Главная страница

Этапы. Этапы эконометрического моделирования


Скачать 0.7 Mb.
НазваниеЭтапы эконометрического моделирования
Дата03.05.2023
Размер0.7 Mb.
Формат файлаdocx
Имя файлаЭтапы.docx
ТипДокументы
#1105949

Этапы эконометрического моделирования Выделяют следующие этапы: постановочный; априорный; спецификация модели; информационный; идентификация модели; верификация модели; интерпретация результатов.

Причины наличия в регрессионной модели случайного отклонения. Среди таких причин можно выделить наиболее существенные: не включение в модель всех объясняющих переменных, неправильный выбор функциональной формы модели, агрегирование переменных, ошибки измерений, ограниченность статистических данных, непредсказуемость человеческого фактора.

Типы моделей и переменных, применяемых в эконометрике. Чем регрессионная модель отличается от функции регрессии?

Для моделирования эконометрических взаимосвязей между экономическими явлениями чаще всего применяется три типа моделей и три типа переменных.

Типы моделей:

1) Модели временных рядов - Модель представляет собой зависимость результативного признака от переменной времени или переменных, относящихся к другим моментам времени.

2) Модели регрессии - это уравнение, в котором объясняемая переменная представляется в виде функции от объясняющих переменных (например, модель спроса на некоторый товар в зависимости от его цены и дохода покупателей).

3) Системы одновременных уравнений - системы уравнений, состоящие из регрессионных уравнений и тождеств, в каждом из которых помимо объясняющих – независимых – переменных содержатся объясняемые переменные из других уравнений системы.

Типы переменных:

1) Экзогенные (внешние, независимые)- это внешние для модели переменные, управляемые из вне, влияющие на эндогенные переменные, но не зависящие от них. Х-обознач.

2) Эндогенные (внутренние, зависимые)- это внутренние, формируемые в модели переменные, зависимые от предопределенных переменных. Y-обоз.

3) Предопределенные (экзогенные и лаговые эндогенные)-называют экзогенные переменные х и лаговые эндогенные переменные yt-l.

Регрессионная модель – это уравнение, в котором объясняемая переменная представляется в виде функции от объясняющих переменных.

Функция регрессии –функция f(x1,x2..)описывает зависимость условного среднего значения результативной переменной y от заданных объясняющих переменных.

Суть метода наименьших квадратов (мнк). Задача заключается в нахождении коэффициентов линейной зависимости, при которых функция двух переменных а и b принимает наименьшее значение. То есть, при данныха и b сумма квадратов отклонений экспериментальных данных от найденной прямой будет наименьшей. В этом вся суть метода наименьших квадратов. Таким образом, решение примера сводится к нахождению экстремума функции двух переменных. Вывод формул для нахождения коэффициентов. Составляется и решается система из двух уравнений с двумя неизвестными. Находим частные производные функции по переменныма и b, приравниваем эти производные к нулю

Предпосылки МНК: 1 - случайный характер остатков; 2 - гомоскедастичность – дисперсия остатков одинакова для всех значений фактора; 3 - отсутствие автокорреляции остатков (то есть остатки распределены независимо друг от друга); 4 - остатки подчиняются нормальному закону распределения.

Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений). Невыполнимость данной предпосылки называется гетероскедастичностью (непостоянством дисперсий отклонений)

Баланс для сумм квадратов отклонений результативного признака.

или Q = Qr + Qe, где Q – общая сумма квадратов отклонений зависимой переменной от средней, Qr и Qe – соответственно, сумма квадратов, обусловленная регрессией, и остаточная сумма квадратов, характеризующая влияние неучтённых факторов.

Общая СКО равна факторной, когда прочие факторы не влияют на результат, y связан с x функционально, и остаточная СКО равна нулю.

Нулевая гипотеза принимается, если . Проверка гипотез об общем статистическом качестве модели множественной линейной регрессии. (1Гипотеза о статистической незначимости коэффициента детерминации . , где – значение критической точки распределения Фишера при уровне значимости и значениях степеней свободы , . (2) Гипотеза о равенстве двух коэффициентов детерминации вложенных моделей. Пусть для выборке из n наблюдений получено уравнение регрессии вида. , (А). и коэффициент детерминации для этой модели равен . Исключим из рассмотрения k экзогенных переменных, предположив, не нарушая общности, что это переменные при последних k коэффициентах

Использование критерия Стьюдента для проверки значимости параметров регрессионной модели

Проверка статистической значимости параметров регрессионного уравнения (коэффициентов регрессии) выполняется по t-критерию Стьюдента, который рассчитывается по формуле:

   

где P - значение параметра;
      
Sp - стандартное отклонение параметра.

