- •Эконометрика
- •Лекция 1. Предмет и метод эконометрики. Ковариация, дисперсия и корреляция
- •1.1. Предмет и метод эконометрики
- •1.2. Выборочная ковариация.
- •1.3. Основные правила расчета ковариации.
- •1.4. Теоретическая ковариация.
- •1.5. Выборочная дисперсия. Правила расчета дисперсии.
- •1.6. Коэффициент корреляции.
- •1.7. Коэффициент частной корреляции.
- •Тест для самоконтроля
- •Лекция 2. Парная линейная регрессия.
- •2.1. Проблема оценивания линейной связи экономических переменных.
- •2.2. Модель парной линейной регрессии.
- •2.3. Регрессия по методу наименьших квадратов.
- •2.4. Интерпретация уравнения регрессии.
- •2.5. Качество оценки: коэффициент r2.
- •Тесты для самоконтроля
- •Лекция 3. Статистическая оценка достоверности выборочных показателей связи.
- •Оценка достоверности уравнения регрессии в целом
- •Определение средней ошибки, предельной ошибки и доверительных границ коэффициента корреляции
- •3.1. Оценка достоверности уравнения регрессии в целом
- •3.2. Определение средней ошибки, предельной ошибки и доверительных границ коэффициента корреляции
- •3.3. Проверка гипотезы и интервальная оценка коэффициента регрессии.
- •3.4. Средняя ошибка уравнения и интервальная оценка отдельных значений результативного признака.
- •Тесты для самоконтроля
- •Лекция 4. Нелинейная регрессия
- •4.1. Спецификация модели
- •4.2. Классификация нелинейных функций.
- •4.3. Отдельные виды нелинейных регрессий.
- •4.3.2. Равносторонняя гипербола.
- •4.3.3. Степенная функция.
- •4.4.Коэффициенты эластичности в нелинейных регрессиях.
- •4.5. Корреляция для нелинейной регрессии.
- •Тесты для самоконтроля
- •Лекция 5. Множественная регрессия и корреляция
- •Понятие множественной регрессии, и ее графическая интерпретация
- •Отбор факторов при построении модели.
- •Коллинеарность факторов. Методы преодоления межфакторной связи
- •Модульная единица 5.1. Параметризация и спецификация уравнения множественной регрессии
- •5.1.1. Понятие множественной регрессии, и ее графическая интерпретация
- •5.1.2. Отбор факторов при построении модели.
- •5.1.3. Коллинеарность факторов. Методы преодоления межфакторной связи
- •5.1.4. Параметризация уравнения множественной регрессии и его интерпретация
- •Тесты для самоконтроля
- •Модульная единица 5.2. Множественная и частная корреляция. Предпосылки мнк.
- •5.2.1.Множественная корреляция.
- •5.2.2. Скорректированный индекс детерминации (корреляции).
- •5.2.3. Частная корреляция.
- •5.2.4. Частные f- тесты
- •5.2.5. Предпосылки мнк.
- •Тесты для самоконтроля
- •Лекция 6. Моделирование динамических процессов
- •6.1. Элементы временного ряда
- •6.2. Автокорреляция
- •6.3. Выявление структуры временного ряда
- •6.4. Моделирование тенденции
- •6.5. Изучение взаимосвязи переменных по данным временных рядов
- •6.6. Критерий Дарбина-Уотсона
- •Тесты для самоконтроля
- •Лекция 7. Системы эконометрических уравнений
- •Модульная единица 7.1. Виды систем эконометрических уравнений и их идентификация. Косвенный метод наименьших квадратов
- •7.1.1. Понятие и необходимость применения систем уравнений
- •7.1.2. Косвенный метод наименьших квадратов
- •7.1.3. Проблема идентификации
- •Вопросы для повторения
- •Тесты для самоконтроля
- •Модульная единица 7.2. Методы решения сверхидентифицируемых систем
- •7.2.1. Двухшаговый метод наименьших квадратов
- •7.2.4. Исходные данные
- •7.2.2. Понятие о трехшаговом методе наименьших квадратов
- •7.2.3. Применение систем уравнений
- •Контрольные вопросы
- •Тесты для самоконтроля
- •Пример выполнения работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Используя средства ms excel построить парную линейную модель регрессии, рассчитать показатели тесноты связи по индивидуальным данным.
- •Пример и методические указания к выполнению работы.
- •1. Исходные данные
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Используя встроенный инструмент «Регрессия» ms excel, построить парную линейную модель регрессии, оценить результаты.
- •Пример и методические указания к выполнению работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Пример и методические указания к выполнению работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Пример и методические указания к выполнению работы.
- •1. Исходные данные
- •2. Оценка значимости. Точечная и интервальная оценки параметров уравнения регрессии
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Используя средства ms excel построить множественную линейную модель регрессии, рассчитать показатели тесноты связи по индивидуальным данным.
