- •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.
67. Двокроковий та трикроковий методи найменших квадратів.
1)Якщо рівняння структурної форми моделі над ідентифіковані (умова ідентифікованості записується у вигладь нерівності), то параметри моделі оцінюють за допомогою двокрокового методу найменших квадратів (2МНК), що передбачає виконання двох етапів:
а) перший – ендогенні змінні «звільняють» від стохастичних залишків;
6) другий – оцінені рівняння підставляють у структурну систему рівнянь, до яких потім застосовують звичайний МНК;
Система рівнянь для обчислення оцінок
деY – вектор залежної або ендогенної змінної;
Y1 – матриця поточних ендогенних змінних, які входять у праву частину рівняння;
X – матриця всіх пояснювальних або екзогенних змінних;
X1 – матриця пояснювальних або екзогенних змінних даного рівняння;
– вектор структурних параметрів, які стосуються змінних матриці Y1;
– вектор структурних параметрів, які стосуються до змінних матриці X1.
Тоді оператор оцінювання 2МНК запишеться так:
.
Дисперсія залишків для кожного рівняння має вигляд:
.
Матриця коваріацій параметрів кожного рівняння визначається на основі співвідношення:
.
2) Скорочення обсягу розрахунків стає особливо актуальним у процесі вивчення швидкоплинних процесів, а також у тому разі, якщо змінюється пріоритетність окремих незалежних змінних моделі. У цих випадках краще скористатися методом, що одночасно оцінює параметри всіх рівнянь системи, зокрема трикроковим методом найменших квадратів (ЗМНК).
Особливістю ЗМНК є те, що при оцінюванні параметрів системи загалом слід зважати на залежності між окремими рівняннями. Ці залежності виявляються в тому, що залишки окремих рівнянь корелюють між собою, тобто загальна матриця коваріацій системи є недіагональною. У такій ситуації найкращим методом оцінювання є узагальнений метод найменших квадратів (метод Ейткена). Однак у цьому разі необхідно знати перше наближення матриці коваріацій. Для рівнянь множинної регресії з автокорельованимизалишками цю матрицю отримують на підставі залишків моделі, параметри якої оцінено за звичайним МНК, і вже після обчислення коефіцієнта кореляції коригують загальний оператор оцінювання параметрів рівняння.
Для систем рівнянь, особливо в разі надідентифікованості окремих рівнянь, краще початкове наближення матриці коваріацій визначають за залишками, які отримано в результаті оцінювання параметрів рівнянь за двокроковим МНК. Отже, саме поєднання 2МНК і методу Ейткена дало назву цьому методу.
Трикроковий метод найменших квадратів (3МНК), на відміну від попередніх, призначений для одночасної оцінки параметрів всіх рівнянь моделі. Оператор оцінювання 3МНК матиме вигляд:
де – оцінки параметрів моделі;
Zs = (YsXs), – Zs – змінні моделі, які знаходяться в правій частині s-го рівняння;
– дисперсії залишків для кожного рівняння, які є наближеною оцінкою .
Щоб застосувати 3МНК на практиці необхідно виконання таких вимог:
1) розпочинаючи оцінювати параметри моделі, необхідно вилучити всі тотожності;
2) виключити з системи кожне неідентифіковане рівняння;
3) за наявності серед рівнянь системи точно ідентифікованих та надідентифікованих 3МНК доцільно застосовувати до кожної з груп рівнянь окремо;
4) якщо група надідентифікованих рівнянь має тільки одне рівняння, то 3МНК перетворюється на 2МНК;
5) якщо матриця коваріацій для структурних залишків є блочно-діагональною, то вся процедура оцінювання на основі 3МНК може бути застосована окремо для кожної групи рівнянь, які відповідають одному блоку.