Алфавитно-предметный указатель

АЛФАВИТНО-ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ

Автокорреляционная функция (с. 127)

Автокорреляция остатков (с. 50, 113)

Авторегрессионная модель (с. 132, 136)

Алмон полиномиальные лаги (с. 135)

Вектор остатков (случайных отклонений) (с. 72)

- значений зависимой переменой (с. 71)

Верификация (с. 7)

Вероятность (с. 9)

Временные ряды (с. 6, 124)

Выборка (с. 26)

Гаусса-Маркова условия (предпосылки МНК) (с. 49, 72)

Гетероскедастичность (с. 50, 104, 106)

Гипотеза статистическая (с. 36)

Гомоскедастичность (с. 50)

Двумерная случайная величина (с. 21)

Двухшаговый метод наименьших квадратов (с. 140)

Дисперсия теоретическая (с. 14)

- выборочная (с. 29)

Доверительная вероятность (с. 34)

Доверительный интервал (с. 34)

Идентифицируемость системы одновременных уравнений (с. 147)

Интервальные оценки параметров (с. 54, 56)

Качество уравнения регрессии (с. 42, 70)

Ковариация (с. 23, 30, 75)

Койка преобразование – см. Преобразование Койка (с. 134)

Косвенный метод наименьших квадратов (с. 146)

Коэффициент вариации (с. 14, 30)

Коэффициент детерминации (с. 57, 79)

- скорректированный (с. 80)

Коэффициент корреляции (с. 23, 30)

- межфакторный (парный) (с. 84)

Коэффициент регрессионного уравнения (с. 42, 68)

Лаг (с. 127)

Лаговая переменная (с. 132)

Линеаризация модели (с. 88)

Линия регрессии (модели) (с. 44, 46)

Математическое ожидание случайной величины (с. 13)

Метод взвешенных наименьших квадратов (с. 94, 111)

Метод инструментальных переменных (с. 139, 148)

Метод наименьших квадратов (с. 44, 69)

Модель (с. 5)

- авторегрессионная (с. 132)

- адаптивных ожиданий (с. 132, 136)

- линейная (с. 42, 68)

- множественной регрессии (с. 68)

- нелинейная (с. 89, 90)

- парной регрессии (с. 43)

- регрессионная (с. 42, 68)

- с распределенными лагами (с. 132)

- с автокорреляционными остатками (с. 113)

- с гетероскедастичными остатками (с. 106)

- с распределением Койка (с. 134)

- частичной корректировки (с. 138)

Мультиколлинеарность (с. 69, 82)

Область принятия гипотезы (с. 38)

- отклонения гипотезы (с. 38)

Обобщенный метод наименьших квадратов (с. 104)

Объясненная часть переменной (с. 44)

Остаток (случайное отклонение) (с. 6, 43)

Ошибка

- первого рода (с. 36)

- второго рода (с. 36)

- прогноза (с. 64)

Основные этапы эконометрического моделирования (с. 6)

Параметры эконометрической модели (с. 6, 50)

Переменная зависимая (объясняемая) (с. 42)

- инструментальная (с. 139)

- независимая (объясняющая) (с. 42)

- предопределенная (с. 145)

- фиктивная (с. 93)

- экзогенная (с. 144)

- эндогенная (с. 144)

Плотность вероятности (с. 12)

Прайса-Винстона поправка (с. 119)

Преобразование Койка (с. 134)

Прогнозирование (с. 61)

Распределение случайной величины (с. 15)

- нормальное (с. 16)

- Стьюдента (t -распределение) (с. 18)

- Фишера (F -распределение) (с. 19)

Регрессионная модель

- классическая линейная (с. 51, 69)

- обобщенная (с. 104)

Регрессионный анализ (с. 41, 42)

Регрессия (с. 42)

Регрессор (с. 42)

Сверхидентифицируемость (с. 147)

Сглаживание временных рядов (с. 126)

Сезонная компонента (составляющая) (с. 124)

Система одновременных уравнений (с. 143)

Случайная величина

- дискретная (с. 9)

- непрерывная (с. 10)

Спецификация модели (с. 6, 88)

Среднее квадратическое отклонение (с. 29, 33)

Стандартная ошибка (с. 51-53, 76)

