- •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.
50. Дистрибутивно-лагові моделі. Авторегресійні моделі.
Моделі, у яких досліджуваний показник у момент часу і визначається не лише поточними, а й попередніми значеннями незалежних змінних, називаються дистрибутивно-лаговими:
,
Коефіцієнти називаються коефіцієнтами лага, а послідовність – структурою лага.
Дистрибутивно-лагові моделі, які ще називають моделями розподіленого лага. Задовільно описують економічні процеси лише в стабільних (незмінних) умовах. Необхідність враховувати ще й поточні умови функціонування вимагає застосування узагальнених моделей.
Моделі, у яких досліджуваний показник у момент часу визначається своїми попередніми значеннями, називаються авторегресійними або динамічними моделями. Наприклад,
,
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.
51. Моделі розподіленого лагу. Узагальнена модель розподіленого лагу.
Якщо економетрична модель містить не лише лагові змінні, а й змінні, що безпосередньо впливають на досліджуваний показник (тобто містить й поточні умови функціонування), то така модель називається узагальненою моделлю розподіленого лага:
,
Оцінювання параметрів таких рівнянь ускладнюється обмеженнями, що накладаються на коефіцієнти при лагових змінних.
52. Оцінка параметрів лагових моделей. Метод послідовного збільшення кількості лагів.
Для оцінювання параметрів дистрибутивно-лагових моделей звичайно застосовують два можливих підходи: послідовне оцінювання і апріорне оцінювання.
Ідея першого підходу полягає в тому, щоб поступово досліджувати вплив запізнє них змінних на залежну змінну. Другий підхід базується на припущенні, що параметри моделі мають певну закономірність, тобто пов'язані між собою деякими співвідношенням и.
Послідовне оцінювання параметрів виконується так: спочатку будують регресію залежної та незалежної змінних в один і той самий момент часу потім до моделі додають ще одну змінну – незалежну змінну в попередній момент часу, тобто розглядають залежність показника від двох змінних. Далі в регресію вводиться ще одна змінна у момент часу, зсунутий на два попередніх проміжки, і т. д. Кожна з моделей досліджується на адекватність і значущість її параметрів. Процедура закінчується, коли параметри при лагових змінних починають бути статистично незначущими та (або) коефіцієнт хоча б однієї змінної змінює свій знак.
Такий метод хоч і повний, однак має певні недоліки. По-перше, те, що невідомою є максимальна тривалість лага, а це не дає змога передбачити, скільки змінних увійде в модель. По-друге, між послідовними Значеннями змінних здебільшого спостерігається висока кореляція, що породжує проблему мультиколінеарності в моделі. Крім того, через зменшення ступенів свободи в таких моделях оцінки стають дещо непевними, що також знижує їх якість.
53. Перетворення Койка (метод геометричної прогресії).
Уведення в модель лагової залежної змінної (затримка на один період), відоме як перетворення Койка, значно спрощує модель:
де – (скінченні число), .
Така модель містить не лише поточні, а й попередні значення залежної змінної, тобто є авторегресійною.
Заміна незалежних лагових змінних однією залежною змінною зменшує кількість оцінюваних параметрів і усуває проблему мультиколінеарності, однак призводить до нових труднощів. Наявність у моделі лагової залежної змінної потребує перевірки передумови про незалежність змінних і залишків при застосуванні звичайного МНК. Крім того, залишки моделі часто виявляються серійно корельованими, а тому при дослідженні їх на автокореляцію необхідно використати спеціальні тести.
Отримана алгебраїчним способом модель Койка позбавлена теоретичного обґрунтування і фактично є послідовною моделлю.