Прогнозирование. Если выполняются все условия верификации, то модель является качественной

Если выполняются все условия верификации, то модель является качественной. В противном случае ее надо усовершенствовать: либо на этапе спецификации, либо варьировать выборку. По качественной модели можно прогнозировать значение зависимой переменной при заданных значениях независимых переменных. Точечный прогноз получается подстановкой заданных значений независимых переменных в уравнение регрессии. Интервальный прогноз – это интервал значений зависимой переменной, содержащий с вероятностью 0,95 истинное ее значение при заданных значениях независимых переменных. Центр интервала равен точечному прогнозу, концы интервалов получены прибавлением и вычитанием произведения стандартной ошибки прогноза на критическое значение t -статистики, т. е. Средняя стандартная ошибка прогноза S *в матричной форме имеет вид где S – стандартная ошибка регрессии; – матрица заданных для построения прогноза значений независимых переменных x 1 = p 1, x 2 = p 2; – матрица, составленная из столбца n единиц, столбца n значений переменной x 1 и столбца n значений переменной x 2 из исходных данных; индекс Т обозначает операцию транспонирования матрицы.

Так как выполняются все условия верификации, то модель является качественной, следовательно, прогноз, выполненный по ней, является качественным: несмещенным, состоятельным и эффективным. На листе «Регрессия»рассчитан точечный прогноз заработной платы, который равен 699,53. На листе «Интервальный прогноз» получен интервальный прогноз (697,38; 701,68), который означает, что с вероятностью 0,95 любое значение из этого интервала является оценкой заработной платы.

Вопросы для самоконтроля

1. Этапы построения эконометрической модели.

2. Краткая характеристика цели каждого этапа.

3. Знания из каких научных дисциплин необходимы на каждом из этапов эконометрического моделирования?

4. В чем состоит спецификация модели множественной регрессии?

5. Почему в уравнении регрессии присутствует случайная переменная?

6. Как определить силу и направленность взаимодействия факторов?

7. Что означает значимость коэффициента корреляции?

8. Как проверить на значимость коэффициент корреляции?

9. В чем суть МНК для нахождения оценок параметров регрессии?

10. Почему с помощью МНК находятся оценки параметров, а не их точные значения?

11. Какая оценка параметра называется точечной?

12. В чем суть интервальной оценки параметров?

13. Как найти интервальные оценки коэффициентов регрессии?

14. Как используются стандартные ошибки регрессии и стандартные ошибки коэффициентов регрессии при анализе оценок параметров регрессии?

15. В чем экономический смысл параметров модели регресии?

16. Как можно оценить общее качество уравнения регрессии?

17. Какова суть коэффициента детерминации, нормированного коэффициента детерминации? В каких пределах они изменяются?

18. Какова связь между коэффициентом детерминации, коэффициентом корреляции и множественным коэффициентом корреляции для множественной регрессии?

19. Для какой цели в парной регрессии используется критерий Фишера?

20. Как получить остатки для модели парной регрессии?

21. Какому условию должны удовлетворять остатки, чтобы для проверки статистических гипотез можно было использовать критерий Стьюдента?

22. Какое распределение называется нормальным? Каковы его параметры?

23. Какими способами можно проверить нормальность распределения остатков?

24. Как используется критерий согласия Пирсона для проверки гипотезы о нормальном законе распределения остатков?

25. Для чего и как проверяется значимость коэффициентов регрессии?

26. Какими свойствами должны обладать оценки параметров регрессии?

27. Основные предпосылки применения МНК для построения регрессионной модели.

28. Каковы последствия невыполнимости предпосылок применения МНК?

29. Как сформулировать теорему Гаусса–Маркова?

30. Как проверить центрированность остатков?

31. В чем суть гетероскедастичности (гомоскедастичности) остатков?

32. Каковы причины и последствия гетероскедастичности остатков?

33. Как определить гомоскедастичность остатков?

34. В чем суть автокорреляции остатков? Каковы ее последствия?

35. Как проверить гипотезу об отсутствии автокорреляции остатков с помощью критерия Дарбина–Уотсона?

36. Как проверить гипотезу об отсутствии автокорреляции остатков визуально?

37. Что характеризуют средние коэффициенты эластичности?

38. Для чего используются частные коэффициенты корреляции? Как они рассчитываются?

39. Каковы последствия мультиколлинеарности остатков?

40. Что представляет собой прогнозирование?

41. Как получить точечный прогноз зависимого фактора?

42. Как получить интервальный прогноз зависимого фактора?