- •1. Виды эконометрических моделей. Модель спроса-предложения.
- •2. Основные этапы эконометрического моделирования. Проблемы эконометрического моделирования.
- •3. Исходные предпосылки построения регрессионных моделей.
- •4. Метод наименьших квадратов для оценки параметров модели множественной регрессии.
- •5. Оценка точности и адекватности регрессионной модели.
- •8.Понятие мультиколлинеарности. Основные признаки и последствия мультиколлинеарности.
- •9 Понятие мультиколлинеарности. Основные признаки и способ устранения.
- •10. Стандартизованная и естественная формы уравнения множественной регрессии. Интерпретация параметров.
- •12 Тест Голдфелда—Квандта.
- •17. Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Бреуша-Годфри.
- •18. Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Дарбина-Уотсона.
- •27. Нелинейные модели регрессии и их линеаризация. Примеры нелинейных моделей регрессии.
- •29. Производственная функция Кобба-Дугласа. Эластичность объема производства.
- •30. Производственная функция Кобба-Дугласа. Эффект от масштаба производства.
- •32.Лаги Алмон
- •33. Метод Койка
- •37. В чем заключается цель адаптивных методов прогнозирования? Изложите алгоритм адаптивных методов прогнозирования.
- •40. Адаптивные модели прогнозирования. Модель Брауна, модель Хольта
- •42. Проблема идентифицируемости модели. Необходимое и достаточное условия идентифицируемости.
- •44. Проблема идентифицируемости модели. Двухшаговый метод наименьших квадратов.
- •45. Модель спроса предложения и ее модификации.
1. Виды эконометрических моделей. Модель спроса-предложения.
Существует три основных класса моделей, которые применяются для анализа или прогноза.
Модели временных рядов, включающие модели:
- тренда: y(t) = T(t) + t, где T(t) – временной тренд заданного параметрического вида, t - случайная компонента;
- сезонности y(t) = S(t) + t, где S(t) – периодическая (сезонная) компонента, t - случайная компонента;
- тренда и сезонности y(t) = T(t) + S(t) + t, (аддитивная);
y(t) = T(t)·S(t) + t, (мультипликативная);
Регрессионные модели с одним уравнением
В таких моделях зависимая переменная y представляется в виде функции y = f(x1,… , xn), где x1, … , xn - независимые (объясняющие) переменные. В зависимости от вида функции f(x1,… , xn) модели делятся на линейные и нелинейные.
Системы одновременных уравнений
Эти модели описываются системами одновременных уравнений, которые могут состоять из тождеств и регрессионных уравнений, каждое из которых может, кроме объясняющих переменных, включать в себя также объясняемые переменные из других уравнений системы.
Примером такой системы является модель спроса (Qd) и предложения(Qs), когда спрос на товар определяется его ценой (P) и (I) потребителя, предложение – его ценой (P) и достигается равновесие между спросом и предложением:
Q d=β0+ β1P+ β2Y+E1 уравнение спроса
Qs=β3+ β4P+E2 Уравнение предложения
Qd=Qs
2. Основные этапы эконометрического моделирования. Проблемы эконометрического моделирования.
Постановочный этап – формулируется цель исследования и определяется примерный перечень факторов, включаемых в модель. Целью исследования может быть:
- анализ взаимосвязей показателей изучаемой системы
- прогноз значений показателей изучаемой системы
- моделирование возможных сценариев развития изучаемой системы
Априорный этап – анализируется информация, известная до начала исследования.
Параметризация – на этом этапе мы выбираем математическую форму связи изучаемых показателей, и уточняется состав переменных, включаемых в модель.
Информационный этап – сбор исходной статистической информации.
Идентификация – определяются неизвестные параметры модели.
Верификация – проверяется адекватность полученной модели (ее соответствие реальному объекту) путем сопоставления фактических (исходных) данных и расчитанных по модели значений.
Проблемы эконометрического моделирования.
Проблемы спецификиации модели (преследует на первых трех этапах моделирования). Встречается вопрос отбора факторов для включения в модель; выбор математической формы связи; формулировка исходных ограничений и предпоссылок модели.
Проблема идентификации – связана с выбором статистического метода оценивания неизвестных параметров модели.
Проблема идентифицируемости модели – это возможость получения однозначно определенных параметров модели, выраженной системой одновременных уравнений.
3. Исходные предпосылки построения регрессионных моделей.
Предпосылки регрессионного анализа:
Вектор – случайный вектор, Х – неслучайная (детерминированная) матрица
Математическое ожидание остатков должно быть равно нулю
а) дисперсия остатков является постоянной величиной. D(E)=const=чиба^2 Условие гомоскедастичности.
б) … являются некоррелированными величинами. (отсутствие автокорреляции)
вектор подчиняется нормальному закону
ранг матрицы исходных данных равен r(x)=m+1<n
Ранг матрицы – это число линейно зависимых строк и столбцов матрицы. Таким образом число линейно независимых столбцов в матрице Х должно быть m+1. Тоесть все столбцы должны быть линейно независимы, а так как по столбцам матрицы Х расположены значения факторов то все факторы, включаемые в модель должны быть независимы друг от друга. Если все пять предпосылок регрессионного анализа выполняются, то модель называется классической нормальной линейной моделью множественной регрессии. Если не выполняется только 4 условие, то модель называется классической линейной моделью множественной регрессии КЛММР.