Теория Эконометрика. 1. Типы переменных в эконометрических моделях
![]()
|
1. Типы переменных в эконометрических моделях. По отношению к выбранной спецификации все экономические переменные объекта подразделяются на: Эндогенные (зависимые) – экономические переменные, значения которых определяются (объясняются) внутри модели в результате взаимодействия соотношений, образующих модель. Экзогенные (независимые) – экономические переменные, значения которых определяются вне данной модели. * При наличии хотя бы одной экзогенной переменной модель называется открытой, в противном случае – замкнутой. Лаговые переменные – экзогенные или эндогенные переменные, датированные предыдущими моментами времени и находящиеся в уравнении с текущими переменными. Предопределенные – переменные, выступающие в роли факторов-аргументов или объясняющих переменных (лаговые эндогенные, лаговые экзогенные, текущие экзогенные). 2. Спецификация парной линейной регрессионной модели, предпосылки Гаусса-Маркова. Эконометрическая модель со спецификацией вида ![]() ![]() ![]() В модели парной линейной регрессии эту зависимость между переменными представляют в виде: ![]() Например, ![]() ![]() ![]() ![]() Относительно вектора случайных возмущений принимаются следующие предпосылки - условия Гаусса-Маркова: 1) Математическое ожидание вектора возмущений равно нулю (1 предпосылка), т.е. случайное возмущение в среднем не оказывает влияния на эндогенную переменную: ![]() 2) Дисперсия возмущений не зависит от номера наблюдения (возмущение гомоскедастично -2 предпосылка): ![]() 3) Ковариация между значениями возмущений в различных наблюдениях равна 0 (возмущение не автокоррелировано – 3 предпосылка): ![]() 4) Ковариация между регрессором и случайным возмущением равна 0 (4 предпосылка): ![]() 5) Возмущения имеют совместное нормальное распределение (5 предпосылка) ![]() 3. Теорема Гаусса - Маркова. Если: 1) модель правильно специфицирована, т.е. зависимость вида ![]() 2) ![]() 3) ![]() 3. 1) ![]() 3. 2) ![]() 3. 3) C ![]() Тогда МНК оценки ![]() линейными по Y несмещенными эффективными оценками параметров ![]() 4. Спецификация множественной линейной регрессионной модели в матричной форме. Матричная форма ![]() ![]() Обозначения: n – число наблюдений; k – число параметров; матрица регрессоров Х – детерминированная полного ранга: rank(X)=k * Первый столбец матрицы при наличии в спецификации свободного члена: ![]() n,1 5. Оценка параметров множественной регрессионной модели методом наименьших квадратов в матричной форме. Оценка параметров классической модели множественной линейной регрессии производится методом наименьших квадратов (МНК) и состоит в решении системы нормальных уравнений для множественной регрессии. Критерий отбора: ![]() ![]() ![]() ![]() ![]() ![]() где ![]() 6. Основные числовые характеристики вектора оценок параметров классической множественной регрессионной модели. Вектор оценок параметров модели ![]() 1) вектор математических ожиданий ![]() Оценка параметра называется несмещенной, если ее математическое ожидание равно значению параметра: ![]() 2) автоковариационная матрица: ![]() Оценка называется эффективной, если она имеет минимальную среднюю квадратическую ошибку: ![]() ![]() 7. Основные числовые характеристики вектора остатков в классической множественной регрессионной модели. 1) Математическое ожидание: ![]() 2) Автоковариационная матрица: ![]() 8. Основные числовые характеристики вектора возмущений в классической множественной регрессионной модели. 1) Математическое ожидание: E { ![]() 2) Автоковариационная матрица: ![]() 9. Основные числовые характеристики вектора значений эндогенной переменной в классической множественной регрессионной модели. 1) Математическое ожидание: ![]() 2) Автоковариационная матрица: ![]() ![]() 10. Основные числовые характеристики вектора оценок значений эндогенной переменной в классической множественной регрессионной модели. 