- •2. Предпосылки классического уравнения регрессии.
- •3 Несмещенная оценка коэффициента уравнения регрессии.
- •4. Эффективная оценка коэффициента уравнения регрессии.
- •5. Состоятельная оценка коэффициента уравнения регрессии.
- •6. Коэффициенты множественной корреляции и детерминации.
- •7. Анализ корреляционной матрицы.
- •8. Для чего и как в эконометрике используется критерий Стьюдента?
- •10. Что показывает критерий Фишера
- •11. Для чего в эконометрике используется критерий Дарбина-Уотсона
- •12. Что показывает коэффициент детерминации.
- •13. Какой критерий применяют для диагностики на гетероскедантичность (непостоянство дисперсии).
- •14. Структура динамического ряда. Основные компоненты.
- •15. Вид уравнения авторегресси первого порядка.
- •16. Вид уравнения скользящей средней.
- •18. Что такое «стационарная модель»?
- •19. Причины линеаризации. Примеры.
- •20. Множественная линейная регрессия
- •21. Использвание t-статистики для проверки статистических гипотез о параметрах регрессии.
- •22. Использование коэф-та детерминации r2 и f-критерия для проверки статистических гипотез о параметрах регрессии.
- •23 Мультиколлинеарность
- •24. Гетероскедастичность и гомоскедастичность
- •25. Условия Гаусса-Маркова
- •26. Оценка степени надежности уравнения регрессии. Коэф-ты корреляции, детерминации, дисперсионное отношение Фишера.
- •27. Проверка значимости коэф-тов регрессии по t-критерию Стьюдента
- •28. Тест Дарбина-Уотсона
- •31. Гетероскедастичность и корреляция во времени
- •32. Модель скользящего среднего ма(q). Процедура идентификации.
- •33. Модель авторегрессии ar(p). Процедура идентификации.
- •34. Модели arma (p, q) и arima (p,q,d)
33. Модель авторегрессии ar(p). Процедура идентификации.
Имеют дело со стационарными временными рядами. Задача состоит в том, чтобы построить модель остатков временных рядов
Стационарный ряд, особенности:
Значения ряда колеблются вокруг постоянного среднего значения с постоянной дисперсией
Дисперсия не зависит от времени
Автокорелляционная ф-я затухает с увеличением лага.
Авторегрессионная модель предназначена для описания стационарных временных рядов удовлетворяющих уравнению регрессии бесконечного порядка с достаточно быстро затухающими коэф-ми.
Автокор-я модель порядка 1 (р=1) (Марковский процесс – процессы, в кот. состояние объекта в каждый последующий момент времени определяется только состоянием в настоящий момент и не зависит от того, каким путем объект достиг этого состояния.
U(t)=μ * U(t-1) + ε(t)
μ –числовой коэф-т который лежит в интервале (-1;1)
ε(t) – регрессионнаые остатки , последовательность случайных величин, образующих «белый шум».
При ׀μ׀ близким к 1 дисперсия U(t) будет значительно меньше дисперсии ε(t), то есть параметр μ может быть рассмотрен как значение автокорреляции первого порядка. Это будет означать что в случае сильной корреляции соседних значений ряда U ряд слабых возмущений ε будет порождать сильное колебание остатков.
Идентификация модели – статистическое оценивание неизвестных параметров модели.
Идентификация модели:
Требуется статистически оценить параметры μ и дисперсии (δ2 ) по имеющимся значениям исходного ряда:
Шаг 1. Выделяем неслучайную составляющую ft
Шаг 2. Получаем отклонения. Ut=yt - ft
Шаг 3. Находим дисперсию отклонений γ = 1/n Σ (Ut – U)
Для большинства методов выделения составляющей ср.значения остатков U=0
Шаг 4. Находим μi и δ2 = ( 1 – μ2) * γ
Модель авторегрессии порядка 2 (p=2)
U(t)=μ1 * U(t-1) + μ2 * U(t-2) +…+ ε(t)
34. Модели arma (p, q) и arima (p,q,d)
ARIMA: Модели авто-регрессии проинтегрированного скользящего среднего широко используются при анализе временных рядов. Они неоценимы во многих задачах, например, как:
(а) средство получения сглаженных оценок спектра;
(б) источник параметрического пространства при распознавании образов, когда исходными данными являются временные ряды;
(в) основа способов, позволяющих находить моменты изменения характера поведения временных рядов