Статистическое определение вероятности (с. 9)

Стационарный временной ряд (с. 125)

Статистика Дарбина-Уотсона (DW) (с. 116)

Степени свободы (с. 18, 55)

Тест (t -тест; F -тест) (с. 55, 59)

- Дарбина-Уотсона (с. 116)

- Голдфелда-Квандта (с. 109)

- ранговой корреляции Спирмена (с. 107)

- Г. Чоу (с. 97)

Тренд временного ряда (с. 124, 131)

Уравнение идентифицируемое (с. 148)

- неидентифицируемое (с. 148)

- регрессионной модели (с. 43, 68)

- структурное (с. 144)

- теоретическое (с. 42)

- эмпирическое (с. 43)

Уровень значимости (с. 36)

Факторный признак (с. 42)

Фиктивная переменная (с. 93)

Функция Кобба-Дугласа (с. 91, 92)

Функция распределения случайной величины

Центральная предельная теорема (с. 24)

Циклическая компонента (с. 124)

Частость (с. 9)

Числовые характеристики (с. 13)

Число степеней свободы (с. 18)

Эконометрика (с. 5)

Эконометрическая модель (с. 5)

Экспоненциальный закон распределения (с. 20)

Эмпирический стандарт (с. 33)

Эффективность оценки (с. 32)

АЛФАВИТНО-ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ

гл1: 1 – 40; гл 2-3: 41 – 87; гл 4-5: 88 – 123; гл 6-7: 124 – 162.

