- •1. Предмет и задачи курса.
- •1.1 Определение эконометрики. Взаимосвязь с другими науками. Эконометрика и экономическая теория. Эконометрика и статистика. Эконометрика и экономико-математические методы.
- •Чем собственно занимается эконометрист?
- •1.2 Области применения эконометрических моделей. Методологические вопросы построения эконометрических моделей: обзор используемых методов.
- •2. Спецификация переменных в уравнениях регрессии.
- •2.1. Эконометрические модели: общая характеристика, различия статистического и эконометрического подхода к моделированию.
- •2. Регрессионные модели с одним уравнением.
- •3. Системы одновременных уравнений.
- •2.2.Спецификация переменных в уравнение регрессии. Ошибки спецификации.
- •3. Парная и множественная регрессия.
- •3.1.Понятие о функциональной, статистической и корреляционных связях. Основные задачи корреляционно-регрессионного анализа.
- •3.2. Уравнение регрессии, его смысл и назначение. Выбор типа математической функции при построении уравнения регрессии.
- •3.3 Линейная модель парной регрессии. Метод наименьших квадратов (мнк). Свойство оценок мнк.
- •Статистические свойства оценок метода наименьших квадратов.
- •Дополнительное предположение о нормальном распределении ошибок
- •Свойств выборочных вариаций (дисперсий) и ковариаций.
- •Свойства остатков
- •Несмещенность мнк-оценок
- •Состоятельность оценок
- •Эффективность (оптимальность) оценок
- •Несмещённость.
- •Эффективность.
- •Противоречия между несмещённостью и минимальной дисперсией.
- •Влияние увеличения размера выборки на точность оценок.
- •Состоятельность.
- •3.4.Ковариация. Коэффициент ковариации. Показатели качества регрессии: линейный коэффициент регрессии, коэффициент детерминации.
- •3.5.Стандартная ошибка уравнения регрессии. Оценка статистической значимости показателей корреляции, параметров уравнения регрессии. Дисперсионный анализ. Критерии Фишера и Стьюдента.
- •Интервалы прогноза по линейному уравнению регрессии.
- •3.6. Понятие о множественной регрессии. Классическая линейная модель множественной регрессии (клммр). Определение параметров уравнения множественной регрессии методом наименьших квадратов.
- •Классическая модель множественной линейной регрессии.
- •Предпосылки классической многомерной линейной регрессионной модели.
- •Выбор формы уравнения регрессии.
- •Частные уравнения регрессии
- •Множественная корреляция
- •Частная корреляция
- •3.8. Оценка качества модели множественной регрессии: f-критерий Фишера, t-критерий Стьюдента. Мультиколлинеарность. Методы устранения мультиколлинеарности.
- •Глава 4. Предпосылки метода наименьших квадратов
- •4.1. Исследование остатков величин регрессии.
- •4.2. Проблема гетероскедастичности. Её экономические причины и методы выявления.
- •4.3. Линейные регрессионные модели с гетероскедастичными и автокоррелированными остатками.
3. Системы одновременных уравнений.
Эти модели описываются системами уравнений. Системы могут состоять из тождеств и регрессионных уравнений, каждое из которых может, кроме объясняющих переменных, включать в себя также объясняемые переменные из других уравнений системы. Т. о. мы имеем здесь набор объясняемых переменных, связанных через уравнение. Примером, может служить модель спроса и предложения, приведённая ниже. Системы одновременных уравнений требуют относительно более сложный математический аппарат. Они могут использоваться для моделей страновой экономики.
Пусть - спрос на товар в момент времени t;
- предложение товара в момент t;
- цена на товар в момент времени t;
- доход в момент времени t;
Составим следующую систему уравнений «спрос-предложение»:
(предложение);
(спрос);
(равновесие).
Цена товара и спрос на товар определяются из уравнений модели, т. е. являются эндогенными переменными. Предопределёнными переменными в данной модели является доход и значение цены товара в предыдущий момент времени .
Становление и развитие эконометрического метода (ЭМ) происходили на основе «высшей статистики» - на методах парной и множественной регрессии, парной, частной и множественной корреляции, выделении тренда и других компонент временного ряда.
Первый момент. Эконометрика как система специфических методов начала развиваться с осознания своих задач – отражения особенностей экономических переменных и связей между ними.
В уравнение регрессии стали включаться переменные не только I, но и II степени – с целью отразить свойство оптимальности экономических переменных: наличия значений, при которых достигается мини-максное воздействие на зависимую переменную. Так влияние удобрений на урожайность: до определенного уровня насыщение ими почвы способствует росту урожайности, но дальнейшее наращивание после достижения оптимального уровня не приводит к росту урожайности, а может даже вызвать её снижение. То же можно сказать о воздействии многих социально-экономических переменных (возраста рабочего на уровень производительности труда или влияние дохода на потребление продуктов питания и т. д.). В конкретных условиях нелинейность влияния переменных может не подтвердиться, если данные варьируют в узких пределах, т. е. являются однородными.
Второй момент – это взаимодействие социально-экономических переменных, которое может рассматриваться как самостоятельная компонента в уравнении регрессии .
Эффект взаимодействия ( ) может оказаться статистически незначимым. Поэтому понятие о нелинейности и неаддитивности связей не исключают внимания к проблеме применимости линейных и аддитивных уравнений регрессии.
По Гольдбергеру:
1. Функция линейна по всем независимым переменным тогда и только тогда, когда не включает , т. е. , эффект данного изменения по не зависит от .
2. Функция является аддитивной по , тогда, когда не включает , т. к. когда - это эффект данного изменения по каждой независимой переменной не зависит от уровня другой переменой.
Например:
1) - линейна и аддитивна по и по ;
2) - линейна по и по , но не аддитивна ;
3) - нелинейна по и по , и неаддитивна.
В 30-е годы 20 в. повсеместное увлечение регрессией сменилось разочарованием. Строя уравнение множественной регрессии, и стремясь включить как можно больше переменных, исследователи сталкивались с бессмысленными результатами – с несоответствием знаков при коэффициентах регрессии априорным предположением, а также необъяснимым изменением их значений.
Причина заключается в том, что изолированно взятое уравнение регрессии есть не что иное, как модель «чёрного ящика», поскольку в ней не раскрыт механизм зависимости выходной переменной y от входных переменных xi, а лишь констатируется факт наличия такой зависимости.