- •4. Метод наименьших квадратов (мнк):
- •5 . Классическая линейная модель множественной регрессии
- •Оценка точности и адекватности регресионной модели
- •Понятие мультиколлинеарности. Основные признаки и последствия мультиколлинеарности
- •Понятие мультиколлинеарности. Основные признаки мультиколлинеарности и способы ее устранения
- •1 0. Стандартизованная и естественная формы уравнения множественной регрессии. Интерпретация параметров.
- •Обобщённая линейная модель множественной регрессии в случае гетероскедастичности остатков. Взвешенный метод наименьших квадратов
- •Тесты на гетероскедастичность: их преимущества и недостатки. Тест Голдфельда-Квандта
- •13. Тесты на гетероскедастичность: их преимущества и недостатки. Тест Уайта
- •1 4. Тесты на гетероскедастичность: их преимущества и недостатки. Тест Глейзера
- •Обобщённая линейная модель множественной регрессии. Понятие автокорреляции. Тесты на наличие автокореляции: их преимущества и недостатки.
- •Обобщённая линейная модель множественной регрессии. Теорема Айткена. Обобщённый метод наименьших квадратов.
- •Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Бреуша-Годфри.
- •18. Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Дарбина-Уотсона.
- •Понятие гетероскедастичности остатков. Оценка параметров модели в случае гетероскедастичности.
- •23. Неоднородность данных в регрессионном смысле. Использование фиктивных переменных в регрессионных моделях. Интерпритация коэф при фиктивных переменных.
- •24. Неоднородность данных в регрессионном сиысле. Тест Чоу на неоднородность данных.
- •25. Использование фиктивных переменных в регрессионных моделях. Интерпритация коэф при фиктивных переменных.
- •27. Нелинейные модели регрессии и их линеаризация. Примеры нелинейных моделей регрессии.
- •28. Линейная и степенная модели множественной регрессии: интерпритация параметров.
- •29. Производственная Кобба-Дугласа. Эластичность объема производства.
- •45. Модель спроса-предложения и её модификации
Список вопросов к экзамену по дисциплине «Эконометрика» для студентов очной формы обучения, 3 курс
Виды эконометрических моделей. Модель спроса-предложения.
Основные этапы эконометрического моделирования. Проблемы эконометрического
моделирования.
Исходные предпосылки построения регрессионных моделей.
Метод наименьших квадратов для оценки параметров модели множественной регрессии.
Классическая линейная модель множественной регрессии.
Оценка точности и адекватности регрессионной модели.
Проверка значимости уравнения регрессии в целом и его коэффициентов?
Понятие мультиколлинеарности. Основные признаки и последствия мультиколлинеар-
ности.
Понятие мультиколлинеарности. Основные признаки мультиколлинеарности и способы
ее устранения.
Стандартизованная и естественная формы уравнения множественной регрессии.
Интерпретация параметров.
Обобщенная линейная модель множественной регрессии в случае гетероскедастично-
сти остатков. Взвешенный метод наименьших квадратов.
Тесты на гетероскедастичность: их преимущества и недостатки. Тест Голдфельда-
Квандта.
Тесты на гетероскедастичность: их преимущества и недостатки. Тест Уайта.
Тесты на гетероскедастичность: их преимущества и недостатки. Тест Глейзера.
Обобщенная линейная модель множественной регрессии. Понятие автокорреляции. Те
сты на наличие автокорреляции: их преимущества и недостатки.
Обобщенная линейная модель множественной регрессии. Теорема Айткена. Обобщен
ный метод наименьших квадратов.
Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Бреуша-Годфри.
Понятие автокорреляции. Тесты на наличие автокорреляции. Тест Дарбина-Уотсона.
Понятие гетероскедастичности остатков. Оценка параметров модели в случае гетеро-
скедастичности.
Лвторегрессионная модель первого порядка:—оценивание параметров (значение р
известно).
Лвторегрессиошюя модель первого порядка: оценивание параметров (значение р пеиз
вестпо).
Лвторегрессиоиная модель первого порядка: свойства автокорреляционной и частной
автокорреляционной
функций.
Неоднородность данных в регрессионном смысле. Использование фиктивных перемен
ных в регрессионных моделях. Интерпретация коэффициентов при фиктивных пере
менных.
Неоднородность данных в регрессионном смысле. Тест Чоу на неоднородность данных.
Использование фиктивных переменных в регрессионных моделях. Интерпретация
коэффициентов при фиктивных переменных.
Использование фиктивных переменных в регрессионных моделях. Интерпретация
коэффициентов при фиктивных переменных. Интерпретация коэффициентов модели,
построенной только на фиктивных переменных.
Нелинейные модели регрессии и их линеаризация. Примеры нелинейных моделей ре
грессии.
