- •1. Основные понятия и особ-ти эконометрического метода
- •2. Типы экономических данных, используемых в эконометрических исследованиях.
- •3. Специфика экономических данных.
- •4. Классификация эконометрических моделей.
- •5. Основные этапы построения эконометрических моделей.
- •6. Функциональные и стохастические типы связей. Ковариация, корреляция
- •7. Анализ линейной стат-кой связи экономических данных, корреляция, вычисление коэф-в корреляции. Проверка значимости
- •8. Измерение тесноты связи между показателями. Анализ матрицы коэффициентов парной корреляции.
- •9. Регрессионный анализ. Зависимые и независимые переменные
- •10. Предпосылки применения мнк.
- •2. В модели ( ) возмущение (или зависимая переменная ) есть величина случайная, а объясняющая переменная - величина неслучайная.
- •11. Свойства оценок мнк
- •12. Лин модель парной регрессии. Оценка параметров модели с пом мнк.
- •13. Показатели качества регрессии модели парной регрессии.
- •14. Анализ статистической значимости параметров модели парной регрессии.
- •15. Интервальная оценка параметров модели парной регрессии.
- •16. Проверка выполнения предпосылок мнк.
- •17. Интервалы прогноза по лин ур-нию парной регрессии. (Прогнозирование с применением ур-ния регрессии)..
- •18. Понятие и причины гетероскедастичности. Последствия гетероскедастичности. Обнаружение гетероскедастичности.
- •19. Нелинейная регрессия. Нелинейная модель и их линеаризация.
- •21. Мультиколлинеарность. Ее последствия. Способы обнаружения. Способы избавления.
- •20. Модель множественной регрессии. Выбор вида модели и оценка ее параметров
- •22. Отбор факторов при построении множественной регрессии. Процедура пошагового отбора переменных.
- •23. .Модель множеств регрессии.Выбор вида модели и оценка ее параметров.
- •24. Оценка параметров множественной регрессии методом наименьших квадратов (мнк). Свойства оценок мнк.
- •25. Понятие и причины автокорреляции остатков. Последствия автокорреляции остатков. Обнаружение автокорреляции остатков.
- •26. Проверка качества многофакторных регрессионных моделей. Оценка качества всего ур-ния регрессии.
- •27. Проверка качества многофакторных регрессионных моделей.Коэф-т детерминации r2. Скорректированный r2. Проверка гипотез с пом т-статистик и ф-статистик.
- •28. Оценка существенности параметров линейной регрессии.
- •29. Оценка влияния факторов на зависимую переменную (коэф-ты эл-ти,бета коэф-ты)
- •30. Анализ эк объектов и прогнозирование с помощью модели множ регрессии.
- •32. Регрессионные модели с переменной структурой (фиктивные переменные)
- •33. Многомерный статистический анализ. Задачи классификации объектов: кластерный анализ, дискриминантный анализ.
- •34. Мса. Задачи снижения размерности: факторный анализ, компонентный анализ.
- •35. Системы линейных одновременных уравнений (соу). Взаимозависимые и рекурсивные системы.
- •36. Косвенный мнк
- •37. Системы линейных одновременных уравнений.Условия идентификации
20. Модель множественной регрессии. Выбор вида модели и оценка ее параметров
Модель парной регрессии устанавливает зависимость интересующей нас величины только от 1-го фактора. На показатель влияет целая совокупность факторов. Если использовать линейную математическую функцию, то в этом случае модель множественной регрессии примет вид yi=a0+a1xi1+a2xi2+a3xi3+…+amxim+ei. Каждый из параметров модели аi показывает, на сколько меняется исследуемая величина у при изменении соответствующего фактора на 1 единицу. Эта модель универсальна в том смысле, что позволяет установить зависимость показателя, как от всей совокупности факторов, так и от каждого из них в отдельности. Эта модель применяется при изучении проблем спроса, функции доходности акции, функции издержек производства, функции прибыли
Функция , описывающая зависимость показателя от параметров, называется уравнением (функцией) регрессии. Уравнение регрессии показывает ожидаемое значение зависимой переменной при определенных значениях зависимых переменных .
В зависимости от количества включенных в модель факторов Х модели делятся на однофакторные (парная модель регрессии) и многофакторные (модель множественной регрессии).
В зависимости от вида функции модели делятся на линейные и нелинейные.Модель множественной линейной регрессии имеет вид:y i = 0 + 1x i 1 +2x i 2 +…+ k x i k + i (2.1)
- количество наблюдений.
коэффициент регрессии j показывает, на какую величину в среднем изменится результативный признак , если переменную xj увеличить на единицу измерения, т. е. j является нормативным коэффициентом.
Коэффициент может быть отрицательным. Это означает, что область существования показателя не включает нулевых значений параметров. Если же а0>0, то область существования показателя включает нулевые значения параметров, а сам коэффициент характеризует среднее значение показателя при отсутствии воздействий параметров.
Анализ уравнения (2.1) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи:
(2.2) .
Где У – вектор зависимой переменной размерности п 1, представляющий собой п наблюдений значений .
Х- матрица п наблюдений независимых переменных , размерность матрицы Х равна п (k+1) . Дополнительный фактор Х0, состоящий из единиц, вводится для вычисления свободного члена. В качестве исходных данных могут быть временные ряды или пространственная выборка.
К - количество факторов, включенных в модель.
a — подлежащий оцениванию вектор неизвестных параметров размерности (k+1) 1;
— вектор случайных отклонений (возмущений) размерности п 1. отражает тот факт, что изменение будет неточно описываться изменением объясняющих переменных Х, так как существуют и другие факторы, неучтенные в данной модели.
Таким образом,
Y = ,
X = , ,
a = .
Уравнение (2.2) содержит значения неизвестных параметров 0,1,2,… ,k . Эти величины оцениваются на основе выборочных наблюдений, поэтому полученные расчетные показатели не являются истинными, а представляют собой лишь их статистические оценки. Модель линейной регрессии, в которой вместо истинных значений параметров подставлены их оценки (а именно такие регрессии и применяются на практике), имеет вид
, (2.3)
где A — вектор оценок параметров; е — вектор «оцененных» отклонений регрессии, остатки регрессии е = Y - ХА; —оценка значений Y, равная ХА.