- •Вопросы к экзамену по курсу "Эконометрика" для студентов экономического факультета групп 3.1 2011/12 уч. Год
- •Определение эконометрики. Предмет и методы эконометрики.
- •Классификация моделей и типы данных.
- •Этапы построения эконометрической модели.
- •Модель парной регрессии.
- •6.Условия нормальной линейной регрессии (Гаусса-Маркова)
- •Метод наименьших квадратов.
- •Свойства коэффициентов регрессии.
- •Нелинейная регрессия. Методы линеаризации.
- •Функциональная спецификация модели парной регрессии.
- •Интерпретация линейного уравнения регрессии.
- •Определение тесноты связи между факторами: линейный коэффициент корреляции, коэффициент детерминации.
- •Оценка тесноты связи в нелинейной регрессионной модели.
- •Оценка существенности параметров и статистическая проверка гипотез. T-критерий Стьюдента.
- •Взаимосвязь t-статистики и f-статистики для парной регрессии.
- •Коэффициент эластичности. Его смысл и определение.
- •Оценка статистической значимости уравнения в целом. F-критерий Фишера.
- •Модель множественной регрессии.
- •Ограничения модели множественной регрессии.
- •Идентификация параметров множественной регрессии мнк.
- •Интерпретация множественного уравнения регрессии.
- •Показатели тесноты связи во множественном регрессионном анализе - парные и частные коэффициенты корреляции.
- •Стандартизированное уравнение множественной регрессии.
- •Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.
- •Оценка статистической значимости множественных коэффициентов регрессии, t-критерий Стьюдента.
- •Модели с переменной структурой (фиктивные переменные).
- •Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
- •Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
- •Решение проблемы выбора модели (с ограничением и без ограничения).
- •Методы отбора факторов: априорный и апостериорный подходы.
- •Гетероскедастичность и автокорреляция случайного члена.
- •Автокорреляция 1-го порядка и критерий Дарбина-Уотсона.
- •Тест серий (критерий Бреуша-Годфри)
- •Тесты на гетероскедастичность: Голдфелда-Квандта, тест Уайта.
- •Системы регрессионных (одновременных) уравнений.
- •Структурная и приведенная формы модели.
- •Эндогенные и экзогенные переменные. Проблема идентифицируемости систем уравнений.
- •Оценивание параметров в системах одновременных уравнений: косвенный и двухшаговый мнк.
Показатели тесноты связи во множественном регрессионном анализе - парные и частные коэффициенты корреляции.
Парные коэффициенты
Частные коэффициенты
Для решения проблемы коллинеарности можно использовать частные коэффициенты, которые характеризуют тесноту связи между результатом и регрессором при фиксированном влиянии других факторов.
Исключаем тот регрессор, для которого частный коэффициент наименьший, так как учтено взаимное влияние регрессоров.
Стандартизированное уравнение множественной регрессии.
Существует другой подход к построению множественной регрессии – уравнение регрессии в стандартизированном масштабе.
Для этого введем стандартизированные переменные
Для этих переменных среднее значение равно 0, а среднее квадратическое отклонение равно 1.
К этому уравнению можно применить МНК. Система:
b – стандартизированные коэффициенты регрессии.
Они сравнимы между собой и можно ранжировать факторы по силе воздействия на результат.
Стандартизированный коэффициент регрессии – показывает, на сколько средних квадратических отклонений изменится результат, если соответствующий фактор изменится на 1 сигма при неизменной величине остальных факторов.
Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.
Коэффициент множественной корреляции используется для оценки тесноты связи между зависимой переменной и всеми регрессорами, включенными в модель.
R2 – коэффициент множественной детерминации
доля вариации у, обусловленная включенными в модель факторами.
доля вариации у, обусловленная не включенными в модель факторами.
Скорректированный коэффициент множественной корреляции
Коэффициент R2 показывает качество подгонки регрессионной модели к наблюдаемым значениям уi.
Если R2 = 0, то регрессионная модель не улучшает качество прогноза по сравнению с тривиальным (прогнозное значение зависимой переменной равно ее среднему значению).
Если R2 =1, то регрессия точно подогнана. Все остатки еi =0.
При добавлении объясняющей переменной в уравнение регрессии R2 никогда не уменьшается, а обычно увеличивается. Если взять число регрессоров = числу наблюдений, всегда можно добиться, что R2 =1. Однако это не означает, что данная модель имеет экономический смысл.
Такой недостаток R2 можно исправить, налагая штраф за введение дополнительного регрессора на величину коэффициента корреляции. Такой коэффициент называют скорректированным коэффициентом множественной корреляции.
Увеличение скорректированного коэффициента не обязательно означает, что коэффициент регрессии дополнительно введенного фактора статистически значим и, соответственно, это не означает улучшение спецификации модели.
Поэтому данный коэффициент не используют в качестве диагностической величины, а рассматривают в качестве одного из целого ряда показателей.