Электронная библиотечная система УГАТУ
«Уфимский государственный авиационный технический университет»

     

Детальная информация

Орлова, Е. В. Эконометрическое моделирование и прогнозирование: [Электронный ресурс]: учебное пособие / Е. В. Орлова; Уфимский государственый авиационный технический университет (УГАТУ). — Электронные текстовые данные (1 файл: 2,53 МБ ). — Уфа: УГАТУ, 2013. — Электронная версия печатной публикации. — Заглавие с титульного экрана. — Доступ из сети Интернет по логину и паролю. Анонимный доступ из корпоративной сети УГАТУ. — Adobe Reader. — <URL:http://e-library.ufa-rb.ru/dl/lib_net_r/Orlova_Ekonometricheskoe_modelirovanie_2013.pdf>.

Дата создания записи: 21.11.2017

Тематика: электронные ресурсы; учебные пособия; aэконометрическое моделирование; моделирование регрессий; прикладные задачи ; решение прикладных задач; компьютерное моделирование; лабораторные работы; множественная регрессия; лабораторные работы

ББК: У9(2Рос)210.301(я7)

Разрешенные действия:

Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети

Группа: Анонимные пользователи

Сеть: Интернет

Права на использование объекта хранения

Место доступа Группа пользователей Действие
Организация Читатели Прочитать
Библиотека Все Прочитать
Организация Все Прочитать
Внешние организации Все Прочитать
Участники консорциума Все Прочитать
Интернет Пользователи из корпорации Прочитать
Интернет Пользователи из внешних организаций Прочитать
Интернет Читатели Прочитать
-> Интернет Все

