- •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.
4. Модель парной регрессии.
Y=α+βx+u
x-регрессор(объясняющая) внешняя
y-регрессант (объясняющая) внутренняя
α,β-параметры модели
u-случайная компонента
N x y ГРАФИК
x1 y1
x2 y2
x3 y3
x4 y4
Можно сказать, что y состоит из: неслучайной составляющей α+βx и случайной составляющей u
Q-теоретич знания
P-наблюдённые знания
Задача регресс-го анализа в нахождении оценок для α и β и определении положения прямой по точкам P.s
5. Случайный член. Причины его существования.
1. Невключение объясняющих переменных. В действительности существуют и др факторы влияния на у, которые не включены в уравнение, их влияние приводит к тому, что наблюдения лежат вне прямой.
Невключение может происходить в следующих случаях:
- невозможность измерения переменных
- малое влияние этих факторов
- отсутствие знаний о влиянии этих факторов, отсутствие опыта
Если бы мы точно знали, какие факторы оказывают влияние и умели их измерять, то включили бы их в уравнение регрессии, а следовательно исключили бы соответствующую компоненту из случайного члена.
2. Агрегирование переменных. Во многих случаях рассматривается зависимость – попытка объединить вместе некоторое число микроэкономических соотношений. Например, функция совокупного спроса – попытка общего выражения совокупных решений отдельных индивидов о расходах. Отдельные соотношения имеют разные параметры, поэтому любая попытка определить соотношение между совокупными расходами и доходами является лишь аппроксимацией и наблюдаемое расхождение при этом приписывается случайной компоненте
3. Неправильно описание структуры модели. Если зависимость относится к данным о временном ряде, то значение у может зависеть не от фактического значения х, а от ожидаемого значения в предыдущем периоде. Если фактическое и ожидаемое значения тесно связаны, то будет казаться, что между у и х существует связь, однако это лишь аппроксимация и расхождения будут связаны со случайной компонентой.
4. Неправильная функциональная спецификация. Истинная зависимость может быть нелинейной, т.е. носить более сложный характер и надо использовать более походящую математическую форму, но любая форма является приближением и существующее расхождение будет вносить свой вклад в случайную компоненту.
5.Ошибки измерения. Если в измерении одной или нескольких взаимосвязанных переменных имеются ошибки, то наблюдаемые значения не будут соответствовать точному соотношению, и наблюдаемое расхождение будет вносить свой вклад в случайную компоненту.
Случайная компонента является суммарным проявлением всех этих факторов.
6. Условия нормальной линейной регрессии (Гаусса-Маркова).
1. Математическое ожидание случайной компоненты в любом наблюдении должно быть равно 0. E(ui) = 0
Иногда случайная компонента положительна, иногда отрицательна, но она не должна иметь системного смещения ни в одном из двух возможных направлений.
Если уравнение регрессии включает константу, то можно предположить, что это условие выполняется автоматически, т.к. роль константы состоит в определении любой систематической тенденции в поведении у, которую не учитывают объясняющие переменные, включенные в модель.
2.Дисперсия случайной компоненты должна быть постоянна для любых наблюдений. Иногда случайная компонента будет больше или меньше, но не должно быть априорной причины, для того чтобы она порождала большую ошибку в одних уравнениях, чем в других.
σu2-постоянна
Если это условие выполняется, то говорят, что дисперсия ошибки гомоскедостична, в противном случае присутствует гетероскедостичность ошибки.
3. Значения случайной компоненты должны быть независимы в разных наблюдениях. Если это условие выполняется, то говорят, что отсутствует автокорреляция случайной компоненты.
E(ui, uj) = 0, i≠j
Если случайная компонента велика и положительна в одном наблюдении, то это не должно обязательно обуславливать системную тенденцию к тому, что она будет велика и положительна в др наблюдении.
4.Случайная компонента должна быть распределена независимо от объясняющих переменных.
E(ui, xi) = 0
Иногда формулируют дополнительное условие о нормальности распределения случайной компоненты. Если случайная компонента распределена нормально, то и оценки параметров распределены нормально вокруг истинных значений.