- •Оглавление
- •Тема 0. Введение (группа 3.3б) 4
- •Тема 1. Парная регрессия (группа 3.5а) 23
- •Тема 2. Множественная регрессия (группа 3.5б) 51
- •Тема 3. Нелинейная регрессия (группа 3.3а) 70
- •Тема 4. Системы регрессионных уравнений (группа 3.3б) 91
- •Тема 5. Прогнозирование временных рядов (группа 3.7ммэ) 102 Тема 0. Введение (группа 3.3б)
- •0.1. Эконометрика как наука.
- •0.2. История возникновения эконометрики
- •0.3.Элементы теории вероятности.
- •0.3.1. Вероятностные характеристики случайных переменных
- •0.3.2.Законы распределения:
- •0.3.3 Условное математическое ожидание
- •0.4. Элементы математической статистики
- •0.4.1.Оценивание «хороших» свойств оценок
- •1) Состоятельность оценок
- •2) Несмещенность оценок
- •3) Эффективность оценок
- •0.4.2. Проверка гипотез и интервальное оценивание
- •Тема 1. Парная регрессия (группа 3.5а)
- •1.1 Определение линейной однофакторной регрессии.
- •1.1.1.Основные понятия регрессионного анализа
- •1.1.2. Линейная однофакторная регрессия
- •1.1.3. Матричная запись линейной регрессии
- •1.1.4 Оценки параметров регрессии
- •1.1.5 Смысл коэффициента регрессии
- •1.2 Проверка адекватности ру
- •1.2.1 Показатели качества подгонки
- •1.2.2.Проверка гипотез относительно параметров ру
- •1.3 Предпосылки мнк (ls)
- •1.3.1. Общие положения мнк
- •1.3.2. Выполнение первой предпосылки мнк (случайный характер остатков)
- •1.3.4. Выполнение третьей предпосылки мнк (гомоскедастичность остатков)
- •1.3.5 Выполнение 4-го условия мнк (отсутствие автокорреляции остатков)
- •1.3.6 Выполнение 5-го условия мнк (нормальность остатков)
- •1.4. Устранение нарушения предпосылок мнк для оценки парной регрессии
- •1.4.1. Автокорреляция остатков
- •1.4.2.Гетероскедастичность остатков и избавление от нее
- •1 Подход: преобразование исходных данных
- •2 Подход: применение другого метода оценивания коэф-ов регрессии.
- •3 Подход) включение дисперсии в модель
- •1.4.3. Метод максимального правдоподобия.
- •Тема 2. Множественная регрессия (группа 3.5б)
- •2.1 Множественная линейная регрессия
- •2.1.1. Основные понятия
- •2.1.2. Методы оценивания коэффициентов линейной многофакторной регрессии.
- •2.2.Проверка адекватности уравнений линейной множественной регрессии
- •2.2.1. Проверка качества подборки мнк.
- •3) Коэффициент эластичности
- •2.2.2.Проверка гипотез для млр
- •2.2.3. Допущение выполнения мнк или получение «хороших» оценок
- •2.3. Мультиколлинеарность факторов
- •2.3.1. Обнаружение мультиколлинеарности
- •2.3.2 Избавление от мультиколлинеарности. Метод главных компонент
- •2.4.Учет качественных факторов
- •2.4.1.Множественные переменные
- •2.4.2. Фиктивные переменные
- •2.4.3. Структурные изменения тенденций. Тест Чоу.
- •2.4.4. Модели бинарного выбора
- •Тема 3. Нелинейная регрессия (группа 3.3а)
- •3.1.Виды нелинейной зависимости
- •3.1.1.Основные понятия
- •3.1.2. Методы оценивания линеаризуемых функций:
- •3.1.3. Нелинеаризуемые функции и методы их оценки
- •1.Квазиньютоновский
- •2.Симплекс-метод
- •3.Метод Хука-Дживса
- •3.2.Проверка адекватности нелинейной регрессии
- •3.2.1. Показатели качества подгонки
- •3.2.2. Проверка гипотезы о значимости нелинейных моделей
- •3.2.3. Проверка выполнения условий для получения «хороших» оценок методом оценивания
- •3.3.Выбор типа зависимости
- •3.3.1. Теоретические предпосылки
- •3.3.2. Процедура Бокса – Кокса и тест Зарембеки
- •Тест Зарембеки
- •3.3.3.Производственные функции (пф)
- •3.3.4. Коэффициент эластичности
- •3.4.Спецификация и прогноз регрессионных уравнений
- •3.4.1. Информационные критерии (критерий Акайке, Шварца)
- •3.4.2. Ложная регрессия
- •3.4.3. Прогноз по регрессионным моделям. Доверительный интервал.
