- •Вопросы к экзамену по курсу "Эконометрика" для студентов экономического факультета групп 3.1 2011/12 уч. Год
- •Определение эконометрики. Предмет и методы эконометрики.
- •Классификация моделей и типы данных.
- •Этапы построения эконометрической модели.
- •Модель парной регрессии.
- •6.Условия нормальной линейной регрессии (Гаусса-Маркова)
- •Метод наименьших квадратов.
- •Свойства коэффициентов регрессии.
- •Нелинейная регрессия. Методы линеаризации.
- •Функциональная спецификация модели парной регрессии.
- •Интерпретация линейного уравнения регрессии.
- •Определение тесноты связи между факторами: линейный коэффициент корреляции, коэффициент детерминации.
- •Оценка тесноты связи в нелинейной регрессионной модели.
- •Оценка существенности параметров и статистическая проверка гипотез. T-критерий Стьюдента.
- •Взаимосвязь t-статистики и f-статистики для парной регрессии.
- •Коэффициент эластичности. Его смысл и определение.
- •Оценка статистической значимости уравнения в целом. F-критерий Фишера.
- •Модель множественной регрессии.
- •Ограничения модели множественной регрессии.
- •Идентификация параметров множественной регрессии мнк.
- •Интерпретация множественного уравнения регрессии.
- •Показатели тесноты связи во множественном регрессионном анализе - парные и частные коэффициенты корреляции.
- •Стандартизированное уравнение множественной регрессии.
- •Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.
- •Оценка статистической значимости множественных коэффициентов регрессии, t-критерий Стьюдента.
- •Модели с переменной структурой (фиктивные переменные).
- •Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
- •Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
- •Решение проблемы выбора модели (с ограничением и без ограничения).
- •Методы отбора факторов: априорный и апостериорный подходы.
- •Гетероскедастичность и автокорреляция случайного члена.
- •Автокорреляция 1-го порядка и критерий Дарбина-Уотсона.
- •Тест серий (критерий Бреуша-Годфри)
- •Тесты на гетероскедастичность: Голдфелда-Квандта, тест Уайта.
- •Системы регрессионных (одновременных) уравнений.
- •Структурная и приведенная формы модели.
- •Эндогенные и экзогенные переменные. Проблема идентифицируемости систем уравнений.
- •Оценивание параметров в системах одновременных уравнений: косвенный и двухшаговый мнк.
Гетероскедастичность и автокорреляция случайного члена.
В случае, когда имеющие статистические данные однородные, допущение о постоянстве дисперсий вполне оправданы. В другом случае, оно может быть неприемлемо.
у- расход потребителя, х – денежный доход
Выполнение 3-го условия Г.-М. гарантирует отсутствие автокорреляции случайного члена.
Если условие нарушается, то появляется автокорреляция, которая как правило, наблюдается во временных рядах.
Случайная компонента в уравнении регрессии подвергается воздействию переменных влияющих на у, которые не включены в модель.
Автокорреляция представляет тем большую проблему, чем меньше интервал м/у наблюдениями. Чем больше интервал, тем менее правдоподобно, что при переходе от одного наблюдения к другому будет сохранен характер влияния неучтенных факторов.
При + автокор мы имеем сначала несколько положительных значений U, а потом несколько отрицательных.
При – автокор мы имеем частые пересечения линии регрессии.
Автокорреляция 1-го порядка и критерий Дарбина-Уотсона.
Рассмотрим частный случай когда автокорреляция подчиняется авторегрессионной схеме 1го порядка (зависит от самой себя).
Ut=ρUt-1+ζt <= зависит от своего значения в предыдущем периоде (лаг =1)
Ρ – коэффициент корреляции м/у Ut и Ut-1
Если р=0, то автокорреляция отсутствует,
Если р не равно 0, то – присутствует
р<0, то отрицательная корреляция
р>0, то положительная корреляция
Мы не располагаем способом измерения случайной компоненты, поэтому не можем оценить регрессию непосредственно, мы можем оценить р, апроксимируя ряд случайного члена рядом остатков еt , и применяя МНК
Статистика Дарбина-Уотсона имеет вид:
Для больших выборок:
При d принимающем следующие значения, корреляция будет:
Критические значения d, при любом уровне значимости зависят от числа объясняющих переменных в уравнениях регрессии, от количества наблюдений в выборке, а также от конкретных значений объясняющих переменных, попавших в выборку, поэтому не возможно составить таблицу критических значений d статистики, для всех возможных выборок. Могут только лишь рассчитываться верхние и нижние границы d.
Для положительной корреляции верхней и нижней границы обычно обозначают dl и du.
Если мы точно знали критическое d, то могли бы сравнить с ним фактическое d и в случае, если фактическое значение больше критического, то мы отклоним гипотезу Н0 (р=0), и сделаем вывод о наличии положительной автокорреляции. В противном случае - нет оснований говорить о присутствии автокорреляции.
Но поскольку мы можем определить только верхнюю и нижнюю границу, то существует область неопределенности в которой мы не можем ни отклонить, ни применить, ни одну из гипотез и тогда всю область в статистике Дарбина-Уотсона можно разделить на несколько частей.
Недостаток: позволяет выявлять только автокорреляцию первого порядка и присутствуют зоны неопределенности.
Тест серий (критерий Бреуша-Годфри)
Основная идея: если имеется корреляция между соседними наблюдениями, то можно ожидать , что в уравнении :
коэффициент ρ будет значительно отличаться от нуля, где
et – ряд остатков, оцениваемых МНК
et-1 – ряд остатков со сдвигом на одну позицию.
Это уравнение является авторегрессионным уравнением I порядка.
Преимущество:
1. Может оценивать наличие автокорреляции любого порядка, построив соответствующее уравнение регрессии;
2. Использование статистики Стьюдента для оценки этой статистики