Рассчитанное значение критерия Стьюдента сравнивают с его табличным значением при выбранной доверительной вероятности (как правило, 0.95) и числе степеней свободы N-k-1, где N-число точек, k-число переменных в регрессионном уравнении (например, для линейной модели Y=A*X+B подставляем k=1).

Если вычисленное значение tp выше, чем табличное, то коэффициент регрессии является значимым с данной доверительной вероятностью. В противном случае есть основания для исключения соответствующей переменной из регрессионной модели.

Величины параметров и их стандартные отклонения обычно рассчитываются в алгоритмах, реализующих метод наименьших квадратов.

 

Оценка значимости уравнения регрессии в целом дается с помощью F-критерия Фишера. Согласно F-критерию Фишера, выдвигается «нулевая» гипотеза H0 о статистической незначимости уравнения регрессии и показателя тесноты связи. Непосредственному расчету F-критерия предшествует анализ дисперсии. Наблюдаемые значения результативного признака yi можно представить в виде суммы двух составляющих ŷi и εi: yi = ŷi+ εi. Из данного уравнения следует следующее соотношение между дисперсиями наблюдаемых значений переменной D(y), ее расчетных значений D(ŷ) и остатков D(е) (остаточной дисперсией Dост = D(ε)) 



Статический смысд Коэффициент детерминации - это статистическое измерение, которое исследует, как различия в одной переменной могут быть объяснены различием во второй переменной при прогнозировании исхода данного события. Другими словами, этот коэффициент, более известный как r-квадрат (или r2), оценивает, насколько сильна линейная зависимость между двумя переменными, и на него в значительной степени полагаются инвесторы при проведении анализа тренда.

Какова связь между линейным коэффициентом корреляции и коэффициентом регрессии в линейной модели парной регрессии?

ПредыдущаяСтр 3 из 10

коэффициент детерминации рассчитывается как квадрат линейного коэффициента корреляции 2. Он характеризует долю дисперсии результативного признака y, объясняемую регрессией, в общей дисперсии результативного признака:



Величина коэффициента детерминации служит одним из критериев оценки качества линейной модели. Чем больше доля объясненной вариации, тем соответственно меньше роль прочих факторов, и, следовательно, линейная модель хорошо аппроксимирует исходные данные и ею можно воспользоваться для прогноза значений результативного признака

При линейной регрессии в качестве показателя тесноты связи выступает линейный коэффициент корреляции  . Коэффициент регрессии показывает, на сколько единиц в среднем изменится У, когда Х увеличивается на одну единицу. Однако он зависит от единиц измерения переменных. Как показателя тесноты связи нужна такая стандартная система единиц измерения, в которой данные по различным характеристикам оказались бы сравнимы между собой.



Имеется следующая гипотетическая структурная модель:

Y1 = b12Y2 + a11X1 + a12X2

Y2 = b21Y1 + b23Y3 + a22X2

Y3 = b32Y2 + a31X1 + a33X3

Приведенная форма модели имеет вид:

Y1 = 3X1 - 6X2 + 2X3

Y2 = 2X1 + 4X2 + 10X3

Y3 = -5X1 + 6X2 +5X3

Требуется проверить структурную форму модели на идентификацию проверить структурную форму модели на идентификацию.

Решение:

Для того чтобы система одновременных уравнений была идентифицируема, необходимо, чтобы каждое уравнение системы было идентифицируемо, т.е. выполнялись необходимое и достаточное условия идентификации.

Необходимое условие идентификации можно записать в виде следующего счетного правила:

* если D+1<Н, то уравнение неидентифицируемо;

* если D+1=Н, то уравнение идентифицируемо;

* если D+1>Н, то уравнение сверхидентифицируемо,

где Н - число эндогенных переменных в уравнении; D - число предопределенных переменных, которые содержатся в системе уравнений, но не входят в данное уравнение.

Достаточное условие идентификации для данного уравнения выполнено, если определитель полученной матрицы не равен нулю, а ранг матрицы не меньше, чем количество эндогенных переменных в системе без одного.

Проверим первое уравнение системы Y1 = b12Y2 + a11X1 + a12X2 на выполнение необходимого и достаточного условия идентификации.

В этом уравнении две эндогенные переменные Y1 и Y2 (Н=2). В нем отсутствуют эндогенная переменная Y3 и экзогенная переменная X3 (D=2). Уравнение сверхидентифицируемо, т.к. D+1>H; (3>2), а значит необходимое условие идентификации выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных Y3 и X3, взятых в других уравнениях.










Уравнения, из которых взяты коэффициенты при переменных

Переменные




У3

Х3




2

b23

0

3

-1

a33

Определитель полученной матрицы не равен нулю, т.к. b23*a33 - (-1)*0 = 0, а ранг матрицы равен 2. Значит, достаточное условие выполнено, и первое уравнение идентифицируемо.

