пользователей: 30398

предметов: 12406

вопросов: 234839

Конспект-online

I семестр:

»	1. Понятие эконометрики. Основные классы эконометрических задач.
»	2.Основные этапы построения эконометрических моделей
»	2 (продолжение)
»	3. Оценка тесноты связи. Понятие «поле корреляции», парный коэффициент корреляци
»	4. Модель парной линейной регрессии: постановка задачи(МНК). Спецификация модели
»	5. Метод наименьших квадратов: постановка задачи(нахождение параметров); выражен
»	6. Качество прогноза: коэффициент детерминации.(от 0 до 1, то…) Понятие «общая»,
»	7. Общая схема проверки статистических гипотез о значимости коэффициента регресс
»	Проверка статистических гипотез
»	Проверка адекватности линейной модели: таблица дисперсионного анализа.
»	10. Проверка адекватности парной линейно модели: критерий Фишера.
»	11.Оценка статистической значимости параметров линейной регрессии через t-критер
»	12. Условия и теорема Гаусса-Маркова, анализ остатков, понятие гомоскедастичност
»	13. Средняя ошибка аппроксимации как критерий прогностических возможностей модел
»	14. Виды парных нелинейных моделей, процедуры линеаризации изучаемых переменных.
»	16.Множественная линейная регрессия: подбор объясняющих для Мультиколлинеарности
»	21. Гетероскедастичность и ее учет при построении модели множественной регрессии
»	22. Тесты на гетероскедастичность. Метод Гольдфельда-Квандта для оценки гетероск
»	23. Тесты на гетероскедастичность. Метод ранговой корреляции Спирмена для оценк
»	25. Фиктивные переменные: модель бинарной фиктивной переменной.
»	24. Фиктивные переменные и их использование в регрессионных моделях. Примеры фик
»	26.Фиктивные переменные: модель сезонных колебаний.
»	28.Фиктивные переменные: модель структурной перестройки.
»	29. Автокорреляция уровней временного ряда. Анализ структуры временного ряда.

16.Множественная линейная регрессия: подбор объясняющих для Мультиколлинеарности

	1	Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой и нельзя оценить воздействие каждого фактора в отдельности. Включение в модель мультиколлинеарных факторов нежелательно в силу следующих последствий: 1.Затрудняется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированы; параметры линейной регрессии теряют экономический смысл. 2.Оценки параметров ненадежны, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений (не только по величине, но и по знаку), что делает модель непригодной для анализа и прогнозирования. Так, для уравнения, включающего три объясняющих переменных у(с шапкой сверху) = a+b1 x 1 +b2 x 2 +b3 x 3 матрица коэффициентов корреляции между факторами имела бы определитель, равный единице:
	2	Если же, наоборот, между факторами существует полная линейная зависимость и все коэффициенты корреляции равны единице, то определитель такой матрицы равен нулю: Чем ближе к нулю определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И, наоборот, чем ближе к единице определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов. Существует ряд подходов преодоления сильной межфакторной корреляции: 1 исключении из модели одного или нескольких факторов. 2 преобразование факторов, при котором уменьшается корреляция между ними. Одним из путей учета внутренней корреляции факторов является переход к совмещенным уравнениям регрессии, т.е. к уравнениям, которые отражают не только влияние факторов , но и их взаимодействие .

07.06.2015; 15:23

хиты: 109

рейтинг:0

помощь