3. КОНТРОЛЬ ЗНАНИЙ

3.1.Контрольные вопросы

1.Эконометрика: основные понятия и определения.

2.Этапы эконометрического моделирования, проблемы калибровки и спецификации модели.

3.Идентификация и верификация эконометрической модели.

4.Регрессионный анализ, результирующая переменная.

5.Функция регрессии, уравнения регрессионной связи.

6.Основные задачи прикладного регрессионного анализа.

7.Классическая линейная модель множественной регрессии.

8.Метод наименьших квадратов.

9.Метод максимального правдоподобия.

10.Статические свойства оценок параметров классической линейной модели множественной регрессии.

11.Оптимальность оценок методом наименьших квадратов.

12.Линейнаямодельрегрессии сгетероскедастичными регрессионными остатками.

13.Обобщенный метод наименьших квадратов.

14.Сравнение оценок обобщенного метода наименьших квадратов и метода наименьших квадратов в моделях регрессии.

15.Основные характеристики модели регрессии с гетероскедастичными остатками.

16.Обобщенная линейная модель множественной регрессии с гетероскедастичными остатками.

17.Обобщенный метод наименьших квадратов.

18.Обобщенная линейная модель множественной регрессии с автокоррелированными остатками.

19.Виды нелинейных зависимостей, поддающихся линеаризации. Подбор линеаризующего преобразования.

20.Временной ряд. Основные задачи анализа временных рядов.

21.Точечный и интегральный прогноз на моделях линейной регрессии.

22.Основные характеристики стационарных временных рядов. Автокорреляционная функция.

23.Основные задачи анализа временных рядов.

24.Основные причины использования систем одновременных уравнений.

25.Суть временного ряда.

26.Различие между прогнозированием и предсказанием.

27.Суть МНК для построения множественного линейного уравнения регрессии.

28.Суть коэффициента детерминации R2.

29.Использование F-статистики в регрессионном анализе.

30.Автокорреляция остатков, ее виды.

31.Объясните явление мультиколлинеарности. Что такое совершенная мультиколлинеарность?

32.Частная автокорреляционная функция.

33.Косвенный метод наименьших квадратов.

34.Двухшаговый метод наименьших квадратов оценивания структурных параметров отдельного уравнения.

35.Трехшаговый метод наименьших квадратов одновременной оценки всех параметров системы.

84

3.2. Программированное задание с вариантами

Задание № 1

В таблице 3.2.1 Y(t) – показатель эффективности ценной бумаги, X(t) – показатель эффективности рынка ценных бумаг.

Требуется:

1.Построить однофакторную модель регрессии.

2.Оценить качество построенной модели.

3.Проанализировать влияние фактора на зависимую переменную по модели

спомощью коэффициентов детерминации, эластичности и установить степень линейной связи между переменными.

Таблица 3.2.1

№ вар	t	1	2	3	4	5	6	7	8	9
№1	Y(t)	12	15	18	22	25	31	32	37	41
	X(t)	26	30	32	30	35	33	35	38	40
№2	Y(t)	41	37	32	31	25	22	18	15	12
	X(t)	40	38	35	33	35	30	32	30	26
№3	Y(t)	62	67	80	81	85	87	84	88	91
	X(t)	18	21	24	26	25	29	34	38	41
№4	Y(t)	91	88	84	87	85	81	80	67	62
	X(t)	41	38	34	29	25	26	24	21	18
№5	Y(t)	28	32	36	40	38	43	45	48	50
	X(t)	82	77	78	72	69	70	67	64	62
№6	Y(t)	50	48	45	43	38	40	36	32	28
	X(t)	62	64	67	70	69	72	78	77	82
№7	Y(t)	28	24	26	29	33	31	28	33	35
	X(t)	32	34	41	38	42	48	50	52	55
№8	Y(t)	90	88	84	86	82	80	81	78	76
	X(t)	56	58	60	63	67	66	70	72	74
№9	Y(t)	76	78	81	80	82	86	84	88	90
	X(t)	74	72	70	66	67	63	60	58	56
№10	Y(t)	35	37	40	41	45	51	52	55	57
	X(t)	65	67	63	60	56	53	57	53	51

Задание № 2

В таблице 3.2.2:

Y(t) – прибыль коммерческого банка;

X1(t) – процентные ставки банка по кредитованию юридических лиц; X2(t) – процентные ставки по депозитным вкладам за этот же период. Требуется:

1.Построить линейную двухфакторную модель регрессии, описывающую зависимость Y от X1 и X2.

2.Оценить качество построенной модели.

3.Проанализировать влияние факторов на зависимую переменную по модели с помощью коэффициента множественной корреляции, частных коэффициентов эластичности и установить степень линейной связи между переменными.

85

Таблица 3.2.2

№ вар	t	1	2	3	4	5	6	7	8	9	10
№1	Y(t)	3	11	10	11	15	17	21	25	23	19
	X1(t)	18	14	33	37	40	42	41	49	56	48
	Х2(t)	20	22	14	26	25	32	35	34	39	45
№2	Y(t)	11	15	10	16	22	17	26	28	33	34
	X1(t)	88	85	78	86	81	80	83	78	76	69
	Х2(t)	75	77	73	67	66	63	67	63	44	60
№3	Y(t)	43	47	50	48	67	57	61	59	65	54
	X1(t)	30	34	32	36	39	44	45	41	46	47
	Х2(t)	28	24	26	29	33	31	24	33	35	34
№4	Y(t)	15	20	22	14	25	28	25	28	30	31
	X1(t)	32	34	41	38	42	48	50	52	54	51
	Х2(t)	32	28	26	24	25	23	19	27	22	20
№5	Y(t)	70	76	78	76	80	82	89	78	88	120
	X1(t)	65	58	63	60	56	53	54	53	51	52
	Х2(t)	58	60	56	57	53	50	44	40	35	22
№6	Y(t)	4	12	10	11	15	17	21	25	23	19
	X1(t)	15	20	22	14	25	28	25	28	30	32
	Х2(t)	45	38	40	36	38	34	25	28	27	26
№7	Y(t)	110	88	78	89	82	80	76	78	76	70
	X1(t)	15	20	22	14	25	28	25	28	30	31
	Х2(t)	42	47	50	48	67	57	61	59	65	54
№8	Y(t)	16	14	33	37	40	42	41	49	56	48
	X1(t)	28	34	40	38	22	48	50	52	53	49
	Х2(t)	87	85	78	86	81	80	83	78	76	79
№9	Y(t)	24	22	15	26	25	32	35	34	39	45
	X1(t)	62	58	63	60	56	53	54	53	51	52
	Х2(t)	30	28	26	24	25	23	19	27	22	20
№10	Y(t)	41	46	49	48	65	55	61	59	65	57
	X1(t)	29	33	32	36	39	43	45	41	46	49
	Х2(t)	27	23	30	29	33	30	24	33	35	36

86