- •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.
Економетрична модель. Специфікація моделі регресії.
Вибір форми зв'язку змінних називається специфікацією моделі регресії.
У випадку парної регресії вибір формули звичайно здійснюється за графічним зображенням реальних статистичних даних у вигляді точок у декартовій системі координат, що називається кореляційним полем (діаграмою розсіювання)
Економетрична модель – це функція чи система функцій, що описує кореляційно-регресійиий зв'язок між економічними показниками, причому залежно від причинних зв'язків між ними один чи кілька із цих показників розглядаються як залежні змінні, а інші – як незалежні.
У загальному випадку рівняння в економетричній моделі має вигляд
(1.5)
де Y – результат, або залежна змінна, змінювання якої описує дане рівняння; – фактори, або незалежні змінні, що визначають поведінку Y. Змінна містить ту частину руху Y, що не пояснюється змінними , і має випадковий характер. Символ F відображує аналітичний вид зв'язку між досліджуваними змінними.
Означення 1.3. Процес опису явища чи процесу, тобто вибір аналітичної форми моделі, називається специфікацією моделі. Іншими словами, специфікація моделі – це аналітична форма залежності між економічними показниками.
Економетрична модель. Параметризація рівняння регресії.
Економетрична модель – це функція чи система функцій, що описує кореляційно-регресійиий зв'язок між економічними показниками, причому залежно від причинних зв'язків між ними один чи кілька із цих показників розглядаються як залежні змінні, а інші – як незалежні.
У загальному випадку рівняння в економетричній моделі має вигляд
(1.5)
де Y – результат, або залежна змінна, змінювання якої описує дане рівняння; – фактори, або незалежні змінні, що визначають поведінку Y. Змінна містить ту частину руху Y, що не пояснюється змінними , і має випадковий характер. Символ F відображує аналітичний вид зв'язку між досліджуваними змінними.
Функція F у кожному конкретному випадку окрім змінних і містить ще щонайменше деякі коефіцієнти, що поєднують змінні у певних співвідношеннях і визначають структуру рівняння. Ці коефіцієнти називаються параметрами моделі.
Визначення значень коефіцієнтів (параметрів) обраної форми статистичного зв'язку змінних на підставі відповідних статистичних даних називається параметризацією рівняння регресії або оцінюванням параметрів.
Ці рівняння, а отже, і параметри визначають структуру моделі: вони вказують на характер припустимих співвідношень між змінними.
Моделі часових рядів. Регресійні моделі з одним рівнянням.
Моделі часових рядів являють собою моделі залежності результативної ознаки від часу:
.
Особливості часових рядів:
а) послідовні в часі рівні часових рядів є взаємозалежними, особливо це відноситься до близько розташованих спостережень;
б) в залежності від моменту спостереження рівні в часових рядах мають різну інформативність: інформаційна цінність спостережень спадає в міру їх віддалення від поточного моменту часу;
в) зі збільшенням кількостей рівнів часового ряду точність статистичних характеристик не збільшується пропорційно числу спостережень, а при появі нових закономірностей може навіть зменшуватися.
В регресійних моделях з одним рівнянням залежна змінна Y може бути представлена у вигляді функції (1.5). В залежності від виду функції моделі поділяються на лінійні та нелінійні, а в залежності від включених в модель факторів – на однофакторні та багатофакторні.
Приклади задач, що розв’язуються за допомогою регресійних моделей:
дослідження залежності заробітної плати Y від віку , рівня освіти , статі , стажу роботи :
;
прогноз та планування випуску продукції за факторами виробництва (виробнича функція Кобба-Дугласа означає, що обсяг випуску продукції Y є функції кількості капіталу K та кількості праці L)
.