- •1. Определение эконометрики. Предмет и метод эконометрики.
- •2.Классификация моделей и типы данных.
- •3.Этапы построения эконометрической модели:
- •4. Модель парной регрессии.
- •5. Случайный член. Причины его существования.
- •6. Условия нормальной линейной регрессии (Гаусса-Маркова).
- •7. Метод наименьших квадратов.
- •8. Свойства коэффициентов регрессии.
- •9. Нелинейная регрессия. Методы линеаризации.
- •11. Интерпретация линейного уравнения регрессии.
- •12. Определение тесноты связи между факторами: линейный коэффициент корреляции, коэффициент детерминации.
- •13. Оценка тесноты связи в нелинейной регрессионной модели.
- •15. Взаимосвязь t-статистики и f-статистики для парной регрессии.
- •16. Коэффициент эластичности.
- •17. Оценка статистической значимости уравнения в целом. F-критерий Фишера
- •18. Модель множественной регрессии.
- •19. Ограничения модели множественной регрессии.
- •20. Идентификация параметров множественной регрессии мнк.
- •21. Интерпретация параметров уравнения множественной регрессии
- •22. Показатели тесноты связи во множественном регрессионном анализе – парные и частные коэффициенты корреляции.
- •23. Стандартизированное уравнение множественной регрессии.
- •24. Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.
- •25. Оценка статистической значимости множественных коэффициентов регрессии, t-критерий Стьюдента.
- •26. Модели с переменной структурой (фиктивные переменные).
- •27. Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
- •28. Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
- •29. Решение проблемы выбора модели (с ограничением и без ограничений).
- •30.Методы отбора факторов: априорный и апостериорный.
- •31. Гетероскедостичность и автокорреляция случайного члена.
- •32. Автокорреляция первого порядка и критерий Дарбина – Уотсона.
- •33. Тест серий (критерий Бреуша – Годфри)
- •34. Тест на гетероскедостичность: Голдфелда – Квандта, тест Уайта.
- •36. Структурная и приведенная формы модели.
- •37. Эндогенные и экзогенные переменные. Проблема идентифицируемости систем уравнений.
- •38. Оценивание параметров в системах одновременных уравнений: косвенный и двухшаговый мнк.
30.Методы отбора факторов: априорный и апостериорный.
1. априорный, предполагает исследование характера и силы взаимосвязей между рассматриваемыми переменными. В результате в модель включаются факторы наиболее значимые по своему влиянию на зависимую переменную. И исключаются факторы, которые мало значимые сточки зрения их влияния на у или их сильное влияние можно объяснить сильной взаимосвязью с другими факторами.
2. апостериорный, предполагает первоначальное включение всех факторов в модель, отобранных на первоначальном этапе качественного анализа. Уточнение состоятельных х-ов производится на основе анализа статистических характеристик, характеристик качества, модели в том числе и показателей силы связей с зависимыми переменными.
В основе априорного подхода лежат следующие предположения:
- сильное влияние фактора на зависимую переменную должно подтверждаться определенными количественными характеристиками (ryxi – основная из них)
Если по абсолютному значению связь сильная, то можно говорить о неслучайном характере и возможно о наличии существенной линейной связи. На практике эмпирический уровень ρ1 =0,5;0,6
- если несколько факторов выражают одно и то же явление, следовательно, между ними должна существовать тесная связь (коллинеарность), которая подтверждается ryxi, i≠j
ρ 2 (пороговое значение) = 0,8;0,9
Проблемы этого подхода:
Возникновение ложной коллинеарности (корреляции)
Установление эмпирических уровней ρ1 и ρ 2 можно сделать более низким
Сл-но 2) в конкретном случае ρ1 и ρ 2 устанавливается индивидуально и они достаточно условны; например, при большом числе значимых факторов можно пренебречь регрессором. Если же состоятельный регрессор незначительный и xj важен с содержательной точки зрения, следовательно он может быть включен в модель и при меньшем значении r.
Сл-но 1) высокое значение r между регрессорами может быть следствием случайного совпадения тенденций изменения этих показателей или наличие некоторого третьего фактора одинаково влияющего на оба регрессора.
Ложная корреляция может привести к включению в модель незначительных с содержательной точки зрения факторов, с др стороны к исключению значимых факторов.
Ложная корреляция может порождать:
- неточность и ненадежность статистической информации
- неустойчивость тенденций в изменении факторов
- трудность формализации качественных переменных
Общие рекомендации к построению модели:
1)число х-ов не может быть слишком велико. Увеличение числа х-ов может привести к снижению практической ценности модели
2) модель может быть достаточно простой (простота гарантирует адекватность модели)
Сложность модели может выражаться второстепенным взаимосвязями в ущерб основным.
При апостериорном подходе уточнение состоятельности х-ов осуществляется на основе анализа характеристик качества модели. Одна из групп таких характеристик это статистические критерии.
При помощи критерия St проверяется гипотеза о значимости влияния фактора и окончательное решение о целесообразности включения или исключения фактора из модели принимается на основе анализа всего комплекса характеристик с учетом содержательной стороны проблемы.
Можно предложить следующий алгоритм использования апостериорного подхода:
В исходный вариант модели включаются все отобранные факторы
Из модели удаляют незначимые факторы (наибольшее значение p-level или наименьшее значение t-статистики), далее формируется новый вариант модели, для которой вновь повторяются я все расчеты (при этом не следует исключать сразу несколько регрессоров, т.к. их статистическая незначимость может определяться наличием коллинеарности)
Процесс отбора можно считать законченным, когда в модели есть значения х и др характеристики модели удовлетворительны. В противном случае целесообразно сформулировать альтернативные вариации модели, отличающиеся либо состоянием регрессоров, либо формой взаимосвязи регрессоров с зависимыми переменными.
Априорный подход не обладает достаточной обоснованностью, т.к. в большей степени опирается на промышленные, количественные индикаторы или взаимосвязь между переменными, и не принимаются во внимание в полной мере особенности комплексного влияния независимых факторов на у. минус этого подхода состоит в том, что совокупное влияние нескольких факторов может значительно отличаться от суммы воздействия любых из них. Априорный подход может использоваться для уточнения альтернативных вариантов наборов независимых переменных и проверки исходных предпосылок модели относительно формы связи между переменными.
Апостериорный подход более предпочтительный, т.к. целесообразность включения любого фактора определяется комплексом взаимосвязей между вошедшими в модель переменными. Минус этого подхода: в том случае когда набор х-ов велик, нет никаких вариантов, будут включены наиболее значимые х.