- •65.Множинна лінійна регресія. Як визначити вплив регресорів.
- •66.Множинна лінійна регресія. Яку структуру має матриця парних коеф.Кореляції між регр. При відсутності мул.
- •67.Множинна нелінійна регресія Визначення емпіричного вектора
- •68.Множинна нелінійна регресія. Статистичний критерій для перевірки статистичних гіпотез при заданому
- •69.Нелінійна гіперболічна модель за умови
- •71. Нелінійна модель.
- •72.Нелінійна модель. Визначення емпіричного вектора в* для виробничої функції.
- •74.Нелінійна парна регресія. Крива Торнквіста. Визначення емпіричного вектора в* для цієї кривої.
- •75.Нелінійна парна регресія. Крива Торнквіста. Коефіцієент детермінації для цієї моделі та його властивості.
- •76.Нелінійна парна регресія. Крива Філліпса. Алгоритм побудови довірчих інтервалів для теоретичних параметрів
- •82.Ознака мультиколінеарності в множинній економетричній моделі.
- •90.Описати тест Гельфельда-Квандта для виявлення ознаки гетероскедастичності в моделі.
- •91.Параболічна регресія
- •92.Параболічна регресія. Чому дорівнює
- •93Парна лінійна регресія із ознакою гетероскедастичності. Усунення цієї ознаки.
- •94.Парна лінійна регресія.
- •95.Парна лінійна регресія. ,їх властивості та зв'язок між ними.
- •97.Парна лінійна регерсія. Визначення виправленої дисперсії
- •98.Парна лінійна регресія. Визначення емпіричного вектора для цієї регресії, використовуючи метод найменших квадратів( мнк)
- •100.Парна лінійна регресія. Довести, що
- •101.Парна лінійна регресія. Емпіричні параметри , я випадкові величини. Чому дорівнює
- •102.Парна лінійна регресія. Коефіцієнт кореляції.
72.Нелінійна модель. Визначення емпіричного вектора в* для виробничої функції.
Використовуючи звичайний МНК дістанемо:
Виправлені дисперсії оцінок параметрів обч. за форм.:
- точкова незміщена стат оцінка для .
,
73.Нелінійна модель. Гіперболічна регресія. Теоретична та емпірична форма запису моделі. Визначення емпіричного вектора В*.
Загаьний вігляд:
Для всіх значень індексу рівняння у вектрорно-матричній формі набере вигляду:
, де
Статистичний образ моделі:
Виправлені дисперсії :
- точкова незміщена стат оцінка для .
,
Графіки гіперболічних моделей визначаються знаками параметрів
74.Нелінійна парна регресія. Крива Торнквіста. Визначення емпіричного вектора в* для цієї кривої.
(опис моделі гіперболічної регресії з попереднього пункта)
Графіки гіперболічних моделей визначаються знаками параметрів
.
При
Крива залежності між змінними Y та X набере вигляду:
Крива Торнквіста:
Для визначення емпіричного вектора В* для цієї кривої треба знайти оцінки параметрів для моделі
методом найменших квадратів (мінімізація суми квадратів похибок)
Вектор B* лінійно залежить від випадкового вектора .
75.Нелінійна парна регресія. Крива Торнквіста. Коефіцієент детермінації для цієї моделі та його властивості.
(опис моделі гіперболічної регресії з попереднього пункта)
Графіки гіперболічних моделей визначаються знаками параметрів
.
При
Крива залежності між змінними Y та X набере вигляду:
Крива Торнквіста:
Коефіцієнт детермінації для цієї моделі:
Для множинної
76.Нелінійна парна регресія. Крива Філліпса. Алгоритм побудови довірчих інтервалів для теоретичних параметрів
із заданю надійністю
(опис моделі гіперболічної регресії з попереднього пункта)
Графіки гіперболічних моделей визначаються знаками параметрів
.
При
Крива залежності між змінними Y та X набере вигляду:
Крива Філліпса. Використовується для аналізу між зміною заробітної плати Y та рівнем безробіття X.
Довірчий інтервал:
де - табличне значення відхилення, гамма-рівень довіри (надійність).
K=n-m-1 – число ступенів свободи.
77.-79Нелінійна парна регресія. Найбільш популярною моделлю в економіці є лінійна регресія. Проте не всі економічні процеси можна нею моделювати. Тому на практиці використовуються складніші моделі з нелінійною залежністю між показником Y і фактором X. За методикою оцінок параметрів парні нелінійні регресії розглядають двох видів: 1)нелінійні за факторами, але лінійні за невідомими параметрами, які підлягають оцінці; 2) нелінійні за факторами і параметрами. Регресії, нелінійні за факторами, але лінійні за оцінюваними параметрами, називаються квазілінійними.
Звичайним математичним підходом до розв'язання задач є виокремлення специфічних класів задач або зведення задач до деякого класу і застосування відповідних методів розв'язування. Оскільки дослідження лінійних функцій має незаперечні переваги перед іншими класами функцій, то нелінійні функції намагаються передусім звести до лінійних. Наприклад, гіперболічна і квадратична функції заміною змінних або зводяться до лінійного вигляду: .
Крива Філіпса. Австралійський економіст А. У. Філліпс у 1958 році довів, що між інфляцією та безробіттям існує зворотній зв’язок. При високому безробітті інфляція низька і навпаки. Цей взаємозв’язок у загальному вигляді він відобразив у кривих. Гіперболічна регресія називається кривою Філіпса в тому випадку, якщо емпіричний параметр β0* має від'ємне значення, а β1* - додатнє і відображає залежність заробітної плати від рівня безробіття. Емпіричний вектор β* для цієї кривої визначається аналогічно, як і для інших моделей: β*=(хтх)-1хту.
80-81.Ознака гетероскедастичності в лінійних економетричних моделях. Суть гетероскедастичності.
Однією з чотирьох необхідних умов для застосування 1МНК при оцінюванні параметрів економетричної моделі є вимоги постійної дисперсії залишків для кожного спостереження, тобто М(εε’)=σε2S. Ця властивість незмінної дисперсії в спостереженнях називається гомоскедастичністю. Якщо дисперсія залишків змінюється для кожного спостереження або групи спостережень, тобто М(εε’)≠σε2S,де σε2- дисперсія залишків, яка виступає невідомим параметром, S – відома симетрична додатньо визначена матриця, то це явище називається гетероскедастичність.
Якщо дисперсія залишків змінюється для кожного спостереження або групи спостережень, то це явище називається гетероскедастичністю:Dε=M(εi‑Mε)2=σε2≠const. Сутність припущення про гомоскедастичність полягає втому, що варіація кожної випадкової складової εі навколо її математичного сподівання не залежить від значення факторів х. Форма гетероскедастичності залежить від знаків і значень коефіцієнтів у залежності σε2=f(x1,x2,…,xi). Оскільки εі - не спостережувана випадкова величина, ми не знаємо справжньої форми гетероскедастичності. При наявності гетероскедастичності залишків ε оцінки параметрів моделі 1МНК будуть незміщеними, обґрунтованими, але неефективними. При цьому для обчислення стандартної помилки спостережень застосовувати не можна.
У прикладних дослідженнях , як правило, використовують зручне припущення, а саме в разі простої лінійної регресії гетероскедастичність має форму σε2=k2х2( k=const, яку потрібно оцінити).
Якщо незважаючи на гетероскедастичність ми використовуватимемо звичайні процедури перевірки гіпотез, то висновки можуть бути неправильними. Гетероскедастичність є суттєвою проблемою, а тому потрібно вміти з'ясовувати її наявність.