- •Вопросы к экзамену по курсу "Эконометрика" для студентов экономического факультета групп 3.1 2010/11 уч. Год
- •Определение эконометрики. Предмет и методы эконометрики.
- •Классификация моделей и типы данных.
- •Этапы построения эконометрической модели.
- •Модель парной регрессии.
- •Случайный член, причины его существования.
- •Условия нормальной линейной регрессии (Гаусса-Маркова)
- •Метод наименьших квадратов.
- •Свойства коэффициентов регрессии.
- •Нелинейная регрессия. Методы линеаризации.
- •Функциональная спецификация модели парной регрессии.(Вопрос4)
- •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.
- •38. Оценивание параметров в системах одновременных уравнений: косвенный и двухшаговый мнк.
Оценка существенности параметров и статистическая проверка гипотез. T-критерий Стьюдента.
В линейной регрессии обычно оценивается значимость не только уравнения в целом, но и отдельных его параметров. С этой целью по каждому из параметров определяется его стандартная ошибка: mb и ma .
, (8.2)
где S2 – остаточная дисперсия на одну степень свободы.
Величина стандартной ошибки совместно с t-распределением Стьюдента при n-2 степенях свободы применяется для проверки существенности коэффициента регрессии.
При гипотезе Н0: b-b0=0, t-статистика выглядит следующим образом:
Значение сравнивается с табличным значением при определенном уровне значимости и числе степеней свободы (n-2).
Если фактическое значение t-критерия превышает табличное, то гипотезу о несущественности коэффициента регрессии можно отклонить.
Процедура оценивания существенности параметраа не отличается от уже рассмотренной для коэффициента регрессии.
Взаимосвязь t-статистики и f-статистики для парной регрессии.
Существует связь между -критерием Стьюдента и -критерием Фишера: . В прогнозных расчетах по уравнению регрессии определяется предсказываемое значение как точечный прогноз при , т.е. путем подстановки в уравнение регрессии соответствующего значения . Однако точечный прогноз явно не реален. Поэтому он дополняется расчетом стандартной ошибки , т.е. , и соответственно интервальной оценкой прогнозного значения :
,
где , а – средняя ошибка прогнозируемого индивидуального значения:
.
Коэффициент эластичности. Его смысл и определение.
Среди нелинейных моделей наиболее часто используется степенная функция , которая приводится к линейному виду логарифмированием:
,
где . Т.е. МНК мы применяем для преобразованных данных:
а затем потенцированием находим искомое уравнение.
Широкое использование степенной функции связано с тем, что параметр в ней имеет четкое экономическое истолкование – он является коэффициентом эластичности.
Коэффициент эластичности показывает, на сколько процентов измениться в среднем результат, если фактор изменится на 1%. Формула для расчета коэффициента эластичности имеет вид:
. (1.19)
Так как для остальных функций коэффициент эластичности не является постоянной величиной, а зависит от соответствующего значения фактора , то обычно рассчитывается средний коэффициент эластичности:
. (1.20)
Приведем формулы для расчета средних коэффициентов эластичности для наиболее часто используемых типов уравнений регрессии:
Таблица 1.5
Вид функции, |
Первая производная, |
Средний коэффициент эластичности, |
Линеаризация |
1 |
2 |
3 |
4 |
|
|
|
- |
|
|
|
Х1=х, Х2=х2 |
|
|
|
Х=1/х,Y=y |
|
|
|
Х=lnх,Y=lny |
|
|
|
Х=х,Y=lny |
|
|
|
Х=lnх,Y=y |
|
|
|
Х=х,Y=lny |
|
|
|
|
|
|
|
Х=х,Y=1/y |