- •1. Основные задачи эконометрики. Эконометрические модели. Примеры.
- •2. Классификация переменных. Типы данных.
- •3. Типы данных, измерения в эконометрике.
- •2) Динамические данн – данн экономического показателя для какого либо объекта, собранного в последовательные моменты времени с одинаковым интервалом.
- •4. Основные этапы эконометрического моделирования на примере.
- •5. Классификация эконометрических моделей
- •6. Задачи регрессионного анализа. Виды зависимостей м-ду перем.
- •7. Способы оценивания. Свойства оценок.
- •8. Проверка статистических гипотез.
- •9. Парная регрессия. Описание метода наименьших квадратов.
- •10. Вывод формул для оценок параметров парной линейной регрессии.
- •11. Дисперсионный анализ. Оценка значимости уравнения регрессии.
- •12. Коэффициенты корреляции, детерминации Интерпретация.
- •13. Проверка гипотез относительно параметров линейного уравнения.
- •14. Интервальная оценка параметров моделей парной регрессии
- •15. Вычисление предсказ. Значений зависимой переменной. Доверительные интервалы для предсказаний. Коэф. Эластичности.
- •16. Выбор функции. Сравнение различных моделей
- •17. Предпосылки применения мнк
- •18. Нелинейная регрессия. Нелинейная модель и их линеаризация.
- •19. Преобразование случайного отклонения в моделях нелин регрессии
- •20. Модель множественной регрессии. Условия Гаусса-Маркова.
- •21. Вывод формул для оценок коэффициентов модели мр. Матричная запись. Теорема Гаусса-Маркова.
- •22. Дисперсии и стандартные ошибки коэффициентов (ковариационная матрица и ее выборочная оценка).
- •23. Интервальные оценки коэффициентов уравнения мр. Проверка статистической значимости коэффициентов.
- •24. Проверка общего качества уравнения множественной регрессии.
- •25.Коэффициент детерминации для уравнения множественной регрессии.
- •28. Использование статстики Фишера для вкл. В модель х.
- •29. Необходимость проверки предпосылок регрессионного анализа.
- •30. Спецификация ур-я мр. Тест Рамсея.
- •31. Логарифмические (лог-линейные модели). Производственная функция Кобба-Дугласа. Зависимости в банковском анализе.
- •32. Обратная модель. Ф-ция Торнквиста. Кривая Филипса.
- •33. Суть гетероскедастичности.
- •34. Выявление гетероскедастичности (Тест г-к, Тест Спирмена)
- •35. Устранение гк. Метод взвешенных нк.
- •36. Автокорреляция случайных ошибок.
- •37. Выявление автокорреляции
- •38. Методы устранения автокорреляции
- •39. Мультиколлинеарность как проблема данных. Следствия.
- •40. Обнаружение мультиколлинеарности
- •41. Борьба с мультиколлинеарностью. Гребневая регрессия.
- •42. Фиктивные переменные
- •43 Тест Чоу.
- •44. Системы эконометрических уравнений
- •48. Временные ряды. Мультипликативная и аддитивная модели.
- •49. Автокорреляционная функция
- •50. Моделирование тенденции временного ряда, сезонных и циклич. Колебаний.
35. Устранение гк. Метод взвешенных нк.
Метод взвешенных наименьших квадратов.
В некоторых случаях при проведении регрессионного анализа желательно использовать различные веса наблюдений и вычислить оценки коэффициентов регрессии по методу взвешенных наименьших квадратов. Этот метод обычно применяется, когда дисперсия остатков неоднородна при различных значениях независимых переменных. Можно использовать веса, равные единица на дисперсию остатков и вычислить оценки по методу взвешенных наименьших квадратов.
1) Если для любого i D(eps_i) известна:
Y = b0 +b1x + eps | : корень(D(eps_i))
2) D(eps_i) неизвестна:
D(eps_i) = sigma^2 * Xi (D(eps_i) ~ Xi)
Получаем:
Y/sqrt(Xi) = b0*1/sqrt(Xi) + b1 * sqrt(Xi) + eps / sqrt(Xi)
Правильность выбора модели поверяется повторным тестированием на ГК.
36. Автокорреляция случайных ошибок.
Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений Ei; от значений отклонений во всех других наблюдениях. Отсутствие зависимости гарантирует отсутствие коррелированности между любыми отклонениями (о~(Ei, Ej)=0 при i «не равно» j) и, в частности, между соседними отклонениями, i = 2, 3, ..., п.i
Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные данные). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов. При использовании перекрестных данных наличие автокорреляции (пространственной корреляции) крайне редко. В силу этого в дальнейших выкладках вместо символа i порядкового номера наблюдения будем использовать символ t, отражающий момент наблюдения. Объем выборки при этом будем обозначать символом Т вместо п. В экономических задачах значительно чаще встречается так называемая положительная автокорреляция (cov(Et-1, Et) > 0), нежели отрицательная автокорреляция (cov(Et-1, Et)< 0).
А-к наиболее характерна для временных рядов. Бывает ложной (при ошибках спецификации).
Причины:
данные отклоняются к одному объекту данные взаимозависимы
во времени процессы разворачиваются с запаздыванием (инерционность)
эффект паутины (во временных данных все экономические показатели взаимосвязаны).
Последствия:
оценки параметров остаются несмещенными, но перестают быть эффективными. Дисперсии оценок оказ-ся неоправданно заниженными. Незначимые показатели могут стать значимыми и наоборот.
37. Выявление автокорреляции
1) графический метод
график E(t).
частая или редкая смена знака.
знак автокорреляции опр-ют по графику E(t) и E(t-1):
I, III – ‘+’
II, IV – ‘-’
2) Метод рядов.
Здесь последовательно определяются знаки отклонений еt. Например
(-----)(+++++++)(---)(++++)(-), те 5 «-»,7 «-», 3 «-»,4 «+», 1 «-» при 20 наблюдениях.
Ряд определяется как непрерывная последовательность одинаковых знаков. Количество знаков в ряду называется длиной ряда.
Визуальное распределение знаков свидетельствует о неслучайном хар-ре связей между отклонениями. Если рядов слишком мало, по сравнению с количеством наблюдений n, то вполне вероятна положит-ая автокор-ия. Если же рядов слишком много, то вероятна отрецательная автокор-ия.
3) Критерий Дарбина—Уотсона
Суть метода состоит в том, что на основе вычисленной статистики DW Дарбина—Уотсона делается вывод об автокорреляции.
DW= (сумма (et-e(t-1))^2 ) сумма (et)^2
Статистика Дарбина—Уотсона тесно связана с выборочным коэффициентом корреляции: DW =2(1 –r[et,e(t-1)]).
Таким образом, 0<DW<4, и ее значения могут указать на наличие либо отсутствие автокорреляции. Если r(et,e(t-1))=0 (автокорреляция отсутствует), то DW=2. Если r(et,e(t-1))=1 (положительная автокорреляция), то DW=0. Если r(et,e(t-1))=-1(отрицательная автокорреляция), то DW= 4.
Для более точного определения, какое значение DW свидетельствует об отсутствии автокорреляции, а какое — об ее наличии, была построена таблица критических точек распределения Дарбина—Уотсона. По ней для заданного уровня значимости числа наблюдений n и количества объясняющих переменных m определяются два значения: d(l)— нижняя граница и d(u) — верхняя граница.
отсутствует, если: [du; 4-du]
есть: [0, dl], [4-dl; 4]