
- •4.Просторові дані. Часові ряди. Особливості часових рядів. Кореляційне поле.
- •6. Методи вибору найкращої функції регресії
- •9.Моделі часових рядів. Регресійні моделі з одним рівнянням.
- •11) Порівнянність та однорідність даних. Повнота даних та стійкість.
- •12) Сутність методу найменших квадратів
- •14) Поняття кореляція. Кореляційний момент або коваріація. Коефіцієнт кореляції. Вибірковий кореляційний момент. Стандартна похибка.
- •15) Якісна оцінка коефіцієнтів кореляції за шкалою Чеддока. Розподіл Фішера-Іейтса.
- •16, 14(1)) Поняття кореляції. Оцінка значимості коефіцієнта кореляції з використанням t-критерію Стьюдента.
- •17) Матриця коефіцієнтів парної кореляції. Вибірковий коефіцієнт множинної кореляції та коефіцієнт детермінації. Вибірковий частинний коефіцієнт кореляції.
- •18) Проблема мультиколінеарності. Застосування алгоритму Фаррера-Глобера.
- •19) Індекс кореляції. Методика розрахунку кореляційного відношення.
- •20) Побудова економетричної моделі на основі покрокової регресії.
- •21 «Істинне» рівняння регресії. Парна регресія. Систематична та випадкова складові.
- •22.Умови Гаусса-Маркова.
- •23. Властивості оцінок параметрів регресійного рівняння: незміщеність, обґрунтованість, ефективність та інваріантність.
- •24. Оцінки найменших квадратів. Верифікація моделі. Стандартна похибка рівняння. Оцінений коефіцієнт детермінації.
- •26 Множинна регресія. Специфікація багатофакторної моделі. Помилки специфікації множинної регресії.
- •27 Мультиколінеарність. Практичні наслідки мультиколінеарності та методи її усунення.
- •28 Оцінка якості моделі множинної регресії. Перевірка виконання передумов мнк. Перевірка гіпотези про нормальний розподіл залишків регресії
- •29Етапи побудови економетричної моделі
- •31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
- •32. Особливості параметризації нелінійної регресії. Вибір аналітичної форми дослідження.
- •33. Фіктивні змінні. Ілюстрація використання фіктивної змінної. Множинні сукупності фіктивних змінних.
- •34. Оцінка якості моделі. Дослідження відповідності моделі емпіричним даним. Оцінка точності моделі.
- •35. Поняття гомоскедастичності та гетероскедастичності залишків. Наслідки порушень припущення про гомоскедастичність.
- •36. Методи виявлення гетероскедастичності. Тест Голдфельда-Квандта. Тест рангової кореляції Спірмена.
- •37. Методи виявлення гетероскедастичності. Перевірка гетероскедастичності на основі критерію . Тест Глейсера
- •38. Трансформування початкової моделі з гетероскедастичністю.
- •39. Зважений метод найменших квадратів.
- •40. Оцінювання параметрів регресії за допомогою узагальненого методу найменших квадратів (методу Ейткена).
- •41. Поняття автокореляції. Автокореляція залишків. Лагові затримки.
- •42. Природа автокореляції та її наслідки. Методи усунення автокореляції.
- •43. Тестування наявності автокореляції. Критерій Дарбіна-Уотсона. Критерій фон Неймана.
- •44. Коефіцієнти автокореляції та їх застосування. Автокореляційна функція та корелограма.
- •45. Оцінка параметрів моделі з автокорельованими залишками. Метод Ейткена.
- •46. Оцінка параметрів моделі з автокорельованими залишками. Метод Кочрена-Оркатта.
- •47. Прогноз на основі моделі з автокорельованими залишками.
- •48. Узагальнені економетричні моделі.
- •49. Поняття лагу і лагових змінних.
- •50. Дистрибутивно-лагові моделі. Авторегресійні моделі.
- •51. Моделі розподіленого лагу. Узагальнена модель розподіленого лагу.
- •52. Оцінка параметрів лагових моделей. Метод послідовного збільшення кількості лагів.
- •53. Перетворення Койка (метод геометричної прогресії).
- •54. Модель адаптивних сподівань. Модель часткового коригування.
- •55. Оцінювання параметрів методом Ейткена.
- •56. Динамічний та часовий ряди. Систематичні та випадкові компоненти часового ряду. Стаціонарність часового ряду.
- •57. Фільтрація компонент часового ряду. Ts, ds, тренд-сезонні, нелінійні часові ряди.
- •58. Дослідження автокореляційної функції часового ряду.
