- •1. Сутність моделювання як методу наукового пізнання.
- •2. Особливості та принципи математичного моделювання.
- •3. Основні дефініції економіко-математичного моделювання. Особливості економічних спостережень і вимірів.
- •4. Етапи економіко-математичного моделювання. Елементи класифікації економіко-математичних моделей.
- •5. Основні задачі економетрії.
- •6. Парна лінійна регресія. Метод найменших квадратів.
- •13. Прогнозування значень залежної змінної.
- •14. Визначення коефіцієнта еластичності.
- •15. Економетричний аналіз лінійної функції парної регресії в msExcel.
- •16. Загальна лінійна економетрична модель. Емпірична модель множинної лінійної регресії.
- •17. Етапи побудови економетричної моделі.
- •18. Побудова моделі множинної регресії; проведення кореляційного аналізу за допомогою msExcel.
- •19, Перевірка статистичної значущості коефіцієнта множинної детермінації за критерієм Фішера.
- •20, Визначення дисперсій оцінок параметрів та їх стандартних
- •21, Розрахунок довірчих інтервалів для оцінок параметрів із заданою надійністю. Розрахунок довірчих інтервалів для оцінок параметрів , та із заданою надійністю
- •23, Визначення часткових коефіцієнтів еластичності.
- •24, Моделі з порушенням передумов використання звичайного методу найменших квадратів.
- •26. Суть гетероскедастичності. Гетероскедастичність і зважений метод найменших квадратів.
- •27. Основні поняття і попередній аналіз рядів динаміки: поняття часового ряду.
- •28. Основні поняття і попередній аналіз рядів динаміки: основні характеристики динаміки часового ряду.
- •29. Основні поняття і попередній аналіз рядів динаміки: систематичні та випадкові компоненти часового ряду.
- •30. Перевірка гіпотези про існування тренда
- •31. Методи прогнозування часових рядів: методи соціально-економічного прогнозування.
- •32. Методи прогнозування часових рядів: прогнозування методів часового ряду за середніми характеристиками.
- •33. Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за механічними методами.
- •34. Методи прогнозування часових рядів: прогнозування тенденцій часового ряду за аналітичними методами.
13. Прогнозування значень залежної змінної.
Якщопобудована модель адекватна за F-критерієм, то її застосовують для прогнозування залежної змінної.
Про прогнозування регресанда говорять тоді, коли в часових рядах прогнозний період настає пізніше, ніж базовий. Якщо регресія побудована за просторовими даними, прогноз стосується тих елементів генеральної сукупності, що перебувають за межами застосованої вибірки.
Якість прогнозу тим краще, чим повніше виконуються передумови моделі в прогнозний часовий період, надійніше оцінено параметри моделі й більш точно визначено прогнозні значення регресорів.
Значення для майбутнього періоду чи додаткового елемента обчислюють за формулою, за відомим вектором оцінених параметрів і за вектором значень незалежних змінних , що не належить до базового періоду. Розрізняють прогноз середній (оцінку математичного сподівання регресанда) та індивідуальний (оцінку певної реалізації регресанда , що відповідає моменту р). Перша з них базується на передумові МНК про нульове математичне сподівання випадкової складової рівняння регресії, а друга застосовує оцінене значення . Оцінену дисперсію прогнозу обчислюють відповідно за формулами ; ;
Зрозуміло, що здебільшого реальне значення показника не збігатиметься зі значенням його математичного сподівання, але якщо розглядати велику кількість вибірок, на підставі яких визначатиметься прогноз, то можна гарантувати, що приблизно (1-α)*100% результатів потраплять відповідно до інтервалів ; , де – табличне значення критерію Стьюдента з n-m-1 ступенем вободи та при заданому рівнв значущості α/2. (Значення α/2 вибирають, як і раніше, через двостороння критичні межі.)
Зауваження. Очевидно, з віддаленням від середнього значення вибірки спостережень похибка прогнозу зростатиме, що призведе до збільшення довірчого інтервалу для індивідуального значення залежної змінної.
14. Визначення коефіцієнта еластичності.
Коефіцієнт еластичності показує відносну зміну досліджуваного економічного показника під дією одиничної відносної зміни економічного чинника, від якого він залежить при незмінних інших чинників, що впливають на нього.
Коефіцієнт еластичності показує, на скільки відсотків змінитися в середньому результат, якщо чинник зміниться на 1%.
Формула для розрахунку коефіцієнта еластичності має вигляд: Зазвичай розраховується середній коефіцієнт еластичності.
Формули для розрахунку середніх коефіцієнтів еластичності для найчастіше використовуваних типів рівнянь регресії :
Незважаючи на широке застосування в эконометрике коефіцієнтів еластичності, можливі випадки, коли розрахунок коефіцієнта еластичності не має сенсу. Це відбувається тоді, коли для даних ознак безглузде визначення зміни у відсотках.
15. Економетричний аналіз лінійної функції парної регресії в msExcel.
В регресійному аналізі розрізняють рівняння парної(простої) та множинної (багатофакторної) регресії. Коли зв’язок у здійснюється з одним видом незалежних змінних х, то рівняння регресії є найпростішим і має назву рівняння парної регресії (проста модель). Використовуються такі види рівнянь регресії:
1.Лінійна залежність: ;
2.Параболічна залежність: ;
3.Гіперболічна залежність: ;
4.Степенева залежність: .
Рівняння 2-4 є нелінійними, але відповідними перетвореннями їх можна звести до лінійної форми.
Графічні залежності між змінними для рівнянь парної регресії мають вид:
1.Лінійна залежність
2.Параболічна залежність
3.Гіперболічна залежність
4.Степенева залежність
Використання 1МНК для оцінки теоретичних параметрів моделі розглянутих видів рівнянь парної регресії приводить до таких систем нормальних рівнянь:
1.Лінійна залежність
,
2.Параболічна залежність
, де
3.Гіперболічна залежність
, де
4.Степенева залежність
, де .
Рішення наведених систем нормальних рівнянь парної регресії дозволить знайти оцінки параметрів моделі.