1) Оценка вектора значений эндогенной переменной: ![]() 2) Математическое ожидание: ![]() 3) Автоковариационная матрица: ![]() 11. Основные числовые характеристики вектора прогнозов значений эндогенной переменной в классической множественной регрессионной модели. 12. Свойство несмещенности МНК- оценок параметров множественной регрессионной модели. Для построения МНК-оценок параметров ![]() ![]() где ![]() -вектор столбец остатков множественной регрессии. Выразим ESS через вектор оценок параметров ![]() Результат дифференциации критерия ESS по вектору-строке оценок параметра ![]() ![]() Таким образом система нормальных уравнений в матричной форме принимает вид: ![]() А вектор-столбец оценок параметров модели определяется линейным выражением ![]() Вектор оценок параметров модели - случайный вектор, его основными количественными характеристиками являются: вектор математических ожиданий и матрица автоковариаций. Определим вектор математических ожиданий ![]() Таким образом, МНК-оценки параметров множественной регрессии несмещенные, так как мат.ожидание оценки параметра равно истинному значению параметра. 13. Порядок оценивания линейной регрессионной модели в Excel при помощи функции ЛИНЕЙН. Рассмотрим алгоритм оценивания парной линейной регрессии при помощи функции ЛИНЕЙН: 1) В свободном месте рабочего листа выделить область ячеек размером 5 строк и 2 столбца для вывода результатов; 2) В Мастере функций выбрать ЛИНЕЙН (категория «Статистические»); 3) Заполнить поля аргументов функции: Известные_значения_y — адреса ячеек, содержащих значения признака; Известные_значения_x — адреса ячеек, содержащих значения фактора; Константа — значение (логическое), указывающее на наличие свободного члена в уравнении регрессии: если необходимо выполнить оценку двух параметров — постоянного и регрессионного, то в строку Конст следует внести 1; Статистика — значение (логическое), которое указывает на то, следует ли выводить дополнительную информацию по регрессионному анализу или нет: так как при оценке параметров модели нас прежде всего интересуют статистические сведения, в окно строки Статистика следует внести 1; 4) После того, как будут заполнены все аргументы функции, нажать комбинацию клавиш Результаты расчета параметров регрессионной модели:
14. Смысл выходной статистической информации функции ЛИНЕЙН. Функция ЛИНЕЙН специально создана для оценки параметров линейной регрессии, а также для вывода регрессионной статистики. Функция может быть использована как для парной регрессии (прогнозируемая переменная Y зависит от одной контролируемой переменной Х), так и для множественной регрессии (Y зависит от нескольких Х). Рассмотрим результаты вычислений функции ЛИНЕЙН для парной регрессии:
Где , — оценки параметров модели; , — стандартные ошибки оценок параметров; — стандартная ошибка случайного возмущения; — коэффициент детерминации, используемый для определения качества модели, чем лучше качество спецификации, тем значение ближе к 1, чем хуже — тем ближе к 0; — значение статистики, имеющей распределение Фишера и используемой для проверки статистической значимости коэффициента детерминации; — число степеней свободы ( ![]() — сумма квадратов остатков (ошибок); — сумма квадратов центрированных по выборочным данным оценок значений эндогенной переменной. 15. Несмещённая оценка дисперсии возмущений регрессионной модели. Несмещенной оценкой дисперсии возмущений множественной регрессии является оценка ![]() Для доказательства несмещенности данной оценки покажем, что ![]() C учетом ![]() ![]() Так как дисперсии остатков ![]() ![]() ![]() След матрицы N равен: ![]() Таким образом, оценка ![]() Является несмещенной оценкой дисперсии возмущений: ![]() Обозначения: ![]() ![]() ![]() 16. Доверительные интервалы параметров парной регрессионной модели. Дробь Стьюдента –нормированная ошибка оценки: ![]() распределение Стьюдента, где ![]() ![]() (n-2) – число степеней свободы является параметром распределения Стьюдента. Доверительная вероятность: ![]() ![]() ![]() ![]() Таким образом, границы доверительного интервала параметра b равны: ![]() Аналогично определяются границы доверительного интервала параметра а: ![]() |