Эконометрическое моделирование.
Основные понятия
Эконометрика — наука, изучающая количественные и качественные экономические взаимосвязи с помощью математических и статистических методов и моделей.
Эконометрическая модель - экономико-математическая модель факторного анализа, параметры которой оцениваются средствами математической статистики.
Регрессионный анализ — статистический метод исследования зависимости между зависимой переменной Y и одной или несколькими независимыми переменными X1,X2,...,Xp. При этом терминология зависимых и независимых переменных отражает лишь математическую зависимость переменных, а не причинно-следственные отношения. Для адекватного описания сложных внутренне неоднородных экономических процессов, как правило, применяются системы эконометрических уравнений. В более простых случаях можно использовать и простые изолированные уравнения.
Взаимозависимые системы - наиболее полно описывают экономическую систему, содержащую, как правило, множество взаимосвязанных эндогенных и экзогенных переменных.
Анализ временных рядов — совокупность математико-статистических методов анализа, предназначенных для выявления структуры временных рядов и для их прогноза. Выявление структуры временного ряда необходимо для того, чтобы построить математическую модель того явления, которое является источником анализируемого временного ряда.
Модель - материальный или мысленно представляемый объект, замещающий в процессе исследования объект-оригинал таким образом, что его непосредственное изучение дает новые знания об объекте-оригинале. Модель выступает в качестве средства анализа и прогнозирования конкретных экономических процессов на основе реальной статистической информации.
Классификация эконометрических моделей:
1) классификация эконометрических моделей по целевому назначению:
а) теоретико-аналитические модели, которые используются при исследовании общих свойств и закономерностей экономических процессов;
б) прикладные модели, которые используются при решении конкретных экономических задач (модели экономического анализа, прогнозирования, управления);
2) классификация эконометрических моделей по исследуемым экономическим процессам и содержательной проблематике. При этом выделяются:
а) модели народного хозяйства в целом и его отдельных подсистем-отраслей, регионов и т. д.;
б) комплексы моделей производства и потребления;
в) комплексы моделей формирования и распределения доходов;
г) комплексы моделей трудовых ресурсов;
д) комплексы моделей ценообразования;
е) комплексы моделей финансовых связей и др.
3) классификация эконометрических моделей на дескриптивные и нормативные модели:
а) дескриптивные модели предназначены для объяснения наблюдаемых фактов или для построения вероятностного прогноза;
б) нормативные модели отвечают на вопрос «как это должно бытьβ», т. е. предполагают целенаправленную деятельность. В качестве примера нормативной модели можно привести модели оптимального планирования, характеризующие тем или иным образом цели экономического развития, возможности и средства их достижения;
4) классификация эконометрических моделей по характеру отражения причинно-следственных связей. При этом выделяют:
а) модели жестко детерминистские;
б) модели, в которых учитываются факторы случайности и неопределенности.
5) Классификация эконометрических моделей по способам отражения фактора времени. При этом выделяют:
а) статические модели, характеризующие исследуемую зависимость между переменными на определённый момент времени;
б) динамические модели, характеризующие изменение экономических процессов во времени.
Регрессионная модель - «теория», «гипотеза». Термины пришел из статистики, в частности из раздела «проверка статистических гипотез». Регрессионная модель есть прежде всего гипотеза, которая должна быть подвергнута статистической проверке, после чего она принимается или отвергается.
Регрессионная
модель 
—
это параметрическое семейство функций,
задающее отображение
где 
—
пространтсво параметров, 
—
пространство свободных
переменных, 
—
пространствозависимых
переменных.
Так
как регрессионный анализ предполагает
поиск зависимости матожидания случайной
величины от свободных переменных 
,
то в её состав входит аддитивная случайная
величина 
:
Регрессионная модель объединяет широкий класс универсальных функций, которые описывают некоторую закономерность. При этом для построения модели в основном используются измеряемые данные, а не знание свойств исследуемой закономерности. Такая модель часто неинтерпретируема, но более точна. Это объясняется либо большим числом моделей-претендентов, которые используются для построения оптимальной модели, либо большой сложностью модели. Нахождение параметров регрессионной модели называется обучением модели.
Недостатки регрессионного анализа: модели, имеющие слишком малую сложность, могут оказаться неточными, а модели, имеющие избыточную сложность, могут оказаться переобученными.
Примеры регрессионных моделей: линейные функции, алгебраические полиномы, ряды Чебышёва, нейронные сети без обратной связи, например, однослойный персептрон Розенблатта, радиальные базисные функции и прочее.
При решении задач регрессионного анализа встают следующие вопросы.
Как выбрать тип и структуру модели, какому именно семейству она должна принадлежать?
Какова гипотеза порождения данных, каково распределение случайной переменной?
Какой целевой функцией оценить качество аппроксимации?
Каким способом отыскать параметры модели, каков должен быть алгоритм оптимизации параметров?