- •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.
17. Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Бреуша-Годфри.
Автокорреляция- зависимость последующих уравнений ряда от предыдущих.
Тест серий (Бреуша—Годфри). Тест основан на следующей идее: если имеется корреляция между соседними наблюдениями, то естественно ожидать, что в уравнении
e =pe +v , t= 1, ..., n, (7.31) (где e — остатки регрессии, полученные обычным методом наименьших квадратов), коэффициент р окажется значимо отличающимсяот нуля.
Заметим, что уравнение (7.31) является авторегрессионным уравнением первого порядка (см. § 6.5).
Практическое применение теста заключается в оценивании методом наименьших квадратов регрессии (7.31)
Преимущество теста Бреуша—Годфри по сравнению с тестом Дарбина—Уотсона заключается в первую очередь в том, что он проверяется с помощью с т а т и с т и ч е с к о г о к р и т е рия, между тем как тест Дарбина—Уотсона содержит зону неопределенности для значений статистики d. Другим преимуществом теста является возможность обобщения: в число регрессоров могут быть включены не только остатки с лагом 1, но и слагом 2, 3 и т д., что позволяет выявить корреляцию не только между соседними, но и между более отдаленными наблюдениями.
Вернемся к примеру зависимости курса ценной бумаги А от времени и применим тест серий Бреуша—Годфри.
Рассмотрим авторегрессионную зависимость остатков от их предьщущих значений, используя авторегрессионную модель р-го порядка AR{p). Применяя метод наименьших квадратов, получим следующее уравнение:
e =0,56 e -0,12е -0,01 e
(0,10) (0,12) (0,10)
Как видно, значимым оказывается только регрессор e т. е. существенное влияние на результат наблюдения e оказывает только одно предыдущее значение e Положительность оценки соответствующего коэффициента регрессии указывает на положительную корреляцию между ошибками регрессии e и e .
18. Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Дарбина-Уотсона.
Автокорреляция- зависимость последующих уравнений ряда от предыдущих.
Тест Дарбина—Уотсона. Этот простой критерий (тест) определяет наличие автокорреляции между соседними членами.
Тест Дарбина—Уотсона основан на простой идее: если корреляция ошибок регрессии не равна нулю, то она присутствует и в остатках регрессии e , получающихся в результате применения обычного метода наименьших квадратов. В тесте Дарбина—Уотсона для оценки корреляции используется статистика вида
d=
Несложные вычисления позволяют проверить, что статистика Дарбина—Уотсона следующим образом связана с выборочным коэффициентом корреляции между соседними наблюдениями:
d=2(1-r)
В самом деле
(7.30)
d= = =2* - При большом числе наблюдений n сумма e + значительно меньше и
d=2 ,
откуда и следует приближённое равенство (7.30), так как в силу условия =0
=r.
Естественно, что в случае отсутствия автокорреляции выборочный коэффициент г окажется не сильно отличающимся от нуля, а значение статистики d будет близко к двум. Близость наблюдаемого значения к нулю должна означать наличие положительной автокорреляции, к четырем — отрицательной. Хотелось бы получить соответствующие пороговые значения, которые присутствуют в статистических критериях и либо позволяют принять гипотезу, либо заставляют ее отвергнуть (см. § 2.8). К сожалению, однако, такие пороговые (критические) значения однозначно указать невозможно.
Тест Дарбина—Уотсона имеет один существенный недостаток—распределение статистики d зависит не только от числа наблюдений, но и от значений регрессоров X (j= 1, ..., p). Это означает, что тест Дарбина—Уотсона, вообще говоря, не представляет собой статистический критерий, в том смысле, что нельзя указать критическую область, которая позволяла бы отвергнуть гипотезу об отсутствии корреляции, если бы оказалось, что в эту область попало наблюдаемое значение статистики d. Однако существуют два пороговых значения d и d , зависящие т о л ь к о от числа наблюдений, числа регрессоров и уровня значимости, такие, что выполняются следующие условия.