термин	определение, формулировка	страница пособия
Автокорреляционная функция: r(k)	Зависимость коэффициента автокорреляции r _k от временного сдвига (лага) k: , причем r(- k) = r(k). r _k – характеризует степень тесноты статистической связи между последовательностями уровней временного ряда, сдвинутыми относительно друг друга по времени на D t = k единиц.	127
Автокорреляция остатков, ошибок, случайных отклонений	Определяется взаимосвязью между предыдущими и последующими измерениями однотипных характеристик. Может возникнуть, если статистические данные являются временными рядами. Большинство тестов на наличие автокорреляции основаны на идее: если корреляция во времени присутствует между случайными отклонениями e _t, то она должна проявляться и в их оценках e_t, получаемых при использовании обычного МНК. Наиболее распространенным примером реализации данного подхода является тест (критерий) Дарбина-Уотсона (DW), который определяет наличие автокорреляции между соседними отклонениями.	50, 113
Авторегрессионная модель	Авторегрессионная модель включает в себя в качестве регрессора лагированные значения зависимой переменной Y и может быть представлена следующим регрессионным уравнением: В простейшем случае уравнение описывает авторегрессионный процесс первого порядка, в котором исследуемая величина y_t определяется ее значениями в предшествующий период.	132, 136
Алмон полиномиальные лаги	В модели геометрических лагов Койка на коэффициенты регрессии накладываются достаточно сильные ограничения, которые в ряде случаев могут не выполняться. Встречаются ситуации, когда значения лаговой объясняющей переменной за 3–4 периода от момента наблюдения оказывают на зависимую переменную большее влияние, чем текущее или предшествующее ему значение регрессора (b ₃, b ₄ > b ₀, b). В таких случаях следует применять модели полиномиальных лагов Алмон, которые достаточно гибко отражают изменения в поведении лаговых объясняющих переменных. В основе модели Алмон лежит предположение, что «веса» коэффициентов b_i в уравнении (6.13) аппроксимируются полиномами определенной степени от величины лага i: (6.21)	135
Верификация	Проверка качества найденных параметров модели и самой модели в целом статистическими методами и сопоставление модельных и реальных данных. На данном этапе в результате проверки модели на надежность и устойчивость могут быть внесены поправки в задачу спецификации, а именно, откорректирована форма модели и уточнен состав факторов-аргументов.	7
Вероятность	Вероятность события – это численная мера, которая вводится для сравнения событий по степени возможности их появления. Классическое определение вероятности. Вероятность Р (А) события А это отношение числа m равновозможных элементарных событий (исходов), благоприятствующих появлению события А, к общему числу n всех возможных элементарных исходов данного эксперимента: (1.1) Из вышеизложенного вытекают следующие свойства вероятности: 0 £ Р (А) £ 1.	9
Временные ряды	Временной ряд в экономике - это последовательность наблюдений значений некоторой СВ Y, соответствующей определенному экономическому показателю, в последовательные моменты времени. Основной задачей анализа временных рядов является выявление и статистическая оценка основной тенденции (тренда либо тренда с сезонной компонентой) развития изучаемого процесса и отклонений от нее.	6, 124
Выборка	Часть генеральной совокупности для анализа характеристик всей генеральной совокупности.	26
Гаусса-Маркова условия (предпосылки МНК)	Условия применения МНК	49, 72
Гетероскедастичность	Неоднородность дисперсии случайных отклонений.	50, 104, 106
Гипотеза статистическая	Предположение, сделанное на основе статистических данных, правильность которого нуждается в проверке по определённым тестам.	36
Гомоскедастичность	Однородность дисперсии случайных отклонений	50
Двумерная случайная величина	СВ, зависящая от двух случайных компонент X и Y.	21
Двухшаговый метод наименьших квадратов		140
Дисперсия: теоретическая (ДТ – D_Т(X)) выборочная (ДВ – D_В(X))	Это математическое ожидание квадрата отклонения СВ Х от её математического ожидания: D(x)=M(x-M(x))²=M(x²)–M²(x). ДТ – дисперсия генеральной совокупности, определяется следующим образом. Для дискретной СВ ДТ рассчитывается по формуле: D_Т(X) = . Для непрерывной СВ ДТ рассчитывается по формуле: D_Т(X) = . ДВ – определяется по выборке объёма n по формуле: D_В(X) = = . Для вычисления D_В(X) удобно использовать выражение: D_В(X) =	14 29
Доверительная вероятность		34
Доверительный интервал		34
Идентифицируемость системы одновременных уравнений		147
Интервальные оценки параметров		54, 56
Качество уравнения регрессии (коэффициент детерминации)	Коэффициент детерминации определяется: (2.28) Коэффициент детерминации R² является мерой качества уравнения регрессионной модели и определяет долю дисперсии (разброса), объясняемую регрессией Y на Х, в общей дисперсии зависимой переменной Y. R² принимает значения 0 £ R² £ 1. Чем ближе R² к единице, тем теснее линейная связь между Х и Y (экспериментальные точки теснее примыкают к линии регрессии). Чем ближе R² к нулю, тем такая связь слабее. Если R² = 0, то дисперсия зависимой переменной полностью обусловлена воздействием неучтенных факторов и линия регрессии (модели) должна быть параллельна оси абсцисс: Y = .	42?, 58, 70
