- •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.
Тесты на гетероскедастичность: Голдфелда-Квандта, тест Уайта.
Голдфелда-Квандта
Применяется, если ошибки регрессии можно считать нормально распределенными случайными величинами.
Пусть σt пропорционально х. Упорядочим n наблюдений в порядке возрастания х и выберем первые m и последние m наблюдений.
Гипотеза о гомоскедастичности будет равносильна тому, что значения остатков е1,е2…еm и еn-m+1, еn-m+2…еn представляют собой выборочное наблюдение нормально распределенных случайных величин, имеющих одинаковые дисперсии
Э та гипотеза проверяется с помощью критерия Фишера
р - число регрессоров
Мощность теста, т.е. вероятность отвергнуть гипотезу об отсутствии гетероскедостичности (H0), когда в действительности ее нет, оказывается максимальной, если m выбирается = n/3.
Тест Уайта.
Предполагается, что дисперсия ошибок регрессии представляет собой одну и ту же функцию от xi (наблюдаемых значений)
Чаще функция выбирается квадратичной, что соответствует предположению, что среднеквадратическая ошибка примерно линейно зависит от значений регрессора.
Гомоскедастичной выборке соответствует случай, когда f является const.
Процедура построения.
Применяется МНК к исходной модели и находят остатки регрессии et, t=[1;n].
Осуществляется регрессия квадратов этих остатков (еt^2) на все регрессоры х, их квадраты и попарные произведения и const.
Гипотеза об отсутствии гетероскедастичности принимается в случае незначительности регрессии в целом, когда R2 не значим.
Выполнение 3-го условия Г.-М. гарантирует отсутствие автокорреляции случайного члена.
Если условие нарушается, то появляется автокорреляция, которая как правило, наблюдается во временных рядах.
Случайная компонента в уравнении регрессии подвергается воздействию переменных влияющих на у, которые не включены в модель.
Автокорреляция представляет тем большую проблему, чем меньше интервал м/у наблюдениями. Чем больше интервал, тем менее правдоподобно, что при переходе от одного наблюдения к другому будет сохранен характер влияния неучтенных факторов.
При + автокор мы имеем сначала несколько положительных значений U, а потом несколько отрицательных.
При – автокор мы имеем частые пересечения линии регрессии.
Системы регрессионных (одновременных) уравнений.
При моделировании сложных экономических процессов и объектов часто приходится вводить не одно, а несколько взаимосвязанных уравнений, т.е. описывать объект системой уравнений.
Система независимых уравнений – когда каждая переменная Y рассматривается как функция одного и того же набора факторов X. Для решения этой системы и нахождения ее параметров используется метод наименьших квадратов.
Система рекурсивных уравнений – когда зависимая переменная Y из одного уравнения участвует как фактор в другом уравнении. Для решения этой системы и нахождения ее параметров используется метод наименьших квадратов.
Система взаимосвязанных уравнений – когда одни и те же зависимые переменные в одних уравнениях входят в левую часть, а в других – в правую.