- •1. Основные понятия математического моделирования социально-экономических систем
- •2. Предмет, цель и задачи эконометрики. Эконометрическая модель, основные этапы построения эконометрической модели.
- •Этапы эконометрического моделирования:
- •3. Простая (парная) линейная регрессия (плр). Классические предположения моделей.
- •Классические модельные предположения
- •4. Статистическое оценивание параметров плр по методу наименьших квадратов. Свойства мнк – оценок
- •Свойства мнк-оценок:
- •5. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •6. Множественная линейная регрессия (млр). Классические предположения. Мнк-оценка параметров модели.
- •7. Свойства мнк-оценок множественной линейной регрессии. Теорема Гаусса- Маркова.
- •8. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
- •5. Коэф. Детерминации
- •Прогнозирование по модели множественной линейной регрессии
- •9. Спецификация эконометрической модели: способы и диагностика отбора экзогенных переменных. Тесты Рамсея и Амемья.
- •Критерий Рамсея (Ramsey):
- •10. Спецификация эконометрической модели: выбор формы зависимости нелинейной модели
- •Принципы спецификаций
- •11. Проблема наличия мультиколлинеарности. Последствия наличия и диагностики мультиколлинеарности.
- •Методы диагноза мультиколлинеарности:
- •12. Методы устранения мультиколлинеарности. Метод главных компонент. Гребневая регрессия.
- •13. Проблемы гетероскедастичности модели. Критерии ее диагностики.
- •1. Критерий Парка (Park).
- •2. Критерий Голдфелда-Кандта (Goldfeld-Quandt).
- •3. Критерий Бриша-Пагана (Breusch-Pagan).
- •4. Критерий Вайта (White).
- •14. Обобщенный мнк (омнк). Свойства оценок млр по омнк. Взвешенный мнк в задаче оценивания параметров модели. Свойства оценок по взвешенному мнк.
- •Вопрос 15. Проблема автокорреляции остатков модели. Последствия автокорреляции при использовании модели.
- •Причины автокорреляции остатков
- •Последствия автокорреляции:
- •16. Критерий диагностики автокорреляции Дарбина-Уотсона
- •17.Методы устранения автокорреляции. Процедуры оценивания Кохрейна-Оркатта и Хильдрета-Лу
- •18. Модели с распределенными лагами: структура лагов по Койку: Частные случаи (модель с неполной корректировкой и адаптивных ожиданий)
- •19 Модели с распределенными лагами: линейно-арифметическая структура лагов и полиномиальная структура лагов по Алмон
- •20. Тест h-Дарбина и множественный тест Лагранжа проверки автокорреляции в лаговых моделях
- •21. Понятие временного ряда (вр). Модель вр, основные задачи анализа вр. Методы сглаживания вр (скользящего среднего, экспоненциального сглаживания, последовательных разностей)
- •22 Стационарность временного ряда (вр). Характеристики корреляции уровней вр.
- •23 Стационарные модели временных рядов: авторегрессии, скользящего среднего, арсс
- •24. Нестационарная модель арисс. Оценка параметров модели.
- •28. Прогнозирование временных рядов. Показатели точности прогнозов.
- •30. Тест Чоу диагностики включения фиктивных переменных в эконометрическую модель.
- •32. Системы одновременных эконометрических уравнений (соу). Структурная и приведенная форма соу (графическое и матричное представление).
- •33. Проблемы идентификации систем одновременных уравнений (соу). Идентифицируемость уравнений соу (порядковый и ранговый критерии)
- •34. Методы оценивания систем одновременных уравнений: косвенный мнк, двухшаговый мнк. Применимость и свойства оценок
- •35. Современное состояние эконометрики. Примеры больших эконометрических моделей
19 Модели с распределенными лагами: линейно-арифметическая структура лагов и полиномиальная структура лагов по Алмон
В экономике редко встречаются случаи, когда эндогенные и экзогенные переменные включаются в модель в один и тот же момент времени. Это объясняется прежде всего тем, что решения, которые должны принять экономисты, требуют определенного срока, необходимого для их воплощения в жизнь. Разновидность эконометрической модели, в которой только экзогенные переменные входят с учетом запаздывания во времени, носят названия лаговых.
Есть три основные формы: линейная, геометрическая и полиномиальная. Графики:
На практике при оценивании модели могут встретиться трудности. Может оказаться, что количество коэффициентов q+2 слишком велико, если по смыслу задачи ожидается влияние с большим запаздыванием. Плюс, если матрица X'X оказывается близко к вырожденной, то мы оказываемся в ситуации мультиколлинеарности. Для преодоления этих трудностей обычно предполагается та или иная форма «гладкости» распределения лагов
Существуют две популярных модели (полиномиальных лагов Алмон и геометрических лагов Койка), которые приводят к уменьшению числа оцениваемых параметров.
Суть метода Алмон: сократить количество неизвестных параметров
есть модель
Если рассматривать b(k) как полиномы невысокой степени l, получим:
где а0, а1 и т.д. – неизвестные. Тогда, подставляя вместо b(k) их правые части из второй модели в первую, можно преобразовать до такого вида:
В конечном уравнении только l+2 переменных вместо в самой первой модели.
Формула чуть ниже – это преобразование из промежуточного состояния в конечное (с подстановкой вместоb(k)) на случай, если понадобится:
20. Тест h-Дарбина и множественный тест Лагранжа проверки автокорреляции в лаговых моделях
h-критерий Дарбина
Критерий h Дарбина применяется для выявления автокорреляции остатков в модели с распределёнными лагами:
где n — число наблюдений в модели;
V — стандартная ошибка лаговой результативной переменной.
При увеличении объёма выборки распределение h-статистики стремится к нормальному с нулевым математическим ожиданием и дисперсией, равной 1. Поэтому гипотеза об отсутствии автокорреляции остатков отвергается, если фактическое значение h-статистики оказывается больше, чем критическое значение нормального распределения
Тест Бреуша-Годфри (LM-тест) – процедура проверки автокорреляции произвольного порядка в случайных ошибках регрессионных моделей. Тест является асимптотическим (для достоверности выводов требуется большой объем выборки). Тест позволяет проверить автокорреляцию любого порядка.
Для проверки автокорреляции порядка p тест использует вспомогательную регрессию МНК-остатков исходной модели на факторы этой модели и лаговые значения остатков:
Далее для этой вспомогательной регрессии проверяется гипотеза об одновременном равенстве нулю всех коэффициентов при лаговых остатках. Проверка осуществляется с помощью соответствующей LM-статистики, равной nR2, где R2 – коэффициент детерминации вспомогательной модели, а n – объем выборки (данный объем выборки на p меньше объема выборки исходной модели, так как из-за лаговых значений остатков во вспомогательной регрессии первые p наблюдений не учитываются). Статистика теста имеет асимптотическое распределение . Если значение статистики превышает критическое табличное значение, то автокорреляция признается значимой, в противном случае она незначима.