
- •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
8. Измерение тесноты связи между показателями. Анализ матрицы коэффициентов парной корреляции.
Коэф-т парной линейной корреляции: . Свойства: 1) rx,y находится в инт-ле (-1;1); 2) rx,y>0 – связь прямая, rx,y<0 – связь обратная; 3) - связь тесная, - связь слабая.
Пусть в исследовании используется совокупность переменных у1, х1, х2,…, хm. Для каждой пары можно рассчитать коэф-ты парной линейной корреляции. В результате, получиться матрица коэф-в парной корреляции:
.
Эта матрица симметрична относительно
главной диагонали, т.е. состоит из двух
одинаковых треугольников. Она позволяет
выбрать факторы наиболее тесно связанные
с интересующей нас величиной, а также
установить связь между самими факторами.
Как правило, в регрессионной модели
нельзя включать факторы, тесно связанные
между собой.
9. Регрессионный анализ. Зависимые и независимые переменные
Регрессионный анализ предназначен для исследования зависимости исследуемой переменной от различных факторов и отображения их взаимосвязи в форме регрессионной модели. В регрессионных моделях зависимая (объясняемая) переменная Y может быть представлена в виде функции f ( ), где - независимые (объясняющие) переменные, или факторы.
Связь между переменной Y и k независимыми факторами Х можно охарактеризовать функцией регрессии Y= f ( ), которая показывает, каково будет в среднем значение переменной yi, если переменные Xi примут конкретные значения. Данное обстоятельство позволяет использовать модель регрессии не только для анализа, но и для прогнозирования экономических явлений. Сформулируем регрессионную задачу для случая одного факторного признака.
Пусть
имеется набор значений двух переменных:
Y=
-
объясняемая переменная и X=
- объясняющая переменная, каждая из
которых содержит n
наблюдений. Пусть между переменными
X=
и Y=
теоретически существует некоторая
линейная зависимость
Данное уравнение будем называть
«истинным» уравнением регрессии.
Однако в действительности между X
и Y
наблюдается не столь жесткая связь.
Отдельные наблюдения
будут отклоняться от линейной зависимости
в силу воздействия различных причин.
Обычно зависимая переменная находится
под влиянием целого ряда факторов,
в том числе и не известных исследователю,
а также случайных причин (возмущения
и помехи); существенным источником
отклонений в ряде случаев являются
ошибки измерения. Отклонения от
предполагаемой формы связи, естественно,
могут возникнуть и в силу неправильного
выбора вида самого уравнения, описывающего
эту зависимость. Учитывая возможные
отклонения, линейное уравнение связи
двух переменных (парную регрессию)
представим в виде
,
(2) где
- постоянная величина (или свободный
член уравнения),
-
коэффициент регрессии, определяющий
наклон линии, вдоль которой рассеяны
данные наблюдений. Это показатель,
характеризующий изменение переменной
,
при изменении значения
на единицу. Если
- переменные
и
положительно коррелированные, если
0 – отрицательно коррелированны;
-
случайная переменная, или случайная
составляющая, или остаток, или возмущение.
Она отражает тот факт, что изменение
будет неточно описываться изменением
Х – присутствуют другие факторы,
неучтенные в данной модели.
Таким
образом, в уравнении (2) значение
каждого наблюдения
представлено как сумма двух частей —
систематической
и случайной
.
В свою очередь систематическую часть
можно представить в виде уравнения
Можно
сказать, что общим моментом для любой
эконометрической модели является
разбиение зависимой переменной на две
части — объясненную и случайную.
.