- •Тема 1. Предмет, задачи, особенности эконометрики 7
- •Тема 2. Корреляционный и регрессионный анализ – математический метод оценки взаимосвязей экономических явлений 12
- •Введение
- •Тема 1. Предмет, задачи, особенности эконометрики
- •1.1 Cведения об истории возникновения эконометрики
- •1.2. Предмет эконометрики
- •1.3. Особенности эконометрического анализа
- •1.4. Измерения в экономике
- •Строится простая (парная) регрессия в случае, когда среди факторов, влияющих на результативный показатель, есть явно доминирующий фактор.
- •2.1.2. Линейная регрессия сущность, оценка параметров
- •2.1.3. Определение тесноты связи и оценка существенности уравнения регрессии
- •2.1.4 Интервальный прогноз на основе линейного уравнения регрессии
- •2.2. Нелинейная регрессия в экономике и ее линеаризация
- •2.2.1. Виды нелинейных регрессионных моделей, расчет их параметров
- •2.2.2. Оценка корреляции для нелинейной регрессии
- •2.3. Множественная регрессия и корреляция
- •2.3.1. Множественная регрессия. Отбор факторов при построении ее модели На любой экономической показатель чаще всего оказывает влияние не один, а несколько факторов.
- •2.3.2. Расчет параметров и характеристик модели множественной регрессии
- •2.3.3. Частные уравнения множественной регрессии. Индексы множественной и частной корреляции и их расчет
- •2.3.4. Обобщённый метод наименьших квадратов. Гомоскедастичность и гетероскедастичность
- •Тема 3. Информационные технологии в эконометрических исследованиях
- •Сводные экономические показатели рд за 1990-2000 гг.
- •Тема 4. Системы эконометрических уравнений
- •4.1. Понятие о системах эконометрических уравнений
- •Приравнивая это с правой частью 2-го уравнения (4.1) получаем
- •4.2. Проблема идентификации модели
- •4.3. Методы оценки параметров одновременных уравнений
- •Тема 5. Методы и модели анализа динамики экономических процессов
- •5.1. Понятие экономических рядов динамики. Сглаживание временных рядов
- •5.2. Автокорреляционная функция. Коррелограмма
- •5.3. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •5.4. Моделирование тенденций временного ряда. Адаптивные модели прогнозирования
- •Обычно полагают
- •Тема 6. Макро- и региональные эконометрические модели
- •6.1. Макроэконометрические модели
- •Рассмотрим мультипликативную производственную функцию
- •6.2. Сущность и особенности региональных эконометрических моделей
- •6.3. Филадельфийская модель региональной экономики
- •Тема 7. Моделирование динамических процессов
- •7.1. Характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Выбор вида модели с распределительным лагом
- •7.3. Модели адаптивных ожиданий и неполной корректировки
- •Приложения
- •1. Базовые понятия теории вероятностей
- •1.1. Вероятность. Случайная величина
- •1.2. Числовые характеристики случайных величин
- •1.3. Законы распределений случайных величин
- •2. Базовые понятия статистики
- •2.1. Генеральная совокупность и выборка
- •2.2. Вычисление выборочных характеристик
- •3.Статистические выводы: оценки и проверка гипотез
- •4. Статистическая проверка гипотез
- •Литература
- •Эконометрике
- •Махачкала – 2008
- •Введение.
- •Лабораторная работа №1. «Корреляционный и регрессионный анализ – математический метод оценки взаимосвязей экономических явлений» Часть 1. Парная регрессия и корреляция.
- •1.1. Методические указания
- •1.2 Реализация типовых задач на компьютере.
- •Часть 2. Множественная регрессия и корреляция.
- •2.1. Методические указания
- •Построение системы показателей (факторов). Анализ матрицы коэффициентов парной корреляции
- •Выбор вида модели и оценка ее параметров
- •Проверка качества модели
- •Оценка влияния отдельных факторов на основе модели на зависимую переменную (коэффициенты эластичности и
- •Использование многофакторных моделей для анализа и прогнозирования развития экономических систем
- •2.2.Технология решения задач корреляционного и регрессионного анализа с помощью пакета анализа.
