- •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
Классические модельные предположения
П.1. Отсутствие систематических ошибок наблюдений уравнения регрессии:
Другими словами, при операции усреднения переменных моделей, влияние случайной переменной исчезает.
П.2. Наблюдения организованы так, что случайные ошибки не коррелированны между собой:
П.3. Наблюдения производятся с одинаковой точностью, т.е. дисперсии случайных переменных одинаковы во все моменты измерения = гомоскедастичность
П.4. Экзогенные переменные измеряются без ошибок, и в случае модели множественной регрессии их значения, полученные на протяжении всех моментов наблюдения, образуют линейно-независимые векторы.
П.5. Закон распределения вероятностей случайной переменной принадлежит к классу нормальных распределений с нулевым матожиданием и дисперсией, которая чаще всего неизвестна.
4. Статистическое оценивание параметров плр по методу наименьших квадратов. Свойства мнк – оценок
Самым распространенным и теоретически обоснованным является метод нахождения коэффициентов, при котором минимизируется сумма квадратов отклонений (МНК). Этот метод оценки является наиболее простым с вычислительной точки зрения. Кроме того, оценки коэффициентов регрессии, найденные МНК при определенных предпосылках, обладают рядом оптимальных свойств.
Задача: нахождение оценок параметров β0 и β1
Оценка β0 и β1 – выбрать наименьшие значения параметров, при которых линия регрессии ближе к точке наблюдения.
МНК (условие минимизации):
Минимизация функции:
Функция Q – непрерывна, выпукла, ограничена снизу, следовательно, она имеет минимум. Q – критерий качества.
Необходимое условие существования минимума функции двух переменных равенство нулю ее частных производных по неизвестным параметрам b0 и b1.
Выборочный коэффициент парной корреляции:
или
= = станд. отклонение = корень из дисперсии = станд. ошибка
=
Свойства:
1)
2) чем ближе модуль к 1, тем более тесная линейная зависимость
если – отсутствует
3) r>0 – прямая, r<0 – обратная
4) если значения переменных уменьшаются на определенную одинаковую величину, не изменяется
5) =d – функция
6) =
7) =1
8) =0, линейная зависимость отсутствует, а признакиx, y – некоррелиров. (но не независимые)
9) если x, y статистически независимы, то (но не наоборот)
10) при норм. распределении при некорр. x, y, они независимы
Проверить равенство нулю можно при помощи:
Н0: r=0 – гипотеза о нуле
Н1: r≠0 – гипотеза о не нуле
Свойства мнк-оценок:
Свойство 1. Оценки параметров иимеют нормальные вероятностные законы распределения и обладают свойством несмещенности.
Свойство 2. Фундаментальное свойство МНК формулируется в виде теоремы Гаусса-Маркова, отмечающей высокую степень близости МНК-оценок к искомым параметрам.
Теорема Гаусса-Маркова
МНК-оценки параметров линейной регрессии обладают наименьшими дисперсиями среди множества всех несмещенных и линейно-зависимых от эндогенных переменных оценок в рамках модельных предположений П1-П4.
5. Проверка качества множественной линейной регрессии: значимость параметров, доверительные интервалы, адекватность модели. Прогнозирование.
Проверка значимости параметров (того, что они не равны нулю):
критерий Стьюдента:
где P - значение параметра; Sp - стандартное отклонение параметра.
Рассчитанное значение сравнивают с табличным при выбранной доверительной вероятности (0.95) и числе степеней свободы N-k-1, где N-число точек, k-число переменных в регрессионном уравнении (например, для линейной модели Y=A*X+B подставляем k=1).
Если вычисленное значение tp выше, чем табличное, то коэффициент регрессии является значимым
Проверка адекватности регрессионной модели - проверка обоснованности выбора принятой в соответствии с моделью регрессии взаимосвязи и
коэффициент детерминации:
.
Справедливость правой части формулы основана на тождестве (Равенство дисперсионного анализа):
TSS=ESS+RSS
Общая сумма квадратов отклонения от среднего= сумма квадратов, обусловленных регрессией+ ост. сумма квадратов
(в случае парной линейной регрессии)
а) если , то говорят, что ПЛР полностью отражает зависимостьx от y
б) если то делают вывод о том, что информация о значениях переменнойx не влияет на изменение результирующего показателя y:
1) модель абсолютно адекватна,2) следует вывод о непригодности ПЛР
в) чем ближе R2 к 1, тем точнее пр-з
Однако, значение возрастает с ростом числа переменных в регрессии, что не означает улучшения качества предсказания, и потому вводится скорректированный коэффициент детерминации
Скорректированный коэффициент детерминации (с учётом степеней свободы):
= 1-
где – число экзогенных переменных,– число наблюдений.
По модели регрессии можно осуществить прогноз зависимой переменной вида: где– параметр, указывающий на глубину прогноза,– планируемое в будущем моменте временизначение факторной переменной.
Критерий Фишера отражает, насколько хорошо эта модель объясняет общую дисперсию зависимой переменной:
где R - коэффициент корреляции; f1 и f2 - число степеней свободы.
Число степеней свободы объясненной дисперсии f1 равно количеству объясняющих переменных (например, для линейной модели вида Y=A*X+B получаем f1=1). Число степеней свободы необъясненной дисперсии f2 = N-k-1, где N-количество экспериментальных точек, k-количество объясняющих переменных (например, для модели Y=A*X+B подставляем k=1).
Доверительный интервал для коэффициентов корреляции
Доверительный интервал прогноза переменной может быть представлен в виде
по мере увеличения горизонта прогнозирования (к >>1) увеличивается ширина доверительного интервала, что соответствует уменьшению точности прогнозируемого значения.