- •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
Перевірка достовірності оцінок параметрів за допомогою t -критерію.
Оскільки u і Â — лінійні функції від нормально розподілених змінних, то вони також розподілені нормально і, як було показано, їх коваріації дорівнюють нулю. Це дає нам змогу скористатися t-розподілом для перевірки гіпотез відносно статистичної значущості кожної з оцінок параметрів економетричної моделі .
Перевірку гіпотези виконаємо згідно з t-критерієм:
,
де — діагональний елемент матриці Знаменник відношення називається стандартною похибкою оцінки параметра моделі.
Обчислене значення t-критерію порівнюється з табличним при вибраному рівні значущості і ступенях свободи. Якщо tфакт > tтабл, то відповідна оцінка параметра економетричної моделі є статистично значущою.
Точковий та інтервальний прогноз на основі побудованої моделі лінійної множинної регресії.
Економетричне моделювання зв’язку між економічними показниками завжди складаєтьмя з трьох етапів:
1)побудови економетричної моделі;
2)перевірки статистичної значущості моделі та оцінювання її параметрів;
3)прогнозування на основі моделі.
Розглянемо спочатку точковий прогноз і припустимо, що ми визначили його як деяку лінійну функцію від yi:
де і — номер спостереження ( ); — вагові коефіцієнти значень .
Оскільки то незміщена точкова оцінка прогнозу
де Х0 — матриця очікуваних значень пояснювальних змінних.
Задаючи X0, підставимо значення цього вектора в побудовану економетричну модель
Щоб дістати інтервальний прогноз, необхідно розрахувати середню похибку прогнозу. Вона зростає з віддаленням прогнозного значення від відповідного середнього значення вибірки. Для визначення інтервального прогнозу індивідуального значення необхідно знайти відповідну стандартну похибку.
Алгоритм:
1. Визначимо точкові прогнозні значення залежної змінної.
2. Визначаємо прогнозний інтервал математичного сподівання і стандартну похибку прогнозу математичного сподівання .
3.Знайдемо інтервальний прогноз для .
4. Обчислимо дисперсію і стандартну похибку прогнозу індивідуального значення і стандартну похибку прогнозу індивідуального значення y0 .
5. Визначаємо інтервальний прогноз індивідуального значення y0.
Перевірка загальної якості моделі та рівності двух коефіціентів детермінації.
Припустимо, що в множинній регресії
ми хочемо перевірити гіпотези про рівність двох кутових коефіцієнтів.
або
або
Можна показати, що при виконанні звичайних класичних припущень величина випливає із закону t-розподілу з (n–4) степенями вільності, оскільки (7.3.1) являє собою модель із 4 змінними. У загальному випадку моделі з k параметрами кількість степенів вільності дорівнює (n–k). Величина , що входить в обчислюється за формулою
Процедура використання t-статистики нічим не відрізняється від уже нам відомої. Якщо визначена за величина t перевищує критичне значення для вибраного рівня значущості і відповідної кількості степенів вільності, то ми відхиляємо нульову гіпотезу; в протилежному випадку гіпотеза не відхиляється. Можна застосувати після визначення t за і підхід на підставі p-величини.