- •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
Зважений метод найменших квадратів.
Припустимо, що гетероскедастичність має форму Зазначимо, що така трансформація еквівалентна застосуванню зваженого методу найменших квадратів (ЗМНК), який є особливим випадком узагальненого методу найменших квадратів (УМНК). Суть ЗМНК полягає в мінімізації зваженої суми квадратичних відхилень:
Зазначимо також, що ЗМНК, застосований до початкової моделі, дає такі самі результати, що й МНК, застосований до трансформованої моделі.
Суть та наслідки автокореляції стохастичної складової.
Автокореляція - це наявність взаємозв’язку між послідовними елементами часового чи просторового ряду даних.
В економетричних дослідженнях часто виникають такі ситуації, коли дисперсія залишків є сталою, але спостерігається їх коваріація. Це явище називають автокореляцією залишків.
Автокореляція залишків найчастіше спостерігається тоді, коли економетрична модель будується на основі часових рядів. Якщо існує кореляція між послідовними значеннями деякої пояснювальної змінної, то буде спостерігатись і кореляція послідовних значень залишків.
Автокореляція може бути також наслідком помилкової специфікації економетричної моделі, зокрема наявність автокореляції залишків може означати, що необхідно ввести до моделі нову незалежну змінну.
Знехтувавши автокореляцією залишків і оцінивши параметри моделі 1МНК, дійдемо таких трьох основних наслідків.
1. Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок можуть бути невиправдано великими.
2. Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статистичні критерії t- і F-статистики, які знайдено для лінійної моделі, практично не можуть бути використані в дисперсійному аналізі при автокореляції.
3. Неефективність оцінок параметрів економетричної моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з доволі великою вибірковою дисперсією.
Алгоритм Дарбіна-Уотсона для виявлення автокореляції залишків першого порядку.
Для перевірки наявності автокореляції залишків найчастіше застосовується критерій Дарбіна—Уотсона (DW):
,(8.12)
який може набувати значень із проміжку [0, 4]: .
Якщо залишки є випадковими величинами, нормально розподіленими, а не автокорельованими, то значення DW містяться поблизу 2. За додатної автокореляції DW < 2, а за від’ємної DW > 2. Фактичні значення критерію порівнюються з критичними (табличними) для різної кількості спостережень n і кількості незалежних змінних m за вибраного рівня значущості . Табличні значення мають нижню межу DW1 і верхню — DW2.
Коли DWфакт < DW1, залишки мають автокореляцію. Якщо Dwфакт > DW2, приймається гіпотеза про відсутність автокореляції. У разі DW1 <DW< DW2 конкретних висновків зробити не можна: необхідно далі провадити дослідження, збільшуючи сукупність спостережень. Зауважимо, що цей критерій призначений для малих вибіркових сукупностей.
Вибірковий розподіл значень критерію Дарбіна—Уотсона залежить від емпіричних спостережень пояснювальних змінних і, якщо взяти до уваги цю обставину, можна стверджувати: параметр для генеральної сукупності має тісний зв’язок з критерієм DW. Якщо = 1, то значення DW = 0, при = 0 DW = 2 і при = –1 значення критерію DW = 4. Наведені співвідношення показують, що існують області, в яких застосування критерію Дарбіна—Уотсона не може дати певних результатів, про що вже було сказано. Верхні та нижні межі критерію DW визначають межі цієї області для різних розмірів вибірки, заданої кількості пояснювальних змінних та певного рівня значущості.
Якщо фактичне значення критерію DW потрапляє в межі від верхнього критичного рівня DW2 до двох, то гіпотезу про наявність автокореляції потрібно відхилити. Коли фактичне значення критерію DW міститься в межах від нижнього до верхнього критичного значення, то існує невизначеність щодо наявності автокореляції залишків. У цьому випадку гіпотезу про наявність автокореляції доцільніше прийняти, ніж відхилити.
Якщо фактичне значення критерію DW більше від 2, то, як було зазначено, може йтися про від’ємну автокореляцію. Оскільки критичні значення критерію DW табульовані для додатної автокореляції, то щоб зробити висновки стосовно від’ємної автокореляції, необхідно відняти розраховане значення критерію DW від 4 і цю різницю порівнювати з критичними значеннями критерію DW, як це було показано раніше.