- •3.4.4. Применение регрессионного анализа в хеджировании
- •Тема 4. Системы регрессионных уравнений (группа 3.3б)
- •4.1.Понятие и виды сру
- •4.1.1. Система независимых уравнений
- •4.1.2. Системы рекурсивных уравнений
- •4.2. Структурный и приведенный виды сру
- •4.3 Идентификация модели
- •4.4 Оценка параметров сру
- •4.4.1.Кмнк.
- •4.4.2.Дмнк.
- •4.4.3.Тмнк.
- •Тема 5. Прогнозирование временных рядов (группа 3.7ммэ)
2.4.4. Модели бинарного выбора
В теме фиктивные переменные рассматриваются модели, в которых какие-либо независимые переменные принимают дискретные значения. Например, 0 и 1, выражая некоторые качественные признаки относительно зависимой переменной. Явно или неявно предполагалось, что она выражает количественный признак, принимая непрерывное множество значений, но довольно часто интересующая нас величина по своей природе является дискретной.
Рассмотрим несколько типичных ситуаций.
1 блок. Выбор из двух или нескольких альтернатив (голосование ,например , решение работать или не работать, покупать или не покупать, выбор профессии, способ попадания из дома на работу).
xt= 1
0
Когда есть две возможности, т.е. бинарный выбор и результат наблюдаемый можно описать с помощью 1 и 0, то переменную называют бинарной.
Если есть выбор из k альтернатив (нескольких), то переменную называют номинальной, если альтернативы нельзя естественным образом упорядочить. Последние и предпоследние примеры – номинальные переменные.
2 блок. Ранжированный выбор.
Есть несколько альтернатив, но они некоторым образом упорядочены. Например, доходы семьи (высокие, низкие, средние), уровень образования (высшее, среднее), состояние здоровья (плохое, удовлетворительное, нормальное).
Т акие переменные называются порядковыми (ранговыми).
1
xt= 2
…
k
3 блок. Количественная целочисленная характеристика.
Например, количество прибыльных предприятий, количество зарегистрированных патентов в течение года.
Для моделей с дискретными зависимыми переменными МНК применить достаточно сложно.
Для рассмотрения первого типа ситуаций(для бинарных переменных) можно применить модели бинарного выбора.
Модели с несколькими альтернативами можно свести к моделям бинарного выбора или исследовать аналогичные методы.
Другой класс моделей, рассматриваемый для качественных переменных, связан с цензурированными или урезанными выборками.
Пусть имеется общая модель линейной регрессии:
yt=x1/β+ε
yt=1
0
M(εt)=0
P(yt=1)=xt/β - линейная модель вероятности
Если в качестве уравнения выбрать функцию
P(yt=1)*F(xt/*β), где F – некоторая функция, область значений которой лежит в отрезке от 0 до 1.
Предположим, что существует некая количественная переменная yt*, связанная с независимыми переменными xt в обычном регресионном уравнении. Например, yt*=xt/*β+ε
Решение соответствующих значений yt=1 принимается тогда, когда yt* превосходит некоторые пороговые значения:
yt=1, если yt*=у пороговое;
yt=0, если yt= у пороговое
Если в качестве F используется функцию стандартизированного нормального распределения, то соответствующую модель называют probit-моделью.
Если в качестве F используется функцию логистического распределения, то соответствующую модель называют logit-моделью.
Тема 3. Нелинейная регрессия (группа 3.3а)
3.1.Виды нелинейной зависимости
3.1.1.Основные понятия
Зависимость между теми или иными факторами в эконометрике не всегда можно описать с помощью линейной функции. В этом случае применяют нелинейную регрессию. Общий вид:
yрасч=f(x1) – для однофакторной регрессии
yрасч=f(x1,x2,…,xp) – для многофакторной регрессии
a>1
a<1
Для перехода к линейному виду, уравнение логарифмируют по основанию a:
logay=logaabx+ε=bx+ ε
logay=bx+ ε
Заменим зависимую переменную logay на z:
z= bx+ ε
Частный случай экспоненциальной зависимости – логистическая кривая:
Д анная кривая имеет 2 горизонтальные асимптоты y=o, y=1/a и точку перегиба
1/a
1/2a
1/(a+b)
Логистические кривые используются для описания поведения показателей, имеющих определенные уровни насыщения (например, для описания зависимости спроса на товар от дохода).
Линеаризация этой зависимости проводится с помощью перехода к переменным
ex=t; . Получаем: z=a+bt+ε
З ависимости логарифмического типа имеют вид
a>1
a<1
Обозначим logax=z. Получим линейную модель:
Зависимости полиномиального вида:
y=a+b1x+b2x2+…+bpxp+ε
Обозначим x=z1, x2=z2,…, xp=zp
y=a+b1z1+b2z2+…+bpzp+ ε
Зависимости степенного вида
y=axb
Прологарифмируем по основанию e:
ln(y)=ln(a)+b*ln(x)
Если модель по независимым факторам является мультипликативной, то переход к аддитивной модели и как следствие к линейной осуществляется с помощью логарифмирования всей зависимости