- •1. Определение эконометрики.
- •2. История возникновения эконометрики
- •3. Значение эконометрики для экономической теории и практики. Эконометрика и ее связь с экономической теорией.
- •5.Типы данных в эконометрическом исследовании.
- •7.Специфика экономических измерений.
- •37. . Оценивание в моделях распределенных лагов.
- •14.Уравнения в отклонениях.
- •8. Экономические модели. Понятие экономической модели
- •13. Предпосылки мнк
- •15. Линейная регрессионная модель с двумя переменными
- •17. Определение качества оценок
- •17. Расчет средней ошибки аппроксимации
- •20. Гомоскедастичность и гетероскедастичность дисперсии остатков
- •20. Коэффициент детерминации r2
- •28. Обобщенный метод наименьших квадратов
- •21. Использование статистик для определения значимости оценок параметров (уравнения регрессии).
- •22. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам
- •23. Регрессии нелинейные по оцениваемым параметрам.
- •26. Оценка параметров множественной регрессии методом наименьших квадратов
- •24. Отбор факторов при построении множественной регрессии
- •Мультиколлинеарность
- •27. Фиктивные переменные
- •29. .Использование омнк
- •30. Основные элементы временного ряда.
- •31. Панельные данные
- •32. Основные модели для панельных данных
- •33. Выбор модели
- •35. Модели распределенных лагов
- •38. Системы эконометрических уравнений
- •39. Проблема идентификации системы. Косвенный метод наименьших квадратов
- •40. Методы оценки параметров одновременных уравнений
- •41.Прогнозирование в регрессионных моделях
- •47. Интервалы прогноза по линейному уравнению регрессии
26. Оценка параметров множественной регрессии методом наименьших квадратов
Как и в случае парной регрессии, целью метода является выбор вектора оценок b, минимизирующего сумму квадратов остатков ei (т. е. квадрат длины вектора остатков e):
.
Выразим ee' через Х и b:
Необходимые условия минимума ESS получаются дифференцированием по вектору :
,
откуда, учитывая обратимость матрицы Х'Х, находим оценку метода наименьших квадратов
.
Получим полезную в дальнейшем формулу для суммы квадратов остатков:
.
Можно доказать (теорема Гаусса – Маркова), что оценка метода наименьших квадратов (10.1) является эффективной (в смысле наименьшей дисперсии) оценкой в классе линейных несмещенных оценок
24. Отбор факторов при построении множественной регрессии
Включение в уравнение множественной регрессии того иного набора факторов связано прежде всего с представлением исследователя о природе взаимосвязи моделируемого показателя с другими экономическими явлениями.
Факторы, включаемые множественную регрессию, должны отвечать следующим требованиям.
1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность.
2. Факторы не должны быть интеркоррелированы (независимы) и тем более находиться в точной функциональной связи. Включение в модель факторов с высокой интеркорреляцией может привести к нежелательным последствиям – система нормальных уравнений может оказаться плохо обусловленной и повлечь за собой неустойчивость и ненадежность оценок коэффициентов регрессии.
Как и в парной зависимости, возможны разные виды уравнений множественной регрессии: линейные и нелинейные.
Отбор факторов, включаемых в регрессию, является одним из важнейших этапов практического использования методов регрессии. Подходы к отбору факторов на основе показателей корреляции могут быть разные. Они приводят построение уравнения множественной регрессии соответственно к разным методикам.
Наиболее широкое применение получили следующие методы построения уравнения множественной регрессии:
метод исключения;
метод включения;
шаговый регрессионный анализ.
Каждый из этих методов по-своему решает проблему отбора факторов, давая в целом близкие результаты – отсев факторов из полного его набора (метод исключения), дополнительное введение фактора (метод включения), исключение ранее введенного фактора (шаговый регрессионный анализ).
При отборе факторов число включаемых факторов обычно в 6–7 раз меньше объема совокупности, по которой строится регрессия. Если это соотношение нарушено, то число степеней свободы остаточной вариации очень мало. Это приводит к тому, что параметры уравнения регрессии оказываются статистически незначимыми, а F-критерий меньше табличного значения.
25. Множественная линейная регрессия: основные понятия.
Поведение отдельных экономических переменных контролировать нельзя. В этом случае следует попытаться выявить влияние других факторов, введя их в модель, т. е. построить уравнение множественной регрессии y=a+b1x1+b2x2+ε
Факторы, включаемые множественную регрессию, должны отвечать следующим требованиям.
1. Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность (например, в модели урожайности качество почвы задается в виде баллов).
2. Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи. Включение в модель факторов с высокой интеркорреляцией может привести к нежелательным последствиям — система нормальных уравнений может оказаться плохо обусловленной.
Если между факторами существует высокая корреляция, то нельзя определить их изолированное влияние на результативный показатель.
Количество наблюдений д.б. 5-7 раз больше чем количество факторов.