- •ЭКОНОМЕТРИКА
- •ПРЕДМЕТ ЭКОНОМЕТРИКИ
- •ПРЕДМЕТ ЭКОНОМЕТРИКИ
- •ПРЕДМЕТ ЭКОНОМЕТРИКИ
- •ЭКОНОМЕТРИЧЕСКАЯ МОДЕЛЬ
- •РЕГРЕССИОННАЯ МОДЕЛЬ
- •ВЫБОРОЧНЫЕ
- •ПРОСТРАНСТВЕННАЯ ВЫБОРКА
- •ПРОСТРАНСТВЕННАЯ ВЫБОРКА
- •ГОМОСКЕДАСТИЧНАЯ МОДЕЛЬ
- •ГЕТЕРОСКЕДАСТИЧНАЯ МОДЕЛЬ
- •ВРЕМЕННЫЕ РЯДЫ
- •ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
- •ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
- •ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
- •ЛИНЕЙНАЯ МОДЕЛЬ
- •СВЕДЕНИЕ НЕЛИНЕЙНЫХ МОДЕЛЕЙ К ЛИНЕЙНЫМ
- •СИСТЕМА ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •СИСТЕМА ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •СИСТЕМА ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •ЭКОНОМЕТРИЧЕСКИЕ МОДЕЛИ
- •ЛИТЕРАТУРА
ПРОСТРАНСТВЕННАЯ ВЫБОРКА
cross-sectional data
n независимых наблюдений (р+1)-мерной случайной величины
(X1, X2, …,XP, Y):
1 наблюдение |
(X11, X12, …,X1P, Y1) |
2 наблюдение |
(X21, X22, …,X2P, Y2) |
. . . |
|
n наблюдение |
(Xn1, Xn2, …,XnP, Yn) |
ПРОСТРАНСТВЕННАЯ ВЫБОРКА
Yi=f(xi1, xi2,... xip)+ i , i=1,…,n.
X - детерминированные величины (параметры объекта); независимые объекты некоррелированные возмущения:
( i, j)=0 при i=1,…,n, j=1,…,n, i j.
Отсутствие систематических погрешностей |
|
M( i )=0 , i=1,…,n. |
M-математическое ожидание |
D-дисперсия |
|
-среднее квадратическое отклонение |
|
D( i )= i |
-коэффициент корреляции |
2 |
i= j , i=1,…,n, j= i=1,…,n, - гомоскедастичность;i j , i j ,i=1,…,n, j= i=1,…,n, - гетероскедастичность. Предположение нормальности возмущений: i N(0, i).
ГОМОСКЕДАСТИЧНАЯ МОДЕЛЬ
Yi=f(xi1, xi2,... xip)+ i , |
|
i=1,…,n. |
|
|
|
|
|
|
|
|
|
||||||||||
' =( 1, 2,…, n), |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Ковариационная матрица возмущений: |
|
|
|
|
|
|
|
||||||||||||||
=D( ) =M( ' |
)= n |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
2 |
|
... |
|
|
2 |
0 |
... |
0 |
|
|
1 |
0 |
... |
0 |
|||||
|
|
1 |
1 |
2 |
|
1 n |
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2 1 |
|
2 |
... |
|
0 |
2 |
... |
0 |
|
|
0 |
1 |
... |
0 |
||||||
|
|
2 |
2 n |
|
2 |
|
|
2 |
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M ( ) M |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
... ... ... ... |
|||||||
|
... |
... |
... |
...2 |
|
... |
... |
... |
...2 |
|
|
|
|
|
|
|
|
||||
|
|
|
|
0 |
0 |
... |
1 |
|
|||||||||||||
|
|
n 1 |
n 2 |
... |
n |
|
|
0 |
0 |
... |
n |
|
|
|
|
|
ГЕТЕРОСКЕДАСТИЧНАЯ МОДЕЛЬ
Yi=f(xi1, xi2,... xip)+ i , i=1,…,n.
' =( 1, 2,…, n),
Ковариационная матрица возмущений:
|
|
2 |
0 ... |
|
|
1 |
|
|
|
0 |
22 ... |
D( ) M ( ) |
|
|
|
|
|
|
|
|
... ... ... |
||
|
|
0 |
0 ... |
|
|
...2
n
ВРЕМЕННЫЕ РЯДЫ
time-series data
Yi=f(xi1, xi2,... xip)+ i , i=1,…,n.
1, 2,…, n - зависимые случайные величины
Ковариационная матрица возмущений не является диагональной
ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
Определение параметрического семейства; например,
f(x)=mx+b -линейная модель или
f(x)=bmx - показательная (экспоненциальная) модель
Оценивание параметров
ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
y |
|
|
|
|
экстраполяция (прогноз) |
|
y=f(x) |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
y.n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |
|
|
|
интерполяция |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
y13 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x1 x2 |
x3 |
. . . |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
xn |
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(x1,y1) (x2,y2) ... (xn,yn) - наблюдения
y=f(x) - приближение (аппроксимация) неизвестной реальной зависимости, ее можно использовать для
прогноза
ОПРЕДЕЛЕНИЕ ФУНКЦИИ РЕГРЕССИИ
Метод наименьших квадратов для получения f(x):
n |
( f (xi ) |
yi )2 min |
|
||
i 1 |
|
f(x) |
f(x)=mx+b - линейная аппроксимация
f(x)=b mx - экспоненциальная аппроксимация Линейная f(x) - постепенное, плавное изменение;
Экспоненциальная f(x) - стремительное, лавинообразное изменение.
ЛИНЕЙНАЯ МОДЕЛЬ
Преимущество - простота Допустимость:
•В случае совместного нормального распределения (X,Y) Y линейно зависит от Х.
•Линейная модель обеспечивает минимальную ошибку прогноза.
•Нелинейные модели, как правило, сводятся к линейным.
СВЕДЕНИЕ НЕЛИНЕЙНЫХ МОДЕЛЕЙ К ЛИНЕЙНЫМ
При малых изменениях Х: Y=f ’ X
y=b mx |
показательная модель |
ln y=ln b +x ln m |
|
(y->ln y, b->ln b, m->ln m) |
|
y=b xm |
степенная модель |
lny=ln b+m lnx
(y->ln y, b->ln b, x->ln x)