- •2. Предпосылки классического уравнения регрессии.
- •3 Несмещенная оценка коэффициента уравнения регрессии.
- •4. Эффективная оценка коэффициента уравнения регрессии.
- •5. Состоятельная оценка коэффициента уравнения регрессии.
- •6. Коэффициенты множественной корреляции и детерминации.
- •7. Анализ корреляционной матрицы.
- •8. Для чего и как в эконометрике используется критерий Стьюдента?
- •10. Что показывает критерий Фишера
- •11. Для чего в эконометрике используется критерий Дарбина-Уотсона
- •12. Что показывает коэффициент детерминации.
- •13. Какой критерий применяют для диагностики на гетероскедантичность (непостоянство дисперсии).
- •14. Структура динамического ряда. Основные компоненты.
- •15. Вид уравнения авторегресси первого порядка.
- •16. Вид уравнения скользящей средней.
- •18. Что такое «стационарная модель»?
- •19. Причины линеаризации. Примеры.
- •20. Множественная линейная регрессия
- •21. Использвание t-статистики для проверки статистических гипотез о параметрах регрессии.
- •22. Использование коэф-та детерминации r2 и f-критерия для проверки статистических гипотез о параметрах регрессии.
- •23 Мультиколлинеарность
- •24. Гетероскедастичность и гомоскедастичность
- •25. Условия Гаусса-Маркова
- •26. Оценка степени надежности уравнения регрессии. Коэф-ты корреляции, детерминации, дисперсионное отношение Фишера.
- •27. Проверка значимости коэф-тов регрессии по t-критерию Стьюдента
- •28. Тест Дарбина-Уотсона
- •31. Гетероскедастичность и корреляция во времени
- •32. Модель скользящего среднего ма(q). Процедура идентификации.
- •33. Модель авторегрессии ar(p). Процедура идентификации.
- •34. Модели arma (p, q) и arima (p,q,d)
31. Гетероскедастичность и корреляция во времени
Св-ва оценок коэф-та регрессии напрямую зависит от свойств случайного члена в уравнении. Для получения качественных оценок необходимо селить за выполнением предпосылок МНК (условие гаусса-маркова). Одной из ключевых предпосылок МНК явл-ся условие постоянства дисперсии случайных отклонений. Выполнимость этих условий наз-ся гомоскедастичностью, а невыполнение – гетероскедастичностью.
Виды гетероскедастичности
1. Истинная гетероскедастичность (вызывается непостоянством дисперсии случайного члена, ее зависимостью от различных факторов)
2. Ложная гетероскедастичность (вызывается ошибочной спецификацией модели регрессии)
Источники гетероскедатичности:
1. Истинная гетероскедастичность возникает в пространственных выборках при зависимости масштаба измерений зависимой переменной от некоторой переменной, называемой фактором пропорциональности.
2. Наиб. распространенный случай истинной гетероскедастичности: дисперсия растет с ростом одного из факторов.
3. Истинная гетероскедастичность также возникает и во временных рядах, когда зависимая переменная имеет большой интервал качественно неоднородных значений или высокий темп изменения.
4. Истинная гетероскедастичность возникает в любой модели в случае если качество данных варьирует внутри выборки.
Var (εi) = δ2Zi2
Z – фактор пропорциональности
Последствия гетероскедастичности:
Истинная гетероскедастичность не приводит к смещению оценок коэф-тов регрессии
Гетероскедастичность увеличивает дисперсию распределения оценок коэф-тов
Обнаружение (проверка)гетероскедастичности:
графический анализ отклонений (стоим графики остатков и если они в рамках к-л прямой, то гетерос-ть отсутствует)
тест ранговой корреляции спирмена (при исп-и данного теста предполагается что дисперсия отклонений будет либо увеличиваться, либо уменьшаться с увеличением значений х, поэтому для регрессии построенной по МНК абсолютные величины отклонений и значения х-сов будут коррелированны. Значения наблюдений хi и хj рассчитываются по ранговой корреляции.
тест парка (предполагается что дисперсия номера наблюдения явл-ся ф-ей i-го значения х. (объясняющей переменной).
тест Глейзера (аналогичен 3 и дополняет его)
тест Голдхиада-Квейнта (оценивается регрессионная зависимость модулей отклонений от хi
32. Модель скользящего среднего ма(q). Процедура идентификации.
Метод скользящего ср. состоит в том, что расчет показателя на прогнозируемый момент времени строится путем усреднения значения этого показателя за несколько предшествующих моментов времени.
Модель сколь.ср. зависит от прошедших моментов.
В модель сколь.ср. возможно учесть воздействие отдаленных элементов.
Осн. предпосылки:
- В ошибках модели за несколько предшествующих периодов сосредоточена информация о всей предыстории ряда.
U(t)=ε(t) – θ1 ε (t-1) – θ2 ε (t-2) - … - θq ε (t-q)
ε(t) – θ1 ε (t-1) – первый порядок
ε(t) – θ1 ε (t-1) – θ2 ε (t-2) – второй порядок
Пример: модель первого порядка U(t)=ε(t) – θ1 ε (t-1)
Стационарность U(t) обеспечивается при любом значении параметра θ
Исходя из обратимости (модели типа AR и МА обратимы), модель представлена в виде модели авторегрессии бесконечного порядка при условии ׀θ ׀< 1
Идентификация модели – статистическое оценивание неизвестных параметров модели.
Идентификация модели:
Требуется статистически оценить параметр θ и δ2
Выделяется неслучайная составляющая f
Получаем отклонения. Ut=yt - ft
Находится оценка автокорреляции r(t)
Получаем : θ2 + [1/r(1)] θ + 1=0 – 2 корня
Как правило один из корней меньше 1, его и принимаем в качестве искомой оценки модели
Модель ск.ср. второго порядкаотличается более сложным построением