- •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.
10. Множественная регрессия. Тест Чоу на наличие структурного сдвига. Фиктивные переменные.
Пусть снова есть линейная модель: , . Y теперь зависит от k факторов: .
- параметры (коэффициенты) модели, - случайные возмущения.
Матричная форма записи модели: .
Два уравнения регрессии:
Теоретическая регрессия: , где - случайные возмущения.
Модельная регрессия: , где - остатки, а .
Проверка гипотез о значимости коэффициентов регрессии, о произвольном значении коэффициента, о значении уравнения в целом и построение доверительных уравнений в множественной регрессии осуществляется точно так же, как и в парной.
Однородность данных
Как известно классические условия регрессионного анализа предполагают статистическую однородность данных. В жизни это бывает не всегда. Например если мы изучаем зависимость индивидуального дохода работников от стажа, образования и т.д., то может возникнуть подозрение, что характер самой зависимости различен для мужчин и женщин. Задача: проверить однородность данных для двух подгрупп наблюдений, т.е. можно ли использовать одну общую модель или нужно использовать две различные модели. Для просто сравниваем верхнюю и нижнюю часть матрицы.
Тест Чоу используется для проверки однородности данных для двух подгрупп наблюдений, т.е. можно ли использовать одну общую модель или нужно использовать 2 различные модели.
Для проверки гипотезы о наличии структурного сдвига формулируются нулевая гипотеза: , и альтернативная - .
Выборка разбивается по экономическому смысловому признаку на две. Используя МНК, строится модель по выборке объемом и находится для нее . Для каждой из подвыборок строится линейная регрессия. - сумма квадратов отклонений значений, посчитанных по первой подвыборке, – сумма квадратов отклонений значений, посчитанных по второй подвыборке.
Статистика: имеет распределение Фишера с степенями свободы. По таблице распределения Фишера определяется критическое значение статистики для выбранного уровня значимости ( ): .
Если , то гипотеза отвергается, т.е. следует использовать 2 разных модели.
Если , то гипотеза принимается, т.е. 1 общая модель.
Фиктивные переменные.
Помимо непрерывных переменных в экономическом анализе очень важны так называемые качественные показатели: номинальные, например пол, наличие высшего образования, регион, форма собственности и др., и порядковые, например уровень образования (начальное, среднее, высшее), уровень развития региона и т.п. Для того, чтобы включить такие переменные в регрессионный анализ используют вспомогательные бинарные переменные, принимающие только два значения: 0 и 1. Общее правило введения: число бинарных фиктивных переменных должно быть всегда на единицу меньше числа значений исходного качественного показателя. То значение качественного показателя, которому соответствуют нулевые значения фиктивных переменных, называется базовым. Рассмотренные фиктивные переменные называются фиктивными переменными сдвига.
Есть и фиктивные переменные наклона. Они используются, если нужно охарактеризовать «перелом» в развитии: , где . Интерпретация коэффициентов: на первой части регрессии имеет коэффициенты и . На второй части выборки они возрастают, соответственно, на величину коэффициентов при фиктивных переменных сдвига и наклона. Значимость коэффициентов при фиктивных переменных определяется с помощью t-статистики. Т.о., проверяя значимость коэффициента , т.е. тестируя гипотезу о том, что равен 0, мы проверяем предположение, что фактически структурного изменения не произошло. Фиктивные переменные позволяют строить кусочно-линейные модели.