- •1.Предмет, задачи и методы эконометрики.
- •2.1.Общие положения.
- •2.2. Метод наименьших квадратов
- •2.3. Свойства оценок полученных мнк.
- •3. Методика построения многофакторных корреляционных моделей для показателей эффективности хозяйственной деятельности
- •3.1. Выбор функционального показателя
- •3.2. Отбор факторов-аргументов
- •3.3. Выбор формы связи
- •3.4. Отбор исходных данных
- •3.5. Решение корреляционных моделей и экономико-математический анализ результатов решения
- •4.1.Оценка адекватности и точности регрессионных моделей. Общие положения.
- •4.2. Проверка случайности колебаний уровня остаточной последовательности.
- •4.3 Проверка соответствия распределения случайной компоненты нормальному закону распределения
- •4.4 Проверка равенства математического ожидания случайной компоненты нулю.
- •4.5. Проверка независимости значений уровней случайной компоненты.
- •4.6. Определение точности модели.
- •5. Исследование влияния факторов на изменение результирующего показателя в уравнении регрессии.
- •6. Оценка статистической надежности уравнения регрессии и ее последствия.
- •7.1.Гетероскедастичность остатков в уравнении регрессии и ее последствия.
- •7.2.1. Тест ранговой корреляции Спирмена.
- •7.2.2.Тест Голфенда-Квандта.
- •7.2.3 Тест Глейзера.
- •7.3 Методы устранения гетероскедастичности.
- •8.1 Автокорреляция (остатков) и связанные с ней факторы.
- •8.2. Обнаружение автокорреляции 1-го порядка. Критерий Дарбина – Уотсона
- •8.3.1. Устранение авт-ции, описываемой авторегрессионной схемой 1-ого порядка в общем случае. Поправка Прайса – Уинстена.
- •9. Мультиколлинеарность: способы ее обнаружения и устранения.
- •10. Обобщенный мнк и его исп-ие для оценки эфф-ти методов определения параметров уравнения регрессии.
- •11.1.Фиктивные переменные для пространственных выборок и временных рядов.
- •11.2.Фиктивные переменные для коэф-та наклона ур-ия регрессии.
- •11.3 Тест Чоу.
- •12.1 Линеаризация уравнения регрессии путем замены переменных.
- •12.2 Линеаризация уравнения регрессии с использованием логарфмического преобразования (степенные и показательные функции).
- •12.3 Представление случайного члена в преобразованных нелинейных ур-ях регрессии.
- •12.4 Определение параметров нелин-го ур-ия герессии, не приводимого к лин-му ур-ию.
- •12.5 Выбор вида ур-ия регрессии с использ-ем теста Бокса-Кокса.
- •13.4 Замещающие переменные и их использование при построении уравнения регрессии (общие сведения).
- •13.5. Время, как замещающая переменная при моделировании нтп в производственной функции Кобба-Дугласа
- •13.6 Непреднамеренное использование замещающих переменных.
- •13.7 Лаговые переменные и их использование пи построении уравнения регрессии(общие сведения).
- •14.1 Система линейных одновременных уравнений слоу (общие сведения)
- •14.2 Структурная и приведённая формы слоу.
- •14.3Косвенный метод наименьших квадратов (кмнк) и его использование для определения параметров слоу.
- •14.4 Метод инструментальных переменных (мип) и его применение для параметров уравнения регрессия (общий случай)
- •14.5 Метод инструментальной переменной (мип) и его применение для слоу.
- •14.6 Идентифицируемость слоу.
- •14.7 Двухшаговый метод наименьших квадратов.
- •14.8 Трехшаговый мнк.
6. Оценка статистической надежности уравнения регрессии и ее последствия.
Третья задача теории корреляции - оценка надежности уравнения регрессии по данной выборке.
;;
Если Fтабл >Fрасчетн – вероятность о гипотезы >5%,Fp>Fт – вероятность 0 гипотезы<5%.
Модели построения
На примере хоз деят
нужно определить какую цель
Нулевая гипотеза: в ген совокупности коэф при факториальных признаках = 0, а свободные члены уравнения = Уср.
Оценка по t– нр
tкр =;;α– теоретич значения коэф (в 0 гипотезе =0)
Далее сравниваем с табличными значениями. Доверительный интервал внутри него находит истинное значение искомого коэффициента.
Если вероятность повышать, то интервал расширяется, чем меньшая вероятность, тем меньше (зависит от tкр), рассчит. по ф-ле:
aj-σaj*tкр≤α≤aj+σaj*tкр
интервал раасчит за счет tкр (чем больше вероятность, тем большеtкр).
7.1.Гетероскедастичность остатков в уравнении регрессии и ее последствия.
Значимость 0 гипотезы , ее вероятность .
Гетероскедастичность – изменяется с изменением х. Дисперсия (случайной составляющей) в каждом наблюдении должна быть постоянна. Фактически мы имеем в каждом наблюдении только 1 значение, поэтому под дисперсией случ перманенты понимаем ее возможное поведение до того как сделана выборка.
Но фактическое значение отклонения может быть как «+», так «-», а иногда=0. Но нет причин о приоре (т.е. до опыта) ожидать особо больших отклонений в любом данном наблюдении, т.е. вероятность того, что примет то или иное «+» или «-» значение одинаково для всех наблюдений. Это положение соответствует гомоскидостичному случаю.
Гомоскидастичность – одинаковый разброс случайных компонентов.
Если же в наблюдаемом объекте наблюдается гомоскидастичность, то с изменением факториального признака (х) дисперсия случайной компоненты будет увеличиваться или уменьшаться или изменяться по какому-либо закону.
Если имеет место гетероскедастичность, то оценки параметров у-я регрессии, полученные МНК будут не эффективными. Т.е. можно найти др. методы параметров Ур-я регрессии, кот. будут иметь меньшую дисперсию и также быть несмещенными.
Стандартные ошибки коэф. ур-я регрессии будут не верными и Т- статистика будет завышенной, а значит будет не правильное представление о точности полученных коэф. уравнения регрессии. Это происходит в следствии того, что статистич. критерий рассчитывается исходя из гомоскидостичности случ. компонентов.
Наблюдения, для которых дисперсия случ компонентов мала, они в большинстве случаев расположены близко к лини регрессии и могут служить хорошим ориентиром для построения линии регрессии. В противоположность этому, наблюдения, у кот. теоретич . дисперсия случ составляющей велика, обычно отстоят далеко от линии регрессии, и не могут служить ориентиром для правильного построения линии регрессии.
Вывод: если придать наблюдению с малой дисперсий больший вес ,а наблюдению с большой дисперсией меньший, можно было бы существенно улучшить качество получ коэф уравнения регрессии. Обычный МНК не делает различия между «хорошими» и «плохими» наблюдениями, что явл его недостатком.