- •Эконометрическая модель.
- •Измерения в экономике. Шкалы измерений.
- •Случайные события и случайные переменные. Распределение случайных величин.
- •Статистические характеристики случайных величин и их свойства.
- •Основные функции распределения.
- •Оценки статистических характеристик и их желательные свойства. (нету)
- •Проверка статистических гипотез.
- •Критерий и критическая область.
- •Мощность статистического критерия. Уровень значимости.
- •Модель линейной регрессии.
- •Свойства оценок параметров, полученных методом наименьших квадратов. Условия Гаусса – Маркова.
- •Коэффициент детерминации и его свойства.
- •Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия.
- •Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза (с лекции)
- •Ковариационная матрица оценок коэффициентов регрессии.
- •19. Проверка значимости коэффициентов и адекватности регрессии для множественной линейной регрессионной модели.
- •20. Коэффициент множественной детерминации. Скорректированный коэффициент детерминации.
- •21. Проблемы спецификации регрессионной модели. Пошаговая регрессия.
- •22. Замещающие переменные. Фиктивные переменные.
- •Методы борьбы с мультиколлинеарностью.
- •Линеаризация регрессионных моделей путем логарифмических преобразований.
Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия.
Предложение об ошибках в классической модели формируются наиболее жестким и не всегда реалистичным путем:
Предполагается, что ошибка ( ( = 1 … N)) образует так называемый слабый белый шум – последовательность центрированных ( ) и не коррелированных случайных величин с одинаковыми дисперсиями
Свойство центрированности практически не является ограничением, так как при наличии постоянного регрессора среднее значение ошибки можно было бы включить в соответствующий коэффициент ( )В ряде случаев сделанные предложения об ошибках будут дополняться свойствами нормальности – случайный вектор имеет нормальное распределение. Эту модель мы будем называть классической моделью с нормально распределительными ошибками.
Многомерное нормальное распределение задается своим вектором и матрицей ковариации – здесь она имеет вид , где 1 – единичная матрица. Если компоненты вектора корелированы, следовательно, автоматически независимы, следовательно, ошибки в модели образуют последовательность независимых одинаково нормально распределенных случайных величин N (0; ).Если каждая из величин нормально распределена, то вектор , из них составленный, ну обязан быть нормально распределенным.
Доверительные интервалы оценок параметров и проверка гипотез об их значимости.
Доверительные интервалы параметров регрессии определяются следующим образом.
Здесь td - значение t-статистики для выбранного уровня значимости d. Величина p=1-d называется доверительной вероятностью или уровнем надежности, нередко выражаемым в процентах. Это показатель, характеризует вероятность того, что теоретическое значение параметра регрессии будет находиться в полученном доверительном интервале.
С лекции: =b0 – b1*X1 – это случайные величины, поэтому необходимо найти доверительные интервалы для истинных значений b0 и b1.
Bi принадлежит (bi +- дельта bi), где дельта bi = Sbi*tкрит
B0 принадлежит ( b0 +- Sb0 * t крит)
B1 принадлжет (b1 +- Sb1 * t крит)
Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза (с лекции)
Мы получили регрессионную математическую модель и можем прогнозировать процесс путем вычислений. Основным фактором в прогнозировании чаще всего оказывается трендовая компонента. Он особен давать достаточно надежные прогнозы и на 4-5 шагов,следовательно,идёт расчет оценок среднесрочных и долгосрочных прогнозов.
Линейный метод наименьших квадратов позволяет по серии наблюдений Xi и Yi установить параметры линейного уравнения вида где Yc,i – расчетное значение отклика при заданном моменте времени Xi, а b0 и b1 - параметры линейной модели.
Для оценки(проверки) прогноза возможны след способы: 1)По реальным прогнозируемым данным. 2)Построение точечного и интервального прогноза.
P (прогноз) = b0+b1*Xp
Дельта (предельная ошибка) = t критич * S р
Доверительный интервал, учитывающий неопределенность, связанную с положением тренда, и возможность отклонения от этого тренда, определяется в виде: где n - длина временного ряда; L -период упреждения; yn+L -точечный прогноз на момент n+L; ta- значение t-статистики Стьюдента; Sp- средняя квадратическая ошибка прогноза. Предположим, что тренд характеризуется прямой: Так как оценки параметров определяются по выборочной совокупности, представленной временным рядом, то они содержат погрешность.
Тогда доверительный интервал можно представить в виде:
Дисперсия отклонений фактических наблюдений от расчетных определяется выражением:
где yt- фактические значения уровней ряда,