- •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
3. Предпосылки для множественного регрессионного анализа.
Модель
, .
– случайный вектор, - неслучайная матрица;
;
;
- нормально распределенный случайный вектор, т.е. ;
.
Модель, удовлетворяющая указанным предпосылкам называется классической нормальной линейной моделью множественной регрессии. Если п.4 не выполняется, то модель называется просто классической линейной моделью множественной регрессии.
Теорема Гаусса-Маркова.
Если предпосылки (1)-(5) множественного регрессионного анализа выполняются, то оценка метода наименьших квадратов является эффективной, т.е. обладает наименьшей дисперсией в классе линейных несмещенных оценок.
Зная вектор b, выборочное уравнение множественной регрессии имеет вид:
(3.6)
Пример.
Имеются данные о сменной добыче угля на одного рабочего , мощности пласта и уровня механизации работ , характеризующие процесс добычи угля в 10 шахтах.
Предполагая, что между переменными существует линейная корреляционная зависимость, найти уравнение регрессии по .
Решение этого примера подробно изложено в учебнике [1] с.88.
В результате вычислений имеем уравнение множественной регрессии вида:
Оно показывает, что при увеличении только мощности пласта Х1 (при неизменном Х2) на 1 м добыча угля на одного рабочего У увеличивается в среднем на 0,854 т, а при увеличении только уровня механизации работ Х2 (при неизменном Х1) – в среднем на 0,367 т.
i |
|
|
|
|
|
|
|
|
|
|
|
1 |
8 |
5 |
5 |
64 |
25 |
25 |
40 |
40 |
25 |
5,13 |
0,016 |
2 |
11 |
8 |
10 |
121 |
64 |
100 |
88 |
110 |
80 |
8,79 |
1,464 |
3 |
12 |
8 |
10 |
144 |
64 |
100 |
96 |
120 |
80 |
9,64 |
1,127 |
4 |
9 |
5 |
7 |
81 |
25 |
49 |
45 |
63 |
35 |
5,98 |
1,038 |
5 |
8 |
7 |
5 |
64 |
49 |
25 |
56 |
40 |
35 |
5,86 |
0,741 |
6 |
8 |
8 |
6 |
64 |
64 |
36 |
64 |
48 |
48 |
6,23 |
0,052 |
7 |
9 |
6 |
6 |
81 |
36 |
36 |
54 |
54 |
36 |
6,35 |
1,121 |
8 |
9 |
4 |
5 |
81 |
16 |
25 |
36 |
45 |
20 |
5,61 |
1,377 |
9 |
8 |
5 |
6 |
64 |
25 |
36 |
40 |
48 |
30 |
5,13 |
0,762 |
10 |
12 |
7 |
8 |
144 |
49 |
64 |
84 |
96 |
56 |
9,28 |
1,631 |
|
94 |
63 |
68 |
908 |
417 |
496 |
603 |
664 |
445 |
- |
6,329 |