- •Структура залікового кредиту курсу
- •Змістовий модуль і. Лінійні моделі множинної регресії
- •Тема 1. Основи економетричного моделювання. План (логіка)викладу і засвоєння матеріалу
- •Предмет і метод курсу.
- •Місце курсу серед дисциплін фундаментальної підготовки бакалаврів з економічних спеціальностей.
- •Задачі економетричного дослідження.
- •Особливості економетричних моделей та історія розвитку економетричних досліджень.
- •Тема 2. Загальна лінійна економетрична модель. Методи побудови та дослідження план (логіка)викладу і засвоєння матеріалу
- •2.1. Постановка та основні означення парної лінійної регресії. Метод найменших квадратів. Система оцінки параметрів економетричної моделі з двома змінними.
- •2.2. Дисперсійний та кореляційний аналіз побудованої моделі.
- •2.3. Постановка загальної лінійної моделі.
- •2.4. Передумови застосування методу найменших квадратів (1мнк).
- •Властивості оцінок параметрів.
- •1) Незміщеності; 3) ефективності;
- •2) Обґрунтованості; 4) інваріантності.
- •2.6. Перевірка моделі на якість і точність.Прогноз.
- •Дисперсійний аналіз
- •Тема 3. Поняття та методи дослідження мультіколінеарності. Гетероскедастичність, методи визначення та наслідки. План (логіка)викладу і засвоєння матеріалу
- •3.1. Поняття мультіколінеарності. Методи визначення її.
- •Методи дослідження мультіколінеарності (метод феррара-глобера).
- •Поняття гетероскедастичності. Методи її визначення.
- •Перевірка гетероскедастичності на основі критерію
- •Параметричний тест Гольдфельда—Квандта
- •Тема 4. Нелінійні моделі та часові ряди план (логіка)викладу і засвоєння матеріалу
- •4.1.Методи оцінювання параметрів моделі нелінійного виду.
- •4.2.Виробнича функція : аналіз рішення.
- •4.4. Поняття тренду. Методи дослідження динамічних рядів
- •Похідні від функцій апроксимації
- •Тема 5. Побудова економетричної моделі з автокорельованими залишками. План (логіка)викладу і засвоєння матеріалу
- •5.1.Поняття і причини виникнення автокореляції.
- •5.2.Критерій дарбіна-уотсона.
- •5.3.Критерій неймана. Критерій фон Неймана
- •5.4.Оцінка параметрів моделі з автокорельованими залишками. Метод ейткена
- •Тема 6. Моделі розподіленого лагу. Методи інструментальних змінних план (логіка)викладу і засвоєння матеріалу
- •6.1.Поняття лагу і лагових змінних.
- •Моделі розподіленого лагу (дистрибутивно – лагові моделі);
- •Авторегресійні моделі.
- •6.2.Лаги незалежних змінних лаги залежної змінної.
- •6.3.Методи оцінювання.
- •6.4.Метод ейткена. Ітеративний метод.
- •Метод Ейткена
- •6.5.Метод інструментальних змінних.
- •6.7.Оператор оцінювання вальда.
- •Тема 7. Непрямий метод найменших квадратів. Проблеми ідентифікації план (логіка)викладу і засвоєння матеріалу
- •Система одночасних структурних рівнянь. Проблеми ідентифікації
- •7.2. Рекурсивні системи
- •7.3. Непрямий метод найменших квадратів (нмнк)
- •7.4. Двокроковий метод найменших квадратів (2мнк)
- •7.5. Трикроковий метод найменших квадратів (змнк)
Тема 2. Загальна лінійна економетрична модель. Методи побудови та дослідження план (логіка)викладу і засвоєння матеріалу
2.1.Постановка та основні означення парної лінійної регресії. Метод найменших квадратів. Система оцінки параметрів економетричної моделі з двома змінними.
2.2.Дисперсійний та кореляційний аналіз побудованої моделі.
2.3.Постановка загальної лінійної моделі.
2.4.Передумови застосування методу найменших квадратів (1МНК).
2.5.Властивості оцінок параметрів.
2.6. Перевірка моделі на якість і точність.Прогноз.
2.1. Постановка та основні означення парної лінійної регресії. Метод найменших квадратів. Система оцінки параметрів економетричної моделі з двома змінними.
