- •М1жрегюналына академ1я управл1ння персоналом
- •О. Л. Лещинський, в. В. Рязанцева, о. О. Юнькова
- •Об'скт, предмет, мета I завдання економетрп
- •Основнi етапи економетричного аналiзу
- •Економiчнi задачу якi розв'язують за допомогою економетричних методiв
- •МНсце курсу серед дисциплiн фундаментально! шдготовки бакалаврiв з економiчних спецiальностей
- •Структура курсу
- •Коротка юторична довщка
- •Контрольнзапитання
- •1.1. Загальнi принципи моделювання в економщ
- •1.1.1. Поняття математично! моделi
- •1.1.2. Етапи побудови еконогшчно! модел1
- •1.1.3. Класифшащя моделей
- •1.2. Кореляцшно-регресшний анал1з в економМ
- •2) Визначення тГсноти зв'язку (задача кореляцшного аналГзу).
- •1.3. Економетрична модель та и елементи
- •1.4. Статистична база економетричних дослщжень
- •1.5. Особливост математичного моделювання економ1чних систем
- •Контрольш запитання
- •2.1. Приклади парних зв'язмв в економщ
- •2.2. Лшшна модель з двома зм1нними
- •2.3. Метод найменших квадралв
- •Властивост оцшок параметр1в
- •Контрольнзапитання
- •Вправи та завдання
- •3.1. Багатофакторш економетричш модел1 та Ух специфшащя
- •3.2. Метод найменших квадралв 3.2.1. Основн1 припущення
- •3.2.3. Оцшювання за методом найменших квадралв та штерпретащя результалв
- •3.3.2. Перев1рка значущосп та flOBipni штервали
- •3.4. Прогнозування за лшшною моделлю
- •3.5. Методи побудови багатофакторноУ регресшноУ модел1
- •3.6. Етапи дослщження загальноУ лшшноУ модел1 множинноУ регресп
- •3. Перевiрити статистичну значупцсть отриманих результапв:
- •Приклад параметризацм та дослщження багатофакторноУ регресшноУ модел1
- •Контрольш запитання
- •Вправи та завдання
- •4.1. Поняття про мультиколшеаршсть та и вплив на оцшку параметр1в модел1
- •4.2. Тестування наявност мультиколшеарносп
- •4.3. Алгоритм Фаррара — Глобера
- •Приклад дослщження наявност мультиколшеарносп на основ1 алгоритму Фаррара — Глобера
- •4.4. Засоби усунення мультиколшеарностч. Метод головних компонент1в
- •Алгоритм методу головних компонешчв
- •Контрольш запитання
- •Вправи та завдання
- •5.1. Виявлення гетероскедастичност та и природа
- •5.2. Тестування наявност гетероскедастичност
- •5.2.1. Параметричний тест Гольдфельда — Квандта
- •5.2.2. Непараметричний тест Гольдфельда — Квандта
- •5.2.3. Тест Глейсера
- •5.3. Трансформування початковоУ модел1
- •VXVX VX VX
- •5.4. Оцшювання параметр1в багатофакторноУ регресшноУ модел1 на основ1 узагальненого методу найменших квадралв
- •Контрольш запитання
- •6.1. Природа автокореляцм та и наслщки
- •6.2. Тестування наявност автокореляцм
- •6.2.1. Критерш Дарбша — Уотсона
- •6.2.2. Критерш фон Неймана
- •6.2.3. Коефщ1енти автокореляцм та IX застосування
- •6.3. Параметризащя модел1
- •6.3.1. Метод Ейткена
- •X UtUt-1
- •X utut-I
- •6.3.2. Метод Кочрена - Оркатта
- •6.4. Приклад оцшювання параметр1в модел1 з автокорельованими залишками
- •Контрольш запитання
- •7.1. Поняття лага та лагових моделей в економщ
- •7.2. Оцшювання параметр1в
- •7.3. Оцшювання параметр1в авторегрес1йних моделей
- •Контрольн1запитання
- •8.1. Поняття про системи одночасних р1внянь
- •8.2. Приклади систем одночасних р1внянь
- •1. Модель "попит — пропозищя".