Проверим второе уравнение системы Y2 = b21Y1 + b23Y3 + a22X2 на выполнение необходимого и достаточного условия идентификации.

В этом уравнении три эндогенные переменные Y1, Y2 и Y3 (H=3). В нем отсутствуют две экзогенные переменные X1 и X3 (D=2). Уравнение идентифицируемо, т.к. D+1=H; (3=3), а значит необходимое условие идентификации выполнено.

, взятых в других уравнениях.










Уравнения, из которых взяты коэффициенты при переменных

Переменные




х1

х3




1

a11

0

3

a31

a33










Определитель полученной матрицы не равен нулю, т.к. a11*a33 - a31*0 = 0, а ранг матрицы равен 2. Значит, достаточное условие выполнено, и второе уравнение идентифицируемо.

Проверим третье уравнение системы Y3 = b32Y2 + a31X1 + a33X3 на выполнение необходимого и достаточного условия идентификации.

В этом уравнении две эндогенные переменные Y2 и Y3 (H=2). В нем отсутствуют эндогенная переменная Y1 и экзогенная переменная X2 (D=2). Уравнение сверхидентифицируемо, т.к. D+1>H; (3>2), а значит необходимое условие идентификации выполнено.

Для проверки на достаточное условие составим матрицу из коэффициентов при переменных Y1 и X2, взятых в других уравнениях.










Уравнения, из которых взяты коэффициенты при переменных

Переменные




У1

Х2




1

-1

a12

2

b21

a22














Задача 1.Зависимость объема продаж (Y) от расходов на рекламу (X) характеризуется по 12 предприятиям концерна следующим образом:



Задание: определите линейный коэффициент парной корреляции, регрессионную сумму квадратов отклонений, постройте таблицу дисперсионного анализа для оценки значимости уравнения в целом, определите F-статистику, t-статистику и доверительный интервал коэффициента регрессии.

Решение:

Для определения коэффициента корреляции применим формулу:



Значение коэффициента корреляции свидетельствует о тесной линейной взаимосвязи между объемом продаж и расходами на рекламу.

Коэффициент детерминации составит:



Определим регрессионную сумму квадратов отклонений:



Составим таблицу дисперсионного анализа и определим F-cтатистику Фишера.

Дисперсионный анализ результатов регрессии

Источники вариации

Число степеней свободы

Сумма квадратов отклонений

Дисперсия на одну степень свободы

F-статистика













факт.

табл., α=0,05

Регрессионная

(объясненная)

1

87,359

87,359

21,949

4,96

Остаточная

10

39,801

3,9801







Общая

11

127,16

11,56







Поскольку Fфакт >Fтабл, то признается статистическая значимость, надежность уравнения регрессии.

Связь между F-статистикой Фишера, t-статистикой Стьюдента для коэффициента регрессии, t-статистикой Стьюдента для коэффициента корреляции выражается равенством:



Значит,   . Табличное значение t-статистики для α=0,05, v=10 составляет 2,2281. Поскольку tфакт>tтабл, то коэффициент регрессии b статистически значимо отличен от нуля.

Экономическая интерпретация параметров линейной модели парной регрессии.



Экономический смысл свободного коэффициента Параметр а, или свободный коэффициент регрессионного уравнения, имеет экономический смысл: он показывает значение результативного признака y, если факторный x = 0.

b — коэффициент регрессии. Показывает, на какую величину в среднем изменится y при увеличении фактора х на 1 единицу.


8.Модели нелинейной регрессии, коэффициент эластичности


Среди нелинейных функций, которые могут быть приведены к линейному виду, в эконометрических исследованиях очень широко используется степенная функция:



Связано это с тем, что параметр bв ней имеет четкое экономическое истолкование, т. е. он являетсякоэффициентом эластичности. Это значит, что величина коэффициента bпоказывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1 %.

Например, если зависимость спроса от цен характеризуется уравнением вида  , то с увеличением цен на 1 % спрос снижается в среднем на 1,12 %.

В силу того, что коэффициент эластичности для нелинейной функции не является величиной постоянной, а зависит от соответствующего значения х, то обычно рассчитывается средний по­казатель эластичностипо формуле:



Поскольку коэффициенты эластичности представляют эко­номический интерес, а виды моделей не ограничиваются только степенной функцией, приведем формулы расчета коэффициентов эластичности для наиболее распространенных типов уравнений регрессии.

Коэффициенты эластичности по разным видам регрессионных моделей.

1.Линейная .

2. Парабола 2 порядка  .

3.  Гипербола  .

4.  Показательная  .

5. Степенная  .

6.  Полулогарифмическая  .

7. Логистическая  .

8. Обратная  .





написать администратору сайта