- •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.
65. Ідентифікованість моделі. Необхідна та достатня умови ідентифікованості системи.
Щоб передбачити можливі варіанти розв'язання задачі оцінювання параметрів системи одночасних рівнянь, необхідно попередню дослідити модель, а саме перевірити ідентифікованість системи. Під проблемою ідентифікації розуміють можливість чисельної оцінки параметрів структурних рівнянь за оцінками коефіцієнтів зведених рівнянь.
Якщо ніяка лінійна комбінація рівнянь структурної форми не може привести до рівняння, що має ті самі змінні, як і деяке рівняння в структурній формі, то модель буде ідентифікованою.
Економетрична модель, задана системою одночасних рівнянь, називається точно (строго) ідентифікованою (ототожненою), якщо однозначно можна отримати оцінки її параметрів на основі оцінених параметрів зведеної моделі.
Надідентифікованою (переототожненою)називається така модель, що для деяких її параметрів можна отримати кілька кількісних значень на підставі параметрів зведеної форми. (Матриця E – A завжди не вироджена,Е-одинична матриця ) Умова ідентифікації має перевірятися для кожного рівняння системи.
Необхідна умова ідентифікації системи – справедливість нерівності для кожного рівняння моделі:
де – кількість залежних ендогенних змінних, які входять в s-те рівняння структурної форми;
m – загальна кількість екзогенних змінних моделі;
– кількість екзогенних змінних, які входять в s-те рівняння структурної форми моделі.
Число екзогенних змінних, які не входять у s-те рівняння структурної форми, дорівнює .
Якщо для всіх рівнянь моделі співвідношення виконується як рівність, то система рівнянь є точно ідентифікованою.
Якщо для всіх рівнянь моделі співвідношення виконується як нерівність, то система рівнянь єнадідентифікованою.
Необхідною умовою ідентифікації певного рівняння є: число змінних, які виключені з рівняння, має дорівнювати числу рівнянь моделі мінус одиниця.
Альтернативна умова ідентифікації була записана нами в :
яка потребує, щоб число виключених із рівняння екзогенних змінних було не меншим, ніж число ендогенних змінних мінус одиниця.
Необхідною і достатньою умовою ідентифікованості є: у моделі, що містить k рівнянь відносно k ендогенних змінних, умова ідентифікованості виконується тоді і тільки тоді, коли ранг матриці, складеної з виключених з даних рівнянь змінних, але таких, що містяться в інших рівняннях системи, дорівнює k-1.
66. Непрямий метод найменших квадратів.
Застосування звичайного МНК до рівнянь структурної форми системи рівнянь призводить до отримання зміщених оцінок параметрів через корельованість (залежність) змінних і залишків моделі, що є порушенням однієї з передумов застосування МНК. Перехід від структурної форми моделі до скороченої є одним із способів, що усуває проблему корельованості, однак породжує іншу, а саме проблему ідентифікованості окремих рівнянь системи, а також системи загалом. Використовуюсь наступний метод- якщо кожне рівняння системи точно ідентифіковане, то параметри зведеної моделі оцінюють непрямим методом найменших квадратів (НМНК); ідея методу полягає в тому, щоб від структурної форми перейти до зведеної, звичайним МНК оцінити параметри останньої й оберненим перетворенням отримати оцінки параметрів структурної форми;
Метод складається з 2х процедур. Спочатку застосовується 1МНК для оцінки параметрів кожного рівняння зведеної форми моделі. Основна особливість такої форми полягає в тому, що її здобуто в результаті розв’язування структурної системи рівнянь відносно поточних значень ендогенних змінних, і зведена форма виражає їх як функції всіх інших змінних моделі таким чином, що кожне рівняння в такій формі має поточне значення тільки однієї ендогенної змінної.
Алгоритм непрямого методу найменших квадратів.
Крок 1. Перевіряється умова ідентифікованості для кожного рівняння структурної форми моделі. Якщо кожне рівняння точно індентифіковане, то переходимо до кроку 2.
Крок 2. Кожне рівняння структурної форми розв’язується відносно однієї з k залежних ендогенних змінних моделі, у результаті приходимо до зведеної форми моделі.
Крок 3. На основі 1МНК визначається оцінка параметрів окремо для кожного рівняння зведеної форми.
Крок 4. Розраховується оцінка параметрів рівнянь структурної форми за допомогою співвідношення AR = –B, де A і B параметри структурних рівнянь, а R – матриця оцінок параметрів зведеної форми. ( )
Приклад .
У зведеній формі ця модель має вигляд
,
.
Позначимо
Тоді замість останніх співвідношень отримаємо
Через те, що обсяг інвестицій є екзогенною змінною моделі, ця змінна не корелює з випадковим залишком у зведеній формі системи рівнянь, а отже, і з залишками останньої системи. Це означає, що для випадкового члена виконуються передумови МНК. Тому оцінки параметрів , отримані за МНК, будуть незміщеними, обґрунтованими і ефективними. Знаючи ці оцінки, нескладно визначити оцінки коефіцієнтів рівняння початкової структурної системи: