- •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 статистической значимости уравнения в целом. F-критерий Фишера.
Поскольку не все точки поля корреляции лежат на линии регрессии, то всегда имеет место их разброс как обусловленный влиянием фактора х, т. е. регрессией у по х, так и вызванный действием прочих причин (необъясненная вариация). Пригодность линии регрессии для прогноза зависит от того, какая часть общей вариации признака у приходится на объясненную вариацию. Очевидно, что если сумма квадратов отклонений, обусловленная регрессией, будет больше остаточной суммы квадратов, то уравнение регрессии статистически значимо и фактор х оказывает существенное воздействие на результат у. Это равносильно тому, что коэффициент детерминации R2 будет приближаться к единице.
Любая сумма квадратов отклонений связана с числом степеней свободы (df— degrees of freedom), т. е. с числом свободы независимого варьирования признака. Число степеней свободы связано с числом единиц совокупности N и с числом определяемых по ней констант. Применительно к исследуемой проблеме число степеней свободы должно показать, сколько независимых отклонений из N возможных требуется для образования данной суммы квадратов.
Так, для общей суммы квадратов требуется (n-1) независимых отклонений, ибо по совокупности из n единиц после расчета среднего уровня варьируют лишь (n - 1) число отклонений. При расчете факторной суммы квадратов - 1 степень свободы, и при расчете остаточной суммы квадратов - (n-2) степени свободы.
Сопоставляя факторную и остаточную дисперсии в расчете на одну степень свободы, получим величину F – отношения (F - критерий):
(8.1)
В качестве нулевой гипотезы Н0выдвигается предположение о том, что линейной зависимости между x и y не существует.
Если нулевая гипотеза справедлива, то факторная и остаточная дисперсии не отличаются друг от друга. Для Н0 необходимо опровержение, чтобы факторная дисперсия превышала остаточную в несколько раз.
Английским статистиком Снедекором разработаны таблицы критических значений F-отношений при разных уровнях существенности нулевой гипотезы и различном числе степеней свободы.
Табличное значение F-критерия – это максимальная величина отношения дисперсий, которая может иметь место при случайном их расхождении для данного уровня вероятности наличия нулевой гипотезы. Вычисленное значение F -отношения признается достоверным (отличным от единицы), если оно больше табличного. В этом случае нулевая гипотеза об отсутствии связи признаков отклоняется и делается вывод о существенности этой связи.
Если же величина окажется меньше табличной, то вероятность нулевой гипотезы выше заданного уровня (например, 0,05) и она не может быть отклонена, без серьезного риска сделать неправильный вывод о наличии связи. В этом случае уравнение регрессии считается статистически незначимым, Н0 не отклоняется.
Модель множественной регрессии.
Множественная регрессия – уравнение связи с несколькими независимыми переменными:
где - зависимая переменная (результативный признак);
- независимые переменные (факторы).
Линейная модель множественной регрессии имеет вид:
Yi = α0 + α1xi1 + α2xi2 + ... + α mxim + εi (4.1)
Коэффициент регрессии αj показывает, на какую величину в среднем изменится результативный признак Y, если переменную xj увеличить на единицу измерения, т.е. αj является нормативным коэффициентом. Обычно предполагается, что случайная величина εi имеет нормальный закон распределения с математическим ожиданием равным нулю и с дисперсией σ2.
Анализ уравнения (4.1) и методика определения параметров становятся более наглядными, а расчетные процедуры существенно упрощаются, если воспользоваться матричной формой записи уравнения (4.2):
Y = X α + ε (4.2)
где Y — вектор зависимой переменной размерности n×1, представляющий собой n наблюдений значений yj,
X — матрица n наблюдений независимых переменных Х1, Х2, Х3, ..., Хm, размерность матрицы X равна n×(m+1);
α — подлежащий оцениванию вектор неизвестных параметров размерности (m+1) ×1;
ε — вектор случайных отклонений (возмущений) размерности n×1.
Таким образом,
Уравнение (4.1) содержит значения неизвестных параметров α0, α1, α2, ..., αm. Эти величины оцениваются на основе выборочных наблюдений, поэтому полученные расчетные показатели не являются истинными, а представляют собой лишь их статистические оценки. Модель линейной регрессии, в которой вместо истинных значений параметров подставлены их оценки (а именно такие регрессии и применяются на практике), имеет вид:
, (4.3)
где α — вектор оценок параметров; е — вектор «оцененных» отклонений регрессии, остатки регрессии ε = Y - X α; — оценка значений Y, равная Ха.
Для построения уравнения множественной регрессии чаще используются следующие функции:
линейная –
степенная –
экспонента –
гипербола - .
Можно использовать и другие функции, приводимые к линейному виду.