- •«Российская таможенная академия»
- •План чтения лекции №1
- •«Российская таможенная академия»
- •Понятие «эконометрика»
- •Формулировки определений понятия «эконометрика»
- •Задачи эконометрики
- •Эконометрическая модель
- •Задачи эконометрическoго моделирования
- •Классы эконометрических моделей
- •Типы данных и виды переменных в эконометрическом моделировании Типы данных
- •Виды переменных
- •Этапы эконометрического моделирования
- •Модели парной регрессии
- •Множественная регрессия. Мультиколлинеарность данных
- •3.2. Отбор факторов при построении множественной регрессии
- •3.2.1. Требования к факторам
- •3.2.2. Мультиколлинеарность
- •3.3. Выбор формы уравнения регрессии
- •3.4. Оценка параметров уравнения линейной
- •3.5. Качество оценок мнк линейной множественной регрессии. Теорема Гаусса-Маркова
- •3.6. Проверка качества уравнения регрессии. F-критерий Фишера
- •3.7. Точность коэффициентов регрессии. Доверительные интервалы
- •3.8 Прогнозирование по модели множественной регрессии
- •3.9 Гетероскедастичность случайных остатков
- •3.10. Обобщенный метод наименьших квадратов
- •3.11. Фиктивные переменные
- •3.12. Тест Чоу
- •Системы одновременных уравнений
- •4.1. Структурная и приведённая форма модели
- •4.2. Оценивание параметров структурной модели
- •Методы оценивания структурных уравнений различных видов
- •1. Точная идентифицируемость
- •2.Сверхидентифицируемость
- •3.Неидентифицируемость
- •Порядковое условие идентификации
- •Ненулевое ограничение
- •3. Анализ методов оценивания
- •Моделирование изолированного динамического ряда
- •Компоненты динамического ряда
- •Выявление и характеристика основной тенденции развития
- •Экспоненциальное сглаживание.
- •Моделирование основной тенденции
- •Статистическое изучение сезонных колебаний
- •Автокорреляция уровней динамического ряда и характеристика его структуры
- •3; 1; 2; 1; 2; 1; 3; 3; 2; 3; 1; 2; 1; 1; 3; 3; 2; 2; 1; 3; 3; 2; 2; 3; 1; 2; 2; 1; 3; 1.
- •Специфика изучения взаимосвязей по рядам динамики
- •Методы исключения тенденции
- •Метод последовательных разностей
- •Метод отклонений от тренда
- •Включение в модель регрессии фактора времени
- •Обобщенный метод наименьших квадратов при построении модели регрессии по временным рядам
- •Модели с лаговыми переменными
- •Модели с распределенными лагами
- •Метод Койка
- •Модели авторегрессии
- •Интерпретация параметров модели авторегрессии
- •Инструментальные переменные как метод оценивания параметров модели авторегрессии
- •Оценка автокорреляции остатков по модели авторегрессии
- •Авторегрессионные процессы и их моделирование (общая характеристика) Авторегрессионные процессы
- •Модели скользящей средней
- •Модели arma
- •Модели arima
- •Методология построения модели arima для исследуемого временного ряда включает следующую последовательность шагов.
- •Кластерный анализ
3.3. Выбор формы уравнения регрессии
Различают следующие виды уравнений множественной регрессии: линейные, нелинейные, сводящиеся к линейным, и нелинейные, не сводящиеся к линейным (внутренне нелинейные). В первых двух случаях для оценки параметров модели применяются методы классического линейного регрессионного анализа. В случае внутренне нелинейных уравнений для оценки параметров приходится применять методы нелинейной оптимизации.
Основное требование, предъявляемое к уравнениям регрессии, заключается в наличии наглядной экономической интерпретации модели и ее параметров.
Исходя из этих соображений, наиболее часто используются линейная и
степенная зависимости.
Линейная множественная регрессия имеет вид
(3.17)
Параметры при факторахназываются коэффициентами «чистой» регрессии.
Они показывают, на сколько единиц в среднем изменится результативный признак y за счет изменения соответствующего фактора на единицу при неизмененном значении других факторов, закрепленных на среднем уровне.
Предположим, например, что зависимость спроса на товар () от цены (P)
и дохода (I) характеризуется следующим уравнением:
Qd = 2,5 -0,12P + 0,23I.
