- •Поняття економетричної моделі, її складові частини.
- •Причини, які спонукають появу випадкової складової в регресійних моделях.
- •Етапи побудови економетричної моделі.
- •Параметри моделі парної лінійної регресії, їх сутність та оцінювання.
- •Закони розподілу ймовірностей емпіричних параметрів , їх числові характерстики та статистичні властивості.
- •Обчислення значень вибіркових дисперсій , , для парної регресії.
- •Незміщені статистичні оцінки для , , в моделі парної лінійної регресії.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою t-критерію.
- •Коефіцієнт детермінації та кореляції для моделі парної регресії. Перевірка суттєвості коефіцієнта детермінації за допомогою f-критерію.
- •Перевірка суттєвості оцінок параметрів на основі t-критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі парної регресії.
- •Передумови застосування методу найменших квадратів.
- •Метод найменших квадратів (мнк). Система нормальних рівнянь.
- •Оператор оцінювання мнк в матричному вигляді.
- •Властивості оцінок параметрів, знайдених за мнк.
- •Дисперсійний аналіз моделі лінійної множинної регресії.
- •Коефіцієнт множинної кореляції та детермінації та перевірка їх статистичної значущості.
- •Дисперсійно-коваріаційна матриця оцінок параметрів.
- •Довірчі інтервали для оцінок параметрів.
- •Перевірка достовірності оцінок параметрів за допомогою t -критерію.
- •Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії.
- •Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
- •Поліноміальна модель. Визначення вектора статистичний аналіз моделі.
- •Аналіз моделі.Показникова модель. Визначення вектора статистичний аналіз моделі.
- •Виробнича функція Кобба-Дугласа. Визначення вектора статистичний аналіз моделі.
- •Поняття фіктивних змінних.
- •Врахування якісних факторів в лінійних економетричних моделях за допомогою фіктивних змінних.
- •Моделі з фіктивними регресорами: моделі, що містять тільки фіктивні незалежні змінні та моделі, що містять як фіктивні, так і кількісні незалежні змінні.
- •Моделі з фіктивними залежними змінними.
- •Оцінювання параметрів моделі з фіктивними змінними.
- •Порівняння двох регресійних моделей. Тест Чоу.
- •Суть та наслідки мультиколінеарності.
- •Тестування наявності мультиколінеарності в моделі. Алгоритм Фаррара-Глобера.
- •Методи усунення мультиколінеарності.
- •Алгоритм покрокової регресії.
- •Поняття про гомо- та гетероскедастичність залишків.
- •Негативні наслідки наявності гетероскедастичності залишків в лінійних моделях.
- •Тест Гольдфельда-Квандта. Послідовність його виконання.
- •Алгоритм теста Глейсера.
- •Перевірка наявності гетероскедастичності залишків на основі теста коефіцієнта рангової кореляції Спірмена.
- •Узагальнений метод найменших квадратів для моделі з гетероскедастичністю залишків.
- •Зважений метод найменших квадратів.
- •Суть та наслідки автокореляції стохастичної складової.
- •Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
- •Критерій фон Неймана.
- •Циклічний та нециклічний коефіцієнт автокореляції.
- •Узагальнений метод найменших квадратів для знаходження оцінок параметрів моделі з автокорельованими залишками.
- •Метод перетворення вихідної інформації.
- •Алгоритм методу Кочрена – Оркатта.
- •Оцінювання параметрів моделі з автокорельованими залишками методом Дарбіна.
- •Поняття часового лагу. Моделі з часовим лагом незалежних змінних.
- •Оцінювання авторегресійних моделей з часовим лагом незалежних змінних.
- •Часовий ряд в загальному вигляді. Поняття тренду, сезонної, циклічної та випадкової компоненти. Основні етапи аналізу числових рядів.
- •Метод ковзної середньої для згладжування часового ряду.
- •Експоненціальне згладжування.
- •Аналітичні методи згладжування часового ряду.
- •Довжина часового ряду суттєво перевищує ступінь полінома , а випадкові залишки мають властивості «білого шуму», тобто
- •Стаціонарні та нестаціонарні часові ряди. Основні характеристики часових рядів.
- •Тест Дікі-Фулера.
- •Авторегресійні моделі ( ar(p)- процеси).
- •Моделі ковзного середнього (ma(q)- процеси).
- •Авторегресійні моделі ковзного середнього ( arma(p,q)- процеси).
