- •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.
Оценка статистической значимости множественного уравнения регрессии, f-критерий Фишера.
С татистический критерий строится также как и раньше.
Используется статистика Фишера (F)
Фактическое значение рассчитывается по формуле
n – размер выборки,
k – общее число параметров, оцениваемых в уравнении.
n – размер выборки,
k – число параметров при переменных x (в линейной регрессии совпадает с числом включенных в модель факторов).
Сравниваем Fкр. и Fфакт.
Если Fфакт>Fтабл, то отвергаем гипотезу о статистической незначимости уравнения регрессии в целом и принимает альтернативную гипотезу – о статистической значимости.
Если же Fфакт<Fтабл, то мы не можем отклонить нулевую гипотезу, делаем заключение о статистической незначимости уравнения регрессии в целом.
Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.
Мы считаем, что зависимую переменную, регрессоры и оцениваемые параметры связывают следующим соотношением:
При этом выполняются условия Гаусса-Маркова. Такую модель называют истинной моделью или процессом, порождающим данные (ППД).
На практике, как правило, истинная модель неизвестна, и исследователь оценивает модель, которая лишь приближенно соответствует ППД. Сам процесс выбора регрессоров называется спецификацией.
Возникает естественный вопрос соотношения оценок по МНК в истинной модели и оцениваемых моделях.
Рассмотрим 2 противоположных ситуации:
1) в оцениваемой модели отсутствует часть независимых переменных, имеющихся в истинной модели. Эта ситуация называется исключением существенных переменных.
2) в оцениваемой модели присутствуют независимые переменные, которых нет в истинной модели. Такая ситуация называется включением несущественных переменных.
(1) ППД (1)
Модель (2)
2) ППД
Модель
Рассмотрим первый случай.
Оценки вектора пар-ров для модели (2) имеют вид:
Учитывая, что истинная модель имеет вид (1), получим:
Оценка β по МНК будет смещенной.
Рассмотрим второй случай.
Оценки являются несмещенными, но неэффективными
Поскольку включение несущественных переменных сохраняет несмещенность, то возникает такой соблазн включить в модель как можно больше объясняющих переменных, чтобы объяснить лучшую подгонку моделей. Но при этом следует помнить, что точность оценок будет уменьшаться.
Включение большого числа регрессоров может повлечь за собой мультиколлинеарность, что ведет к неустойчивости модели.
Решение проблемы выбора модели (с ограничением и без ограничения).
Можно рассмотреть другую постановку задачи, более близкую к практике, а именно когда истинная модель неизвестна. Таким образом, мы можем строить и сравнивать 2 разные модели.
модель без ограничений
γ=0. Z – матрица из одного столбца
1) сравнение коэффициентов
2) использование скорректированного коэффициента
3) этот способ основан на наименьшем среднеквадратическом отклонении оценок MSE
- для I и II моделей