Оглавление

  • Главы
    • Е.В. Орлова
      • ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ
      • Допущено Редакционно-издательским советом УГАТУ
      • в качестве учебного пособия для студентов всех форм обучения
      • по направлению «Экономика»
      • 2.3. Моделирование систем эконометрических уравнений ……………………………………………..
      • 2.4. Эконометрический анализ и прогнозирование временных рядов……………………………………...
      • 2.5. Инструментальные средства эконометрического моделирования…………………………………..……
      • 3. ТЕХНОЛОГИЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ
      • 3.1. Идентификация и верификация моделей парной регрессии……….……………………………………..
      • 3.2. Спецификация и идентификация моделей множественной регрессии …….…………………….
      • 3.3. Методика параметризации систем эконометрических уравнений……………………….
      • 3.4. Обработка и построение моделей временных рядов…………………………………………….…….
      • 4. КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ…………….
      • Лабораторная работа 1. Эконометрический анализ
      • и моделирование однофакторных регрессий………….…
      • Лабораторная работа 3. Оценка качества
      • регрессионных моделей. Дисперсионный анализ…….…
      • Лабораторная работа 4. Формализация эмпирической базы исследования. Проверка условий Гаусса – Маркова…………………………………..………...............
      • Лабораторная работа 5. Декомпозиция временного ряда. Построение тренд-сезонных моделей……………...
      • ВВЕДЕНИЕ
        • 1. МЕТОДИКА ИЗУЧЕНИЯ КУРСА
      • 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ЭКОНОМЕТРИЧЕСКОГО МОДЕЛИРОВАНИЯ
        • 2.1. Предмет, метод и задачи эконометрической науки
          • Итак, эконометрическая модель – это вероятностно-статистическая модель, описывающая механизм функционирования социально-экономической системы.
          • Процесс эконометрического моделирования можно разбить на ряд этапов:
        • Контрольные вопросы
        • 2.2. Моделирование регрессий
          • 2.2.1. Проблема оценивания связи экономических переменных. Любые управленческие решения должны основываться на знаниях законов и закономерностей изучаемых явлений и процессов. Проблема изучения взаимосвязей экономических показателей является одной из важнейших проблем в экономических исследованиях. Инструментарием этих исследований являются методы и модели статистики и эконометрики.
          • 2.2.4. Условия Гаусса – Маркова. Теорема Гаусса – Маркова. В предыдущем разделе нас интересовало только качество подгонки кривой регрессии. Теперь добавим к постановке задачи некоторые статистические свойства данных. На самом деле, для одного x можно наблюдать разные значения y. Например, x – объем продаж, y – прибыль; x – стоимость основных фондов, y – себестоимость продукции. Запишем уравнение зависимости y от x в виде (2.1):
          • 2.2.5. Измерители статистической связи в регрессионной модели. Уравнение регрессии всегда дополняется показателем тесноты связи. Эта задача решается в рамках корреляционного анализа. Последовательность проведения корреляционного анализа состоит из ряда процедур.
          • Линейный коэффициент корреляции
          • Корреляционное отношение
          • 2.2.6. Однофакторный дисперсионный анализ. Дисперсионный анализ – метод, основанный на сравнении дисперсий, состоит в сравнении факторной дисперсии, порождаемой воздействием фактора, и остаточной дисперсии, обусловленной случайными причинами. Если различие между этими дисперсиями значимо, то фактор оказывает существенное влияние на y.
          • 2.2.7. Оценка статистической значимости регрессии. После того, как найдены оценки коэффициента корреляции, детерминации и параметров уравнения регрессии, необходимо провести оценку их значимости, а также проверить свойства данных, выполнение которых предполагалось при оценивании уравнения. Вопросы оценки статистической значимости обсуждаются в данном разделе, а вопросы отклонения исходных данных от допущений в рамках МНК рассматриваются в п.2.2.14.
          • Статистическая проверка гипотез. Основные понятия
          • Проверка гипотезы о значимости линейного коэффициента корреляции
          • Проверка гипотезы о значимости параметров регрессии
          • Проверка гипотезы о значимости уравнения регрессии
          • 2.2.8. Формирование точечных и интервальных оценок. В процессе эконометрического исследования зависимостей строят оценки неизвестных характеристик (в случае парной линейной регрессии – это характеристики r, a, b, y). Такие оценки могут быть отражены на числовую ось двумя способами – в виде единственного значения (точечное значение), в виде множества значения (интервальное значение). Тогда эти оценки называют точечными и интервальными.
          • 2.2.9. Метод максимального правдоподобия. Наряду с МНК для оценки параметров регрессионной модели можно применять другой подход – метод максимального правдоподобия. Этот метод используется, если известен вид функции распределения случайной величины . Необходимо определить, при каких значениях параметров регрессии вероятность получить определенный набор наблюдений наибольшая.
        • 2.2.10. Построение нелинейных регрессионных моделей. Часто между переменными, описывающими зависимости между экономическими явлениями (процессами), возникают отношения, которые невозможно описать линейными функциями. В этих случаях строят нелинейные регрессионные зависимости между переменными. Различают два типа нелинейных регрессионных моделей:
          • Оценка корреляционной связи. Мерой тесноты связи в нелинейной регрессии является корреляционное отношение (если совокупность разбита на группы) (2.8) или коэффициент корреляции, равный корню квадратному из коэффициента детерминации (2.12), который является, вообще говоря, мерой любой корреляционной связи количественных признаков:
          • 2.2.11. Анализ чувствительности регрессионных моделей. Определение. Чувствительность – это оценка влияния на экономический показатель изменений определяющих его факторов.
          • Средняя ошибка аппроксимации. Для адекватных моделей необходимо оценивать степень их точности (в смысле, точности аппроксимации), т.е. на сколько теоретические значения объясняемой переменной близки к своим фактическим уровням. Для определения точности находят разность между фактическим значением признака и его оценкой, полученной по модели. Одним из критериев проверки точности является средняя ошибка аппроксимации.
