- •1.Определение эконометрики, предмет и история возникновения эконометрики.
- •2.Понятие регрессии и корреляции в эконометрических исследованиях.
- •3.Спецификация модели. Ошибка спецификации.
- •4.Основные типы кривых, используемые при кол-ой оценке связей м/у 2мя переем-и.
- •5.Понятие пар регр и корр. Вид ур-ия лин регр. Интерпрет-я параметров.
- •6.Методы оценки параметров ур-ия линейной регрессии.Метод наим-х квадратов-класс-ий подход оценки параметров ур-ия лин регр.
- •7.Примеры применения парной лин регр в эконометр иссл-ях.
- •8.Показатели тесноты связи в ур-ях лин и нелин регр.
- •9.Парный лин коэф-т коррел, методы его опред-ия,аналитическое знач-е.
- •10.Коэф-т детерминации-один из способов оценки кач-ва подбора лин функции. Методика расчета, экон смысл, аналит значение.
- •11.Понятие коэф-та эластичности, методика расчета, аналитический смысл.
- •12.Графическое изображение осн типов кривых. Оценка тесноты связи с помощью графика.
- •13.Правило сложения дисперсий. Аналитическое значение разл-ия общей диспер.
- •14.Понятие ст-ни св-ды,опр-е числа ст-ей св-ды для общ, факт. И отс дисперсии.
- •15.Крит Фишера-методы расчета,исп-ие для оц-ки существ-ти св-зи м/у факт-ом и рез-ом.
- •16.Дисперс-ый анализ рез-тов регр при оценки значимости ур-ия регр. Табл дисп-го анализа, ее аналитич знач-е.
- •17. Методы оценки статистической значимости параметров уравнения линейной регрессии. Стандартная ошибка коэффициента регрессии, определения фактического значения критерия стьюдента.
- •18. Оценка значимости параметра «а»
- •19.Методика определения прогнозных значений результата на основе линейного уравнения регрессии – точечного и интервального.
- •20.Нелинейная регрессия. Два класса нелинейных регрессий(примеры).
- •21.Особенности определения параметров параболы второго порядка.
- •22. Понятие линеаризации нелинейных уравнений регрессии. Оценка параметров уравнения гиперболы, степенной функции, приведённых к линейному виду.
- •23. Методы расчета и интерпритация коэффициентов эластичности для линейных и нелинейных математических функций.
- •24. Показатель тесноты связи для нелинейной регрессии – индекс корреляции – методика расчета, аналитическое значение.
- •25. Оценка статистической значимости индекса корреляции, индекс детерминации – понятие, аналитическое значение.
- •26. Средняя ошибка апроксимации – методы расчета, использование в анализе качества модели.
- •27. Отбор факторов при построении уравнения множественной регрессии, понятие коллинеарности и мультиколлинеарности.
- •29. Использование мнк и метода определителей для оценки параметров уравнения множественной регрессии.
- •30. Уравнение регрессии в стандартизированном масштабе,экономическое содержание стандартизированных коэффициентов регрессии, их интерпритация.
- •31.Коэффициент эластичности в уравнениях множественной регрессии: методика расчета, аналитическое значение, интерпретация.
- •32. Индекс множественной корреляции, коэффициент детерминации, методики построения, аналитическое значение
- •33. Понятие, методика расчета и область применения скорректированного индекса множественной детерминации.
- •34. Понятие частных коэффициентов (индексов) корреляции и их аналитическое значение.
- •35. Согласованность частной корреляции и стандартизированных коэффициентов регрессии на примере двухфакторного анализа.
- •36. Оценка значимости уравнения множественной регрессии с помощью критерия фишера. Методика определения фактического значения f-критерия через индекс детерминации и с помощью дисперсионного анализа.
- •37. Частный критерий фишера, его аналитический смысл.
- •38. Оценка существенности дополнительно включенного фактора в уравнение множественной регрессии с помощью таблицы дисперсионного анализа.
- •39. Понятие фиктивной переменной во множественной регрессии.
- •40. Предпосылки метода наименьших квадратов, понятие гомо- и гетероскедастичности, графическое изображение гомо- и гетероскедастичности.
- •41. Общее понятие о системах уравнений, используемых в эконометрике. Структурная и приведенная формы модели.
- •42. Понятие идентификации при переходе от приведенной формы модели к структурной.
- •43 Основные элементы временного ряда.
