- •Предпосылки «классического» метода наименьших квадратов.
- •Свойства мнк-оценок без предположения о нормальности
- •10 Каковы последствия:
- •11.Двухшаговый мнк.
- •12Описать процедуру дмнк
- •13. Взвешенный мнк.
- •Косвенный мнк.
- •Описать процедуру оценивания уравнений по кмнк.
- •16 Что представляют собой структурная и приведенная формы модели?
- •17Что представляют собой порядковое и ранговое условия идентифицируемости уравнений структурной формы?
- •18Что представляют собой рекурсивные системы моделей?
- •19Как проводится оценивание коэффициентов с использованием ограничений на структурные параметры? Описать тест.
- •20. Проверка структурной стабильности уравнения регрессии: тест Чоу.
- •21. Фиктивные переменные в регрессионном анализе. Охарактеризуйте модели с фиктивными независимыими переменными.
- •22. Перечислите виды фиктивных переменных. (Сезонные фп, фп наклона, фп взаимодействия).Примеры.
- •23.Дайте классификацию моделей с дискретными заивисимыми переменными.
- •24.В чем состоит суть моделей бинарного выбора?
- •25. Какие законы распределений наиболее часто используются в моделях бинарного выбора?
- •26.Дайте краткую содержательную интерпретацию следующим понятиям:
- •27.Объясните в каких ситуациях применяются следующие тесты:
Предпосылки «классического» метода наименьших квадратов.
2 .Суть МНК
М етод наименьших квадратов. Оценка параметров уравнения А0, А1, А2 осуществляется методом наименьших квадратов (МНК). В основе которого лежит предположение о независимости наблюдений исследуемой совокупности и нахождении параметра модели, при котором минимизируется сумма квадратов отклонений фактических значений результативного признака от теоретических, полученных по уравнению регрессии:
S=∑ (YI – Y(X))2→MIN.
Система нормальных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов имеет следующий вид:
N*A0 + A1*∑X = ∑Y
A0*∑X+A1*∑X2=∑X*Y,
N- объём исследуемой совокупности.
В уравнении регрессии параметр А0 показывает усреднённое влияние на результативный признак неучтённых факторов.
Параметр А1 (А2) – коэффициент регрессии, показывает на сколько изменяется в среднем значение результативного признака при изменении факторного на единицу в его собственном измерении.
Если связь между признаками криволинейная и описывается уравнением параболы, то система нормальных уравнений будет иметь следующий вид:
N*A0 + A1*∑X + A2*∑X2 = ∑Y,
A0*∑X+A1*∑X2+A2*∑X3=∑XYA0*∑X2+A1*∑X3+A2*∑X4= ∑X2Y
Оценка обратной зависимости между Х и У осуществляется на основе уравнения гиперболы. Тогда система нормальных уравнений выглядит так:
N*A0 + A1*∑1/X = ∑X
A0*∑1/X + A1∑1/X2 = ∑Y/X.
3.Формулы расчета оценок коэффициентов линейной модели по МНК
4Свойства МНК-оценки классической линейной эконометрической модели.
Свойства мнк-оценок без предположения о нормальности
Исходя из этой Теорема Гаусса-Маркова можно выделить несколько основных свойств МНК-оценки
Линейность: где
Несмещенность:
Матрица ковариации равна:
МНК-оценка эффективна. Итак, теорема Гаусса-Маркова утверждает, что любая другая линейная несмещенная оценка будет иметь большую дисперсию, чем МНК-оценка:
5.Перечислите этапы построения экономических моделей.
Этапы:
постановка задачи
сбор априорной информации
спецификация модели
сбор и обработка информации
оценивание модели
проверка адекватности модели
интерпретация полученных коэффициентов, проверка гипотез, построение прогноза и т.д.
6.На каких исходных данных могут быть построены эконометрические модели?
1) пространственные
фиксируется какой-то момент времени
2) временные ряды
фиксируется объект и фиксируется время
3) панельные
объединение двух первых
7.Перечислите наиболее распространенные типы функциональных зависимостей.
1) парная регрессия
2) множественная регрессия
8.Охарактеризуйте производственные функции Кобба-Дугласа с постоянной эластичностью.
В эконометрических исследованиях часто применяют производственную функцию, имеющую постоянные эластичности производственных факторов. Эта функция была предложена экономистами Коббом и Дугласом и носит, соответственно, их имя.
Для случая двух факторов, K (капитал, основные фонды) и L (труд, трудозатраты) функция Кобба-Дугласа в логарифмических координатах линейна, т.е. имеет вид:
.
Переходя к переменным K,L получаем: , где - постоянные эластичности выпуска по капиталу и труду, - масштабирующая постоянная.
Если сумма показателей степени равна единице, то функция Кобба-Дугласа является линейно однородной, то есть она демонстрирует постоянную отдачу при изменении масштабов производства.
Если сумма показателей степени больше единицы, функция отражает возрастающую отдачу, а если она меньше единицы, - убывающую.
Поведение эффективности определяется выбором значений параметров и не зависит от величин K и L.
9.Дайте определение терминам «гетероскедастичность» и «гомоскедастичность». Объясните, какие эффекты могут возникать в случае гетероскедастичности, если оценки параметров регрессии получаются с помощью обычного МНК
Гетероскедастичность — состояние, при котором измерения вариативности являются большими, чем ожидаемые случайно.
Гомоскедастичность или гомогенность дисперсии — состояние, при котором измерения вариативности колеблются внутри диапазона, ожидаемого при случайной вариативности.
Гетероскедастичность часто бывает в моделях, основанных на перекрестных выборках и временных рядах.
В моделях, построенных на пространственных выборках, гетероскедастичность возникает при зависимости масштаба изменений зависимой переменной от некоторого фактора
В моделях, построенных на временных рядах, гетероскедастичность возникает, когда зависимая переменная имеет большой интервал качественно неоднородных значений или высокий темп изменения.
Гетероскедастичность возникает в любой модели в случае, если качество данных варьирует внутри выборки.
ПОСЛЕДСТИЯ:
1. НЕ приводит к смещению оценок коэффициентов
2. Оценки не будут эффективными
3. Дисперсии оценок будут рассчитываться со смещением.
4. Возможна недооценка стандартных ошибок коэффициентов. Выводы, получаемые на основе t и F-тестов, могут приводить к ошибочным результатам.