- •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.
19. Оценивание моделей с автокорреляцией.
Имеем модель . И соседние случайные возмущения связаны соотношением .
1 случай: Коэффициент авторегрессии известен. Рассмотрим исходное уравнение для предыдущего наблюдения . Умножим его на и вычтем из первого Введя условные обозначения, можно записать в след. виде . При этом мы воспользовались . Для новой модели случайный член по преподожению удовлетворяет условиям классической модели . Можно сказать, что выполненные преобразования модели с автокорреляцией случайных возмущений в классическую есть реализация доступного обобщённого МНК.
2 случай: Коэффициент авторегрессии не известен. Выполняется одна из итеративных процедур (Кохрейна-Оркатта, Хилдрета-Лу, Дарбина и др.). На каждом шаге строится своя регрессия, а полученные оценки коэф. модели и автокорреляции используются на следующем шаге. Процедура Кохрейна-Оркатта. 1) Провести обычную регрессию и получить остатки . 2) Построить вторую регрессию столбца остатков от сдвинутого столбца остатков . 3) В качестве приближенного значения коэф. использовать оценку из второй регрессии. 4)Выполнить преобразование модели с автокорреляцией в классическую при помощи этой оценки. 5) Провести новую регрессию и получить новые оценки В. 6) Вычислить новые остатки. 7) Все повторять сначала до тех пор, пока оценки не перестанут изменяться.
Процедура Кохрейна-Оркатта
1.провести обычную регрессию и получить остатки (e1,e2…en)
2. построить вторую регрессию столбца остатков от сдвинутого столбца остатков , t=1,n
3.в качестве приближенного значения коэф использовать r= из второй регрессии.
4.выполнить преобразование модели с автокоррел в классическую при помощи этой оценки.
5.провести новую регрессию и получить новые оценки В.
6.Вычислить новые остатки
7.все повторять сначала до тех пор, пока оценки не перестанут меняться.
20. Нелинейные модели регрессии (различные виды моделей и способы их линеаризации). Примеры.
Линейные и нелинейные модели:
1. Линейные по параметрам и по переменным
2. Линейные по параметрам, но не по переменным
Такие модели легко ЛИНЕАРИЗУЮТСЯ: (линеаризация - один из методов приближённого представления замкнутых нелинейных систем, при котором исследование нелинейной системы заменяется анализом линейной системы, в некотором смысле эквивалентной исходной)
3. Нелинейные и по параметрам и по переменным:
Такие модели не поддаются линеаризации.
Пример!
Потребление бананов от доходов семьи (смотрим графики лекции 9) это диаграмма рассеяния.
Это же диаграмма с построенной линией регрессии.
Модель неадекватна. В хорошей модели остатки распределены случайным образом, а здесь не так: первый отрицателен, затем 6 положительных и опять отрицательный.
Изменим модель . Обратная зависимость Y от X более правдоподобна. Y по-прежнему возрастает с ростом X, если , но скорость этого возрастания падает. При этом существует верхний предел: действительно в конце концов вы не можете съесть больше бананов. Это нелинейная модель, но она легко поддается линеаризации, если определить новую переменную как обратную к X.
Нелинейная модель с новой переменной , обратной к исходной X, гораздо лучше описывает точки диаграммы расеяния