- •1. Анализ вариации зависимой переменной в регрессии
- •2. Тест Дарбина – Уотсона некоррелированности случайных возмущений в схеме Гаусса – Маркова
- •3. Метод имитационного моделирования. Исследование последствий нарушения условий теоремы Гаусса – Маркова
- •4. Анализ вариации зависимой переменной в регрессии
- •5. Коэффициент детерминации как мера качества спецификации эконометрической модели
- •6. Компьютерное моделирование эконометрических систем
- •8. Процедура точечного прогнозирования по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной
- •9. Интервальное прогнозирование по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной
- •10. Множественная линейная регрессионная модель. Оценивание параметров множественной регрессии методом наименьших квадратов
- •11. Определение границ доверительных интервалов точечных оценок множественной регрессионной модели
- •12. Оценивание параметров модели взвешенным методом наименьших квадратов
- •13. Модель Марковица
- •14. Определение границ доверительного интервала прогноза зависимой переменной
- •15. Проверка гипотез относительно коэффициентов парной регрессии
- •16. Автокорреляция случайного возмущения
- •17. Гетероскедастичность случайного возмущения
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии
- •19. Модель парной регрессии. Границы доверительных интервалов
- •20. Гетероскедастичность случайной компоненты. Тесты на наличие гетероскедастичности
- •21. Автокорреляция случайной составляющей. Тесты на наличие автокорреляции
- •22. Спецификация и преобразование к приведенной форме динамических моделей. Лаговые и предопределенные переменные динамической модели
- •23. Уточнение эконометрических моделей путем датирования переменных
- •24. Парная регрессия. Оценивание параметров методом наименьших квадратов
- •25. Тест Голдфелда–Квандта гомоскедастичности случайных возмущений в схеме Гаусса – Маркова
- •26. Дисперсионный анализ в парной регрессии
23. Уточнение эконометрических моделей путем датирования переменных
Нередко в условиях экономической задачи, для решения которой создается модель, присутствует фактор времени. Это фактор должен найти отражение в спецификации модели.
Определение. Переменные, связанные с моментом времени, называются датированными.
Например, Ydt означает, что переменная уровень спроса относится к текущему моменту времени. С учетом сказанного модель конкурентного рынка должна иметь вид:
– уровень спроса в текущий (нынешний, настоящий) период времени, при этом уровень спроса в предшестующий период времени обозначается символом . В зависимости от контекста переменная t может принимать значения полных календарных дат (например, t=7/09/2006), неполных календарных дат (например, t = 2006) или целые значения (например, t=1,2, …) без всякой привязки к существующему календарю.
И другие переменные модели, например располагаемый душевой доход потребителя x зависят от текущего момента времени t, и эту зависимость обозначается аналогично: .
Таким образом, -это текущие значения спроса, предложения и цены благ на конкурентном рынке. Переменные модели называются датированными, если обозначена их зависимость от времени. Влияние фактора времени на текущие значения спроса, предложения и цены товара на конкурентном рынке закреплено в утверждениях экономической теории:
-
Текущий уровень спроса объясняется текущей ценой товара и текущим располагаемым доходом на душу населения, причем этот уровень падает с ростом текущей цены и возрастает с увеличением текущего дохода;
-
Текущее предложение объясняется ценой товара в предшествующем периоде и возрастает с ростом этой цены
-
Текущее значение рыночной цены устанавливается при балансе текущего спроса и текущего предложения товара.
24. Парная регрессия. Оценивание параметров методом наименьших квадратов
Парная регрессия позволяет получить аналитическое выражение связи между двумя признаками: результативным и факторным.
Определить тип уравнения можно, исследуя зависимость графически, однако существуют более общие указания, позволяющие выявить уравнение связи, не прибегая к графическому изображению. Если результативный и факторный признаки возрастают одинаково, то это свидетельствует о том, что связь между ними линейная, а при обратной связи - гиперболическая. Если результативный признак увеличивается в арифметической прогрессии, а факторный значительно быстрее, то используется параболическая или степенная регрессия.
Оценка параметров уравнений регрессии (a0, a1, и a2 - в уравнении параболы второго порядка) осуществляется методом наименьших квадратов, в основе которого лежит предположение о независимости наблюдений исследуемой совокупности и нахождении параметров модели (a0, a1), при которых минимизируется сумма квадратов отклонений эмпирических (фактических) значений результативного признака от теоретических, полученных по выбранному уравнению регрессии:
Система нормальных уравнений для нахождения параметров линейной парной регрессии методом наименьших квадратов имеет следующий вид:
где n - объем исследуемой совокупности (число единиц наблюдения).
В уравнениях регрессии параметр a0 показывает усредненное влияние на результативный признак неучтенных в уравнении факторных признаков. Коэффициент регрессии a1 показывает, на сколько в среднем изменяется значение результативного признака при увеличении факторного признака на единицу собственного измерения.