характером распределения (например, многовершинным, а также, значения которых располагаются только на определенных интервалах числовой оси);
нелинейность парных эмпирических линий регрессии, наличие разрывов и скачков на них;
незначимость индекса корреляции (формула (1.14)).
Используют различные способы выделения выборки из генеральной совокупности, т.е. виды группировок, которые могут быть в зависимости от назначения структурными, типологическими и аналитическими, а в зависимости от количества группировочных признаков – комбинационными, многомерными и одномерными [3,7]. Если преобладают качественные признаки, их количество незначительно и заранее известно, что они неравнозначны, то при достаточном объеме выборки используются многомерные типологические группировки. При наличии большого количества примерно равнозначных признаков (преимущественно количественных) используются комбинационные аналитические группировки. Возможно сочетание различных видов группировок.
3.2. Методы последовательного разбиения
Данная группа методов представляет собой модификацию комбинационных группировок. Процедуры их реализации являются многошаговыми.
Методы последовательного разбиения основаны на анализе коэффициентов вариации качественных признаков, которые характеризуют способность признака различать отдельные элементы выборки, и определяются по формуле
(3.1)
где – число градаций классификационного признака;
число признаков, имеющих i-тую градацию ( );
– число объектов совокупности
.
При оценке полученных значений необходимо учитывать свойства коэффициента вариации:
его величина изменяется в зависимости от характера распределения объектов по классам, т.е. по градациям признака;
;
при равенстве частот классов и – при одной градации признака;
если , то по данному признаку объекты распределяются по классам крайне неравномерно, т.е. большинство объектов имеют одну градацию, и лишь небольшое число объектов – другую градацию. В этом случае может быть принято несколько решений. Если нет запрета на исключение рассматриваемого признака и его связь с моделируемым показателем слабая, то признаки с незначительной величиной не рассматриваются. Альтернативное решение – исключить несколько объектов, обладающих оригинальным значением признака.
При соответствующим признакам уделяется особое внимание при анализе структуры выборки и оценке степени ее однородности.
Расчет коэффициента рекомендуется осуществлять в следующей последовательности.
1. Расчет по каждому i-тому признаку.
2. Разбиение всей совокупности по максимальному значению . Если признаков оказалось несколько, то выбор осуществляется по содержательному смыслу, т.е. в зависимости от значимости признака с точки зрения исследователя.
Выделение групп первого шага разделений. Они рассматриваются далее как самостоятельная совокупность, в их пределах осуществляются указанные процедуры до тех пор, пока либо не будет достигнута желаемая степень однородности, либо число элементов в группах не станет меньше установленного.