Контрольная рабоат по "Эконометрике"

  4) классификация  эконометрических моделей по  характеру отражения причинно-следственных  связей. При этом выделяют:

  а) модели жестко детерминистские;

  б) модели, в которых учитываются факторы  случайности и неопределенности.

  Вследствие  перехода от жёстко детерминированных  моделей к моделям второго  типа, были разработаны реальные возможности  успешного применения более совершенной методологии моделирования экономических процессов, учитывающих факторы случайности и неопределённости, а именно:

  а) проведение многовариантных расчетов и модельных  экспериментов с вариацией конструкции  модели и ее исходных данных;

  б) изучение устойчивости и надежности получаемых решений;

  в) выделение  зоны неопределенности;

  г) включение  в модель резервов;

  д) применение приемов, повышающих приспособляемость (адаптивность) экономических решений  к вероятным и непредвиденным ситуациям

  В последнее  время широко применяются эконометрические модели, непосредственно отражающие стохастичность и неопределенность экономических процессов. Данные модели используют соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, теорию случайных процессов.

  5) Классификация  эконометрических моделей по  способам отражения фактора времени.  При этом выделяют:

  а) статические  модели, характеризующие исследуемую  зависимость между переменными на определённый момент времени;

  б) динамические модели, характеризующие изменение  экономических процессов во времени. 

5. Основные этапы  построения эконометрических  моделей.

Построение  эконометрических моделей осуществляется в несколько основных шагов, этапов: 
1) Постановочный этап: определяются конечные цели исследования, моделирования, набор участвующих в модели факторов и показателей и их роли. 
2) Априорный этап: предмодельный анализ экономической сущности изучаемого явления, формирование и формализация априорной информации и исходных допущений, предположений, гипотез на основе экономической теории. 
3) Этап параметризации и спецификации модели: собственно моделирование, то есть выбор вида модели, функции регрессии, в том числе, состава и формы входящих в нее связей между переменными. 
4) Информационный этап: наблюдение и сбор необходимой информации, статистических данных, их обработка. 
5) Этап идентификации модели: статистическое оценивание неизвестных параметров модели по собранным данным, статистический анализ модели. 
6) Этап верификации модели: сопоставление фактических, реальных данных и смоделированных, проверка адекватности модели, оценка ее точности и прогностических свойств. 
 
Этапы 3)-6)  связаны с большим количеством трудоемких вычислений и изучением специальных эконометрических методов: классической линейной модели парной и множественной регрессии, классический и обобщенный метод наименьших квадратов, методы статистического анализа временных рядов, систем одновременных уравнений и пр.  
Чтобы избежать рутинных вычислений используются различные компьютерные пакеты. Самый доступный пакет – это редактор Excel, в котором следует подключить пакет анализа. Также можно обратиться к услугам таких статистических пакетов, как Statgraphics, Statistica, и др., или математического – MathCad, или специализированного мощного эконометрического – Econometric Views (EViews). 

6. Функциональные и  стохастические типы  связей. Ковариация, корреляция. 
 

7. Анализ линейной  статистической связи  экономических данных, корреляция; вычисление коэффициентов корреляции, проверка значимости. 
 

 10 ПРЕДПОСЫЛКИ применения  метода наименьших  квадратов (МНК).

 При оценке параметров уравнения регрессии  применяется МНК. При этом делаются определенные предпосылки относительно составляющей , которая представляет собой ненаблюдаемую величину.

 Исследования  остатков - предполагают проверку наличия следующих пяти предпосылок МНК:1.случайный характер остатков; 2.нулевая средняя величина остатков, не зависящая от х_i;

 3.гомоскедастичность—дисперсия каждого отклонения ,одинакова для всех значений х; 4.отсутствие автокорреляции остатков. Значения остатков , распределены независимо друг от друга; 5.остатки подчиняются нормальному распределению.

 1. Проверяется  случайный характер остатков  , с этой целью строится график зависимости остатков от теоретических значений результативного признака. Если на графике получена горизонтальная полоса, то остатки , представляют собой случайные величины и МНК оправдан, теоретические значения у_х хорошо аппроксимируют фактические значения y. В других случаях необходимо либо применять другую функцию, либо вводить дополнительную информацию и заново строить уравнение регрессии до тех пор, пока остатки , не будут случайными величинами.

 2. Вторая  предпосылка МНК относительно  нулевой средней величины остатков означает, что (у — у_х) = 0. Это выполнимо для линейных моделей и моделей, нелинейных относительно включаемых переменных. С этой целью наряду с изложенным графиком зависимости остатков от теоретических значений результативного признака у_х строится график зависимости случайных остатков от факторов, включенных в регрессию х_{i .} Если остатки на графике расположены в виде горизонтальной полосы, то они независимы от значений x_j. Если же график показывает наличие зависимости и х_j то модель неадекватна. Причины неадекватности могут быть разные.

 3. В  соответствии с третьей предпосылкой  МНК требуется, чтобы дисперсия остатков была гомоскедастичной. Это значит, что для каждого значения фактора x_j остатки , имеют одинаковую дисперсию. Если это условие применения МНК не соблюдается, то имеет место гетероскедастичность. Наличие гетероскедастичности можно наглядно видеть из поля корреляции. Гомоскедастичность остатков означает, что дисперсия остатков - одинакова для каждого значения х.

 4.Отсутствие  автокорреляции остатков, т. е. значения остатков распределены независимо друг от друга. Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.