Линейная и степенная модели множественной регрессии: интерпретация параметров.
Производственная функция Кобба-Дугласа. Эластичность объема производства.
Производственная функция Кобба-Дугласа. Эффект от масштаба производства.
Модели с распределенным лагом. Интерпретация параметров. Средний лаг. Медиан
ный лаг.
Модели с распределенным лагом. Метод Алмон.
Модели с распределенным лагом. Метод Койка.
В чем заключается цель адаптивных методов прогнозирования? Изложите алгоритм
адаптивных методов прогнозирования.
Адаптивные методы прогнозирования. Метод экспоненциального сглаживания.
Адаптивные модели прогнозирования с учетом сезонности.
Адаптивные модели прогнозирования. Модель Брауна, модель Хольта.
Виды систем линейных уравнений. Структурная и приведенная формы модели.
Проблема идентифицируемости модели. Необходимое и достаточное условия иденти
фицируемости.
Проблема идентифицируемости модели. Суть косвенного метода наименьших квадратов.
Проблема идентифицируемости модели. Двухшаговый метод наименьших квадратов.
Модель спроса-предложения и ее модификации.???
1. Виды эконометрических моделей:
Модели временных рядов
Модели тренда: Y(t)=T(t)+E(t)
Модели сезонности: Y(t)=S(t)+E(t)
Тренд сезонной модели:
*аддиттивные: Y(t)=T(t)+S(t)+E(t) (амплитуда колебаний не меняется)
* мультипликативные: Y(t)=T(t)*S(t)+E(t) (амплитуда меняется)
II. М одели регрессии с одним уравнением:
y,x1,x2,xm
Y=f(x1,x2,...xm) + e
В зависимости от вида функции f(x) регрессионные модели делятся на линейные и нелинейные.
III. Системы регрессионных уравнений
Они включают в себя регрессионные уравнения и тождества.
Qd=β0+β1*P+β2*𝓘+ε1 ур-е спроса
Qs=β3+β4*P+ε2 ур-е предложения
Qd=Qs
2.Основные Этапы эконометрического моделирования:
1)Постановочный- формируется цель исследования, определяются переменные для включения в эконометрическую модель
2)Априорный - собирается и анализируется информация, известная до начала исследования
3)Параметризация- в рамках данного этапа прежде всего уточняется состав переменных, входящий в эконометрическую модель, и определяется общий вид модели
4)Информационный- сбор исходной стат информации
5)Идентификация- осуществляется выбор метода статистического оценивания неизвестных параметров (коэффициентов) модели
6)Верификация- оценивается точность и адекватность построенной модели, путем сопоставления или сравнения фактических данных с расчетными
Проблемы эконометрического моделирования:
1.Спецификация:
a)Формулировка исходных ограничений и предпосылок моделей.
b)Выражение в математической форме, выявленных связей и соотношений
c)Отбор факторов для включения в модель
2.Идентификация
3.Иденцифицируемость моделей- возможность получения однозначно определенных оценок параметров модели, выраженной системой одновременных регрессионных уравнений.
3. Исходные предпосылки регрессионного анализа
Для того чтобы МНК оценка удовлетворяла перечисленным выше свойствам на исходные данные и на остатки модели накладывается ряд условий:
1)ε- случайный вектор; Х- неслучайный (детерминированная матрица)
2)М(ε)=0 сумма остатков равна 0
3) а) D(ε)=const=σ2 Дисперсия остатков явл постоянной величиной"гомоскедастичность модели"
б) εi и εj при I ≠ j явл некоррелированной величиной (отсутствие автокорелляции), те- независимые величины
4) ε~N(On,σ2εn ) Вектор остатков подчиняется нормальному закону распределения.
r(X)=m+1<n Ранг матрицы Х должен быть максимальным, т.е. все столбцы Х должны быть линейно независимы. А так как по столбцам расположены значения факторов, значит все факторы включаемые в модель должны быть независимы друг от друга.
Если все 5 условий соблюдаются, то модель наз классич лин модель множ регрес, а МНК оценка будет эффективной, несмещённой, состоятельной
4. Метод наименьших квадратов (мнк):
Используется для оценки параметром линейной регрессионной модели.
Суть: выбираются такие оценки параметров, при которых сумма квадратов отклонение фактических значений от расчетных -минимальна
y=b0+b1x+e
S=S(b0,b1)
y =b0+b1x1+b2x2+...+bmxm+e
S=S(b0,b1,...,bm)
5 . Классическая линейная модель множественной регрессии
Для того чтобы МНК оценка удовлетворяла перечисленным выше свойствам на исходные данные и на остатки модели накладывается ряд условий:
1)ε- случайный вектор; Х- неслучайный (детерминированная матрица)
2)М(ε)=0 сумма остатков равна 0
3) а) D(ε)=const=σ2 Дисперсия остатков явл постоянной величиной"гомоскедастичность модели"
б) εi и εj при I ≠ j явл некоррелированной величиной (отсутствие автокорелляции), те- независимые величины
4) ε~N(On,σ2εn ) Вектор остатков подчиняется нормальному закону распределения.
