- •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.
Моделі часових рядів. Системи незалежних, рекурсивних, взаємозалежних рівнянь.
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 системах незалежних рівнянь кожна залежна змінна представлена як функція одного й того ж набору незалежних змінних :
. (1.7)
Кожне рівняння даної системи можна розглядати як самостійно як рівняння регресії.
В системах рекурсивних рівнянь залежні змінні представлені як функції незалежних змінних та визначених раніше залежних змінних :
(1.8)
В системах взаємозалежних рівнянь кожна залежна змінна представлена як функція інших залежних змінних незалежних та незалежних змінних :
(1.9)
Ця система найбільш розповсюджена і отримала назву системи спільних одночасних рівнянь. Її також називають структурною формою моделі. В системі одні й ті ж змінні одночасно є залежними в одних рівннянх і незалежними в інших.
Порівнянність та однорідність даних. Повнота даних та стійкість.
Складання математичної моделі, що відбиває розвиток того чи іншого економічного процесу, починається з оцінки даних. Всі методи регресійного аналізу використовують апарат математичної статистики, який вимагає від вихідних даних, щоб вони були порівняні і однорідні, а для виявлення закономірності, крім цього, були стійкими і кількість спостережень була досить великою. Невиконання одного з цих вимог робить безглуздим застосування математичного аналізу.
Порівнянність передбачає формування всіх рівнів ряду спостережень за однією і тією ж методикою, використання однакових одиниць вимірювання та за можливості кроку спостережень. У часових рядах вимога однакового кроку за часом є обов'язковою.
Однорідність досягається відсутністю сильних зламів, а також нетипових аномальних спостережень. При пошуку закономірностей буває доцільно відкинути частину попередніх даних, якщо вони відображають закономірність минулого розвитку, яка вже втратила силу. Наявність аномальних (різко виділяються) спостережень призводить до спотворення результатів. Формально аномальність проявляється як сильний стрибок з наступним приблизними відновленням попереднього рівня. Прикладом такого спостереження може служити значення курсу долара, зафіксованого в «чорний вівторок».
Вимога повноти даних обумовлюється тим, що закономірність може виявитися лише при наявності мінімально допустимого обсягу спостережень. Достатня кількість спостережень визначається залежно від мети дослідження. У часових рядах, наприклад, якщо мета дослідження – побудова моделі динаміки з метою подальшого прогнозу, число рівнів вихідного динамічного ряду має бути не менше семи.
Стійкість характеризує переважання закономірності над випадковістю в зміні рівнів ряду. Діаграма розсіювання дозволяє зробити візуальний аналіз емпіричних даних.