- •59. Методи фільтрації сезонної компоненти
- •60. Прогнозування тенденції часового ряду за механічними методами
- •62.Метод декомпозиції часового ряду. Розрахунок сезонної хвилі.
- •65. Ідентифікованість моделі. Необхідна та достатня умови ідентифікованості системи.
- •66. Непрямий метод найменших квадратів.
- •67. Двокроковий та трикроковий методи найменших квадратів.
- •68. Прогноз ендогенних змінних і загальні довірчі інтервали.
31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
При вивченні залежностей економічних показників на основі реальних статистичних даних з використанням апарату теорії ймовірностей та математичної статистики можна зробити висновки, що лінійні залежності зустрічаються не так часто. Їх використовують лише як частковий випадок для зручності та наочності розгляду економічного процесу. Частіше зустрічаються моделі,які відображають економічні процеси у вигляді нелінійної залежності. Існує також так звана кускова функція, яка на різних ділянках області визначення може бути задана різними аналітичними виразами.
Якщо між економічними явищами існують нелінійні відношення, то вони виражаються за допомогою відповідних нелінійних функцій.
Розрізняють два класи нелінійних регресій:
1)нелінійні відносно пояснюючих змінних, однак лінійні по параметрам, що оцінюються;
2)нелінійні по параметрам, що оцінюються.
Клас регресій нелінійних відносно пояснюючих змінних, однак лінійних по параметрам, що оцінюються, включає рівняння, в яких залежна змінна лінійно пов’язана з параметрами. Приклад таких регресій можуть слугувати:
-поліноми різних ступенів
; (5.1)
рівностороння гіпербола
. (5.2)
При оцінці параметрів регресії, нелінійних по пояснюючим змінним, використовується метод заміни змінних. Суть його полягає в заміні нелінійних пояснюючих змінних новими лінійними змінними, в результаті чого нелінійна регресія зводиться до лінійної. До нової, перетвореної регресії може бути застосований звичайний МНК.
Наприклад, у випадку поліноміальної модел з декількома пояснюючими змінними
заміна
,
,
,
... призводить до лінійної регресійної
моделі.
До класу регресій, нелінійних по параметрам, що оцінюються, відносяться рівняння, в яких залежна змінна нелінійно пов’язана з параметрами. Прикладом таких регресій є функції:
-степенева:
;
-показникові:
;
-експоненціальні:
.
Якщо нелінійна модель внутрішньо лінійна, то вона за допомогою відповідних перетворень може бути приведена до лінійного виду (наприклад, логарифмуванням). Якщо ж нелінійна функція внутрішньо нелінійна, то вона не може бути зведена до лінійної функції і для оцінки її параметрів використовують ітеративні процедури, успішність яких залежить від виду рівняння та особливостей ітеративного підходу, що застосовується.
31 Нелінійна регресія відносно пояснюючих змінних. Нелінійна регресія по параметрам, що оцінюються. Внутрішньо лінійна та нелінійна функції.
Розрізняють два класи нелінійних регресій:
1)нелінійні відносно пояснюючих змінних, однак лінійні по параметрам, що оцінюються;
2)нелінійні по параметрам, що оцінюються.
Клас регресій нелінійних відносно пояснюючих змінних, однак лінійних по параметрам, що оцінюються, включає рівняння, в яких залежна змінна лінійно пов’язана з параметрами. Приклад таких регресій можуть слугувати:
поліноми різних ступенів
рівностороння гіпербола
При оцінці параметрів регресії, нелінійних по пояснюючим змінним, використовується метод заміни змінних. Суть його полягає в заміні нелінійних пояснюючих змінних новими лінійними змінними, в результаті чого нелінійна регресія зводиться до лінійної. До нової, перетвореної регресії може бути застосований звичайний МНК.
Наприклад, у випадку поліноміальної моделі з декількома пояснюючими змінними
заміна , , , ... призводить до лінійної регресійної моделі.
До класу регресій, нелінійних по параметрам, що оцінюються, відносяться рівняння, в яких залежна змінна нелінійно пов’язана з параметрами. Прикладом таких регресій є функції:
степенева: ;
показникові: ;
експоненціальні: .
Якщо нелінійна модель внутрішньо лінійна, то вона за допомогою відповідних перетворень може бути приведена до лінійного виду (наприклад, логарифмуванням). Якщо ж нелінійна функція внутрішньо нелінійна, то вона не може бути зведена до лінійної функції і для оцінки її параметрів використовують ітеративні процедури, успішність яких залежить від виду рівняння та особливостей ітеративного підходу, що застосовується.
Прикладом регресії, що є внутрішньо лінійної є регресія попиту (Y) від загального доходу (z) та ціни цього товару (p):
.