        • 2.2.12. Моделирование множественных регрессий. Описание социально-экономических систем, имеющих сложные взаимосвязи факторных и результирующих переменных, описывающих те или иные свойства систем, можно осуществлять на основе построения регрессионных зависимостей, приводимых, как правило, к использованию моделей множественных регрессий. Построение модели множественной регрессии имеет следующие особенности.
          • Отбор факторов при построении множественной регрессии. Построение уравнения множественной регрессии начинается со спецификации модели, т.е. решения двух вопросов: отбора факторов и выбора формы уравнения регрессии. Факторы, включаемые в модель множественной регрессии, должны удовлетворять следующим условиям: факторы должны быть количественно измеримы; факторы не должны коррелировать между собой и не должны находиться в функциональной зависимости.
          • Если коэффициент парной корреляции , то необходимо исключить один из этих факторов. В зависимости от принципа отбора факторов различают следующие методы построения модели множественной регрессии: метод исключения факторов, метод включения факторов. Эти методы базируются на использовании корреляционных матриц и частных корреляционных матриц. Правила включения в модель факторов: во-первых, число включаемых в модель факторов должно быть как минимум в шесть раз меньше объема выборки, по которой строится регрессия, во-вторых, коэффициент парной корреляции между факторными признаками должен быть не больше 0,75.
          • Оценка параметров уравнения множественной регрессии. Параметры уравнения множественной регрессии оцениваются, как и в парной регрессии, методом наименьших квадратов, когда минимизируется сумма квадратов остатков:
        • Оценка статистической связи множественной регрессии. Коэффициенты парной и частной корреляция. В случаях, когда имеется одна независимая и одна зависимая переменная, то мерой тесноты их связи служит парный коэффициент корреляции. Если имеется несколько независимых переменных, то необходимо рассчитывать частные коэффициенты корреляции, которые характеризуют тесноту связи между результативным признаком и соответствующим факторным признаком при устранении влияния других факторов, включенных в модель. Коэффициенты частной корреляции для уравнения регрессии с двумя независимыми переменными можно найти как
          • Множественный коэффициент корреляции и детерминации
          • Использование фиктивных переменных. В практических экономических задачах часто возникает потребность помимо количественных переменных включать в модель факторы, имеющие два или несколько качественных уровня. Например, уровень образования, пол, принадлежность к определенному предприятию и т.д. Переменные такого типа называются фиктивными, или искусственными. Им должны быть присвоены цифровые значения, т.е. эти качественные значения переменных должны быть преобразованы в количественные.
          • 2.2.13. Оценка качества эконометрической модели. Качество эконометрических моделей в общем виде оценивается по их адекватности и точности. Для принятия решений о возможности применения эконометрической модели для анализа и прогнозирования экономического объекта (процесса, явления) необходимо установить адекватность модели. Под адекватностью эконометрической модели понимается ее соответствие моделируемому объекту относительно существенных для исследования свойств объекта.
          • 2.2.14. Нарушение предположений о свойствах исходных данных. Приведенная выше классическая модель множественной регрессии достаточна проста и допускает оценку параметров по МНК. При этом оценки обладают свойствами несмещенности, эффективности и состоятельности, а результаты моделирования оказываются достоверными и удовлетворяющими критериям качества. Однако эти оценки достаточно неустойчивы по отношению к нарушениям свойств исходных данных, формулируемых в предпосылках МНК, и применение теоремы Гаусса – Маркова (Г.–М.) не дает желаемых свойств оценок. Рассмотрим нарушения отдельных условий, сформулированных в теореме Г.–М.:
          • Стохастичность регрессоров
          • Мультиколлинеарность регрессоров
          • Гетероскедастичность остатков
          • Автокорреляция остатков
          • 2.2.15. Обобщенный метод наименьших квадратов. При нарушении условия гомоскедастичности и наличии автокорреляции остатков необходимо использовать обобщенный метод наименьших квадратов (ОМНК). Суть ОМНК – минимизация обобщенной суммы квадратов отклонений (с учетом ненулевых ковариаций случайной ошибки для разных наблюдений и непостоянной дисперсии ошибки). ОМНК применяется к преобразованным данным и позволяет получать оценки, которые обладают свойствами несмещенности, состоятельности, эффективности.
        • Контрольные вопросы
      • 2.3. Моделирование систем эконометрических уравнений
          • 2.3.1. Понятие системы регрессионных уравнений. Сложные социально-экономические системы можно описать множеством характеристик, часть из которых тесно связаны между собой. Поэтому моделирование поведения и зависимостей в таких системах иногда затруднительно на основе построения одного уравнения регрессии. В таких ситуациях инструментарий, основанный на использовании единственной регрессии, является несостоятельным и возникает необходимость построения системы взаимосвязанных уравнений регрессии.
          • 2.3.2. Структурная и приведенная формы модели. Каждое уравнение системы одновременных уравнений не может рассматриваться как самостоятельная часть системы, поэтому применение традиционного метода наименьших квадратов для определения его параметров невозможно, так как нарушаются предпосылки МНК:
          • 2.3.3. Идентификация системы одновременных уравнений. Понятие идентификации. При переходе от приведенной формы модели к структурной форме возникает проблема идентификации параметров.
          • 2.3.4. Оценка параметров структурной модели. В зависимости от вида системы одновременных уравнений ее структурные коэффициенты могут быть оценены различными способами. Различают следующие методы оценки коэффициентов структурной модели:
        • Контрольные вопросы
      • 2.4. Эконометрический анализ и прогнозирование временных рядов
          • 2.4.1. Понятие и классификация временных рядов. Совокупность наблюдений в последовательные моменты времени образует временной ряд – упорядоченную во времени последовательность наблюдений.
          • 2.4.2. Моделирование тренда. Существует несколько методов вычисления трендовой компоненты временного ряда [3, 16]:
