- •Эконометрическая модель.
- •Измерения в экономике. Шкалы измерений.
- •Случайные события и случайные переменные. Распределение случайных величин.
- •Статистические характеристики случайных величин и их свойства.
- •Основные функции распределения.
- •Оценки статистических характеристик и их желательные свойства.
- •Проверка статистических гипотез.
- •Критерий и критическая область.
- •Мощность статистического критерия. Уровень значимости.
- •Модель линейной регрессии.
- •Оценивание параметров регрессии. Метод наименьших квадратов.
- •Система нормальных уравнений мнк и ее решение.
- •Свойства оценок параметров, полученных методом наименьших квадратов. Условия Гаусса – Маркова.
- •Коэффициент детерминации и его свойства.
- •Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия.
- •Доверительные интервалы оценок параметров и проверка гипотез об их значимости.
- •Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза.
- •Ковариационная матрица оценок коэффициентов регрессии.
- •Проверка значимости коэффициентов и адекватности регрессии для множественной линейной регрессионной модели.
- •Коэффициент множественной детерминации. Скорректированный коэффициент детерминации.
- •Проблемы спецификации регрессионной модели. Пошаговая регрессия.
- •Проблема смещения Предположим, что переменная у зависит от двух переменных х1, и х2 в соответствии с соотношением:
- •Неприменимость статистических тестов
- •Замещающие переменные. Фиктивные переменные.
- •Мультиколлинеарность. Влияние мультиколлинеарности на оценки параметров уравнения регрессии.
- •Методы борьбы с мультиколлинеарностью.
- •Линеаризация регрессионных моделей путем логарифмических преобразований.
- •Модели с постоянной эластичностью. Производственная функция Кобба - Дугласа.
- •Модель с постоянными темпами роста (полулогарифмическая модель).
- •Полиномиальная регрессия.
- •Кривая Филипса
- •Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
- •Признаки гетероскедастичности и ее диагностирование. Обнаружение гетероскедастичности
- •1. Графический анализ остатков
- •2. Тест ранговой корреляции Спирмена
- •3. Тест Голдфелда-Квандта
- •Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
- •Автокорреляция. Причины автокорреляции.
- •Влияние автокорреляции на свойства оценок мнк.
- •Тест серий. Статистика Дарбина – Уотсона.
- •Способы противодействия автокорреляции.
- •Стохастические объясняющие переменные. Последствия ошибок измерения.
- •Инструментальные переменные.
- •Лаговые переменные и экономические зависимости между разновременными значениями переменных.
- •Модели с распределенными лагами.
- •Модели авторегрессии как эквивалентное представление моделей с распределенными лагами.
- •Ожидания экономических агентов и лаговые переменные в моделях
- •Модели наивных и адаптивных ожиданий.
- •Модель гиперинфляции Кейгана.
- •44. Модель гиперинфляции Кейгана
- •Понятие об одновременных уравнениях. Структурная и приведенная форма модели.
- •Структурная и приведённая форма. Идентифицируемость
- •Примеры
- •Проблема идентификации. Неидентифицируемость и сверхидентифицированность.
- •Оценивание системы одновременных уравнений. Косвенный и двухшаговый мнк.
- •Системы эконометрических уравнений с лаговыми переменными.
- •Модель Кейнса.
- •Модель Клейна.
- •Матричная форма записи модели Клейна
Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
Проявление гетероскедастичности связано с нарушением одного из семи условий Гаусса-Маркова: случайный член имеет постоянную дисперсию ( ). Чаще гетероскедастичность возникает в моделях, основанных на перекрестных выборках, но встречается и во временных рядах.
Виды: 1. истинная (вызывается непостоянством дисперсии случайного члена, ее зависимостью от различных факторов);
2. ложная (вызывается ошибочной спецификацией модели регрессии).
Источники: 1. истинная гетероскедастичтность возникает в пространственных выборках при зависимости масштаба изменений зависимой переменной от некоторых переменных, называемой фактором пропорциональности(Z).
2. истинная гетероскедастичность возникает также с во временных рядах, когда зависимая переменная имеет большой интервал качественно неоднородных знаний или высокий темп изменения.
3. истинная гетероскедастичность возникает в любой модели в случае если качество данных варьирует внутри выборки.
Гетероскедастичность простейшего вида: , Z – фактор пропорциональности (переменная, включенная или не включенная в уравнение регрессии)
Последствия: 1. истинная не приводит к смещению оценок коэффициентов регрессии;
2. гетероскедастичность увеличивает дисперсию распределения оценок коэффициентов.
3. гетероскедастичность вызывает тенденцию к недооценке стандартных ошибок коэффициентов при использовании OLS (метод наименьших квадратов).
Признаки гетероскедастичности и ее диагностирование. Обнаружение гетероскедастичности
Обнаружение гетероскедастичности является довольно сложной задачей. В настоящее время существует ряд методов, позволяющих определить наличие гетероскедастичности.
1. Графический анализ остатков
В этом случае по оси абсцисс откладываются значения объясняющей переменной , а по оси ординат либо отклонения , либо их квадраты . Примеры таких графиков представлены на рисунке 4.2.
На рисунке 4.2, а все отклонения находятся внутри полуполосы постоянной ширины, параллельной оси абсцисс. Это говорит о независимости дисперсий от значений переменной и их постоянстве, т.е. в этом случае выполняются условия гомоскедастичности.
На рисунках 4.2, б 4.2, д наблюдаются некоторые систематические изменения в соотношениях между и . Рисунок 4.2, б соответствует примеру из главы 4.1. Рисунок (в) отражает линейную, рисунок 4.2, г – квадратичную, рисунок 4.2, д – гиперболическую зависимости между квадратами отклонений и значениями объясняющей переменной . Другими словами, ситуации 4.2, б 4.2, д отражают большую вероятность наличия гетероскедастичности для рассматриваемых статистических данных.
Р ис. 4.2
Графический анализ остатков является удобным в случае парной регрессии. При множественной регрессии графический анализ возможен для каждой из объясняющих переменных , . Чаще вместо объясняющих переменных по оси абсцисс откладывают значения , , получаемые из эмпирического уравнения регрессии.