Если фактически наблюдаемое значение d: а) d < d < 4— d , то гипотеза об отсутствии автокорреляции
не отвергается (принимается); б) d < d < d или 4 — d < d < 4— d , то вопрос об отвержении
или принятии гипотезы остается открытым (область неопределенностикритерия) ;в) О < d < d , то принимается альтернативная гипотеза о положительной
автокорреляции;
г) 4— d < d < 4, то принимается альтернативная гипотеза об
отрицательной автокорреляции.
Изобразим результат Дарбина—Уотсона графически:
Для d-статистики найдены верхняя dви нижняя dн границы на уровнях значимости а = 0,01; 0,025 и 0,05. В табл. V приложений приведены значения статистик dв и dн критерия Дарбина—Уотсона на уровне значимости а = 0,05.
Недостатками критерия Дарбина—Уотсона является наличие области неопределенности критерия, а также то, что критические значения d-статистики определены для объемов выборки не менее 15. Тем не менее тест Дарбина—Уотсона является наиболее употребляемым.
19. Понятие гетероскедастичности остатков. Оценка параметров модели в случае гетероске-дастичности.Гетероскедастичность. При эконометрическом моделировании реальных экономических процессов предпосылки регрессионного анализа нередко оказываются нарушенными: дисперсии остатков модели не одинаковы (гетероскедастичность остатков). В этом случае оценки параметров уравнения регрессии, полученные методом наименьших квадратов, будут не эффективными. Проверить модель на гетероскедастичность можно с помощью следующих тестов: ранговой корреляции Спирмена; Голдфельда-Квандта; Уайта; Глейзера. Рассмотрим тест на гетероскедастичность, применяемый в случае, если ошибки регрессии можно считать нормально распределенными случайными величинами, – тест Голдфелда-Квандта. Все n наблюдений упорядочиваются в порядке возрастания значений фактора X. Затем выбираются m первых и m последних наблюдений. Гипотеза о гомоскедастичности равносильна тому, что значения остатков e1, em и en-m+1, en представляют собой выборочные наблюдения нормально распределенных случайных величин, имеющих одинаковые дисперсии. Гипотеза о равенстве дисперсий двух нормально распределенных совокупностей проверяется с помощью F-критерия Фишера. Расчетное значение вычисляется по формуле: . Гипотеза о равенстве дисперсий двух наборов по m наблюдений (т.е. гипотеза об отсутствии гетероскедастичности остатков) отвергается, если расчетное значение превышает табличное F >Fα;m-p;m-p, где p – число регрессоров. Мощность теста максимальна, если выбирать m порядка n/3. Тест Голдфельда-Квандта позволяет выявить факт наличия гетероскедастичности, но не позволяет описать характер зависимостей дисперсий ошибок регрессии количественно. Рассмотрим наиболее простой и часто используемый тест Уайта. Предполагают, что дисперсии ошибок регрессии представляют собой одну и ту же функцию от наблюдаемых значений факторов, т.е.σ2i =f(xi), i = 1, …, n. Как правило, эту функцию выбирают квадратичной (в случае гомоскедастичности остатков f = const). Методом наименьших квадратов оценивают параметры уравнения регрессии для квадратов остатков:е2i =f(xi) + ui, i = 1, …, n. В случае незначимости уравнения регрессии в целом принимается гипотеза об отсутствии гетероскедастичности. Наилучшим образом характер гетероскедастичности определяется при помощи теста Глейзера. Осуществляется регрессия: е2i =f(xi) + ui, i = 1, …, n. В качестве функции f обычно выбирается функция видаf = a + х2 Регрессия осуществляется при разных значениях , затем выбирается то значение, при котором коэффициент оказывается наиболее значимым, т.е. имеет наибольшее значение t-статистики. Этим уравнением и аппроксимируется гетероскедастичность. Устранение гетероскедастичности. Пусть модель гетероскедастична, т.е. дисперсии ошибок не равны между собой, а сами ошибки не коррелированы. Тогда имеем, что ковариационная матрица ошибок Ω – диагональная: 1) Пусть дисперсии ошибок известны. В соответствии с обобщенным методом наименьших квадратов переходим к нормированным по σi переменным: Z = Y/σi , Vj = Xj/σi , i = 1, …, n. В новых переменных модель примет вид:zi = β'0 + + νi где β'0 = β0/σi, νi = εi/σiДля новой модели дисперсия равна D(νi) = 1, т.е. модель гомоскедастична. В случае гетероскедастичности остатков метод наименьших квадратов называется взвешенным методом наименьших квадратов, поскольку каждое наблюдение «взвешивается» с помощью коэффициента 1/σi. На практике, однако, значения σi почти никогда не бывают известны. Поэтому сначала находят оценку вектора параметров обычным методом наименьших квадратов. Затем находят регрессию квадратов остатков на квадратичные функции объясняющих переменных, т.е. уравнение е2i =f(xi) + ui, i = 1, …, n, где f(xi) – квадратичная функция. Далее по полученному уравнению рассчитывают теоретические значения и определяют набор весов . Затем вводят новые переменные Y*i = Y/σi, X*j = Xj/σi, j = 1,…,m и находят уравнение . Полученная оценка и есть оценка взвешенного метода наименьших квадратов.
