- •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
Непрямий метод найменших квадратів оцінювання параметрів системи одночасних рівнянь.
Повернемось до моделі і яка має два структурні рівняння. було показано, що між залежною змінною Yt і залишками ut існує кореляція. Застосування 1МНК для оцінки параметрів цієї моделі дає зміщення. Тому необхідно розглянути альтернативні методи оцінки параметрів, які дозволили б уникнути зміщення. Один з таких методів є непрямий метод найменших квадратів. Він складається з двох процедур. Спочатку застосовується 1МНК для оцінки параметрів кожного рівняння зведеної форми моделі Основна особливість такої форми полягає в тому, що її здобуто в результаті розв’язування структурної системи рівнянь відносно поточних значень ендогенних змінних, і зведена форма виражає їх як функції всіх інших змінних моделі таким чином, що кожне рівняння в такій формі має поточне значення тільки однієї ендогенної змінної.
Алгоритм непрямого методу найменших квадратів.
Крок 1. Перевіряється умова ідентифікованості для кожного рівняння структурної форми моделі. Якщо кожне рівняння точно індентифіковане, то переходимо до кроку 2.
Крок 2. Кожне рівняння структурної форми розв’язується відносно однієї з k залежних ендогенних змінних моделі, у результаті приходимо до зведеної форми моделі.
Крок 3. На основі 1МНК визначається оцінка параметрів окремо для кожного рівняння зведеної форми.
Крок 4. Розраховується оцінка параметрів рівнянь структурної форми за допомогою співвідношення AR = –B, де A і B параметри структурних рівнянь, а R — матриця оцінок параметрів зведеної форми.
Оцінювання параметрів системи одночасних рівнянь двохкроковим методом найменших квадратів.
Якщо рівняння структурної форми моделі надідентифіковані, то непрямий метод найменших квадратів застосувати не можна, а користуватись 1МНК недоцільно, тому необхідно розглянути інші методи, які розроблені спеціально для таких моделей. Одним з цих методів є двокроковий метод найменших квадратів (2МНК).
Алгоритм двокрокового методу найменших квадратів (2мнк)
Крок 1. Перевіряється кожне рівняння моделі на ідентифікованість. Якщо рівняння надідентифіковані, то для оцінки параметрів кожного з них можна використати оператор оцінювання:
.
Крок 2. Знаходження добутку матриць поточних ендогенних змінних, які містяться у правій частині моделі, на матрицю всіх екзогенних змінних моделі, тобто .
Крок 3. Обчислення матриці і знаходження оберненої матриці .
Крок 4. Визначення добутку матриць всіх екзогенних змінних і ендогенних змінних у правій частині моделі, тобто .
Крок 5. Знаходження добутку матриць, які здобуто на кроках 2,3,4, тобто .
Крок 6. Визначення добутку матриць ендогенних змінних у правій частині моделі і екзогенних змінних, які внесені до даного рівняння, тобто .
Крок 7. Знаходження добутку матриць екзогенних змінних, які входять в дане рівняння, і ендогенних змінних правої частини системи рівнянь, тобто .
Крок 8. Визначення добутку матриць екзогенних змінних даного рівняння, тобто .
Крок 11. Знаходження матриці, оберненої до блочної:
.
Крок 10. Визначення добутку матриць , де — матриця всіх екзогенних змінних моделі, — вектор залежної ендогенної змінної лівої частини рівняння.
Крок 11. Знаходження добутку матриць:
.
Крок 12. Визначення параметрів моделі:
.
Крок 13. Обчислення s-ї залежної ендогенної змінної на основі знайдених параметрів і :
.
Крок 14. Обчислення вектора залишків в s-му рівнянні системи:
.
Крок 15. Визначення дисперсії залишків для кожного рівняння:
Крок 16. Знаходження матриці коваріацій для параметрів кожного рівняння:
.
Крок 17. Знаходження стандартної помилки параметрів і визначення довірчих інтервалів:
.