На базі простої економетрічної моделі розглянемо принципову структуру економетрічної моделі та основні методи оцінювання її параметрів.
Найпростішою є лінійна форма зв’язку між двома змінними:
(2.1)
де і – невідомі параметри.
Щоб розв’язати цю задачу до економетричної моделі вводять стохастичну складову, яка акумулює в собі всі відхилення фактичних спостережень змінної У від обчислених в моделі, тоді загальна форма економетричної лінійної моделі має вигляд:
(2.2)
Введення в модель стохастичної складової, яку ще називають похибкою, збуренням, відхиленням, зумовлена слідуючи ми факторами:
На величину У впливають ще інші об’єктивні чинники.
На величину Х також впливають випадкові фактори.
Крім того існує ймовірність помилки вимірювання.
Ця випадкова змінна в економетричній моделі має математичний розподіл нуль, дисперсію . Тому на підставі центральної граничної теореми стохастична складова економетричної моделі розподілена за нормальним законом.
Парна лінійна регресія (У на Х) називається двохстороння стохастична лінійна залежність між випадковими величинами (показник У і фактор Х), які знаходяться в причинно-наслідкових відношеннях, причому зміна фактора викликає зміну показника.
Слід відрізняти стохастичну залежність від функціональної. При цьому одному значенню фактора може відповідати декілька значень попередника.
Суть регресійного аналізу полягає в тому, щоб знайти згладжувальну лінію, яка найкращим чином проходить через задану множину точок (Х,У).
Найпоширеним методом при розв’язанні подібних проблем є метод найменших квадратів МНК ( основоположники К. Гаус, П. Лаплас).
Справжні значення параметрів обчислити не можна , тому здобуті значення параметрів лінійної моделі є статистичними оцінками справжніх параметрів а і b.
Розглянемо різницю у та , де у – фактичні, - розрахункові значення показника. U= у - .
МНК для парної лінійної регресії полягає в підборі таких оцінок параметрів регресії та для яких сума квадратів відхилень спостережуваних даних показника від зглажувальних буде мінімальною, тобто:
U2=(у - )2= min (2.3)
Необхідною умовою існування мінімуму функціонала U2 є рівність нулю частинних похідних цього функціоналу по і . А достатньою умовою існування екстремуму в критичній точці ( ; ) є додатне значення визначника складеного з частинних похідних другого порядку.
Принцип найменших квадратів відхилень полягає в знаходженні таких і , для яких найменша. Необхідна умова для цього — перетворення на нуль похідних цієї функції за кожним із параметрів і . Метод, який реалізує принцип найменших квадратів, називається методом найменших квадратів (1МНК). Оскільки
,
то
Виконавши елементарні перетворення, дістанемо систему нормальних рівнянь
(2.4)
Підставимо в систему (2.4) значення , , , , які можна дістати на підставі сукупності спостережень, і розв’яжемо її відносно невідомих параметрів і :
Оскільки оцінки найменших квадратів такі, що лінія регресії обов’язково проходить через точку середніх значень ( ), то оцінки параметрів моделі можна знайти дещо інакше.
Поділивши перше рівняння системи (2.4) на n, дістанемо:
. (2.5)
Віднімемо (2.2) від (2.1):
.
Нехай
, і ,
тоді
,
а відхилення фактичних значень від розрахункових будуть такі:
.
Сума квадратів залишків при цьому,
.
Мінімізація цієї суми за невідомим параметром дає співвідношення:
. (2.6)
Крім того, можна помітити, що тобто друга похідна за параметром від суми квадратів відхилень додатна. Отже, знайдене значення відповідає мінімуму суми квадратів відхилень.
Якщо чисельник і знаменник виразу ( ) поділити на ( ), то після нескладних перетворювань отримаємо:
(2.7)
Зауважимо, що оцінки параметрів моделі згідно з методом МНК є досить чутливими до точності розрахунків.
Параметр можна обчислити, використавши співвідношення (2.5):
. (2.8)
Співвідношення (2.8) можна було б дістати також, записавши друге рівняння системи (2.4) через відхилення кожної змінної від її середнього арифметичного значення, згадавши при цьому, що сума таких відхилень завжди дорівнює нулю.