- •1. Определение эконометрики.
- •2. История возникновения эконометрики
- •3. Значение эконометрики для экономической теории и практики. Эконометрика и ее связь с экономической теорией.
- •5.Типы данных в эконометрическом исследовании.
- •7.Специфика экономических измерений.
- •37. . Оценивание в моделях распределенных лагов.
- •14.Уравнения в отклонениях.
- •8. Экономические модели. Понятие экономической модели
- •13. Предпосылки мнк
- •15. Линейная регрессионная модель с двумя переменными
- •17. Определение качества оценок
- •17. Расчет средней ошибки аппроксимации
- •20. Гомоскедастичность и гетероскедастичность дисперсии остатков
- •20. Коэффициент детерминации r2
- •28. Обобщенный метод наименьших квадратов
- •21. Использование статистик для определения значимости оценок параметров (уравнения регрессии).
- •22. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам
- •23. Регрессии нелинейные по оцениваемым параметрам.
- •26. Оценка параметров множественной регрессии методом наименьших квадратов
- •24. Отбор факторов при построении множественной регрессии
- •Мультиколлинеарность
- •27. Фиктивные переменные
- •29. .Использование омнк
- •30. Основные элементы временного ряда.
- •31. Панельные данные
- •32. Основные модели для панельных данных
- •33. Выбор модели
- •35. Модели распределенных лагов
- •38. Системы эконометрических уравнений
- •39. Проблема идентификации системы. Косвенный метод наименьших квадратов
- •40. Методы оценки параметров одновременных уравнений
- •41.Прогнозирование в регрессионных моделях
- •47. Интервалы прогноза по линейному уравнению регрессии
39. Проблема идентификации системы. Косвенный метод наименьших квадратов
Модель идентифицируема , если все структурные коэффициенты модели однозначно определяются по коэффициентам приведенной формы модели. При этом число параметров в обеих формах модели одинаково.
Модель неидентифицируема , если число приведенных коэффициентов меньше числа структурных коэффициентов. Тогда структурные коэффициенты не могут быть определены и оценены через коэффициенты приведенной формы модели.
Модель сверхидентифицируема , если число приведенных коэффициентов больше числа структурных коэффициентов. В таком случае на основе коэффициентов приведенной формы можно получить два или более значений одного структурного коэффициента. Сверхидентифицируемая модель, в отличие от неидентифицируемой, практически всегда решаема, однако для этого используются специальные методы вычисления параметров.
Если обозначить число эндогенных переменных в j-м уравнении системы через Н, а число экзогенных переменных, которые содержаться в системе, но не входят в данное уравнение, - через D, то условие идентифицируемости модели запишется следующим образом:
D+1=H – уравнение идентифицируемо,
D+1<H – уравнение неидентифицируемо,
D+1>H – уравнение сверхидентифицируемо.
Рассмотренное правило отражает необходимое, но недостаточное условие идентификации.
Модель считается идентифицируемой, если каждое уравнение системы идентифицируемо. Если хотя бы одно из уравнений системы неидентифицируемо, то вся модель считается неидентифицируемой.
Идентифицируемая система является сверхидентифицируемой, если содержит хотя бы одно сверхидентифицируемое уравнение.
40. Методы оценки параметров одновременных уравнений
Коэффициенты структурной модели могут быть оценены разными методами в зависимости от вида системы одновременных уравнений.
Наиболее из них распространены следующие методы оценки:
косвенный МНК (КМНК);
двухшаговый МНК (ДМНК);
трехшаговый МНК (ТМНК);
метод максимального правдоподобия с полной информацией;
метод максимального правдоподобия при ограниченной информации.
Косвенный и двухшаговый МНК рассматриваются как традиционные методы оценки коэффициентов структурной модели.
КМНК применяется для идентифицируемой системы одновременных уравнений, а ДМНК используется для оценки коэффициентов сверхидентифицируемой модели.
Метод максимального правдоподобия рассматривается как наиболее общий метод оценивания, результаты которого при нормальном распределении признаков совпадают с МНК, но при большом числе уравнений системы этот метод приводит к достаточно сложным процедурам вычислений.
Дальнейшим развитием ДМНК является ТМНК. Этот метод пригоден для оценки параметров всех видов уравнений структурной модели. Однако при некоторых ограничениях на параметры более эффективен ДМНК.
Процедура применения косвенного метода наименьших квадратов (КМНК) предполагает выполнение следующих этапов:
преобразование структурной модели в приведенную форму;
для каждого уравнения приведенной формы модели обычным МНК оцениваются приведенные коэффициенты δij.
коэффициенты приведенной формы модели трансформируются в параметры структурной модели.
При непосредственном применении традиционного МНК к каждому уравнению структурной формы результаты могут сильно отличаться от результатов применения КМНК.
Если система сверхидентифицируема, то КМНК не даст однозначных оценок параметров структурной модели и поэтому он не используется. В этом случае можно использовать разные методы, среди которых наиболее распространен ДМНК.
Основная идея ДМНК – получение на основе приведенной формы модели для сверхидентифицируемого уравнения теоретических значений эндогенных переменных, содержащихся в правой части уравнения.
Затем, подставив их вместо фактических значений, можно применить обычный МНК к структурной форме сверхидентифицируемого уравнения.
Если все уравнения системы сверхидентифицируемы, то для оценки структурных коэффициентов каждого уравнения используется ДМНК.
Если в системе есть точно идентифицируемые уравнения, то структурные коэффициенты по ним находятся из системы приведенных уравнений.
Основные этапы ТМНК:
Применяется при гетероскедостичности или автокорреляции остатков
К полученным уравнениям применяется ДМНК
К исходной модели применяется ОМНК с целью устранения невыполнения основных предпосылок МНК.
К полученным уравнениям применяется ДМНК
Если случайные члены не коррелируют то ТМНК сводится к ДМНК.
В том случаи если существует корреляционная связь между ошибками во внешне не связанных уравнениях то эффективность оценивания можно повысить если объединить эти уравнения в одно и применить к нему ОМНК. это можно сделать сначала применить к МНК для каждого уравнения по отдельности получить остатки и после применить ОМНК.
Построение системы структурных уравнений позволяет глубже изучить причины связи результирующих признаков. При этом происходит выделение и оценка косвенных и непосредственных влияний признаков.