![](/user_photo/2706_HbeT2.jpg)
- •Эконометрического моделирования План лекции
- •Введение
- •1.Предмет, цель и задачи эконометрики.
- •2.Этапы становления эконометрики
- •3. Введение в эконометрическое моделирование
- •4. Основные математические предпосылки эконометрического моделирования
- •5. Основные этапы и проблемы эконометрического моделирования
- •Контрольные вопросы:
- •Тема 2. Парная линейная регрессия и корреляция План лекции
- •Введение
- •1. Модель линейной парной регрессии. Метод наименьших квадратов
- •2. Коэффициент корреляции
- •3. Основные положения регрессионного анализа. Теорема Гаусса – Маркова
- •4. Оценка значимости уравнения регрессии. Коэффициент детерминации
- •5. Построение интервальных прогнозов по модели парной регрессии
- •Контрольные вопросы:
- •Тема 3. Множественный регрессионный анализ План лекции
- •Введение
- •1. Классическая нормальная линейная модель множественной регрессии
- •2. Оценка параметров классической регрессионной модели методом наименьших квадратов
- •3. Предпосылки для множественного регрессионного анализа.
- •Теорема Гаусса-Маркова.
- •4. Стандартизированное уравнение линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 4. Множественная корреляция План лекции
- •Введение
- •1. Множественная линейная корреляционная зависимость
- •2. Частные коэффициенты корреляции
- •3. Коэффициент множественной корреляции
- •4. Отбор факторов в случае линейной множественной регрессии
- •Контрольные вопросы:
- •Тема 5. Линейные регрессионные модели
- •1. Суть гетероскедастичности, ее последствия
- •2. Тесты, позволяющие выявить наличие гетероскедастичности остатков
- •3. Устранение гетероскедастичности
- •4. Автокорреляция остатков, ее последствия. Обнаружение автокорреляции остатков
- •Контрольные вопросы:
- •Тема 6. Линейные регрессионные модели
- •1. Фиктивные переменные
- •2. Модели регрессии с фиктивными переменными сдвига
- •3. Модели регрессии с фиктивными переменными наклона
- •4. Критерий г. Чоу
- •Контрольные вопросы:
- •Тема 7. Модели временных рядов План лекции
- •Введение
- •1. Понятие временного ряда. Общий вид модели временного ряда
- •2. Проверка гипотезы существования тенденции
- •3. Стационарные временные ряды и их характеристики. Автокорреляционная функция
- •Авторегрессия первого порядка. Тест Дарбина-Уотсона
- •4. Аналитическое выравнивание (сглаживание) временного ряда
- •6. Процесс построения аддитивной модели временного ряда
- •7. Прогнозирование на основе моделей временного ряда
- •8. Понятие об авторегрессионных моделях и моделях скользящей средней
- •Контрольные вопросы:
- •Тема 8: модели с лаговыми переменными План лекции
- •Введение
- •1. Модели с распределенными лагами
- •2. Модели авторегрессии
- •3. Авторегрессионные модели и их моделирование
- •Контрольные вопросы:
- •Тема 9. Системы линейных одновременных уравнений План лекции
- •Введение
- •1. Структурная и приведенная формы моделей
- •2. Проблема идентификации
- •Матрица коэффициентов (1)
- •Матрица коэффициентов (2)
- •Матрица коэффициентов (3)
- •3. Оценивание параметров структурной модели
- •Условные данные по пяти регионам
- •Контрольные вопросы:
- •Используемая литература
4. Стандартизированное уравнение линейной множественной регрессии
Если коэффициенты линейной множественной регрессии рассматривать в качестве показателей влияния факторов, то следует иметь в виду, что коэффициенты регрессии в уравнении
(3.7)
между собой прямо не сравнимы. Их численные значения зависят от выбранных единиц измерения каждого фактора.
Чтобы коэффициенты регрессии стали сравнимы, приведем коэффициенты регрессии к стандартизированному масштабу.
Для этого все переменные выражаются в безразмерных, так называемых стандартизированных, единицах измерения при помощи соотношений:
,
где
и
– соответствующие значения факторов
и
в стандартизированном масштабе. Свободный
элемент
в стандартизированном уравнении
отсутствует, т.е. уравнение (3.7) можно
записать в виде:
(3.8)
Коэффициенты
называются коэффициентами регрессии
в стандартизированном масштабе. Переход
от коэффициентов
к
и обратно можно осуществить по формулам:
Коэффициенты
регрессии (3.8) показывают влияние
изменения каждой переменной на изменение
фактора
.
Все коэффициенты выражены в сравнимых
единицах измерения. Чем больше
,
тем сильнее влияет соответствующий
факторный показатель на результативный.
Контрольные вопросы:
Как определяется модель множественной линейной регрессии?
Перечислите предпосылки МНК. Каковы последствия их невыполнимости?
Что характеризуют коэффициенты регрессии?
В чем суть МНК для построения множественного линейного уравнения регрессии?
Опишите алгоритм определения коэффициентов множественной линейной регрессии по МНК в матричной форме.
Как записывается решение с помощью МНК в матричной форме?
Как определяется стандартизированное уравнение линейной множественной регрессии?
Чем отличаются уравнения множественной регрессии в натуральном и стандартизованном масштабе?
Каковы свойства стандартизованных переменных?
Как оценить значимость модели регрессии в целом?
Тема 4. Множественная корреляция План лекции
1. Множественная линейная корреляционная зависимость.
2. Частные коэффициенты корреляции.
3. Коэффициенты множественной корреляции.
4. Отбор факторов в случае линейной множественной регрессии
Введение
Особенностью
множественной регрессии и корреляции
является необходимость различать случаи
корреляционной
множественной связи, когда переменные
являются случайные величинами;
регрессионной,
если переменные
– неслучайными величинами, а также
смешанный случай, когда некоторые из
переменных – случайные величины, а
другие – неслучайные.
Отбор факторов
,
существенно влияющих на фактор
при наличии возможностей внутренней
взаимосвязи между переменными
осуществляется обычно в несколько
этапов. Сначала отбираются факторы,
связанные с изучаемым явлением на основе
данных теоретического исследования
(экономическая теория, заключения
специалиста и т.д.). При этом для построения
множественной регрессии и корреляции
отбираются факторы, которые могут быть
количественно измеримы.
Далее отобранные
факторы подвергаются проверке
существенности их влияния на изучаемый
показатель с использованием методов
математической статистики. Такая
проверка, как правило, включает анализ
матрицы парных коэффициентов корреляции,
частных корреляций, проверку существенности
(значимости) коэффициентов регрессии
на основе
–критерия, анализ остатков (отклонений)
и т.д.