- •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.
20. Модель множественной регрессии. Условия Гаусса-Маркова.
модель множественной линейной регрессии: Y = B*X + E (векторы)
где y – фактическое значение результативного признака; β 0- постоянная
величина (или свободный член уравнения), β j- коэффициент регрессии, определяющий наклон линии, вдоль которой рассеяны данные наблюдений, ε–случайная величина.
Условия Гаусса-Маркова:
1 Регрессионная модель линейна по параметрам (коэффициентам), корректно специфицирована, и содержит аддитивный случайный член.
2 Случайный член имеет нулевое среднее.
3 Дисперсия случайных отклонений постоянна. Выполнимость этого условия называется гомоскедастичностью (гомоскедастичность означает –«одинаковый разброс»):
4 Наблюдаемые значения случайного члена не коррелированны друг с другом.
5 Случайный член независим от объясняющих переменных. Нет мультиколлинеарности.
6 Случайный член распределен нормально (необязательное, но часто используемое условие).
21. Вывод формул для оценок коэффициентов модели мр. Матричная запись. Теорема Гаусса-Маркова.
1. Y = BX + E
2. M(epsi) = 0
3. D(eps_i) = D(eps_j) = sigma^2
4. sigma_ij = cov(eps_i,eps_j): i=j sigm^2, i!=j 0
5. X – неслучайная, детерминированная матрица. Рарг = m+1.
Теорема Гаусса-Маркова.Если предпосылки 1 — 5 выполнены, то оценки, полученные по МНК, обладают следующими свойствами:1. Оценки являются несмещенными, т.е. M[b0] = b0, M[b1] = b1. Это говорит об отсутствии систематической ошибки при определении положения линии регрессии.2. Оценки состоятельны, т.к. при n = µ D[b0] =0, D[b1] = 0. Это означает, что с ростом n надежность оценок возрастает.3. Оценки эффективны, т.е. они имеют наименьшую дисперсию по сравнению с любыми другими оценками данных параметров, линейными относительно величин yi.
Матричная запись:
Y = BX + E (векторы)
X = [1, x11…, x1m] (первая строка)
Сумма E^2 = Сумма (y – ^y)^2 min.
b = (X^T*X)^-1 *X^T*Y
22. Дисперсии и стандартные ошибки коэффициентов (ковариационная матрица и ее выборочная оценка).
b=(x^Т*х)^ -1 *х^Т * у
у= х * бета + Е
подставляем:
b= (x ^Т*х) ^ -1 *х ^ Т* (х*бета+Е)
b=бета+(x встеп Т*х) в степ -1 *х в степ Т* Е
b-бета = =(x ^ Т*х) ^ -1 *х ^ Т * Е
cov(x,y)=M(x-M(x))*(y-M(y))
M(b)= бета (св-во несмещенность)
K(b) = M[(бета –b)* (бета –b)^ Т]= sigma^2 * (X^T*X)^-1
По предпосылке матрица х детерминирована и М (несл. в.) = самой величине.
sigma^2 ~ S^2(ост)
S(b(j-1)) = S^2(ост)* SQRT([(X^T*X)^-1]_ij)
В отличие от парной регрессии незначимость коэффициентов при х не означает незначимость уравнения в целом. И наоборот.
23. Интервальные оценки коэффициентов уравнения мр. Проверка статистической значимости коэффициентов.
Построим интервальные оценки множественной регрессии
tbi = (bj-бетаj) / Sbj
P(|tbj|<t Крит) = GAMMA = 1- альфа
gamma - доверительный интервал. альфа – уровень значимости, т.е. значение параметра в интервале не окажется.
модуль|(bj-бета)/Sbj < t Крит.
-t крит< (bj – бетаj)/Sbj< t Крит.
tj – t Крит*Sbj<бетаj<bj+t крит* Sbj
Стандартная гипотеза:
Ho: бетаj = 0 (незнач)
H1: бетаj не равна 0(знач)
dbj = (bj – бетаj)/ Sbj
|tbj|>t крит, сл- но Н1
|tbj|<t крит, сл- но Нo
dк (альфа, n-k). n- число наблюдений, k – число оцениваемых параметров.
k=m+1
Ho : бетаj=бетаj*
H1 : бетаj не равно бета*j
dbj = (bj-бета*j)/Sbj
|tbj|>t крит, Н1
|tbj|<t крит, Но
бета*j пренадлежит доверит интервалу, сл-но Но
бета*j не пренадлежит доверит интервалу, сл-но Н1
Если границы одного знака ++,сл-но Н1
- -
Если +-, то Но