- •Зміст дисципліни за темами
- •Тема 3: Нелінійні економетричні моделі
- •Тема 4. Фіктивні змінні в економетричних моделях
- •Тема 5. Мультиколінеарність
- •Тема 6. Автокореляція залишків
- •Тема 7. Гетероскедастичність залишків
- •Приклади типових завдань
- •Тема: Соціально – економічні системи, методи дослідження та моделювання
- •2. Математична модель економічного об’єкту
- •Критерії вибору „хорошої моделі”:
- •3. Класифікація економіко-математичних моделей
- •4. Основні етапи економіко – математичного моделювання
- •Економетрика
- •2. Об'єкт, предмет, мета і завдання економетрії
- •3. Основні етапи економетричного аналізу
- •4. Економічні задачі, які розв'язують за допомогою економетричних методів
- •5. Основні етапи зародження та розвитку економетрії
- •Тема: Регресійні моделі
- •1. Поняття регресії
- •2. Причини наявності випадкового (стохастичного) фактора
- •3. Парна лінійна регресія
- •4. Теоретична і розрахункова моделі
- •5. Приклади економетричних моделей
- •1). Модель споживання
- •2). Виробнича функція Кобба - Дугласа
- •3). Модель пропозиції та попиту
- •6. Метод найменших квадратiв (мнк)
- •7. Дисперсійний аналіз моделі
- •Лабораторна робота №1 «Економетрична модель парної регресії»
- •1. Постановка задачі.
- •3. Розрахунок моделей
- •Знаходження оцінок параметрів моделі методом найменших квадратів
- •5. Графік моделі у „хмарі” розсіювання
- •6. Дисперсійний аналіз лінійної моделі:
- •7. Значущість оцінок параметрів і моделі:
- •8. Прогноз:
- •9. Аналіз лінійної моделі:
Тема: Регресійні моделі
1. Поняття регресії
Статистична залежність – це така залежність, за якої зміна однієї з величин викликає певний розподіл іншої величини.
Кореляційна залежність: зі зміною однієї з величин змінюється середнє значення іншої величини - розглядається умовне математичне сподівання, бо математичне сподівання характеризує середнє очікуване значення випадкової величини і називається функцією регресії y на x, де y - залежний фактор, або регресант, x- незалежний пояснюючий фактор, або регресор.
Якщо величина y залежить від одного фактора x, то цю залежність ми називаємо парною регресією: M( ) = f(x). Якщо умовне математичне сподівання залежить від багатьох факторів, то ми маємо множинну регресію: M( ) = f ( )
Регресія – це функціональна залежність між пояснювальними змінними і умовним математичним сподіванням залежної змінної, яка будується з метою його прогрозування для фіксованих значень незалежних факторів.
2. Причини наявності випадкового (стохастичного) фактора
При цьому реальні значення залежних змінних не завжди співпадають з УМС, тобто регресія обовязково містить випадкову величину, так званий стохастичний фактор и:
Y = M ( ) + u^, Y = M ( ) + u^.
Бажано, щоб значення ui^ мали б нормальний закон розподілу N (0, 2).
Причини наявності випадкового (стохастичного) фактора:
1). Не включення до моделі всіх пояснюючих факторів.
2). Невірний вибір для розрахунків функціональної форми моделі y = ах + ао, y = ао ха.
3). Агрегованість: пояснююча змінна є складною комбінацією інших факторів, які мають на неї певний вплив, крім тих факторів, що вже розглядалися в моделі.
4). Помилки вимірювання.
5). Обмеженість статистичних даних.
6). Непередбачуваність людського фактору.
3. Парна лінійна регресія
Парна лінійна регресія є найбільш розповсюдженою моделлю залежності між економічними змінними. Модель Кейнса – модель залежності окремого споживання С від наявного доходу І, де С0 – це величина автономного споживання, в – гранична схильність до споживання ( від 0 до 1) : С = С0 + b·І.
Д ля парної регресії за реальними статистичними даними будуємо кореляційне поле або поле розсіювання (хмара розсіювання) та висуваємо гіпотезу про можливий аналітичний зв’язок факторів моделі.
Х Y
x1 y1
x2 y2
... …
xn yn