- •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.
48. Временные ряды. Мультипликативная и аддитивная модели.
Включают 3 компонента:
Тренд
Сезонная компонента
Циклическая
Отдельные наблюдения ряда называют уровнями.
Для данных ременных рядов характерно формирование лаговых переменных.
Аддитивная:
y = T + S + C + eps
применяют в случае, если амплитуда сезонных колебаний за неск. периодов одинакова.
Мультипликативная:
y = T * S * C * eps
применяют в случае, если амплитуда сезонных колебаний за неск. периодов растет или убывает.
Рисунки.
49. Автокорреляционная функция
Состав моделей опред-ют с помощью автокорреляционной функции.
r1 = r(yt, yt-1)
r1 = r(yt, yt-2)
обычно максимальный лаг – n/4
Коэффициент автокорреляции характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Если ряд имеет сильную нелинейную тенденцию, коэффициент автокорреляции может приближаться к нулю. Знак его не может служить указанием на наличие возрастающей или убывающей тенденции в уровнях ряда.
если все коэф. незначимы, то временной ряд содержит только случ. компоненту
если значим только r1, временной ряд содержит еще и тренд
если наибольшее значение имеют коэф. автокор.
r(t), r(2t), r(3t)… временной ряд содержит сезонную компоненту с периодом t.
О наличии тренда можно судить только после исключения сезонной компоненты!
50. Моделирование тенденции временного ряда, сезонных и циклич. Колебаний.
По методу скользящей средней:
устанавливаем, есть ли сезонная компонента + выбираем аддитивную или мультипликативную форму.
определяем период сезонных колебаний Т.
берутся последовательные данные за период и делятся на число моментов времени в периоде.
далее – смещение на 1 момент времени
Если Т – нечетное, то значение скользящей средней соответствует фактическому моменту времени.
Если Т – четное, то необходимо центрировать рез-т.
Скользящая средняя не содержит сезонной компоненты, с ее помощью оценивают сезонные компоненты для соотв. моментов времени.
St = Yt – CC
St = yt/cc