- •3. Модель р1вноваги на ринку грошей (модель lm).
- •8.3. Структурна та зведена (прогнозна) форми системи р1внянь
- •1. Структурна форма економетрично! мoделi.
- •3. Зеедена форма економетрично! модель
- •8.4. Поняття щентифшацм (ототожнення) системи р1внянь
- •Необхщш й достатн умови щентифшованосп
- •Необхщна I достатня умова щентифшованосп
- •8.5. Методи оцшювання паpаметpiв систем piвнянь
- •8.5.1. Непрямий метод найменших квадралв оцшювання параметр1в точно щентифшованих систем
- •8.5.2. Метод шструментальних змшних
- •8.5.3. Двокроковий метод найменших квадралв оцшювання параметр1в надщентифшованих систем
- •8.5.4. Трикроковий метод найменших квадралв
- •8.5.5. Мнк для рекурсивних моделей
- •8.6. Прогноз I загальн flOBipni штервали
- •Контрольш запитання
- •Вправи та завдання
- •5.Нехай модель "прибуток — споживання" мае такий вигляд:
- •14. Розглядаеться модель попиту та пропозицп для грошей:
- •9.1. Ямсш економ1чн1 показники
- •9.2. Регресшш модел1 з бшарними незалежними змшними
- •9.3. Регресшш модел1 з бшарними залежними змшними
- •Контрольш запитання
- •Tectobi завдання 3 економетрп' BapiaHt 1
- •7. Критерий ф!шера застосовуеться для перев!рки значущост!:
- •BapiaHt 2
- •6. Критерий ф1шера застосовують для перев1рки значущост1:
- •BapiaHt 3
- •7. Наявшсть мультиколГнеарност! перевгряеться за допомогою:
- •BapiaHt 4
- •4. Дисперс!йно-ковар!ац!йна матриця визначаеться на п!дстав!:
- •7. Критерий Дарб!на - Уотсона застосовуеться для виявлення:
- •BapiaHt 6
- •BapiaHt 8
- •6. Метод Фаррара — Глобера застосовуеться для виявлення:
- •BapiaHt 10
- •5. Критер!й ф!шера застосовують для перев!рки значущост!:
- •Робота 3 таблицями стандартизованого нормального ро3под1лу
- •Список використано! та рекомендовано! л1тератури
- •Економетрш
- •Econometrics
5.3. Трансформування початковоУ модел1
Розглянемо питання усунення гетероскедaстичностi трансформу-ванням початково! модель
Припустимо, що за статистичними даними побудовано початко-ву регресiйну модель
У — / (x, u)
i на бaзi будь-якого тесту встановлено наявшсть гетероскедастичносп:
Du, * const.
Для усунення гетероскедастичносп початкову модель змшюють (трансформують) так, щоб помилки мали сталу диспераю:
Du, —(it — const-
Tрaнсформaцiя моделi зводиться до змши початково! форми мо-делi методом, який залежить вгд специфiчно! форми гетероскедастичносп, тобто вгд форми залежносп м.ж дисперсiями зaлишкiв i значеннями незалежних змшних:
—Ф( xi)- (5.5)
Розглянемо можлив. випадки трансформацп моделi на приклaдi просто! лшшно! регресп. Нехай початкова модель
y — а0 + ai x + u, (5.6)
де компоненти випадкового вектора u гетероскедастичш, але ввдповь дають шшим класичним припущенням лшшно! регресп Розглянемо таю випадки.
Випадок 1. Припустимо, що гетероскедастичшсть мае форму
с2щ = Mu2 = k2 x2, (5.7)
де k = const (тобто дисперая залишюв зростае пропорщйно до x2). 1з припущення (5.7) випливае
k2 =Ou2/x2.
