- •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.
45. Оцінка параметрів моделі з автокорельованими залишками. Метод Ейткена.
7.3.1 Метод Ейткена (УМНК)
Як зазначалося, оператор оцінювання УМНК можна записати так:
Де – вектор оцінок параметрів економетричної моделі;
– матриця, обернена до матриці кореляції залишків;
– матриця, обернена до матриці V, де , а – залишкова дисперсія.
Звідси
Отже, щоб оцінити параметри моделі на основі методу Ейткена, треба сформувати матрицю S (7.2).
У цій симетричній матриці виражає коефіцієнт автокореляції s-го порядку для залишків . Очевидно, що коефіцієнт автокореляції нульового порядку дорівнює 1.
Оскільки коваріація залишків при s > 2 часто наближається до нуля, то матриця, обернена до матриці S, матиме такий вигляд:
Таку матрицю іноді пропонується використовувати при оцінюванні параметрів моделі з автокорельованими залишками за методом Ейткена.
При цьому для обчислення використовується циклічний коефіцієнт кореляції r, розрахований за формулою (7.8) або (7.9).
Зауважимо, що параметр r (або ) має зміщення. Тому, використовуючи такий параметр для формування матриці S, необхідно скоригувати його на величину зміщення
де – величина зміщення (m – кількість незалежних змінних).
46. Оцінка параметрів моделі з автокорельованими залишками. Метод Кочрена-Оркатта.
7.3.2 Метод Кочрена-Оркатта
Нехай задано економетричну модель
Перетворивши вихідну інформацію за допомогою , дістанемо:
У цій моделі залишки мають скалярну дисперсійну матрицю.
Сума квадратів залишків на основі (7.16) визначатиметься співвідношенням
Безпосередня мінімізація функції (7.17) приводить до системи нелінійних рівнянь, тому аналітичний вираз оцінок параметрів , і дістати важко.
Метод наближеного пошуку параметрів , і , які мінімізують суму квадратів (7.17), дає ітеративний метод, запропонований Кочреном і Оркаттом і названий на їхню честь.
Опишемо його алгоритм.
Крок 1. Довільно вибирають значення параметра , наприклад Підставивши його в (7.17), обчислюють і .
Крок 2. Поклавши і , підставимо їх у (7.17) і обчислимо
Крок 3. Підставивши в співвідношення (7.17) значення , знайдемо і .
Крок 4. Використаємо і для мінімізації суми квадратів залишків (7.17) за невідомим параметром . Процедура триває доти, доки наступні значення параметрів , і не будуть відрізнятись менш як на задану величину.
47. Прогноз на основі моделі з автокорельованими залишками.
Нехай маємо модель: де і яка побудована для n спостережень.
Використаємо цю модель для визначення прогнозу залежної змінної для періоду n +1 коли для цього періоду задано незалежну змінну . Формула дає найкращий незміщений прогноз:
де – оцінка параметрів моделі згідно з методом Ейткена,
і
Якщо залишки описуються авторегресійною моделлю першого порядку, то з урахуванням рівності можна записати:
Отже, вектор W можна дістати, помноживши на останній стовпець матриці V. Але оскільки , то добуток являє собою останній рядок матриці E, помножений на .
Звідси .
Формула прогнозу має вигляд
48. Узагальнені економетричні моделі.
49. Поняття лагу і лагових змінних.
Для багатьох економічних процесів типово, що ефект від впливу деякого фактора на показник, який характеризує процес, виявляється не одразу, а поступово, через деякий час або протягом деякого часу. Таке явище називається запізнюванням (затримкою), а проміжок часу, у який спостерігається це запізнювання, – часовим лагом, або просто лагом.
Якщо в економетричній моделі незалежні змінні використовують за кілька попередніх періодів, то такі моделі називають моделями з кінцевим лагом (скінченними моделями). Якщо вилив незалежної змінної не обмежується певним періодом, розглядають нескінченні лагові моделі.
Звичайно, нескінченна лагова модель більш загальна, однак практичне застосування такої моделі досить проблематичне через велику кількість факторів, складність внутрішньої Структури та обмеженість часових рядів інформаційної бази моделей.