- •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
Метод перетворення вихідної інформації.
Випадок, коли залишки задовольняють авторегресійну модель першого порядку, допускає альтернативний підхід до пошуку оцінок параметрів моделі за допомогою двокрокової процедури:
1) перетворення вихідної інформації із застосуванням для цього параметра ;
2) застосування 1МНК для оцінювання параметрів на основі перетворених даних.
Для цього треба знайти матрицю перетворення T, щоб модель
мала скалярну дисперсійну матрицю
Розглянемо матрицю T1 розміром n n:
.
Безпосереднім множенням легко переконатися, що
А це означає, що можна застосувати 1МНК до перетворених даних і вигляду
;
.
Іноді для перетворення вихідної інформації використовується матриця розміром (n – 1) n, яка отримується з матриці викреслюванням першого рядка:
.
Алгоритм методу Кочрена – Оркатта.
Метод наближеного пошуку параметрів і які мінімізують суму квадратів (8.28), дає ітеративний метод, запропонований Кочреном і Оркаттом.
Опишемо його алгоритм.
Крок 1. Довільно вибирають значення параметра наприклад Підставивши його в (8.28), обчислюють і
Крок 2. Узявши і підставимо їх у (8.28) і обчислимо
Крок 3. Підставивши в співвідношення (8.28) значення знайдемо і
Крок 4. Використаємо і для мінімізації суми квадратів залишків (8.27) за невідомим параметром . Процедура триває доти, доки наступні значення параметрів , і не будуть відрізнятись менш як на задану величину.
Цей ітеративний метод, як і інші аналогічні процедури, має дві проблеми:
а) збіжності;
б) характеру знайденого мінімуму - локальний чи глобальний.
Проведені дослідження [2] за цими двома проблемами показали, що в результаті застосування методу Кочрена—Оркатта завжди знаходимо глобальний оптимум і алгоритм забезпечує порівняно добру збіжність.
Оцінювання параметрів моделі з автокорельованими залишками методом Дарбіна.
Дарбін запропонував просту двокрокову процедуру, яка також дає оцінки параметрів. Вони асимптотично мають той самий вектор середніх і ту саму матрицю дисперсій, що й оцінки за методом найменших квадратів.
Крок 1. Підставимо значення залишків, яке підпорядковане авторегресійній моделі першого порядку в економетричну модель . Тоді дістанемо , де .
Звідси де має скалярну матрицю дисперсій.
Згідно з 1МНК визначаються параметри цієї моделі, куди входить і коефіцієнт . У результаті обчислень маємо
Крок 2. Значення використовується для перетворення змінних і , а 1МНК застосовується до перетворених даних. Коефіцієнт при є оцінкою параметра а вільний член, поділений на оцінює параметр
Метод Дарбіна дуже просто поширюється на випадок кількох незалежних змінних і для автокореляції вищих порядків.
Висновок 1. 1МНК дає менш ефективні оцінки порівняно з іншими методами, якщо сукупність спостережень n = 20 одиниць, а > 0,3.
Висновок 2. Якщо < 0,3, то зниження ефективності оцінок 1МНК порівняно зі складнішими процедурами невелике.
Висновок 3. Метод Дарбіна забезпечує найкращу оцінку для більшого кола параметрів порівняно з іншими методами.
Висновок 4. Нелінійний метод оцінювання параметрів не дає відчутних переваг порівняно з двокроковою процедурою Дарбіна.