- •Загальні поняття економетричних моделей. Задачі економетрії.
- •Кореляційно-регресійний аналіз в економіці. Функціональний та кореляційний зв’язки.
- •2) Визначення тісноти зв'язку (задача кореляційного аналізу).
- •Функція регресії. Регресор. Регресат. Причини обов'язкової присутності в регресійних моделях випадкового фактора.
- •Просторові дані. Часові ряди. Особливості часових рядів. Кореляційне поле.
- •Застосування методу Фостера-Стюарта з метою виявлення закономірного зв’язку між змінними
- •Методи вибору найкращої функції регресії
- •Економетрична модель. Специфікація моделі регресії.
- •Економетрична модель. Параметризація рівняння регресії.
- •Моделі часових рядів. Регресійні моделі з одним рівнянням.
- •Моделі часових рядів. Системи незалежних, рекурсивних, взаємозалежних рівнянь.
- •Порівнянність та однорідність даних. Повнота даних та стійкість.
- •Сутність методу найменших квадратів
- •Застосування методу максимальної правдоподібності з метою оцінювання параметрів економетричної моделі
- •Поняття кореляція. Кореляційний момент або коваріація. Коефіцієнт кореляції. Вибірковий кореляційний момент. Стандартна похибка.
- •Якісна оцінка коефіцієнтів кореляції за шкалою Чеддока. Розподіл Фішера-Іейтса.
- •Поняття кореляції. Оцінка значимості коефіцієнта кореляції з використанням t-критерію Стьюдента.
- •Матриця коефіцієнтів парної кореляції. Вибірковий коефіцієнт множинної кореляції та коефіцієнт детермінації. Вибірковий частинний коефіцієнт кореляції.
- •Проблема мультиколінеарності. Застосування алгоритму Фаррера-Глобера.
- •Індекс кореляції. Методика розрахунку кореляційного відношення.
- •Побудова економетричної моделі на основі покрокової регресії.
- •«Істинне» рівняння регресії. Парна регресія. Систематична та випадкова складові.
- •Умови Гаусса-Маркова.
- •Властивості оцінок параметрів регресійного рівняння: незміщеність, обґрунтованість, ефективність та інваріантність.
- •Оцінки найменших квадратів. Верифікація моделі. Стандартна похибка рівняння. Оцінений коефіцієнт детермінації.
- •Оцінки найменших квадратів. Перевірка значущості та довірчі інтервали. Прогнозування за лінійною моделлю.
- •Множинна регресія. Специфікація багатофакторної моделі. Помилки специфікації множинної регресії.
- •Мультиколінеарність. Практичні наслідки мультиколінеарності та методи її усунення.
- •Оцінка якості моделі множинної регресії. Перевірка виконання передумов мнк. Перевірка гіпотези про нормальний розподіл залишків регресії
- •Етапи побудови економетричної моделі.
- •Оцінка якості прогнозів за регресійними моделями
- •Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •Особливості параметризації нелінійної регресії. Вибір аналітичної форми дослідження.
- •Фіктивні змінні. Ілюстрація використання фіктивної змінної. Множинні сукупності фіктивних змінних.
- •Оцінка якості моделі. Дослідження відповідності моделі емпіричним даним. Оцінка точності моделі.
- •Поняття гомоскедастичності та гетероскедастичності залишків. Наслідки порушень припущення про гомоскедастичність.
- •Методи виявлення гетероскедастичності. Тест Голдфельда-Квандта. Тест рангової кореляції Спірмена.
- •Трансформування початкової моделі з гетероскедастичністю.
- •Зважений метод найменших квадратів.
- •Оцінювання параметрів регресії за допомогою узагальненого методу найменших квадратів (методу Ейткена).
- •Поняття автокореляції. Автокореляція залишків. Лагові затримки.
- •Природа автокореляції та її наслідки. Методи усунення автокореляції.
- •Тестування наявності автокореляції. Критерій Дарбіна-Уотсона. Критерій фон Неймана.
- •Коефіцієнти автокореляції та їх застосування. Автокореляційна функція та корелограма.
- •Оцінка параметрів моделі з автокорельованими залишками. Метод Ейткена.
- •Оцінка параметрів моделі з автокорельованими залишками. Метод Кочрена-Оркатта.
- •Прогноз на основі моделі з автокорельованими залишками.
- •Узагальнені економетричні моделі.
- •Поняття лагу і лагових змінних.
- •Дистрибутивно-лагові моделі. Авторегресійні моделі.
- •Моделі розподіленого лагу. Узагальнена модель розподіленого лагу.
- •Оцінка параметрів лагових моделей. Метод послідовного збільшення кількості лагів.
- •Перетворення Койка (метод геометричної прогресії).
- •Модель адаптивних сподівань. Модель часткового коригування.
- •Оцінювання параметрів методом Ейткена.
- •Динамічний та часовий ряди. Систематичні та випадкові компоненти часового ряду. Стаціонарність часового ряду.
- •Фільтрація компонент часового ряду. Ts, ds, тренд-сезонні, нелінійні часові ряди.
- •Дослідження автокореляційної функції часового ряду.
- •Методи фільтрації сезонної компоненти.
- •Прогнозування тенденції часового ряду за механічними методами та аналітичними методами.
