- •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.
- •Проверка статистических гипотез.
- •Критерий и критическая область.
- •Мощность статистического критерия. Уровень значимости.
- •Модель линейной регрессии.
- •Оценивание параметров регрессии. Метод наименьших квадратов.
- •Система нормальных уравнений мнк и ее решение.
- •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.
- •Доверительные интервалы оценок параметров и проверка гипотез об их значимости.
- •Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза.
- •Ковариационная матрица оценок коэффициентов регрессии.
- •Проверка значимости коэффициентов и адекватности регрессии для множественной линейной регрессионной модели.
- •Коэффициент множественной детерминации. Скорректированный коэффициент детерминации.
- •Проблемы спецификации регрессионной модели. Пошаговая регрессия.
- •Проблема смещения Предположим, что переменная у зависит от двух переменных х1, и х2 в соответствии с соотношением:
- •Неприменимость статистических тестов
- •Замещающие переменные. Фиктивные переменные.
- •Мультиколлинеарность. Влияние мультиколлинеарности на оценки параметров уравнения регрессии.
- •Методы борьбы с мультиколлинеарностью.
- •Линеаризация регрессионных моделей путем логарифмических преобразований.
- •Модели с постоянной эластичностью. Производственная функция Кобба - Дугласа.
- •Модель с постоянными темпами роста (полулогарифмическая модель).
- •Полиномиальная регрессия.
- •Кривая Филипса
- •Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
- •Признаки гетероскедастичности и ее диагностирование. Обнаружение гетероскедастичности
- •1. Графический анализ остатков
- •2. Тест ранговой корреляции Спирмена
- •3. Тест Голдфелда-Квандта
- •Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
- •Автокорреляция. Причины автокорреляции.
- •Влияние автокорреляции на свойства оценок мнк.
- •Тест серий. Статистика Дарбина – Уотсона.
- •Способы противодействия автокорреляции.
- •Стохастические объясняющие переменные. Последствия ошибок измерения.
- •Инструментальные переменные.
- •Лаговые переменные и экономические зависимости между разновременными значениями переменных.
- •Модели с распределенными лагами.
- •Модели авторегрессии как эквивалентное представление моделей с распределенными лагами.
- •Ожидания экономических агентов и лаговые переменные в моделях
- •Модели наивных и адаптивных ожиданий.
- •Модель гиперинфляции Кейгана.
- •44. Модель гиперинфляции Кейгана
- •Понятие об одновременных уравнениях. Структурная и приведенная форма модели.
- •Структурная и приведённая форма. Идентифицируемость
- •Примеры
- •Проблема идентификации. Неидентифицируемость и сверхидентифицированность.
- •Оценивание системы одновременных уравнений. Косвенный и двухшаговый мнк.
- •Системы эконометрических уравнений с лаговыми переменными.
- •Модель Кейнса.
- •Модель Клейна.
- •Матричная форма записи модели Клейна
Стохастические объясняющие переменные. Последствия ошибок измерения.
Основные идеи экономики — взаимосвязь между экономическими переменными. Спрос на товар на рынке рассматривается как функция его вены. Затраты на изготовление какого-либо продукта — функция от объема производства. Потребительские расходы — функция дохода и т.п. Это примеры взаимосвязей между двумя переменными, одна из которых (спрос на товар, производственные затраты, потребительские расходы) является объясняемой переменной (результирующим показателем), а другие — объясняющими переменными (факторы-аргументами).
Как правило, в каждое такое соотношение приходится вводить несколько объясняющих переменных и остаточную случайную составляющую, отражающую влияние на результирующий показатель всех неучтенных факторов. Например, спрос на товар можно рассматривать как функцию его цены, потребительского дохода и цен на конкурирующие и дополняющие товары. Производственные затраты зависят от объема производства, его динамики, цен на основные производственные ресурсы. Потребительские расходы — функция дохода, ликвидных активов и предыдущего уровня потребления.
Участвующая в каждом из этих соотношений случайная составляющая, отражающая влияние на результирующий показатель всех неучтенных факторов, обусловливает стохастический характер зависимости: даже зафиксировав значения объясняющих переменных (например, цена на сам товар и на конкурирующие с ним или дополняющие товары, а также потребительский доход), мы не можем ожидать однозначно, каким будет спрос на данный товар. Иначе говоря, переходя в своих наблюдениях спроса от одного временного (или пространственного) промежутка к другому, мы увидим случайное варьирование спроса около некоторого определенного уровня даже при фиксировании всех объясняющих переменных.
Ошибки
Допустим, переменная у зависит от переменной z, что задано следующим соотношением:
где v — случайный член с нулевым средним и дисперсией σv2.
Предположим, что z невозможно измерить абсолютно точно, и мы будем использовать х для обозначения его измеренного значения. В i-м наблюдении xi равно истинному значению zi, плюс ошибка измерения wi:
xi = zi + wi
Допустим, что w имеет нулевое среднее и дисперсию σ i2, что D (z) в 6oльших выборках стремится к конечному пределу σz2 и что z и v распределены независимо.
Тогда получим:
Это уравнение имеет две случайные составляющие — первоначальный случайный член v и ошибку измерения w (умноженную на —β). Вместе они образуют составную случайную переменную, которую мы назовем e:
Соотношение можно теперь записать как
Имея значения переменных у (временно будем предполагать, что они измерены точно) и х, мы, несомненно, можем оценить регрессионную зависимость у от х.
Анализируя ошибку, можно заметить, что она, вероятно, поведет себя не так, как требуется. Переменная х зависит от w, от этой величины зависит также и e. Когда ошибка измерения в наблюдении оказывается положительной, происходят две вещи: х, имеет положительную составляющую wi, a ej имеет отрицательную составляющую —βwi.. Аналогично, если ошибка измерения отрицательна, она вносит отрицательный вклад в величину хi и положительный вклад в величину eг Следовательно, корреляция между х и e отрицательна. Величина cov (х, и) не равна нулю, а b является несостоятельной оценкой β.
Даже если бы у нас была очень большая выборка, оценка оказалась бы неточной. Она бы занижала β на величину
.
Таким образом, оценки МНК будут смещенными и несосстоятельными.
В то же время при ощибках измерения зависимой переменной лишь возрастает дисперся регрессии, а оценки параметров остаются несмещенными и состоятельными.