- •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.
54. Модель адаптивних сподівань. Модель часткового коригування.
З певних економічних міркувань можна отримати моделі, що зовні нагадують модель Койка, але з іншою інтерпретацією коефіцієнтів лагових змінних. Такими моделями є модель адаптивних сподівань
та модель часткового коригування
Ці моделі відрізняються від моделі Койка наявністю вільного члена, але при цьому реалізують різні ідеї щодо економічної діяльності. У першій моделі відображено думку про те, що люди навчаються з попереднього досвіду, причому нещодавній досвід мас більший вилив, аніж попередній; друга базується на тому, що через інертність економічної системи зміна одного економічного показника не одразу виливає на зміну іншого і відповідний рівень залежної змінної досягається через певний час.
55. Оцінювання параметрів методом Ейткена.
Метод Ейткена
Для оцінювання параметрів економетричної моделі, що має автокореляцію залишків, можна застосувати узагальнений метод найменших квадратів (метод Ейткена), який базується на скоригованій вихідній інформації з урахуванням коваріації залишків.
У розд. 7 було розглянуто метод Ейткена і доведено, що система рівнянь для оцінки параметрів моделі на основі методу Ейткена запишеться так:
або
— вектор оцінок параметрів економетричної моделі;
— матриця незалежних змінних;
— матриця, транспонована до матриці X;
— матриця, обернена до матриці кореляції залишків;
— матриця, обернена до матриці V, де , а — залишкова дисперсія;
Y — вектор залежних змінних.
Звідси
або
Отже, щоб оцінити параметри моделі на основі методу Ейткена, треба сформувати матрицю S або V.
Матриця S має вигляд
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.
Покажемо, як використовується циклічний коефіцієнт кореляції для обчислення .
,
або
де ut — величина залишків у період t; ut–1 — величина залишків у період t – 1; n — число спостережень.
Якщо , то .
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), або
Матриця , де — залишкова дисперсія, що визначається за формулою
де — вектор, транспонований до вектора залишків u; n – m – 1 — число ступенів свободи.
Дисперсія залишків з урахуванням зміщення обчислюється так:
Величину можна обчислити методом 1МНК з допомогою авторегресійного рівняння xt = xt–1 + t. У такому разі
,
де xt взято як відхилення від свого середнього значення.
При реалізації алгоритму Ейткена для оцінки параметрів моделі застосовують такі п’ять кроків.
Крок 1. Оцінка параметрів моделі за методом 1МНК.
Крок 2. Дослідження залишків на наявність автокореляції.
Крок 3. Формування матриці коваріації залишків V або S.
Крок 4. Обернення матриці V або S.
Крок 5. Оцінка параметрів методом Ейткена, тобто згідно з (8.18), (8.19).