- •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.
27. Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
Значимость уравнения множественной регрессии в целом оценивается с помощью F – критерия Фишера:
F = R2/(1 – R2) * (n-m-1)/m
Частный F – критерий оценивает статистическую значимость присутствия каждого из факторов в уравнении. В общем виде для фактора xi частный F – критерий определяется как:
Fчастxi = (R2yx1…xi…xp - R2yx1…xi-1xi+1…xp)/(1 - R2yx1…xi…xp) * (n-m-1)/1
28. Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
Все предыдущие суждения и выводы явно и неявно основывались на том, что мы имеем дело с правильной спецификацией модели, т.е. у – зависимая переменная, х и оцениваемый параметр связаны соотношением: у = х + u – истинная модель.
При этом выполняются условия Гаусса – Макова и часто говорят, что соотношение описывает процесс, порождающий данные. Как правило, на практике истинная модель неизвестна, и исследователь оценивает модель, которая лишь приближенно соответствует ППД, а выбор регрессоров называется спецификацией модели.. поэтому возникает естественный вопрос соотношения между МНК-оценками параметров в истинной и выбранной моделях. Рассмотрим две, в определенном смысле, противоположные ситуации:
в оцениваемой модели нет части независимых переменных, имеющихся в истинной модели.
ППД: у = х + z + - long регрессия
Модель: у = х + - short регрессия
Z – матрица регрессоров
- параметр при факторах
в оцениваемой модели присутствуют независимые переменные, которых нет в истинной модели (включение несуществующих переменных).
ППД: у = х + - short регрессия
Модель: у = х + z + - long регрессия
Х – матрица nxk
Z – матрица nxl
Y – nx1 – вектор наблюдений зависимой переменной
- kx1, - lx1 – векторы коэффициентов
- nx1
k и l – количество регрессоров
29. Решение проблемы выбора модели (с ограничением и без ограничений).
Проблема выбора оптимального состава регрессоров решается на основе содержательного (качественного) и количественного анализа тенденций рассматриваемых процессов. На этапе содержательного анализа решается вопрос о целесообразности включения в модель тех или иных факторов исходя из экономической теории и здравого смысла. Например, при моделировании макроэкономических производственных функций решается проблема установления самого фактора взаимосвязи между явлениями. Однако каждое из явлений может быть описано разными факторами или даже комбинациями факторов. Поэтому на основании качественного анализа однозначно состав независимых переменных (регрессоров) установить нельзя, могут существовать альтернативные наборы независимых переменных.
Очевидно, что факторы, выражающие одну и ту же причину, могут быть тесно связаны между собой и одновременное включение этих факторов в модель нецелесообразно. Т.о на этапе образования эконометрической модели возникает проблема выбора наиболее предпочтительного состава независимых факторов среди альтернативных вариантов.