- •Пример и методические указания к выполнению работы.
- •2 Способ.
- •4 Способ.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Требуется проверить модель регрессии на гетероскедастичность остатков
- •Пример и методические указания к выполнению работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Используя средства ms excel построить уравнение тренда.
- •Пример и методические указания к выполнению работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи. Построить модель связи между экономическими переменными по данным временных рядов.
- •Пример и методические указания к выполнению работы.
- •1. Исходные данные
- •2. Автокорреляционные функции
- •2.1. Тест на автокорреляцию остатков трендов
- •3. Первые разности
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Список индивидуальных данных:
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Пример и методические указания к выполнению работы.
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Общая постановка задачи.
- •Пример и методические указания к выполнению работы.
- •2. Исходные данные
- •Контрольные вопросы к защите
- •Способ оценки результатов
- •Словарь основных терминов и определений (глоссарий)
- •Промежуточный тест по дисциплине «Эконометрика» Учебный модуль 3. Модульная единица 6.
- •Тестовые задания
- •Итоговый тест по дисциплине «Эконометрика»
- •1. Шкала проходных баллов по модулям
- •Модульная единица 2. Парная линейная регрессия.
- •Модульная единица 3. «Статистическая оценка достоверности выборочных показателей связи»
- •Модуль 2. Множественная регрессия и корреляция Модульная единица 5.1. Параметризация и спецификация уравнения множественной регрессии
- •Модуль 4. Системы эконометрических уравнений Модульная единица 7.1. Виды систем эконометрических уравнений и их идентификация. Косвенный метод наименьших квадратов
- •Модуль 4. Модульная единица 7.2. «Методы решения сверхидентифицируемых систем»
- •Контрольные работы промежуточного контроля Контрольная работа №1(модульные единицы 1, 2, 3)
- •Предмет и метод эконометрики.
- •Контрольная работа №1(модульные единицы 1, 2, 3)
- •Контрольная работа №1(модульные единицы 1, 2, 3)
- •Контрольная работа №1(модульные единицы 1, 2, 3)
- •Контрольная работа №1(модульные единицы 1, 2, 3)
- •Контрольная работа №1(модульные единицы 1, 2, 3)
- •Контрольная работа №2 (модульная единица 4)
- •5. Классификация нелинейных функций.
- •Контрольная работа № 3 (модуль 5, модульные единицы 5.1, 5.2)
- •Контрольная работа № 4 (модуль 7, модульные единицы 7.1, 7.2)
- •Контрольные вопросы итогового контроля
2. Автокорреляционные функции
Коэффициент автокорреляции, r(τ) |
Потребление мяса и мясопродуктов на душу населения (включая субпродукты II категории и жир-сырец) (в год; килограммов) |
Реальные денежные доходы населения, % к 1998 г. |
r(1) |
0,963 |
0,997 |
r(2) |
0,905 |
0,993 |
r(3) |
0,915 |
0,998 |
Автокорреляционные функции по первому и второму ряду в целом являются убывающими (коэффициенты третьего порядка рассчитаны при недостаточном числе наблюдений, поэтому нет смысла их анализировать), свидетельствуют о значительной автокорреляции уровней ряда, коэффициенты первого порядка являются максимальными, поэтому можно сделать заключение о присутствии тенденции в рядах динамики и отсутствии циклической компоненты.
Изобразим графически фактические уровни рядов (рис. 3):
Рис. 3. Графики временных рядов и их тренды
Графики временных рядов позволяют предположить наличие линейных трендов, добавление линий трендов подтвердило эту гипотезу: коэффициенты детерминации свидетельствуют об очень высокой связи со временем.
Следовательно, нельзя утверждать, что между уровнями ряда отсутствует взаимодействие и полученный коэффициент детерминации по модели регрессии между потреблением мяса и доходами сформирован без влияния связей между уровнями ряда.
Условие отсутствия автокорреляции остатков в модели тренда по потреблению мяса выполняется, по доходам статистика Дарбина-Уотсона попадает в зону неопределенности (табл. 2.1).
2.1. Тест на автокорреляцию остатков трендов
Признак |
Тренд |
Коэффициент автокорреляции остатков первого порядка, |
Статистика Дарбина-Уотсона |
Нижняя граница, dн |
Верхняя граница, dв |
4-dв |
Потребление мяса и мясопродуктов на душу населения (включая субпродукты II категории и жир-сырец) (в год; килограммов) |
y = 1,8214t + 42,286 |
-0,13467 |
2,269339 |
0,70 |
1,36 |
2,64 |
Реальные денежные доходы населения, % к 1998 г. |
y = 15,328t + 79,76 |
0,425677 |
1,148646 |
0,70 |
1,36 |
2,64 |
Следовательно, для выявления тенденции и целей прогнозирования будем применять линейные тренды как для первого ряда, так и для второго.