          • 2.4.3. Моделирование сезонных колебаний. Учитывая сложность сезонных процессов, разработано достаточно много математических методов и подходов к их анализу. Простейшим подходом к моделированию временных рядов, содержащих сезонные колебания, является построение аддитивной или мультипликативной модели временного ряда. Выбор одной из этих моделей основывается на анализе структуры временного ряда. Процесс построения модели ряда включает следующие шаги [28]:
          • 2.4.4. Оценка автокорреляции уровней ряда. Если исходный временной ряд имеет тенденцию и циклическую компоненту, то, как правило, каждый последующий уровень ряда зависит от предыдущих, т.е. уровни такого ряда являются статистически зависимыми.
          • 2.4.5. Модели стационарных временных рядов. Для того, чтобы сделать задачу эконометрического моделирования временных рядов доступной для решения прикладных экономических задач, необходимо выявить классы рассматриваемых моделей временных рядов, вводя те или иные предположения относительно структуры ряда. Одно из таких ограничений предполагает стационарность временного ряда [3-5].
          • 2.4.6. Модели нестационарных временных рядов. Модель авторегрессии – проинтегрированного скользящего среднего ARIMA(p, k, q) была предложена Боксом и Дженкинсом [4, 5, 13] и предназначалась для описания нестационарных временных рядов , обладающих следующими свойствами:
        • Контрольные вопросы
      • 2.5. Инструментальные средства эконометрического моделирования
        • 2.5.1. Необходимость применения информационных технологий. Эконометрические методы следует использовать как составную часть научного инструментария практически любого экономического исследования. Практически любая область экономики и менеджмента имеет дело со статистическим анализом эмпирических данных, поэтому имеет те или иные эконометрические методы в своем инструментарии. Например, перспективно применение этих методов в стратегическом, инновационном, инвестиционном менеджменте при разработке стратегии производства и продажи специальной техники, при изучении рисков инновационных исследований, при сравнении инвестиционных проектов, в маркетинге, в страховании, в исследованиях финансовых рынков, банковской деятельности и во многих других областях.
          • 2.5.2. Способы описания экономических систем в зависимости от типа исходных данных. По своей природе признаки любого экономического или социально-экономического объекта или процесса могут быть как количественными, так и качественными. Количественные экономические данные – это результаты измерений (наблюдений, испытаний, анализов, опытов), результаты управленческого или бухгалтерского учета, данные макроэкономической статистики. Качественные данные – это оценки экспертов, на основе своего опыта и интуиции делающих заключения относительно экономических явлений и процессов.
          • 2.5.3. Другие эконометрические методы. Развитие вычислительной техники и информационных технологий стало основой для возникновения ряда эконометрических методов, реализуемых с помощью специального программного обеспечения. Ниже представлены наиболее распространенные из них.
          • 2.5.4. Обзор инструментальных средств эконометрического моделирования. Существует огромное разнообразие пакетов прикладных программ обработки экономических данных. В настоящее время наиболее распространены следующие программы компьютерного моделирования [6, 22, 29-31].
  • Глава
    • 4. КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ
    • Лабораторная работа 1.
    • Эконометрический анализ и моделирование
    • однофакторных регрессий
    • Цель работы
    • Краткие теоретические сведения
    • Пример эконометрического моделирования
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 2.
    • Эконометрический анализ и моделирование многофакторных регрессий
    • Цель работы
    • Краткие теоретические сведения
    • Пример эконометрического моделирования
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 3.
    • Оценка качества регрессионных моделей.
    • Дисперсионный анализ
    • Цель работы
    • Краткие теоретические сведения
    • Примеры проведения дисперсионного анализа
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 4.
    • Формализация эмпирической базы исследования.
    • Проверка условий Гаусса – Маркова
    • Цель работы
    • Краткие теоретические сведения
    • Примеры эконометрического анализа данных на наличие гетероскедастичности и автокорреляции
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 5.
    • Декомпозиция временного ряда.
    • Построение тренд-сезонных моделей
    • Цель работы
    • Краткие теоретические сведения
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 6.
    • Моделирование стационарных и нестационарных экономических процессов
    • Цель работы
    • Краткие теоретические сведения
    • Применение методов эконометрического моделирования временных рядов в программе Statistica
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 7.
    • Моделирование и прогнозирование временных рядов
    • Цель работы
    • Краткие теоретические сведения
    • Применение методов прогнозирования временных рядов в программе Statistica
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Требования к оформлению отчета
    • Контрольные вопросы
    • Лабораторная работа 8.
    • Многомерный анализ экономических данных
    • Цель работы
    • Краткие теоретические сведения
    • Примеры решения экономических задач с применением методов многомерного анализа в программе Statistica
    • Порядок выполнения лабораторной работы
    • Задания для лабораторной работы
    • Контрольные вопросы
    • Лабораторная работа 9.
    • Моделирование макроэкономических процессов
    • на основе систем эконометрических уравнений
    • Цель работы
    • Порядок выполнения лабораторной работы
    • Контрольные вопросы
    • Лабораторная работа 10.
    • Эконометрическое моделирование и прогнозирование финансовых потоков
    • Цель работы
    • Порядок выполнения лабораторной работы
    • Контрольные вопросы
    • Лабораторная работа 11.
    • Эконометрическое моделирование бинарного
    • и множественного выбора
    • Цель работы
    • Порядок выполнения лабораторной работы
    • Контрольные вопросы
    • Список литературы
    • Приложение 1
    • Приложение 2
    • Приложение 3
    • Приложение 4
    • Приложение 5
    • Приложение 6
    • Приложение 7
    • Приложение 8
    • Приложение 9
    • Приложение 10
    • Приложение 11
    • Приложение 12
    • Приложение 13

Статистика использования

stat Количество обращений: 245
За последние 30 дней: 0
Подробная статистика