5) r(X)=m+1<n Ранг матрицы Х должен быть максимальным, т.е. все столбцы Х должны быть линейно независимы. А так как по столбцам расположены значения факторов, значит все факторы включаемые в модель должны быть независимы друг от друга.
Если все 5 условий соблюдаются, то модель наз классич лин модель множ регрес, а МНК оценка будет эффективной, несмещённой, состоятельной
Оценка точности и адекватности регресионной модели
Коэф-т детерминции (R2)
7 3,1% вариации результативного признака У будет обусловлено вариацией факторов Х1 и Х2
Недостаток: При добавлении любого нового фактора в модель R2 будет возрастать, даже если включаемый фактор является несущественным.
2) Скорректированный или поправленный коэффициент детерминации:
^R2=R2adj= 1-{n-1\n-m-1} *(1-R2) s=корень
3 ) Оценка значимости уравнения регрессии в целом по F критерию Фишера:
Компоненты дисперсии |
Сумма квадратов (SS) |
Число степеней свободы (df) |
Оценка дисперсии на Одну степень свободы (MS) |
Регрессия |
|
m |
S2R=SS/m |
Остаток |
|
n-m-1 |
S2=SS/n-m-1 |
Итого |
|
n-1 |
x |
Число степеней свободы- сколько из н слагаемых может варьироваться для получения заданной суммы квадратов
Уравнение регрессии считается значимым целом, если регрессионная сумма квадратов в несколько раз превышает остаточную
Первый вариант H0= нулевая гипотеза: Она заключается в: S2R=S2 (регрессионная сумма квадратов равна остаточной)
Fрасч= S2R/S2
По спец таблицам распределения Фишера- Снеделькора определяют Fтабл; определяется при α(уровень значимости, с какой вероятностью можно ошибиться)=0,05 (то есть допускать 5% ошибки); Ʋ (число степенй свободы) (=m); Ʋ2 (число степеней свободы)(= n-m-1); диапазон значений 3÷8
Fрасч>Fтабл - гипотеза Н0 отклоняется и уравнение в целом признаётся значимым
Fрасч<Fтабл - H0 принимается и уравнение в целом признаётся незначимым
2 вариант гипотезы: b1=b2=...=bm=0
y=b0+b1x1+b2x2+ε
4) Оценка значимости отдельных параметров модели по t=критерию Стьюдента
H0: bj=0
tрасч=bj\mbj
По таблицам распределения Стьюдента определяется табличное значение: tтабл ( α=0.05;Ʋ=n-m-1) 1.6÷2.0
Средняя относительная ошибка аппроксимации
Е сли β=5-10% - для прогнозирования и принятия решений
15%- для прогноз использовать нецелесообразно, только анализ
20% и больше- не след рисковать даже для принятия решений
7. Проверка значимости уравнения регрессии в целом по F критерию Фишера:
Компоненты дисперсии |
Сумма квадратов (SS) |
Число степеней свободы (df) |
Оценка дисперсии на Одну степень свободы (MS) |
Регрессия |
|
m |
S2R=SS/m |
Остаток |
|
n-m-1 |
S2=SS/n-m-1 |
Итого |
|
n-1 |
x |
Число степеней свободы- сколько из н слагаемых может варьироваться для получения заданной суммы квадратов
Уравнение регрессии считается значимым целом, если регрессионная сумма квадратов в несколько раз превышает остаточную
Первый вариант H0= нулевая гипотеза: Она заключается в: S2R=S2 (регрессионная сумма квадратов равна остаточной)
Fрасч= S2R/S2
По спец таблицам распределения Фишера- Снеделькора определяют Fтабл; определяется при α(уровень значимости, с какой вероятностью можно ошибиться)=0,05 (то есть допускать 5% ошибки); Ʋ (число степенй свободы) (=m); Ʋ2 (число степеней свободы)(= n-m-1); диапазон значений 3÷8
Fрасч>Fтабл - гипотеза Н0 отклоняется и уравнение в целом признаётся значимым
Fрасч<Fтабл - H0 принимается и уравнение в целом признаётся незначимым
2 вариант гипотезы: b1=b2=...=bm=0
y=b0+b1x1+b2x2+ε
4) Оценка значимости отдельных параметров модели по t=критерию Стьюдента
H0: bj=0
tрасч=bj\mbj
По таблицам распределения Стьюдента определяется табличное значение: tтабл ( α=0.05;Ʋ=n-m-1) 1.6÷2.0