- •Лекция №8 показатели качества регрессии
- •Лекция №13 нормальная линейная модель множественной регрессии Лекция №14
- •Лекция №15 традиционный метод наименьших квадратов для многомерной регрессии
- •Лекция №21 тест чоу
- •Лекция №31 оценка сверхидентифицированного уравмвшя. Двухшаговый метод наименьших квадратов (дмнк – 2 sls)
- •Лекция №32 автокорреляция уровней временного ряда и выявление его структуры
- •Лекция №33 моделирование тенденции временного ряда (построение тренда)
- •Лекция №34 моделирование сезонных и циклических колебаний
- •Лекция №42 модель частичной (неполной) корректировки
Лекция №21 тест чоу
Рис. 5. Применение теста Чоу
а – объединенная регрессия; б – отдельные регрессии подвыборок
.
Рассмотрим применение теста Чоу на примере. Воспользуемся данными табл. 8. Пусть мы решили, что следует построить 2 отдельных уравнения регрессии для рабочих-мужчин и рабочих-женщин. Тогда оценивание объединенной регрессии и регрессий для подвыборок дает результаты, приведенные в табл. 10.
Таблица 10
Выборка |
Оцененное уравнение |
R2 |
Сумма квадратов остатков |
Объединенная выборка, |
Тнабл (4,29) (4,104) |
0,728 |
24888 |
Мужчины |
Тнабл (1,39) (6,88) |
0,735 |
24027 |
Женщины |
Тнабл (1,43) (6,48) |
0,712 |
24831 |
Соответствующая F-статистика будет равна:
.
Лекция №22
НЕЛИНЕЙНАЯ МНОЖЕСТВЕННАЯ РЕГРЕССИЯ. ПРОИЗВОДСТВЕННАЯ ФУНКЦИЯ
Лекция №23
ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНОЙ СОСТАВЛЯЮЩЕЙ
Рис. 6. Корреляционное поле. Случаи гетероскедастичности
Рис. 7. Графики зависимости остатков от теоретических значений результата. Случаи гетероскедастичности
и .
Лекция №24
АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ СОСТАВЛЯЮЩИХ. ОБНАРУЖЕНИЕ АВТОКОРРЕЛЯЦИИ СЛУЧАЙНЫХ СОСТАВЛЯЮЩИХ. КРИТЕРИЙ ДАРБИНА-УОТСОНА
X(доход)
Рис. 8. Пример положительной автокорреляции
Рассмотрим способы обнаружения автокорреляции остатков (а следовательно, и случайных составляющих).
Рис. 9. Обнаружение автокорреляции остатков
Для проверки основной гипотезы используется статистика критерия Дарбина-Уотсона – DW:
, где .
Рис. 10. Тест Дарбина-Уотсона на автокорреляцию
Лекция №25
УСТРАНЕНИЕ АВТОКОРРЕЛЯЦИИ СЛУЧАЙНЫХ СОСТАВЛЯЮЩИХ
Лекция №26
ОБОБЩЕННЫЙ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ –ОМНК (GLS)
.
,
где – дисперсия случайной составляющей, оценкой которой служит величина:
,
где h – число оцениваемых параметров;
n – объем выборки.
Лекция №27
СТОХАСТИЧЕСКИЕ ОБЪЯСНЯЮЩИЕ ПЕРЕМЕННЫЕ. ОБНАРУЖЕНИЕ КОРРЕЛЯЦИИ ОБЪЯСНЯЮЩИХ ПЕРЕМЕННЫХ И СЛУЧАЙНОЙ СОСТАВЛЯЮЩЕЙ.
Рис. 11. Обнаружение корреляции x и u
Лекция №28
СИСТЕМЫ ЗКОНОМЕТРИЧЕСКИХ УРАВНЕНИЙ. ИХ ВИДЫ. СТРУКТУРНАЯ И ПРИВЕДЕННАЯ ФОРМА МОДЕЛИ
Лекция №29
ПРОБЛЕМА ИДЕНТИФИКАЦИИ. НЕОБХОДИМОЕ И ДОСТАТОЧНОЕ УСЛОВИЕ ИДЕНТИФИКАЦИИ
Лекция №30
ОЦЕНКА ТОЧНО ИДЕНТИФИЦИРОВАННОГО УРАВНЕНИЯ. КОСВЕННЫЙ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ (КМНК – ILS)
Имеются данные за 6 периодов времени по переменным (табл.11).
Таблица 11
t |
Qt |
Рt |
It |
Рt-1 |
1 |
105 |
15 |
14 |
12 |
2 |
130 |
12 |
16 |
15 |
3 |
100 |
14 |
12 |
12 |
4 |
120 |
15 |
15 |
14 |
5 |
125 |
14 |
16 |
15 |
6 |
120 |
15 |
17 |
14 |
Итого |
700 |
85 |
90 |
82 |
модели можно применить косвенный МНК:
1 шаг. Составим приведенную форму:
;
.
2 шаг. С помощью обычного МНК найдем оценки приведенных коэффициентов. В соответствии с методикой МНК, система нормальных уравнений для расчета параметров 1-го приведенного уравнения (А1, А2, А3) примет вид:
По данным табл. 11 имеем:
Решив систему находим, что A1 = 1,55; А2 = 1,15; А3 = 7,16.
;
.
3 шаг. По оцененной приведенной форме получим 1-е уравнение структурной формы модели – зависимость Qt от Рt и Рt-1. Для этого выразим из 2-го уравнения приведенной формы It:
It = –19,34/0,55+(0,99/0,55) Рt-1+(1/0,55)Рt = = –34,9+1,78 Рt-1+1,8 Рt .
Затем подставим полученное выражение в 1-е уравнение приведенной формы:
=–38,54+2,07 Рt+9,21Рt-1.
Следовательно, а0 = 38,54; а1 = –2,07; а2 =–9,21.