- •Содержание
- •5. Лабораторная работа № 4. Проверка предпосылки отсутствия корреляции возмущений. Оценка параметров модели с автокоррелированными остатками …………………………………………………………...79
- •9. Лабораторная работа № 8. Статистический анализ рядов ди-
- •Введение
- •Лабораторная работа № п.1. Функции программы ms Excel выполнения операций с матрицами и категории «Статистические» применяемые при решении задач курса «Эконометрия»
- •1.2. Выполнение операций с матрицами с помощью функций ms Excel.
- •Функции программы ms Excel для работы с матрицами
- •1.3. Обработка наблюдений статистических признаков
- •Наблюдения статистических признаков и .
- •Функции программы ms Excel для расчета числовых характеристик статистических признаков
- •Реализация в ms Excel формул задания 2
- •1.4. Нахождение значений статистических критериев.
- •Функции программы ms Excel для нахождения значений статистических критериев
- •1.5. Вопросы для самоподготовки к лабораторной работе № п.1
- •2. Лабораторная работа № 1. Выявление взаимосвязи между статистическими признаками
- •Реализация в ms Excel формул заданий 1-3
- •2.7. Вопросы для самоподготовки к лабораторной работе № 1
- •3. Лабораторная работа № 2. Классическая линейная регрессионная модель. Метод наименьших квадратов (1-мнк) оценки параметров модели
- •Выборочные данные наблюдений статистических признаков: объем реализации и площадь магазина .
- •Реализация в ms Excel формул на рис. 3.1
- •Реализация в ms Excel формул на рис. 3.1
- •Реализация в ms Excel формул на рис. 3.3
- •Показатели отчета на рис. 3.4
- •Реализация в ms Excel формул на рис. 3.3
- •3.7. Вопросы для самоподготовки к лабораторной работе № 2
- •4. Лабораторная работа № 3. Модель множественной регрессии. Проверка предпосылок 1-мнк. Оценка параметров обобщенной линейной эконометрической модели
- •4.1. Модель множественной регрессии (задание 3.1)
- •Примеры многофакторных эконометрических моделей
- •Реализация в ms Excel формул задания №1
- •4.3. Проверка предпосылки гомоскедастичности возмущений. Обобщенный метод наименьших квадратов оценки параметров модели с гетероскедастичными остатками (задание 3.3).
- •Реализация в ms Excel формул при проверке гетероскедастичности модели возмущений по критерию Гольфельда-Квандта (рис. 4.13)
- •Сравнение эконометрических моделей производительности труда
- •4.4. Экономический анализ и прогноз по многофакторной модели линейной регрессии. (задание 3.4).
- •Реализация в ms Excel лабораторной работы № 3 (задание 3.4)
- •Реализация в ms Excel формул задании №3 (лаб. Раб. №3)
- •4.5. Вопросы для самоподготовки к лабораторной работе № 3
- •5. Лабораторная работа № 4. Проверка предпосылки отсутствия корреляции возмущений. Оценка параметров модели с автокоррелированными остатками
- •Реализация в ms Excel формул на рис. 5.2.
- •Сравнение эконометрических моделей товарооборота продовольственных товаров
- •5.5. Вопросы для самоподготовки к лабораторной работе № 4
- •6. Лабораторная работа № 5. Фиктивные (индикативные) переменные в эконометрических моделях
- •Значения переменных 2-ой модели
- •6.4. Вопросы для самоподготовки к лабораторной работе № 5
- •7. Лабораторная работа № 6. Экономический анализ деятельности предприятия с помощью производственной функции
- •Вопросы для самоподготовки к лабораторной работе № 6
- •8. Лабораторная работа № 7. Системы эконометрических уравнений
- •8.3. Организация данных и расчетов на листе ms Excel.
- •8.4. Результаты оценивания параметров уравнений двухшаговым мнк
- •8.5. Вопросы для самоподготовки к лабораторной работе № 7
- •9. Лабораторная работа № 8. Статистический анализ рядов динамики.
- •9.1. Теоретические замечания.
- •Потребление электроэнергии
- •Исходные данные и скользящие средние
- •Исходные данные и экспоненциально слаженные уровни
- •9.3. Выявление тренда во временном ряде и построение кривых роста.
- •9.4. Выявление сезонных колебаний во временном ряде. Построение аддитивной и мультипликативной моделей временного ряда с сезонными колебаниями.
- •Значения коэффициента автокорреляции
- •Расчёты аддитивной модели
- •Определение сезонной составляющей в аддитивной модели
- •Определение прогноза по аддитивной модели
- •Расчёты мультипликативной модели
- •Определение сезонной составляющей в мультипликативной модели
- •9.5. Адаптивные модели временных рядов.
- •Количество проданных джинсов: апрель 2009 - март 2012 г
- •Расчёты задания 4 по способу Брауна
- •9.6. Вопросы для самоподготовки к лабораторной работе № 8
- •Раздел 10. Задания лабораторных работ
- •10.1. Требования к выполнению и оформлению лабораторных работ по курсу «Эконометрия»
- •Сроки и порядок допуска, выполнения и защиты лабораторных работ
- •10.2. Задания лабораторной работы № п.1 Функции программы ms Excel выполнения операций с матрицами и категории «Статистические» применяемые при решении задач курса «Эконометрия»
- •Выполнение операций с матрицами с помощью функций ms Excel.
