
- •Эконометрического моделирования План лекции
- •Введение
- •1.Предмет, цель и задачи эконометрики.
- •2.Этапы становления эконометрики
- •3. Введение в эконометрическое моделирование
- •4. Основные математические предпосылки эконометрического моделирования
- •5. Основные этапы и проблемы эконометрического моделирования
- •Контрольные вопросы:
- •Тема 2. Парная линейная регрессия и корреляция План лекции
- •Введение
- •1. Модель линейной парной регрессии. Метод наименьших квадратов
- •2. Коэффициент корреляции
- •3. Основные положения регрессионного анализа. Теорема Гаусса – Маркова
- •4. Оценка значимости уравнения регрессии. Коэффициент детерминации
- •5. Построение интервальных прогнозов по модели парной регрессии
- •Контрольные вопросы:
- •Тема 3. Множественный регрессионный анализ План лекции
- •Введение
- •1. Классическая нормальная линейная модель множественной регрессии
- •2. Оценка параметров классической регрессионной модели методом наименьших квадратов
- •3. Предпосылки для множественного регрессионного анализа.
- •Теорема Гаусса-Маркова.
- •4. Стандартизированное уравнение линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 4. Множественная корреляция План лекции
- •Введение
- •1. Множественная линейная корреляционная зависимость
- •2. Частные коэффициенты корреляции
- •3. Коэффициент множественной корреляции
- •4. Отбор факторов в случае линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 5. Линейные регрессионные модели
- •1. Суть гетероскедастичности, ее последствия
- •2. Тесты, позволяющие выявить наличие гетероскедастичности остатков
- •3. Устранение гетероскедастичности
- •4. Автокорреляция остатков, ее последствия. Обнаружение автокорреляции остатков
- •Контрольные вопросы:
- •Тема 6. Линейные регрессионные модели
- •1. Фиктивные переменные
- •2. Модели регрессии с фиктивными переменными сдвига
- •3. Модели регрессии с фиктивными переменными наклона
- •4. Критерий г. Чоу
- •Контрольные вопросы:
- •Тема 7. Модели временных рядов План лекции
- •Введение
- •1. Понятие временного ряда. Общий вид модели временного ряда
- •2. Проверка гипотезы существования тенденции
- •3. Стационарные временные ряды и их характеристики. Автокорреляционная функция
- •Авторегрессия первого порядка. Тест Дарбина-Уотсона
- •4. Аналитическое выравнивание (сглаживание) временного ряда
- •6. Процесс построения аддитивной модели временного ряда
- •7. Прогнозирование на основе моделей временного ряда
- •8. Понятие об авторегрессионных моделях и моделях скользящей средней
- •Контрольные вопросы:
- •Тема 8: модели с лаговыми переменными План лекции
- •Введение
- •1. Модели с распределенными лагами
- •2. Модели авторегрессии
- •3. Авторегрессионные модели и их моделирование
- •Контрольные вопросы:
- •Тема 9. Системы линейных одновременных уравнений План лекции
- •Введение
- •1. Структурная и приведенная формы моделей
- •2. Проблема идентификации
- •Матрица коэффициентов (1)
- •Матрица коэффициентов (2)
- •Матрица коэффициентов (3)
- •3. Оценивание параметров структурной модели
- •Условные данные по пяти регионам
- •Контрольные вопросы:
- •Используемая литература
2. Модели регрессии с фиктивными переменными сдвига
Рассмотрим в качестве формы уравнения регрессии линейную функцию. Для простоты возьмем в качестве факторов одну количественную переменную х1 и одну фиктивную переменную z11:
y = a + b1x1 + c11z11 + e. (6.3)
Из этого уравнения следует, что при z11 = 1 результат (у) равен
y = (a + c11)+ b1x1 + e, (6.4)
а при z11 = 0 результат (у) равен:
y = a + b1x1 + e. (6.5)
Сравнивая два полученных уравнения (6.4) и (6.5), видим, что они различаются величиной свободного члена. То есть для одного уровня неколичественной переменной уровень результата всегда в среднем будет на с11 единиц выше и ниже, чем для другого.
Графически эта ситуация соответствует двум параллельным прямым. Отметим, что коэффициент b1 при количественном факторе остается неизменным. То есть изменение фактора x1 оказывает одинаковое влияние на результат при разных значениях неколичественной переменной.
Так как изменение значения фиктивной переменной в модели (6.3) приводит к изменению значения результата на некую среднюю величину, не зависящую от значений количественного фактора, такую переменную еще называют фиктивной переменной сдвига. Изменение ее значения приводит к переходу от одной параллельной прямой к другой.
3. Модели регрессии с фиктивными переменными наклона
Рассмотрим другую ситуацию: коэффициент регрессии при количественном факторе зависит от значения фиктивной переменной. То есть можно записать:
если z
= 0; (6.6)
если z
= 1; (6.7)
b11 b12.
В таком случае говорят, что имеют место структурные изменения в исследуемой зависимости. Для их учета в уравнении регрессии фиктивную переменную вводят как сомножитель при количественной переменной:
(6.8)
Так как параметр d объединяет две переменные – х1 и z11, он имеет тройной индекс – d111.
Действительно, если рассмотреть это уравнение для z11 = 1 и для z11 = 0, получим соответственно
z11
= 0
z11
= 1
Следовательно, коэффициент b12 из модели (6.7) будет равен (b11 + d111).
Графически модель можно представить в виде двух прямых с разным углом наклона, отражающих зависимость результата от количественного фактора при разных значениях фиктивной переменной. Так как речь идет о фиктивной переменной, включение которой позволяет изменить угол наклона прямой, такую переменную называют фиктивной переменной наклона.
Соответственно параметр b1 интерпретируется как сила влияния количественного фактора при одном значении неколичественной переменной (для которой z11 = 0), а параметр d111 – как среднее изменение силы влияния количественного фактора при переходе от одного значения неколичественной переменной к другому (при переходе от z11 = 0 к z11 = 1).
Модели типа (6.8) используются при исследовании зависимости объема потребления Y некоторого продукта от дохода потребителя X, когда качественные признаки (например, уровень доходности домашнего хозяйства) на параметр b1 при X, интерпретируемый как
«склонность к потреблению».