- •44. Понятиеавтокорреляции уровней временного ряда,методика расчета коэф.Автокорреляции, его аналитическое значение
- •45. Выявление тенденции изучаемого явления с помощью аналитического выравнивания временного ряда
- •46. Методика выявления сезонных и циклических колебаний в аддитивной модели.
- •47. Расчет сезонной компоненты в мультипликативной модели.
- •48. Специфика статистической оценки взаимосвязи двух временных рядов.
- •49. Автокорреляция в остатках. Критерий дарбина-уотсона.
17. Методы оценки статистической значимости параметров уравнения линейной регрессии. Стандартная ошибка коэффициента регрессии, определения фактического значения критерия стьюдента.
В линейной регрессии обычно оценивается значимость не только уравнения в целом,но и отдельных его параметров. С этой целью по каждому из параметров определяется его стандартная ошибка: mb и ma.
Стандартная ошибка коэф-та регрессии параметра mb рассчитывается:
, где S2-остаточная дисперсия на 1степень свободы
Отношение коэф-та регрессии к его стандартной ошибке дает t-статистику, которая подчиняется статистике Стьюдента при (n-2) степенях свободы. Эта статистика применяется д/проверки статистической значимости коэф-та регрессии и д/расчета его доверительных интервалов.
Д/оценки значимости коэф-та регрессии его величину сравнивают с его стандартной ошибкой, т.е. определяют фактическое значение t-критерия Стьюдента: tb=b/mb, котороезатем сравнивают с табличным значением при определенном уровне значимости λ и числе степеней свободы (n-2).
18. Оценка значимости параметра «а»
Стандартная ошибка параметра «а» определяется по формуле:
Процедура оценивания значимости данного параметра осуществляется с помощью вычисления t-критерия:
ta=a/ma, его величина сравнивается с табличным значением при df=n-2 степенях свободы.
19.Методика определения прогнозных значений результата на основе линейного уравнения регрессии – точечного и интервального.
После построения модели убедитесь, что она кач-ва, что парам модели (а и b) и пок-ль тесноты связи стат. значимы м. использовать модель для иллюстрации изученной ситуации и для определения прогнозных значений.Эти прогнозы опред-ся при условии, что знач фактора Х примет Хк, напр как изменится рез-т, если ср- Хˉ увел-ся на 10%. Хк=Хˉ×1,10.
Прогноз м б точечный и интервальный. ТП расчет Y при Хк по ур-ию регрессии. Ŷ=a+bXk
Но на практике не встреч-ся , поэтому расчит ИП кот пок-ет в каких пределах б нах-ся рез-т в генеральной совокупности при Хк. Для этого опред-ся стандартная ошибка П кот зависит от ошибки ср значения Y и от ошибки коэф регрессии. MŶХк=M²Ῡ+M²b(Хi-Х¯)²; ; a=Ῡ-bХ¯;
ŶХк=( Ῡ-bХ¯)+bХ=Ῡ+b(Хi-Х¯); Ошибка ср значения Y: M²Ῡ=S²÷n ; где S²= Ʃ(Yi-Ŷ)²÷n-2;
Кв ошибка знач регрессии: M²b= S²÷Ʃ( Хi-Х¯)², тогда M²ŶХк = S²÷n+ S²÷Ʃ( Хi-Х¯)²×(Xk- Х¯)²
= S²(1÷n+(Xk- Х¯)²÷ Ʃ( Хi-Х¯)²) ; MŶХк= S√1÷n+(Xk- Х¯)²÷ Ʃ( Хi-Х¯)²; S= Sост=√Ʃ(Yi-Ŷ)²÷n-2;
Величина станд ошибки пок-ет величину ср знач результата при заданном Xk. Она хар-ет ош положение линии регрессии и возрастает по мере удал k знач от ср знач в ……., чем больше разность, тем больше ошибка. Фак-ти знач Yi откланяются от теор знач Y на величину случ-ой ошибки, кот оценивается дисперсией ост-ой на 1 ст свободы и эту случ ошибку тоже надо включить при расчете ср ошибки прог-ого рез-та. MŶ(Хк)= S√1+1÷n+(Xk- Х¯)²÷ Ʃ( Хi-Х¯)² ; Доверит интервал прог-ого знач опре-ся:
Ỹ=Ŷрасч ±ΔŶрасч; ΔŶрасч=tтабл+ MŶ(Хк); Точность прогноза зависит не только от станд знач Yi, но и от ур довер (ур вер-ти) с кот решается задача.