Це означае, що трансформащя модел1 полягае в ддленш початко-
во! модел1 на sjx2 = x.
Отже, трансформована модель мае вигляд
Ml = + о1 + ul. (5.8)
Зазначимо, що параметр при змшшй 1/xi у трансформовашй мо-дел1 е перетином (вшьним членом) початково! модели тод1 як пере-тин трансформовано! модел1 е нахилом початково!.
Розглянемо
M
xi
2
J_ Mu2 = ^ k2
xixi
Отже, нова випадкова величина модел1 (5.8) мае скшченну сталу диспераю k2. Таким чином, модель (5.8) мае гомоскедастичну випад-кову змшну що означае правом1ршсть застосування класичного МНК для розрахунку невщомих параметр1в трансформовано! модел1 (5.8).
Випадок 2. Припустимо, що гетероскедастичшсть мае форму
а2щ = Mu2 = k2 x, (5.9)
де k = const (тобто дисперая залишюв зростае пропорщйно до х). 1з припущення (5.8) випливае
k 2 =<j2u1/x •
Це означае, що допустима трансформащя полягае в дшенш початково! моделi на Vx.
Отже, трансформована модель мае вигляд
У — £о + а* +JL. (5.i0)
VXVX VX VX
Розглянемо
2
M
:— M (u )2 — — k2 Xi — k2.
u
Отже, для трансформовано! моделi випадкова величина ~j= го-
x
москедастична зГ сталою дисперсiею k2 . Це означае, що, виконавши зазначене вище перетворення, ми виключили гетероскедастичшсть. Випадок 3. Припустимо, що гетероскедастичшсть мае форму
о2^ — Mu2 — k2(&0 + b )2 (5.ii)
(дисперсiя зростае пропорцшно до квадрата лшшно! функцп вгд x). 1з припущення (5.ii) випливае
k2 —Ou; 7(b) +bi x )2. (5.i2)
Допустима трaнсформaцiя полягае в дiленнi початково! моделi на
V(b0 + bix,)2 — (b0 + bix,). Отже, трансформована модель мае вигляд
7 т— — г— + 7— + т т— • (5.i3)
Розглянемо
M
2
u, 1 i Mu 2 — k (b0 + bixi
b0 + bix, j + iix, )2 ' + bx, )2
Отже, нова випадкова величина -- е гомоскедастичною "з
»о + b1 xi
сталою дисперс"ею k2.
Загальний випадок. Припустимо, що гетероскедастичшсть мае форму
о2 = Mu2 = k29( xi), (5.14)
де k = const, ф(xt) — функщя в"д xi.
Трансформация початково! модел1 зд1йснюеться д1ленням !! на V<P(xi) •
Зазначимо, що така трансформац1я екв1валентна застосуванню зваженого методу найменших квадрат"в (ЗМНК), який е особливим випадком узагальненого методу найменших квадрат"в (УМНК). Суть ЗМНК полягае в м"шм"зацй зважено! суми квадратичних в"дхилень:
J,Ol_ = ^ — (y - «о - 01xi )2 — min. (5.15)
i=1 0ui i=1 0ui
Зазначимо також, що ЗМНК, застосований до початково! модел", дае так" сам" результати, що й МНК, застосований до трансформова-но! модел".
Твердження. Оц"нки трансформовано! модел" мають меншу дис-перс"ю (ефективн"ш"), н"ж оц"нки, отриман" "з застосуванням МНК до початково! модел".
Нарешт", потр"бно пам'ятати, що гетероскедастичн"сть може "сну-вати за рахунок неврахованих фактор"в (погано! специф"кац"! модел"). У цьому раз" можливим р"шенням е включення неврахованих фак-тор"в у модель. Сл"пе застосування трансформац"! (без анал"зу причин гетероскедастичност") зробить гомоскедастичною випадкову зм"нну, однак оц"нки параметр"в залишаться неправильними через неврахування важливих фактор"в.