- •Адаптивні методи прогнозування.
- •Метод декомпозиції часового ряду. Розрахунок сезонної хвилі.
- •Системи одночасних економетричних рівнянь. Ендогенні та екзогенні змінні.
- •Структурна та зведена форми економетричної моделі. Повна економетрична модель.
- •Ідентифікованість моделі. Необхідна та достатня умови ідентифікованості системи.
- •Непрямий метод найменших квадратів.
- •Двокроковий та трикроковий методи найменших квадратів.
- •Прогноз ендогенних змінних і загальні довірчі інтервали.
Особливості параметризації нелінійної регресії. Вибір аналітичної форми дослідження.
Прикладом регресії, що є внутрішньо лінійної є регресія попиту (Y) від загального доходу (z) та ціни цього товару (p):
. (5.4)
Подібні залежності між показником Y та m факторами Z1, Z2, ..., Zm записуються у вигляді
(5.5)
і за допомогою логарифмічного перетворення
(5.6)
зводяться до лінійної по параметрам регресії. Визначення
, , , ..., (5.7)
призводять до лінійної регресійної моделі
. (5.8)
Після оцінювання лінійної моделі (5.8) за допомогою відношень (5.7) можна знайти оцінену регресію для моделі (5.5):
. (5.9)
Моделі виду (5.5) отримали широке розповсюдження при економетричному моделюванні. Це пов’язано з тим, що параметри такої моделі мають змістовну економічну інтерпретацію. З (5.5) випливає, що
, (5.10)
тобто параметр ai представляє собою коефіцієнт еластичності показника Y по змінній xi.
Для моделей виду
(5.11)
також використовується логарифмічне перетворення, оскільки визначення , , , ..., приводять їх до лінійної регресії (5.8).
Вибір аналітичної форми дослідження моделі може здійснюватися на основі апріорної інформації про залежність та на основі графіків розкиду емпіричних точок.
Фіктивні змінні. Ілюстрація використання фіктивної змінної. Множинні сукупності фіктивних змінних.
. Часто змінні, що відображають якісні характеристики об'єкта, набувають лише двох значень: 1 – якщо певна ознака присутня; 0 – якщо вона відсутня. Такі змінні називають бінарними, дихотомними або dummy-змінними.(это и есть фиктивные переменные)
Дихотомні змінні використовують у регресійних моделях поряд з кількісними змінними або утворюють регресійні моделі, у яких всі фактори є якісними (бінарними) змінними.
Наприклад, при дослідженні заробітної плати може виникнути питання залежності її від рівня освіти, від| статі працівника тощо. За певними якісними ознаками, звичайно, дані можна поділити за категоріями й вивчати кожну залежність окремо, а вже потім шукати відмінності між ними. Але введення додаткової бінарної змінної дає змогу оцінювати одне рівняння, у якому різні класи спостережень розділяються за допомогою цієї змінної. Однією із сфер застосування бінарних змінних є аналіз сезонних коливань.
Приклад. Нехай регресійна модель залежності заробітної плати у від деяких кількісних факторів має вигляд
(5.12)
Тоді для вивчення впливу вищої освіти на рівень оплати праці вводять нову змінну , яка може набувати двох значень: , якщо робітник має вищу освіту, та , якщо не має. Модель, що враховує цей фактор, матиме вигляд
(5.13)
Крім того, можлива комбінація фіктивних змінних різного виду. Вона дозволяє моделювати зміну нахилу тренду з визначеного моменту. Тоді окрім тренду в регресію вводиться наступна змінна: на початку вибірки до деякого моменту вона дорівнює 0, а далі вона представляє собою часовий тренд (1, 2, 3 … у випадку однакових інтервалів між спостереженнями).
Оцінка якості моделі. Дослідження відповідності моделі емпіричним даним. Оцінка точності моделі.
Модель вважається гарною зі статистичної точки зору, якщо вона адекватна і достатньо точна.
1. Для перевірки адекватності моделі реальному явищу досліджується ряд залишків, тобто розбіжностей рівнів, розрахованих по моделі, та фактичних спостережень.
а) Перевірка рівності математичного очікування рівнів ряду залишків нулю здійснюється в ході перевірки відповідної нульової гіпотези . З цією метою будується t-статистика:
(5.17)
де – середнє арифметичне значення рівнів ряду залишків;
S – середньоквадратичне відхилення для цієї послідовності, розраховане для малої вибірки.
В подальшому дане розраховане значення порівнюють з табличним і роблять висновок про прийняття або відхилення гіпотези.
б) Перевірка умови випадковості виникнення окремих відхилень від тренду.
в) Перевірка умови незалежності, або наявності автокорреляції у відхиленнях від моделі росту (буде розглянуто пізніше).
г) Відповідність ряду залишків нормальному закону розподілу.
Оцінка точності моделі. В статистичному аналізі широко відомо велика кількість характеристик точності. Найбільш часто, окрім середньоквадратичного відхилення, використовують:
максимальна за абсолютною величиною похибка
; (5.18)
відносна максимальна похибка
; (5.19)
середня по модулю похибка
; (5.20)
середня по модулю відносна похибка
. (5.21)
Кращою за точністю вважається та модель, у якої всі перелічені характеристики мають меншу величину.