- •«Российская таможенная академия»
- •План чтения лекции №1
- •«Российская таможенная академия»
- •Понятие «эконометрика»
- •Формулировки определений понятия «эконометрика»
- •Задачи эконометрики
- •Эконометрическая модель
- •Задачи эконометрическoго моделирования
- •Классы эконометрических моделей
- •Типы данных и виды переменных в эконометрическом моделировании Типы данных
- •Виды переменных
- •Этапы эконометрического моделирования
- •Модели парной регрессии
- •Множественная регрессия. Мультиколлинеарность данных
- •3.2. Отбор факторов при построении множественной регрессии
- •3.2.1. Требования к факторам
- •3.2.2. Мультиколлинеарность
- •3.3. Выбор формы уравнения регрессии
- •3.4. Оценка параметров уравнения линейной
- •3.5. Качество оценок мнк линейной множественной регрессии. Теорема Гаусса-Маркова
- •3.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •3.7. Точность коэффициентов регрессии. Доверительные интервалы
- •3.8 Прогнозирование по модели множественной регрессии
- •3.9 Гетероскедастичность случайных остатков
- •3.10. Обобщенный метод наименьших квадратов
- •3.11. Фиктивные переменные
- •3.12. Тест Чоу
- •Системы одновременных уравнений
- •4.1. Структурная и приведённая форма модели
- •4.2. Оценивание параметров структурной модели
- •Методы оценивания структурных уравнений различных видов
- •1. Точная идентифицируемость
- •2.Сверхидентифицируемость
- •3.Неидентифицируемость
- •Порядковое условие идентификации
- •Ненулевое ограничение
- •3. Анализ методов оценивания
- •Моделирование изолированного динамического ряда
- •Компоненты динамического ряда
- •Выявление и характеристика основной тенденции развития
- •Экспоненциальное сглаживание.
- •Моделирование основной тенденции
- •Статистическое изучение сезонных колебаний
- •Автокорреляция уровней динамического ряда и характеристика его структуры
- •3; 1; 2; 1; 2; 1; 3; 3; 2; 3; 1; 2; 1; 1; 3; 3; 2; 2; 1; 3; 3; 2; 2; 3; 1; 2; 2; 1; 3; 1.
- •Специфика изучения взаимосвязей по рядам динамики
- •Методы исключения тенденции
- •Метод последовательных разностей
- •Метод отклонений от тренда
- •Включение в модель регрессии фактора времени
- •Обобщенный метод наименьших квадратов при построении модели регрессии по временным рядам
- •Модели с лаговыми переменными
- •Модели с распределенными лагами
- •Метод Койка
- •Модели авторегрессии
- •Интерпретация параметров модели авторегрессии
- •Инструментальные переменные как метод оценивания параметров модели авторегрессии
- •Оценка автокорреляции остатков по модели авторегрессии
- •Авторегрессионные процессы и их моделирование (общая характеристика) Авторегрессионные процессы
- •Модели скользящей средней
- •Модели arma
- •Модели arima
- •Методология построения модели arima для исследуемого временного ряда включает следующую последовательность шагов.
- •Кластерный анализ
3.2. Отбор факторов при построении множественной регрессии
3.2.1. Требования к факторам
Процесс отбора факторов в достаточно сложных ситуациях является итерационной процедурой, предполагающей, в частности, построение уравнений регрессии, и включает два этапа. Первоначально отбор факторов осуществляется на основе качественных соображений, исходя из представлений о природе взаимосвязи моделируемого показателя с другими экономическими показателями. На следующем этапе отобранные факторы подвергаются проверке на статистическую значимость. Окончательное решение о включении фактора в модель основывается на количественной оценке степени влияния фактора на изучаемый показатель.
К факторам, включаемым в модель, предъявляются следующие требования:
1. Факторы не должны быть взаимно коррелированы и, тем более, находиться в точной функциональной связи. Наличие высокой степени коррелированности между факторами может привести к неустойчивости и ненадежности оценок коэффициентов регрессии, а также к невозможности выделить изолированное влияние факторов на результативный показатель.
2. Включение фактора в модель должно приводить к существенному увеличению доли объясненной части в общей вариации зависимой переменной. Так как данная величина характеризуется таким показателем, как коэффициент детерминации , включение фактора в модель должно приводить к заметному изменению последнего. Формальная проверка существенности вклада фактора в модель выполняется с помощью оценки значимости соответствующего частного коэффициента корреляции либо значимости коэффициента в уравнении регрессии.
Если необходимо учесть влияние качественного фактора (не имеющего количественной оценки), то в модель включается соответствующая ему «фиктивная» переменная, имеющая конечное количество формально численных значений, соответствующих градациям качественного фактора. Например, если нужно учесть влияние уровня образования (на размер заработной платы), то в уравнение регрессии можно включить переменную z, принимающую значения z = 0 при начальном образовании, 1 -при среднем, 2 -при высшем.
Если для какого-либо показателя, который представляется важным для данного исследования, отсутствуют исходные данные, либо сам показатель четко не определен, то может быть полезно включить в модель некоторый ее «заменитель». Например, в качестве показателя качества образования можно использовать число преподавателей или расходы на одного студента. Такой подход основан на том факте, что не учет существенного показателя приводит к смещенным оценкам параметров. Например, производственная функция Кобба - Дугласа, построенная по данным экономики США за период 1949 – 1978 гг., построенная с учетом времени в качестве замещающей переменной для показателя технического прогресса имеет вид
logŶ = –1,03 + 0,17 logK + 0,93 logL + 0,024t,
(2,33) (0,66) (0,17) (0,016)
а без учета имеет вид
logŶ = –4,50+ 1,19 logK + 0,77 logL,
(0,57) (0,10) (0,15)
где –индекс объема выпуска частного сектора;K– индекс затрат капитала;
L –индекс затрат труда;t– время, равное единице в 1948 г. и т. д. Без учета замещающей переменной коэффициент приlogK неправдоподобно велик.
При отборе факторов в модель следует, по возможности, стремиться к минимизации количества факторов, так как неоправданное их увеличение приводит к затруднениям в интерпретации модели и снижению достоверности результатов.