Ковариация (корреляционный момент) СВ Х и Y	Это м атематическое ожидание произведения отклонений этих величин от своих математических ожиданий: Cov (X, Y) = M [(X – M (X)) · (Y – M (Y))] = M (X · Y) – M (X) · M (Y). (1.25) Кроме обозначения Cov (X, Y) используется обозначение σ _ху. Если Х и Y независимые СВ, то M (X, Y) = M (X) · (M (Y) и Cov (X, Y) = 0. Ковариация характеризует наличие положительной (переменные изменяются в одном направлении) или отрицательной (переменные изменяются в разных направлениях) связи между СВ.	23, 30, 75
Койка преобразование – см. Преобразование Койка		134
Косвенный метод наименьших квадратов		146
Коэффициент вариации		14, 30
Коэффициент: - детерминации;		57, 79
- детерминации скорректированный		80
Коэффициент
- корреляции;		23, 30
- корреляции межфакторный (парный)		84
Коэффициент регрессионного уравнения		42, 68
Лаг	Характеризует степень тесноты статистической связи между последовательностями уровней временного ряда, сдвинутыми относительно друг друга по времени на D t = k единиц. По временному сдвигу k рассчитывается коэффициент корреляции r _k.	127
Линеаризация модели	Замена нелинейной модели линейной, обычно осуществляется за счёт увеличения числа входных переменных, т.е. переходом к модели множественной регрессии.	88
Линия регрессии (модели)	График зависимости зависимой переменной Y от входных переменных Xi, построенный по уравнению регрессии.	44, 46
Математическое ожидание случайной величины	Математическое ожидание М (х) характеризует среднее ожидаемое значение СВ Х. Математическое ожидание М (х) определяется следующим образом: для дискретной СВ с n ее возможными значениями: (1.4); для непрерывной СВ: (1.5).	13
Метод взвешенных наименьших квадратов		94, 111
Метод инструментальных переменных		139, 148
Метод наименьших квадратов	Se_i² = min, где: e_i = Y_Т_i – Y_i, Y_Т_i, Y_i – ошибка аппроксимации при i-ом измерении, значение теоретическое (регрессионное) и измеренное соответственно.	44, 69
Модель:		5
- авторегрессионная;		132
- адаптивных ожиданий;		132, 136
- линейная	Y_Т_i = b₀ + b₁ ∙ X_i, где: Y_Т_i – выходное теоретическое (регрессионное) значение при i-ом значении входной значимой переменной X_i; b₀, b₁ – коэффициенты регрессии, определяемые по МНК.	42, 68
- множественной регрессии		68
- нелинейная		89, 90
- парной регрессии		43
- регрессионная		42, 68
- с распределенными лагами		132
- с автокорреляционными остатками		113
- с гетероскедастичными остатками		106
- с распределением Койка		134
- частичной корректировки		138
Мультиколлинеарность		69, 82
Область принятия гипотезы		38
Область отклонения гипотезы		38
Обобщенный метод наименьших квадратов		104
Объясненная часть переменной		44
Остаток (случайное отклонение)		6, 43
Ошибка:
- первого рода		36
- второго рода		36
- прогноза		64
Основные этапы эконометрического моделирования		6
Параметры эконометрической модели		6, 50
Переменная:
- зависимая (объясняемая)		42
- инструментальная		139
- независимая (объясняющая)		42
- предопределенная		145
- фиктивная		93
- экзогенная		144
- эндогенная		144
Плотность вероятности	f(X) = dF(X) / dX, где: F(X), X – функция распределения и значение случайной величины Х.	12
Прайса-Винстона поправка		119
Преобразование Койка		134
Прогнозирование	Значение выходной переменной Y, рассчитанное по уравнению регрессии.	61
Распределение случайной величины:	F(X) = ∙ dX	15
- нормальное		16
- Стьюдента (t -распределение)		18
- Фишера (F -распределение)		19
Регрессионная модель:
- классическая линейная		51, 69
- обобщенная		104
Регрессионный анализ		41, 42
Регрессия		42
Регрессор		42
Сверхидентифицируемость		147
Сглаживание временных рядов		126
Сезонная компонента (составляющая)		124
Система одновременных уравнений		143
Случайная величина:
- дискретная	Может принимать только определённые значения на числовой оси	9
- непрерывная	Может принимать любые значения на числовой оси	10
Спецификация модели		6, 88
Среднее квадратическое отклонение	s = , где: D(X) - дисперсия	29, 33
Стандартная ошибка		51-53, 76
Статистическое определение вероятности	P = W_n(A), где: W_n(A) = m / n; m – число появлений события А; n – общее число испытаний; W_n(A) – относительная частота события А; Р – вероятность появлений события А.	9
Стационарный временной ряд		125
Статистика Дарбина-Уотсона (DW)		116
Степени свободы		18, 55
Тест:
t -тест; F -тест		55, 59
- Дарбина-Уотсона		116
- Голдфелда-Квандта		109
- ранговой корреляции Спирмена		107
- Г. Чоу		97
Тренд временного ряда		124, 131
Уравнение
- идентифицируемое		148
- неидентифицируемое		148
- регрессионной модели		43, 68
- структурное		144
- теоретическое		42
- эмпирическое		43
Уровень значимости		36
Факторный признак		42
Фиктивная переменная		93
Функция Кобба-Дугласа		91, 92
Функция распределения случайной величины	F(X) = P(X < X_ПОРЛГ) – определяет вероятность того, что СВ Х примет значение меньшее X_ПОРЛГ. Для НСВ: F(X) = ∙ dX
Центральная предельная теорема		24
Циклическая компонента		124
Частость		9
Числовые характеристики		13
Число степеней свободы		18
Эконометрика		5
Эконометрическая модель	Математическая (статистическая) модель экономической системы.	5
Экспоненциальный закон распределения		20
Эмпирический стандарт		33
Эффективность оценки		32