23. Неднородность данных в регрессионном смысле. Использование фиктивных переменных в регрессионных моделях. Интерпретация коэффциентов при фиктивных переменных.
При изучении социально-экономических процессов и явлений может оказаться необходимым включить в модель фактор, имеющий два или более качественных уровня, например, образование, пол, фактор сезонности. Качественные признаки могут существенно влиять на структуру линейных связей между переменными и приводить к скачкообразному изменению параметров регрессионной модели. В этом случае говорят об исследовании регрессионных моделей с переменной структурой или построении регрессионных моделей по неоднородным данным.
Оценить влияние значений количественных переменных и уровней качественных признаков с помощью одного уравнения регрессии можно путем введения фиктивных переменных.
В качестве фиктивных переменных обычно используются дихотомические (бинарные) переменные, которые принимают всего два значения: «0» и «1». Например, при исследовании зависимости заработной платы от уровня образования Z можно рассмотреть k=3 уровня: начальное образование, среднее и высшее. Обычно вводят (k-1) бинарную переменную. В нашем случае потребуется ввести две фиктивные переменные.
Тогда регрессионная модель запишется в виде:
y= b0 + b1∙x1 + … + bm∙xm + bm+1∙z1 + bm+2∙z2 +ε,
где
x1, …,∙xn – экономические (количественные) переменные.
Наличие у работника начального образования будет отражено парой значений z1=0, z2=0.
Параметры при фиктивных переменных z1 и z2 представляют собой разность между средним уровнем результативного признака для соответствующей группы и базовой группы (в нашем примере это работники с начальным образованием).
При построении регрессионных моделей по неоднородным данным необходимо выяснить, действительно ли две выборки однородны в регрессионном смысле, можно ли объединить их в одну и рассматривать единую модель регрессии?
Для ответа на этот вопрос можно воспользоваться тестом Г.Чоу.
По каждой выборке строятся две линейные регрессионные модели:
Проверяемая нулевая гипотеза имеет вид – H0: b'=b''; D(ε')= D(ε'')= σ2.
Если нулевая гипотеза верна, то две регрессионные модели можно объединить в одну объема n = n1 + n2.
Согласно критерию Г.Чоу нулевая гипотеза H0 отвергается на уровне значимости α, если статистика
где - остаточные суммы квадратов соответственно для объединенной, первой и второй выборок, n = n1 + n2.
Для проверки гипотезы о структурной стабильности тенденции изучаемого временного ряда можно использовать тест Д.Гуйарати.
Пример 4. Рассмотрим полученную в примере 1 модель зависимости балансовой прибыли предприятия торговли (тыс. руб.) от следующих переменных:
- фонд оплаты труда, тыс. руб.; - объем продаж по безналичному расчету, тыс. руб.
Известно, что первая выборка значений переменных объемом n1=12 получена при одних условиях, а другая, объемом n2=12, - при несколько измененных условиях.