Коэффициенты данного уравнения говорят о том, что при увеличении цены на единицу, спрос уменьшится в среднем на 0,12 единиц измерения спроса, а при увеличении дохода на единицу, спрос возрастет в среднем 0,23 единицы.
Параметр в (3.4) не всегда может быть содержательно проинтерпретирован.
Степенная множественная регрессия имеет вид
(3.18)
Параметры (степени факторов) являются коэффициентами эластичности. Они показывают, на сколько процентов в среднем изменится результативный признакy за счет изменения соответствующего факторана 1 % при неизмененном значении остальных факторов.
Наиболее широкое применение этот вид уравнения регрессии получил в производственных функциях, а также при исследовании спроса и потребления.
Например, зависимость выпуска продукции Y от затрат капиталаK и трудаL говорит о том, что увеличение затрат капиталаK на 1 % при неизменных затратах труда вызывает увеличение выпуска продукцииY на 0,23 %. Увеличение затрат трудаL на 1 % при неизменных затратах капиталаK вызывает увеличение выпуска продукцииY на 0,81 %.
Экономический смысл имеет также сумма коэффициентов каждого фактора (сумма эластичностей)э = . Эта величина дает обобщенную характеристику эластичности производства.
Если значение э> 1, то говорят, что функция имеет возрастающий эффект от масштаба производства. Значение э= 1 говорит о постоянном масштабе производства. Если значениеэ< 1, то имеет место убывающий эффект от масштаба производства.
3.4. Оценка параметров уравнения линейной
множественной регрессии
Рассмотрим уравнение линейной множественной регрессии
(3.19)
Применяя метод наименьших квадратов (МНК) получим следующую систему уравнений:
(3.20)
Решение системы (3.10) удобно записать с помощью матричных обозначеий. Обозначим
(3.21)
где A -матрица-столбец из (p+1) коэффициентов;
Y–матрица - столбец изnисходных значений зависимой переменнойy;
X -матрица ((p+1)×n) исходных значений независимых переменных, в которой первый столбец из единиц можно рассматривать как значения «фиктивной» переменной, соответствующей коэффициенту.
В этих обозначениях система (3.7) примет вид
(3.22)
где -транспонированная матрицаX. Матрицаявляется неособенной квадратной размерности (p+1×p+1) при условии, что столбцы матрицыX линейно независимы.
Решение системы (3.7) определяется соотношением
. (3.23)
Независимые переменные имеют различный экономический смысл, разные единицы измерения и масштаб. Если нужно определить степень относительного влияния отдельных факторовна изменение результативной переменнойy, то переменныеследует привести к сопоставимому виду. Это можно осуществить, вводя, так называемые, «стандартизованные» переменныес помощью соотношений:
(3.25)
где - средние значения,средние квадратические отклонения переменныхy и.
Стандартизованные переменные обладают следующими свойствами:
1) средние значения равны нулю
2) средние квадратические отклонения равны единице
Уравнения множественной регрессии в стандартизованных переменных принимают вид:
(3.26)
Величины называются стандартизованными коэффициентами. Их связь с коэффициентами множественной регрессиизадается соотношениями
. (3.27)
Параметр уравнения (3.6) можно определить из соотношения
... . (3.28)
Стандартизованные коэффициенты регрессии показывают, на сколько сигм (средних квадратических отклонений) изменится в среднем результативный признакy за счет изменения соответствующего фактора на одну сигму при неизмененном значении других факторов, закрепленных на среднем уровне.
Система нормальных уравнений МНК (3.10) в стандартизованных переменных принимает вид:
(3.29)
Стандартизованные коэффициенты регрессии сравнимы между собой, что позволяет ранжировать факторы по силе их воздействия на результат.
Большее относительное влияние на изменение результативной переменной y оказывает тот фактор, которому соответствует большее по модулю значение коэффициента.
Отметим, что в случае парной линейной регрессии стандартизованный коэффициент регрессии β совпадает с линейным коэффициентом корреляции.
Для оценки параметров нелинейных уравнений множественной регрессии предварительно осуществляется преобразование последних в линейную форму (с помощью замены переменных) и МНК применяется для нахождения параметров линейного уравнения множественной регрессии в преобразованных переменных.
В случае внутренне нелинейных зависимостей (которые невозможно привести к линейному виду) для оценки параметров по методу наименьших квадратов приходится применять методы нелинейной оптимизации.