- •Наблюдения статистических признаков и
- •Преобразования данных наблюдений статистических признаков и
- •10.3. Задания лабораторной работы № 1
- •Отбор показателей в лабораторной работе № 1
- •10.4. Задания лабораторной работы № 2
- •Данные для выполнения лабораторной работы № 2
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •Данные наблюдений показателей и
- •10.5. Задания лабораторной работы № 3.
- •Данные для построения многофакторной регрессии
- •Данные для построения многофакторной регрессии
- •Данные для построения многофакторной регрессии
- •10.6. Задания лабораторной работы № 4
- •10.7. Задания лабораторной работы № 5 Фиктивные (индикативные) переменные в эконометрических моделях
- •Возраст компьютерной техники ( , месяцы)
- •Данные для задачи 2 (для нечетного номера варианта) лабораторной работы №6.
- •Данные для задачи 3 (для четного номера варианта) лабораторной работы №6.
- •10.8. Задания лабораторной работы № 6
- •Затраты труда,
- •Затраты производственных фондов,
- •Выпуск продукции,
- •10.9. Задания лабораторной работы № 7 Системы эконометрических уравнений.
- •Модели для выполнения лабораторной работы №8(*)
- •Исходные данные к лабораторной работе № 8
- •Исходные данные к лабораторной работе № 8
- •Исходные данные к лабораторной работе № 8 (вариант 6)
- •Исходные данные к лабораторной работе № 8 (вариант 11)
- •10.10. Задания лабораторной работы № 8 Статистический анализ рядов динамики
- •Экономический смысл показателей заданий 1,2,3
- •Экономический смысл показателей задания 4
- •Данные заданий 1,2,3 (варианты 1-12)
- •Данные заданий 1,2,3 (варианты 13-24)
- •Данные заданий 1,2,3 (варианты 25-35)
- •Данные задания 4 (варианты 1 - 12)
- •Данные задания 4 (варианты 13 - 24)
- •Данные задания 4 (варианты 25 - 35)
- •10. Задания контрольной работы студентов заочного отделения
- •Задания контрольной работы
- •Выбор варианта контрольной работы
- •Список рекомендованной литературы Основная
- •Дополнительная
- •Приложение а задания и требования к выполнению самостоятельных работ и творческих заданий творческих заданий по курсу «эконометрия»
- •Приложение б Статистические таблицы
- •Значения - критерия Фишера при уровне значимости
- •Значения - критерия Стьюдента при уровне значимости 0,10; 0,05; 0,01 (двусторонний)
- •Значения - критерия Пирсона при уровне значимости 0,10; 0,05; 0,01
- •Значения статистик Дарбина-Уотсона при 5%-ом уровне значимости
- •Значения функции Гаусса
- •Значения интегральной функции Лапласа
- •Продолжение табл. Б.6
4.5. Вопросы для самоподготовки к лабораторной работе № 3
Модель множественной регрессии. Виды моделей множественной регрессии.
Теоретическое и эмпирическое линейное уравнение множественной регрессии.
Матричная форма записи и матричная формула оценки параметров множественной регрессии.
Две схемы отбора факторов для построения модели множественной регрессии.
Коэффициент множественной детерминации, коэффициент множественной корреляции. Скорректированный коэффициент множественной детерминации.
Проверка значимости множественного уравнения регрессии с помощью -критерия Фишера.
Анализ статистической значимости параметров модели.
Проверка выполнения предпосылок МНК.
Понятие мультиколлинеарности, Главные признаки мультиколлинеарности, последствия мультиколлинеарности. Методы устранения мультиколлинеарности.
Способы обнаружения мультиколлинеарности. Обнаружение мультиколлинеарности с помощью алгоритма Феррара-Глобера: критерий Пирсона , критерий Фишера , -критерий Стьюдента. Понятие гомо- и гетероскедастичности. Примеры из экономики. Методы обнаружения гетероскедастичности, последствия гетероскедастичности.
Критерий обнаружения гетероскедастичности.
Тест Гольдфельда-Квандта для обнаружения гетероскедастичности.
Обобщенный МНК и его отличие от классического МНК (метод Эйткена).
Алгоритм построения и анализа регрессионных моделей.
Анализ влияния факторов на основе многофакторных регрессионных моделей: коэффициент эластичности; бета-коэффициент и дельта-коэффициент .
Прогнозирование показателя по множественной регрессионной модели. Доверительный интервал для точечного прогноза.
5. Лабораторная работа № 4. Проверка предпосылки отсутствия корреляции возмущений. Оценка параметров модели с автокоррелированными остатками
5.1. Теоретические замечания. Автокорреляция – это наличие корреляционной взаимосвязи между последовательными элементами временного или пространственного ряда данных. Последовательными считаются величины, которые расположены последовательно или по времени или по возрастанию независимой переменной.
