- •1. Что такое эконометрика?
- •1. Что такое эконометрика?
- •2. Основные типы эконометрических моделей
- •2.1. Регрессионные модели с одним уравнением
- •2.2. Модели временных рядов
- •2.3. Системы одновременных уравнений
- •3. Однофакторная парная регрессионная модель
- •3.1. Функциональная спецификация модели
- •3.2. Парная линейная регрессия
- •4. Множественная регрессия
- •4.1. Нахождение оценок неизвестных параметров
- •4.2. Значимость модели множественной регрессии
- •4.3. Мультиколлинеарность
- •4.4. Гетероскедастичность
- •4.5. Автокорреляция
- •4.6 Фиктивные переменные
- •5. Реализация типовых задач на компьютере
- •5.1 Регрессионный анализ в ms Excel
- •5.2 Другие возможности ms Excel
- •5.3 Анализ полученной модели
- •6. Задачи
- •Глоссарий
- •Список вопросов к экзамену (зачету)
2.3. Системы одновременных уравнений
Подобные модели являются системами регрессионных уравнений и тождеств, рассматриваемых в текущий момент времени t. Уравнения в таких системах являются взаимозависимыми, так как объясняемые переменные в одних уравнениях являются объясняющими в других уравнениях системы.
В качестве примера можно рассмотреть одну из простейших систем одновременных уравнений, используемую при моделировании спроса и предложения:
(2.2.6)
где - предложение и спрос соответственно на рынке в момент t;
- цена товара в момент времени t;
- среднедушевой доход в момент времени t,
Контрольные вопросы
1. На основе чего возможно построение эконометрических моделей?
2. Какими свойствами должны обладать данные, на основе которых строятся модели?
3. Назовите основные виды эконометрических моделей. В чем их различия?
4. Какова структура регрессионной эконометрической модели?
5. Что такое ошибки регрессии? Когда они возникают?
6. Как привести нелинейную регрессионную модель к линейному виду?
7. Что такое модель временного ряда? В чем ее отличие от регрессионной модели? Приведите примеры временных рядов?
8. Что такое системы одновременных уравнений? Приведите примеры.
Тестовые вопросы
1. Что показывает коэффициент b в модели ?
на сколько процентов изменится у, если изменится на 1 единицу;
на сколько процентов изменится у, если изменится на 1%;
на сколько единиц изменится у, если изменится на 1%.
2. В зависимости от количества регрессоров, регрессионные модели различают на:
простые и множественные;
линейные и нелинейные;
простые и сложные.
3. Укажите верную зависимость между реальным значением объясняемой переменой и ее модельным значением:
;
;
.
4. Укажите верную структуру аддитивной модели временного ряда:
;
;
.
Список литературы
Айвазян С.А. Основы эконометрики: Учебник для вузов, т.2. – М.: ЮНИТИ – ДАНА, 2001. – 432 с;
Айвазян С.А., Мхитрян В.С. Прикладная статистика и основы эконометрики. – М.: ЮНИТИ, 1998;
Берндт Э. Практика эконометрики: классика и современность. – М.: ЮНИТИ, 2005;
Бородич С.А. Эконометрика. – Минск: Новое знание, 2001;
Доугерти К. Введение в эконометрику: Перев. с англ. – М.: ИНФРА – М, 1997. – 402 с;
Катышев П.К., Магнус Я.Р., Пересецкий А.А. Сборник задач к начальному курсу эконометрики. – 2-е изд., перераб. и доп. – М.: Дело, 2002. – 208 с;
Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учеб.- 6-е изд., перераб. и доп. – М.: Дело, 2004. – 576 с;
Практикум по эконометрике: Учеб. пособие (под ред. И.И. Елисеевой). – М.: Финансы и статистика, 2001. – 192 с;
Эконометрика: Учебник (под ред. И.И. Елисеевой). – М.: Финансы и статистика, 2001. – 344 с.
3. Однофакторная парная регрессионная модель
3.1. Функциональная спецификация модели
Рассмотрим однофакторную (простую) регрессию, то есть модель, в которой результирующий признак у зависит от одного объясняющего фактора х.
Предположим, что существует некоторая функциональная зависимость между объясняющими переменными и результирующим признаком
(3.1.1),
а также известны исходные статистические данные для построения модели регрессии. Необходимо определить вид функции
(3.1.2)
где - неизвестные параметры.
Для определения вида функции f можно воспользоваться:
а) визуальным анализом данных, рассмотреть график зависимости y от x по исходным статистическим данным;
б) аналитическим методом исходя из природы связи x и у;
в) компьютером для обработки статистических данных.
Ниже представлены основные функциональные формы эконометрических моделей для парной регрессии.
1. Линейная модель (3.1.3)
где - начальный уровень у или его среднее значение;
- коэффициент, характеризующий скорость изменения у при росте х, он показывает на сколько единиц возрастет у при увеличении х на одну единицу.
На основе анализа корреляционного поля между х и у строится линейная модель:
Рис. 3.1.1 Корреляционное поле для линейной модели
2. Полиномы различных степеней
(3.1.4)
Наиболее часто используются полиномы второго порядка или параболические модели:
(3.1.5)
где - начальный уровень у или его среднее значение;
- коэффициент, характеризующий скорость изменения у при росте х;
- коэффициент, характеризующий величину ускорения у при росте х.
Корреляционное поле для данной модели:
Рис. 3.1.2 Корреляционное поле для полиномиальной модели
Замечание: при использовании полиномиальных моделей следует ограничиться полиномами второго и третьего порядков, так как увеличение степени приводит к тому, что выбранная функция может подстроиться под любое корреляционное поле, и не будет отражать реального характера исследуемого процесса.
3. Равносторонняя гипербола
, (3.1.6)
В качестве примера данной функции можно рассмотреть кривую Филипса, которая отражает зависимость процента прироста заработной платы (у) от уровня безработицы (х).
График такой функции будет иметь вид:
Рис. 3.1.3 Корреляционное поле для равносторонней гиперболы
Данную модель можно привести к линейному виду путем замены:
(3.1.7),
тогда исследуемая функция примет вид
(3.1.8)
4. Степенная функция
(3.1.9)
где - эластичность: показывает, на сколько процентов изменится у при изменении х на 1%.
Степенную функцию можно привести к линейному виду путем логарифмирования:
(3.1.10)
5. Показательная функция
(3.1.11)
где - коэффициенты, характеризующие скорость изменения у при росте х.
6. Экспоненциальная функция
(3.1.12)
Показательная и экспоненциальная функции приводятся к линейному виду путем логарифмирования.
Кроме того, существует множество других функций, пригодных для построения регрессионных моделей.