- •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.
4. Метод наименьших квадратов для оценки параметров модели множественной регрессии.
Он наиболее часто используется для оценки параметров линейной модели множественной регрессии. Суть МНК заключается в том, что выбираются такие оценки параметров, при которых сумма квадратов отклонений фактических значений от расчетных является минимальной.
(Y-Xb)'(Y-XB) → min
Запишем в матричном виде формулу для остаточной суммы квадратов:
(Y-Xb)' (Y-Xb).
После раскрытия скобок получаем:
S = Y'Y – Y'Xb – (Xb)'Y + (Xb)'(Xb).
Для того чтобы раскрыть скобки, напомним, что при транспонировании произведения матриц получается произведение транспонированных матриц, взятых в обратном порядке, т.е. (Xb)' = b'X':
S = Y'Y – Y'Xb – b'X'Y + b'X'Xb.
Покажем, что второе слагаемое Y'Xb является скалярной величиной. Согласно правилу перемножения матриц имеем: (1×n)[n×(m+1)][(m+1)×1]=(1×1). Таким образом, при транспонировании это слагаемое не меняется и Y'Xb = b'X'Y. Тогда условие минимизации суммы квадратов отклонений запишется в виде:
S = Y'Y –2b'X'Y + b'X'Xb →min.
Как и в случае парной регрессии для решения этой задачи необходимо приравнять нулю частные производные по переменным b0, b1,…,bm. в матричной форме это означает, что надо приравнять нулю вектор
.
Условие минимизации примет вид:
– 2X'Y + 2X'Xb = 0.
В матричном виде система нормальных уравнений для нахождения вектора параметров b запишется следующим образом:
X'Xb = X'Y.
Умножив обе части уравнения слева на матрицу (X'X)-1, получаем:
b = (X'X)-1X'Y.
Для решения данного уравнения необходимо, чтобы определитель матрицы X'X не равен нулю, а следовательно, ее ранг равен ее порядку, т.е. r(XТX) = m+1. Поскольку ранг матрицы X равен рангу матрицы X'X, то r(X) =m+1. Таким образом, требуется линейная независимость столбцов матрицы X.
5. Оценка точности и адекватности регрессионной модели.
СВОЙСТВА ОЦЕНОК ПАРАМЕТРОВ МОДЕЛИ.
Несмещенность - это значит математическое ожидание оценки должно быть равно истинному значению параметра.
Состоятельность - при неограниченном росте числа наблюдений последовательность оценок bn стремится к истинному значению параметров.
Эффективность (оптимальность) – оценка является эффективной, если ковариационная матрица минимальная. Разброс оценок минимальный.
8.Понятие мультиколлинеарности. Основные признаки и последствия мультиколлинеарности.
Мультиколлинеарность – наличие функциональной или тесной корреляционной зависимости между включенными в модель факторами.
Причины возникновения мультиколлинеарности:
Наличие функциональной или корреляционной зависимости между факторами
Наличие факторов общего временного тренда
Признаки мультиколлинеарности:
При незначительном изменении исходных данных (при добавлении новых наблюдений) оценки параметров существенно меняются
Хотя в целом уравнение регрессии является адекватным (речь идет о коэффициенте детерминации и по f-критерию Фишера) отдельные параметры модели могут иметь большие стандартные ошибки и быть незначимыми по t-критерию Стьюдента.
Отдельные параметры модели могут иметь неоправданно большие значения или неправильные знаки с точки зрения теории.
Последствия мультиколлинеарности:
Оценки параметров модели теряют свою интерпретацию как характеристик действия факторов в чистом виде, то есть теряет экономический смысл
Оценки параметров являются ненадежными, так как имеет большие стандартные ошибки и меняются при изменении числа наблюдений