Если в построенной модели наблюдается автокорреляция остатков (случайной составляющей) то не выполняется третье требование метода наименьших квадратов о некоррелированности остатков. В этом случае остатки удовлетворяют условию:
, . (5.1)
Автокорреляция остатков чаще всего наблюдается тогда, когда эконометрическая модель строится на основе временных рядов или если в качестве одного из аргументов регрессионной модели выбирается фактор, у которого существует корреляция между последовательными его значениями.
Возможные причины автокорреляции:
автокорреляция последовательных значений векторов зависимой, независимой переменных или переменных, которые не включены в модель;
ошибочная спецификация эконометрической модели (например, вместо нелинейной зависимости (полиномиальной, степенной, экспоненциальной и т.д.) выбрана линейная).
Последствия автокорреляции при применении 1МНК:
оценки параметров модели будут смещенными и неэффективными;
неэффективность оценок параметров эконометрической модели приводит к неэффективным прогнозам по модели;
статистические критерии Фишера и Стьюдента ( -критерий и -критерий) становятся недостоверным.
Методы обнаружения автокорреляции:
метод рядов;
критерий Дарбина-Уотсона;
критерий фон Неймана и другие.
Способы устранения автокорреляции:
введение в модель в качестве фактора-аргумента времени;
изменение спецификации модели;
переход к темповым или относительным показателям;
включение в модель дополнительно неучтенных факторов;
Для нахождения оценок параметров модели с автококоррелированными остатками применяется ОМНК (метода Эйткена) или преобразование исходных данных с последующей оценкой параметров модели 1МНК.
Рассмотрим критерий Дарбина-Уотсона, который чаще всего применяется для проверки наличия автокорреляции остатков. Данный тест применяется в том случае, если выполняются следующие условия:
в регрессионном уравнении присутствует свободный член;
регрессоры (фактор-аргументы) являются нестохастическими;
в регрессионном уравнении нет лаговых значений зависимой переменной .
-критерий Дарбина-Уотсона определяется по формуле
, (5.2)
где , .
-статистика учитывает только автокорреляцию первого порядка.
Значение -статистики распределяется в интервале от 0 до 4. Идеальное значение статистики равно 2. В этом случае автокорреляция отсутствует.
Если значение , то это соответствует о положительной автокорреляции остатков, а если – отрицательной.
Оценки, получаемые по -критерию являются не точечными, а интервальными.
Возникает вопрос, какие значения -критерия можно считать статистически близкими к 2? Для ответа на этот вопрос разработаны специальные таблицы критических точек статистики Дарбина-Уотсона, позволяющие при данном числе наблюдений , количестве фактор-аргументов и заданном уровне значимости определять границы преемственности (критические точки) наблюдаемой статистики .
Для заданных , и в таблице указываются два числа и , где
– нижняя граница (нижнее критическое значение),
– верхняя граница (верхнее критическое значение статистики ).
Для проверки гипотезы об отсутствии автокорреляции остатков используется числовой отрезок (рис. 5.1).
Рис. 5.1. Границы областей автокорреляции по критерию Дарбина-Уотсона
Выводы о наличии или отсутствии автокорреляции осуществляются по следующей схеме. Если
, то это свидетельствует о положительной автокорреляции остатков;
, то это свидетельствует об отрицательной автокорреляции остатков;
при гипотеза об отсутствии автокорреляции остатков принимается, т.е. автокорреляция отсутствует;
если или , то гипотеза об отсутствии автокорреляции не может быть ни принята, ни отклонена.
Примечание. Не обращаясь к таблице критических точек Дарбина-Уотсона, можно пользоваться грубым правилом и считать, что автокорреляция остатков отсутствует, если .
При наличии автокорреляции для оценки параметров модели целесообразно использовать обобщённый метод наименьших квадратов (метод Эйткена), оператор оценивания которого имеет вид:
, (5.3)
где
, .
5.2. Организация данных и расчетов на листе MS Excel. Рассмотрим пример построения однофакторной эконометрической модели по данным временной выборки показателей - доходы населения (млн. грн.), - товарооборот продовольственных товаров (млн. грн.) (исходные данные примера в ячейках , рис. 5.1). При выявлении автокорреляции рассмотрим возможные способы ее устранения (принятый уровень значимости ).
Для нахождения параметров уравнения регрессии МНК воспользуемся функцией «Регрессия» надстройки «Анализ данных» (отчеты на рис. 5.1, 5.2). На основании данных отчета «Вывод остатка» по формуле (5.2) рассчитаем (реализация формул в табл. 5.1) фактическое значение статистики Дарбина-Уотсона: .
Рис. 5.1. Исходные данные примера лабораторной № 4 и отчет функции «Регрессия» надстройки «Анализ данных».
Рис. 5.2. Отчет «Вывод остатка» функции «Регрессия» и расчет значений статистики Дарбина-Уотсона и коэффициента автокорреляции остатков первого порядка.
Таблица 5.1.