Таким образом, имеем случай, когда в рядах динамики имеется тенденция, модель связи, построенная на основе уровней ряда, содержит ложную корреляцию. В этом случае могут быть построены уравнения регрессии на основе первых разностей (поскольку тенденция в рядах линейная), на основе отклонений от трендов, а также можно построить уравнение регрессии с включением фактора времени. Реализуем все три модели.
Построение модели регрессии по первым разностям.
Найдем первые последовательные разности (табл. 3):
3. Первые разности
№ п/п |
yt-yt-1 |
хt-хt-1 |
1 |
0 |
-11,0 |
2 |
-2 |
-11,1 |
3 |
-3 |
-13,4 |
4 |
-2 |
-19,8 |
5 |
-1 |
-17,4 |
6 |
-2 |
-18,1 |
Построим модель регрессии. В результате было получено уравнение регрессии , коэффициент корреляции равен 0,22, коэффициент автокорреляции остатков первого порядка удалось снизить с 0,14 в первой модели до -0,01, статистика Дарбина-Уотсона в этом случае практически равна 2 (2,02), но само уравнение и его параметры оказались не значимыми (значимость критерия Фишера и критерия Стьюдента для коэффициента полной регрессии - 67%).
Такой низкий коэффициент корреляции связан еще и с нулевым приростом потребления мяса в 2000 г., при росте доходов, такое наблюдение не присуще данной совокупности. Если исключить первое наблюдение, то получим уравнение , коэффициент корреляции равен уже 0,39, хотя модель и оказывается незначимой, но нужно учесть, что число наблюдений в этом случае сократилось до 5. Коэффициенты полной регрессии (0,060 и -0,077) имеют разные знаки, в первом случае (с учетом первого нулевого прироста) коэффициент регрессии свидетельствует об увеличении годовых приростов потребления мяса, во втором – коэффициент показывает, что приросты со временем затухают.
Построение модели регрессии по отклонениям от трендов.
Для получения выравненных по трендам значений построим тренды для каждого из временных рядов с использованием инструмента «Регрессия» (фактические уровни рядов – зависимая переменная, период времени, t=1, ...,7 – независимая), предусмотрев вывод остатков. Остатки и будут являться отклонениями от трендов ( ). Например, для потребления мяса (рис. 5).
Обратите внимание на то, что инструмент «Регрессия» дает то же уравнение, как и автоматическое добавление тренда на график (рис.3).
Аналогично найдем отклонения от тренда по доходам и по полученным отклонениям построим уравнение регрессии.
Уравнение регрессии по отклонениям от трендов имеет вид:
. Коэффициент корреляции равен 0,21. Уравнение также не значимо.
Рис. 5. Определение отклонений от тренда,
Построение модели регрессии с учетом фактора времени.
Включим в модель фактор времени: ( t=1,…,8 в нашем случае).
В итоге получим уравнение: , коэффициент корреляции равен 0,986, уравнение оказалось значимым (значимость F – менее 0,01%), но ни один из коэффициентов при независимых переменных не значим (значимость t-Стьюдента для b1 – 69%, с – 42%). Причина в том, что само включение фактора времени при наличии тенденции в уровнях независимой переменной приводит к коллинеарности факторов: коэффициент корреляции со временем уровней доходов – 0,99. Коэффициент частной корреляции потребления мяса с уровнем доходов при фиксированном факторе времени равен: , т.е. при устранении влияния времени связь ослабевает. Кроме того, ели определить коэффициенты частной детерминации, то коэффициент детерминации может быть разложен:
, т.е. влияние фактора времени выше влияния фактора - доход.
Кроме того, если разложить коэффициент детерминации с учетом системного эффекта, получим:
. Получается, что величина коэффициента частной детерминации вызвана связью со временем, если извлечь корень из , то получим оценку коэффициента корреляции 0,31. Примерно такие же характеристики мы получали по первым разностям и отклонениям от трендов. Таким образом, коэффициент корреляции доходов и потребления мяса находится на уровне от 0,2 до 0,4, что свидетельствует о тесноте связи ниже средней.
При условии сохранения тенденций в рядах динамики можно сделать прогноз на 2007 год. Для этого нужно получить прогнозное значение роста доходов:
, подставим это значение в модели связи потребления мяса и уровня доходов, а также в модель связи с учетом фактора времени. По первой модели получим:
кг;
по второй: кг.
Если использовать модели приростов, то сначала нужно определить прогнозный прирост доходов по отношению к уровню 2005 года: , далее подставим этот прирост в уравнение связи первых разностей: , затем к уровню потребления мяса в 2005 году прибавим полученный прирост: .
Таким образом, мы получили прогноз потребления мяса на 2007 год на уровне 57,4-58,7 кг, при условии роста доходов на 26,9% по отношению к 2005 году и сохранении тенденций и связей между рядами динамики.