- •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.
Этапы построения эконометрической модели.
Постановочный
Формируется цель исследования, набор участвующих в модели экономических переменных.
В качестве цели эконометрического моделирования обычно рассматривают:
анализ исследуемого экономического объекта (процесса);
прогноз его экономических показателей;
имитацию развития объекта при различных значениях экзогенных переменных, выработку управленческих решений.
Априорный
Проводится анализ сущности изучаемого объекта, формирование и формализация априорной, т.е. известной до начала моделирования, информации.
Параметризация
Осуществляется моделирование, т.е. выбор общего вида модели и выявление входящих в нее связей.
Основная задача: выбор вида функции f(X) в качестве эконометрической модели, в частности, обоснование возможности использования линейной модели как наиболее простой.
Проблема спецификации модели:
выражение в математической форме обнаруженных связей и соотношений;
установление состава экзогенных и эндогенных переменных;
формулировка исходных предпосылок и ограничений модели.
Информационный
Сбор необходимой статистической информации — наблюдаемых значений экономических переменных.
Идентификация модели
Оценка параметров модели и ее статистический анализ.
Верификация модели
Проверка истинности, адекватности модели. Выясняется, насколько удачно решены проблемы спецификации, идентификации, какова точность расчетов по данной модели, в конечном счете, насколько соответствует построенная модель моделируемому реальному экономическому объекту или процессу.
Модель парной регрессии.
Задачу определения парной регрессии можно сформулировать следующим образом: по наблюденным значениям одной переменной (X) нужно оценить или предсказать ожидаемое значение другой переменной (Y). В модели линейной регрессии теоретически предполагается существование между переменными X и Y связи следующего вида:
, (1)
где X - независимая, объясняющая переменная, регрессор, факторный признак;
Y - зависимая, объясняемая переменная, результирующий признак;
, - параметры уравнения;
u - случайный член.
Уравнение (1) называется регрессионным уравнением.
Уравнение (1) называется регрессионным уравнением. Задача регрессионного анализа состоит в нахождении оценок коэффициентов и в определении положения регрессионной прямой по известным, или наблюдённым, значениями Х и У при неизвестном U. 5. Случайный член, причины его существования.
1.Не включение объясняющих элементов:
Соотношение между у и х - очень большое упрощение. Существуют и другие факторы, влияющие на у, которые не учтены в модели. Влияние этих факторов приводит к тому, что наблюдаемые точки лежат вне прямой.
Невозможность измерения.
Слабое влияние фактора.
Отсутствия опыта или знаний.
2. Агрегирование переменных:
Во многих случаях зависимость — это попытка объединить вместе некоторое число микроэкономических соотношений. Отдельные соотношения имеют разные параметры, любая попытка определить соотношение между ними является лишь аппроксимацией.
3.Неправильное описание структуры модели:
Если зависимость относится к данным о временном ряде, то значение Y может зависеть не от фактического значения Х, а от значения, которое ожидалось в предыдущем периоде.
Если ожидаемое и фактическое значения тесно связаны, то будет казаться, что между Y и X существует зависимость, но это будет лишь аппроксимация.
4. Неправильная функциональная спецификация:
Функциональное соотношение между Y и X математически может быть определено неправильно. Истинная зависимость может не являться линейной, а быть более сложной.
5.Ошибки измерения:
Если в измерении одной или более взаимосвязанных переменных имеются ошибки, то наблюдаемые значения не будут соответствовать точному соотношению.
Случайная компонента является суммарным проявлением всех факторов. Если бы случайной компоненты не существовало, то мы бы знали, что любое изменение Y вызвано только изменением X и смогли бы точно вычислить β.
Однако в действительности каждое изменение Y отчасти вызвано изменением U. Поэтому мы не можем вычислить истинные значения параметров (α и β), а можем определить лишь их оценки, т.е. приближенные значения (a и b).