- •Лабораторная работа №2 «Анализ и прогнозирование временных рядов в среде Excel»
- •1. Основные понятия и определения.
- •2. Анализ временных рядов с помощью инструмента Excel-Мастер Диаграмм
1.2. Числовые характеристики случайных величин
Для удобства пользования СВ иногда удобнее бывает использовать их числовые характеристики. Важнейшими из них являются: математическое ожидание, дисперсия, среднее квадратическое отклонение. Математическое ожидание М(Х) определяется следующим образом:
для дискретной СВ
(1.2)
для непрерывной СВ
(1.3)
Математическое ожидание характеризует среднее ожидаемое значение СВ. Однако для анализа СВ знания лишь среднего значения явно недостаточно. Существуют отличные друг от друга СВ, имеющие одинаковые математические ожидания. Следовательно, нужна числовая характеристика, которая оценивает разброс возможных значений СВ относительно ее среднего значения ( математического ожидания ) . Такой характеристикой является дисперсия.
Дисперсией D(X) CВ X называется математическое ожидание квадрата отклонения СВ от ее математического ожидания:
(1.4)
При этом для дискретной СВ имеем:
(1.5)
Для непрерывный СВ
(1.6)
Так как дисперсия имеет размерность, равную квадрату размерности СВ, то вводится другая числовая характеристика-среднее квадратическое отклонение.
Средним квадратическим отклонением СВ Х называют величину:
(1.7)
Для оценки разброса значений СВ в процентах относительно ее среднего значения, вводится коэффициент вариации V(x):
(1.8)
Меры разброса ( дисперсия, среднее квадратическое отклонение, коэффициент вариации) кроме оценивания рассеивания значений СВ обычно применяются при изучении риска различных действий со случайным исходом: в финансовом анализе при оценивании различных активов и портфеля активов, при анализе риска инвестирования.
1.3. Законы распределений случайных величин
Зная конкретный закон распределения СВ можно предвидеть вероятности попадания исследуемой СВ в определенные интервалы. Законов распределения много. Мы ограничимся рассмотрением тех, которые наиболее активно используются в эконометрическом анализе. К их числу относятся: нормальное распределение, распределение 2 , Стьюдента, Фишера.
Нормальное распределение
Нормальное распределение (распределение Гаусса) является предельным случаем почти всех реальных распределений вероятности.
Говорят, что СВ Х имеет нормальное распределение, если ее плотность вероятности имеет вид:
(1.9)
Откуда получаем, что
(1.10)
Как видно из формул (1.9) и (1.10) нормальное распределение зависит от параметров m и . При этом
Если СВ Х имеет нормальное распределение с параметрами m и , то символически это записывается так:
X N(m,) или X N(m, 2)
В случае, когда m=0 и =1 говорят о стандартном нормальном распределении.
Распределение 2 (хи – квадрат)
Пусть хi (i=1,2,…,n) -независимые нормально рас предельные СВ с математическими ожиданиями mi и среднеквадратическими отклонениями i, соответственно, то есть хi N(mi,i).
Тогда СВ являются независимыми СВ, имеющими стандартное нормальное распределение, Ui N(0,1).
Случайная величина 2 имеет хи – квадрат распределение с n- степенями свободы (22n), если
(1.11)
(Число степеней свободы СВ определяется числом СВ, ее составляющих , уменьшенным на число линейных связей между ними ).
Распределение 2 определяется одним параметром - числом степеней свободы .
M(2 )=; D(2) =2.
Распределение Стьюдента
Пусть СВ UN(0,1), CВ V – независимая от U величина, распределенная по закону 2 с n-степенями свободы. Тогда величина
(1.12)
имеет распределение Стьюдента (t- распределение) с n-степенями свободы.
M(T)=0; .
Распределение Стьюдента определяется одним параметром n. При n>30 распределение Стьюдента практически можно заменить нормальным распределением.
Распределение Фишера
Пусть V и W – независимые случайные величины, распределенные по закону 2 со степенями свободы v1= m и v2=n соответственно. Тогда величина
(1.13)
имеет распределение Фишера со степенями свободы v1= m и v2=n. Т.о., распределение Фишера F определяется двумя параметрами – числами степеней свободы m и n: