- •1. Эконометрика и ее место в ряду других экономических и статистических дисциплин. Типы моделей и типы данных в эконометрике.
- •Общая задача. При помощи статистических методов выразить те закономерности, которые экономическая теория определяет лишь количественно.
- •Эконометрическая модель.
- •2. Коэффициент ковариации. Коэффициент корреляции. Их свойства. Выборочные оценки основных числовых характеристик случайных величин. Проверка значимости коэффициента корреляции.
- •Свойства ковариации
- •3. Регрессионная модель. Причины включения в модель случайного отклонения. Парная линейная регрессия. Мнк. Задачи линейного регрессионного анализа.
- •Парная регрессия.
- •Метод наименьших квадратов
- •4. Основные свойства точечных оценок. Теорема Гаусса-Маркова для однородной модели.
- •6. Проверка гипотез в одномерной модели. Интервальная оценка коэффициентов.
- •7. Множественная регрессия. Мнк. Теорема Гаусса-Маркова для многомерной модели.
- •Метод наименьших квадратов
- •9. Множественная регрессия. Гипотеза «длинная-короткая» модель. Специфика модели. Исключение существенной переменной. Включение несущественной переменной. Пошаговая регрессия.
- •10. Множественная регрессия. Тест Чоу на наличие структурного сдвига. Фиктивные переменные.
- •11. Стохастические (случайные). Обобщенный мнк. Теорема Айткена.
- •13. Гетероскедастичность. Метод взвешенных наименьших квадратов. Коррекция моделей на гетероскедастичность (3 случая).
- •14. Описание тестов проверки на гетероскедастичность (тесты Голдфельда-Куандта, Бреуша-Пагана).
- •15. Мультиколлинеарность: последствия, способы обнаружения, средства устранения. Тест.
- •16. Частный коэффициент корреляции. Его свойства, процедура вычисления.
- •17. Автокорреляция: последствия, способы обнаружения, средства устранения.
- •19. Оценивание моделей с автокорреляцией.
- •Линейные формы: интерпретация регрессии
- •21. Временные ряды. Факторы, влияющие на формирование значений временного ряда. Структура временного ряда. Основные задачи анализа временных рядов.
- •Исследование временноых рядов
- •22. Стационарные временные ряды. Их характеристики. Белый шум. Проверка стационарности временного ряда.
- •Правило проверки гипотезы об отсутствии тренда в тесте серий
- •23.Выравнивание временного ряда (аналитическое – выделение тренда регрессией от времени; механическое – метод последовательных разностей.)
- •3 Основных подхода:
- •24. Автоковариационная и автокорреляционная функция. Способ вычисления. Коррелограмма.
- •25. Линейные модели стационарных временных рядов (авторегрессии и скользящего среднего)
- •26. Модель авторегрессии ar(p). Уравнения Юла Уокера.
- •27. Модель авторегрессии ar (1)
- •28. Модель авторегрессии ar(2). Расчет параметров.
- •29. Модель скользящего среднего ma(1). Расчет параметров.
- •30. Частная автокорреляционная функция. Модели arma(p,q). Свойства acf и pacf.
- •31. Модели arima(p,d,q). Методолгия Бокса-Дженкинса. Интерпретация функций акф и чакф.
13. Гетероскедастичность. Метод взвешенных наименьших квадратов. Коррекция моделей на гетероскедастичность (3 случая).
Гомоскедастичность – дисперсия каждого отклонения одинакова для всех значений .
Гетероскедастичность – дисперсия объясняемой переменной (а следовательно, и случайных ошибок) не постоянна.
Пусть имеется модель регрессии и дисперсия случайных возмущений зависит от номера наблюдения В случае чистой гетероскедастичности ковариационная матица случайных возмущений имеет диагональный вид , т.е. случайные возмущения имеют разные дисперсии при каждом i и при этом попарно независимы между собой.
1 случай: Разные дисперсии известны , поделим их на каждое i-ое уравнение ;обозначим (*), т.о. . Для новой модели дисперсия случ. возмущений уже не зависит от номера наблюдения Var . Действительно, и теперь можно применять теорему Г-М. В новой модели нет свободного члена, а теперь служит коэф. при добавленном искус. факторе . В новой модели (*), отсюда модель называется взвешенной, так как в ней каждое i-е наблюдение умножается на При этом мы автоматически придаём наибольший вес наиболее точным наблюдениям, т.е. наблюдениям с наименьшей дисперсией . В этом случае можно сказать, что взвешенный МНК – это обобщённый МНК, применимый к модели с гетероскедастичностью, т.е. определение оценок коэф. регрессии по формуле: В= , когда ковар. матрица случ. возмущений является диагональной
2 случай: Разные дисперсии не известны (предположим, что они пропорциональны одному из показателей, например, z. . Делим теперь на : .Теперь .Модель можно записать Можно показать, что дисперсия случ. возмущений уже не зависит от номера наблюдения. Действительно, если , то .Можно применить теорему Г-М.
3 случай: Разные дисперсии не известны . Предположим, что все наблюдения можно поделить на две части: первые m и последние n-m, и в каждой части наблюдений дисперсия случ. возмущений постоянна. Строим общ. модель обычным МНК и, получив остатки , определим оценки дисперсий для каждой части отдельно и . Корректируем обе части наблюдений, деля на свою дисперсию.
14. Описание тестов проверки на гетероскедастичность (тесты Голдфельда-Куандта, Бреуша-Пагана).
ТЕСТ G-Q
Этот тест применяется, как правило, когда есть предположение о прямой зависимости дисперсии ошибок от величины некоторой объясняющей переменной, входящей в модель ( , модель гомоскедастична).
Предполагается, что имеет нормальное распределение. Тест включает в себя следующие шаги:
1. Упорядочить данные по убыванию (или по возрастанию) той независимой переменной, относительно которой есть подозрение на гетероскедастичность.
2. Исключить средних (в этом упорядочении) наблюдений ( , где – общее количество наблюдений).
3. Провести две независимых регрессии первых наблюдений и последних наблюдений и найти, соответственно, и . Из и выбираем большую и меньшую величины, соответственно, и .
4. Вычислить F-статистику и найти по распределению Фишера .
6. Если , то гипотеза отвергается, т.е. модель гетероскедастична. Если , то гипотеза принимается, т.е. модель гомоскедастична.
ТЕСТ B-P.
Данный тест применялся для проверки гипотезы о зависимости дисперсий случайных величин от некоторой дополнительных переменной, не включенной в модель ( , модель гомоскедастична). Тест состоит в следующем:
1. Повести обычную линейную регрессию и получить остатки .
2. Построить оценку и вычислить значения , .
3. Провести регрессию и найти для нее объясненную часть вариации .
4. Построить статистику .
5. Определить - критическую точку распределения Хи-квадрат при выбранном уровне значимости ( ), где p – число переменных, от которых зависит .
6. Если , то имеет место гетероскедастичность. Если , то гомоскедастичность.
ТЕСТ УАЙТА.
Данный тест применяется, когда предполагается, что дисперсии ошибок представляет собой одну и ту же функцию от наблюдений значений независимых переменных. Чаще всего – квадратичную. Тест состоит в следующем:
1. Провести обычную регрессию и получить остатки (на множестве исходных независимых переменных). Вычислить квадраты этих остатков и приписать к матрице данных.
2. Приписать к матрице данных квадраты исходных независимых переменных (и, возможно, их попарные произведения).
3. Построить вторую регрессию квадратов остатков от расширенного множества регрессоров (исходных факторов и их квадратов).
4. Для проверки гипотезы гомоскедастичности использовать значимость в целом уравнения второй регрессии: если уравнение второй регрессии в целом значимо, то гипотеза гомоскедастичности отвергается.