- •Інтегровані авторегресійні моделі ковзного середнього ( arima(p,d,q)- процеси).
- •Адаптивні моделі. Схема їх побудови.
- •Поняття про коінтеграцію часових рядів.
- •Моделі коригування помилки, етапи її побудови.
- •Поняття системи економетричних рівнянь. Приклади моделей на основі системи одночасних рівнянь.
- •Структурна та зведена форми системи рівнянь.
- •Ідентифікація. Необхідна і достатня умова ідентифікації.
- •Непрямий метод найменших квадратів оцінювання параметрів системи одночасних рівнянь.
- •Оцінювання параметрів системи одночасних рівнянь двохкроковим методом найменших квадратів.
- •Трьохкроковий метод найменших квадратів.
- •Прогноз ендогенних змінних
Оцінювання параметрів моделі з фіктивними змінними.
Якщо в економетричну модель введено фіктивні змінні так, як у правій частині рівняння (5.3), то застосування звичайної процедури побудови моделі 1МНК, що автоматично визначає вільний член, призведе до порушення процесу оцінювання.
Так, будуючи матрицю пояснювальних змінних, ми маємо включити до неї перший стовпець, який містить n одиниць. Це означає, що перші три вектори матриці Х будуть лінійно залежними, оскільки, додавши другий вектор матриці Х до третього (фіктивні змінні), дістанемо перший.
Звідси випливає, що матриця буде виродженою. Проте коли інші пояснювальні змінні комбінуються з фіктивними, то за рахунок неточності обчислень (навіть за допомогою ПЕОМ) визначник матриці може не дорівнювати нулю. Тоді буде знайдено всі кількісні характеристики взаємозв’язку, але вони суперечитимуть апріорному змісту і будуть далекі від реальних.
Якщо економетрична модель має містити вільний член, то єдиний вихід — скористатися іншою специфікацією моделі:
де
Записавши цю модель через умовні математичні сподівання, дістанемо:
Порівнюючи цей результат з попереднім, бачимо, що — це вільний член для моделі холодного періоду, а — вільний член для моделі теплого періоду року і відповідно — це оцінка параметра, що характеризує різницю між вільними членами моделей для холодного та теплого періодів.
Порівняння двох регресійних моделей. Тест Чоу.
Нерідко на практиці ми стикаємося всього лише з двома групами даних (s = 2). Доти, доки кількість спостережень у кожній групі перевищує кількість оцінюваних параметрів, запропонований підхід можна застосувати безпосередньо. Якщо ж в одній із груп кількість спостережень менше кількості параметрів, то цей випадок потребує особливого дослідження.
Підхід Чоу передбачає три етапи.
1. За основною вибірковою сукупністю спостережень n1 будуємо 1МНК оцінки параметрів моделі і знаходимо вектор залишків , а далі — суму квадратів цих залишків
,
де — вектор залежної змінної розміру n1 × 1;
— матриця пояснювальних змінних розміру , де r — кількість пояснювальних змінних моделі.
2. За об’єднаною (загальною) вибірковою сукупністю спостережень будуємо 1МНК-оцінки параметрів моделі і знаходимо вектор залишків моделі , а потім — суму квадратів цих залишків:
,
де Y — вектор залежної змінної розміру n 1;
X — матриця пояснювальних змінних розміру n (r + 1).
3. Обчислюємо -критерій за формулою:
.
Якщо справедлива нульова гіпотеза Н0, критерій повинен бути випадковою величиною, яка розподілена за законом Фішера зі ступенями свободи n2 і (n1 – r – 1). Тому якщо (n2, n1 – – r – 1) і розмір груп спостережень у кожній вибірці такий, що не дає змоги побудувати окремі 1МНК-оцінки за кожною з вибірок, то можна дістати ще вектор залишків і відповідно знайти суму квадратів цих залишків:
,
де — вектор залежної змінної за другою групою n2 розміру n2 1;
X(2) — матриця пояснювальних змінних розміру .
Тоді для визначення регресійної однорідності доцільно використовувати критерій , який обчислюється так:
.
Цей критерій за припущенням про правильність нульової гіпотези також має бути випадковою величиною і мати F-розподіл. Порівнявши його з табличним значенням F-критерію за вибраного рівня значущості та ступенів свободи і , можна прийняти чи відхилити нульову гіпотезу. Якщо 1 > F крит, то нульову гіпотезу про регресійну однорідність треба відхилити, у протилежному випадку її потрібно прийняти.