- •Билет 1
- •1. Назовите возможные способы построения систем уравнений. В чем их отличия?
- •2. В чем состоит спецификация модели множественной регрессии?
- •3. Вычисление коэффициента эластичности для разных функций.
- •4. Дайте определение эконометрики. Какие вопросы она решает и как связана с другими науками.
- •Билет 2
- •1. Как связаны между собой структурная и приведенная форма модели.
- •2. Составьте матрицу парных коэффициентов корреляции и межфакторной корреляции для регрессионной модели с 4-мя факторами.
- •3. Корреляция для нелинейной регрессии.
- •4. Парная линейная регрессия. Мнк и другие методы оценки параметров регрессии.
- •Билет 3
- •1. В чем состоит проблема идентификации модели, и какие условия идентификации (необходимое и достаточное) вы знаете.
- •2. Матрица парных коэффициентов корреляции линейного уравнения множественной регрессии.
- •3. Нелинейная регрессия, ее виды.
- •4. Дисперсионный анализ и составление таблицы дисперсионного анализа для парной регрессии.
- •Билет 4
- •4. Для чего вводится вспомогательная величина коэффициента ?
- •3. Прогнозное значение у. Интервалы прогноза по линейному уравнению регрессии.
- •4. Связь критериев Стьюдента и Фишера для парной регрессии.
- •3.Математическое моделирование в эконометрике.
- •4.Дисперсионный анализ для парной регрессии
- •2.Содержание предпосылок мнк
- •1.Трехшаговй мнк
- •1.Понятие идентификации
- •3.Регрессия нелинейная по оцениваемым параметрам
Билет 3
1. В чем состоит проблема идентификации модели, и какие условия идентификации (необходимое и достаточное) вы знаете.
D+1=H-уравнение идентифицируемо;
D+1<H-уравнение неидентифицируемо;
D+1>H-уравнение сверхидентифицируемо.
Где H-число эндогенных переменных в уравнении;D-число предопределенных переменных, отсутствующих в уравнении, но присутствующих в системе.
Достаточное условие идентификации- определитель матрицы, составленной из коэффициентов при переменных, отсутствующих в исследуемом уравнении не равен нулю и ранг этой матрицы не менее эндогенных переменных без единицы. Для решения идентифицируемого уравнения применяется КМНК, для решения сверхидентифицируемых- двухшаговый МНК.
2. Матрица парных коэффициентов корреляции линейного уравнения множественной регрессии.
Матрица парных коэффициентов корреляции.
- |
y |
x1 |
x2 |
x3 |
y |
1 |
0.62 |
-0.24 |
0.61 |
x1 |
0.62 |
1 |
-0.39 |
0.99 |
x2 |
-0.24 |
-0.39 |
1 |
-0.41 |
x3 |
0.61 |
0.99 |
-0.41 |
1 |
Анализ первой строки этой матрицы позволяет произвести отбор факторных признаков, которые могут быть включены в модель множественной корреляционной зависимости. Факторные признаки, у которых ryxi < 0.5 исключают из модели. Коллинеарность – зависимость между факторами. В качестве критерия мультиколлинеарности может быть принято соблюдение следующих неравенств: 1) r(xjy) > r(xkxj);
2) r(xky) > r(xkxj).
Если одно из неравенств не соблюдается, то исключается тот параметр xk или xj, связь которого с результативным показателем Y оказывается наименее тесной.
3. Нелинейная регрессия, ее виды.
Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответ нелинейных функций: например,
равносторонней гиперболы и параболы второй степени и д.р.
Различают два класса нелинейных регрессий: 1)регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам;
2)регрессии, нелинейные по оцениваемым параметрам.
Примером нелинейной регрессии по включаемым в нее параметров х, но линейных по оцениваемым параметрам могут служить следующие функции: 1)полиномы разных степеней;
2)равносторонняя гипербола.
К нелинейным регрессиям по оцениваемым параметрам a, b, c:
1)степенная; 2)показательная; 3) экспоненциальная.
4. Дисперсионный анализ и составление таблицы дисперсионного анализа для парной регрессии.
Дисперсионный анализ — это статистический метод оценки связи между факторными и результативным признаками в различных группах, отобранный случайным образом, основанный на определении различий (разнообразия) значений признаков. В основе дисперсионного анализа лежит анализ отклонений всех единиц исследуемой совокупности от среднего арифметического. В качестве меры отклонений берется дисперсия (В)— средний квадрат отклонений. Отклонения, вызываемые воздействием факторного признака (фактора) сравниваются с величиной отклонений, вызываемых случайными обстоятельствами. Если отклонения, вызываемые факторным признаком, более существенны, чем случайные отклонения, то считается, что фактор оказывает существенное влияние на результативный признак.
Источники вариации |
Ч.с.с. |
Сумма квадр. откл. |
Дисперсия на 1 ст. св. |
F |
|
Fф |
Fт |
||||
Общая TSS |
n-1=6 |
15000 |
15000/6=2500 |
|
|
Объясненная ESS |
m=1 (k1) |
14735 |
14735 |
278 |
6,61 |
Остаточная RSS |
n-2=5 (k2) |
265 |
265/5=53 |
|
|
TSS=ESS+RSS