- •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
Этапы эконометрического моделирования:
постановочный - определение конечных целей моделирования, набора участвующих в модели факторов и показателей, их роли;
априорный - предмодельный анализ экономической сущности изучаемого явления;
параметризация - собственно моделирование, т.е. выбор общего вида модели, входящих в неё связей между переменными;
информационный - сбор статистической информации;
идентификация модели - статистический анализ модели, Ответ на вопрос «Возможно ли восстановить значения неизвестных параметров модели по исходным данным?». После положительного ответа на этот вопрос необходимо решить проблему идентификации модели, то есть предложить и реализовать математически корректную процедуру оценивания неизвестных параметров модели по имеющимся исходным данным;
верификация модели — сопоставление реальных и модельных данных, проверка адекватности модели, оценка точности модельных данных.
3. Простая (парная) линейная регрессия (плр). Классические предположения моделей.
Модель линейной регрессии является часто используемой и наиболее изученной в эконометрике.
M(Y|x) = f(x),
f(x) ≠ const – Функция регрессии X(объясняющая) на Y (объясняемая).
При рассмотрении зависимости двух СВ говорят о парной регрессии. Зависимость нескольких переменных (множественная регрессия):
М(Y|x1, x2,…, xm) = f(x1, x2, …, xm)
Каждое индивидуальное значение yi отклоняется от соответствующего условного математического ожидания:
Теоретическая линейная регрессионная модель
β0 и β1 − теоретические параметры (теоретические коэффициенты) регрессии;
εi − случайное отклонение, характеризующая отклонения реального значения результативного признака от теоретического
Задачи линейного регрессионного анализа:
а) получить наилучшие оценки неизвестных параметров β0 и β1;
б) проверить статистические гипотезы о параметрах модели;
в) проверить, достаточно ли хорошо модель согласуется со статистическими данными (адекватность модели данным наблюдений).
В силу несовпадения статистической базы для генеральной совокупности и выборки оценки b0 и b1 практически всегда отличаются от истинных значений коэффициентов β0 и β1, что приводит к несовпадению эмпирической и теоретической линий регрессии.
Соотношение между теоретическим и эмпирическим уравнениями регрессии:
Выбор парной регрессии осуществляется:
1) графически (корреляционное поле)
2) корреляционный анализ
3) аналитически (на основе теории)
4) эксперимент
Корреляционный анализ – метод для изучения взаимосвязей между СВ, когда их данные можно считать случайными и выбранными из генерированной совокупности.
Предположим, что у нас есть набор значений двух переменных Соответствующие парыможно изобразить на одной плоскости:
Параметр a соответствует отрезку прямой, отсекаемой линией регрессии при пересечении с осью ординат, параметр b определяет наклон линии регрессии к оси абсцисс. При этом параметр a традиционно принято называть свободным членом регрессии, а параметр b – коэффициентом регрессии, который показывает, на сколько единиц в среднем изменится значение y при изменении x на одну единицу.