Мультиколлениарность. Фиктивные переменные. Частная корреляция. Спецификация модели, исключение существенных переменных, включение несущественных переменных. Регрессионные модели с переменной структурой. Построение линейной модели по неоднородным регрессионным данным. Проблема неоднородности в регрессионном смысле данных. Фиктивные переменные. Дисперсионный анализ в регрессии. Статистика R2 .
Тема 5. Некоторые обобщения множественной регрессии
Стохастические регрессоры. Обобщенный метод наименьших квадратов (ОМНК).
Тема 6. Линейные регрессионные модели с гетероскедастичными и
Автокоррелированными остатками
Гетероскедастичность. Метод взвешенных наименьших квадратов. Коррекция на гетероскедастичность, стандартные ошибки в форме Уайта, стандартные ошибки в форме Невье-Веста. Тесты на гетероскедастичность, тест Голдфрелда-Куандта, тест Бреуша-Пагана. ОМИК. Автокорреляция ошибок. Авторегрессионный процесс первого порядка. Оценивание в модели с авторегрессией. Тесты на наличие или отсутствие корреляции по времени. Доступный ОМНК.
|
|
Тема 7. Нелинейные модели регрессии и линеаризация
Линейные модели регрессии. Линеаризация нелинейных регрессионных моделей. Нелинейные модели регрессии линеаризация. Некоторые виды нелинейных зависимостей, поддающиеся непосредственной линеаризации. Подбор линеаризующего преобразования (подход Бокса-Кокса). Производственные функции и их анализ.
Тема 8. Анализ временных рядов
Анализ временных рядов. Временной ряд и его компоненты. Характеристики временных ресурсов. Стандартные и нестандартные ряды. Автокорреляционная функция. Основные задачи анализа временных рядов. Тренды. Модели стационарных временных рядов и их идентификация. Процессы линейного фильтра, авторегрессии, скользящего среднего и соотношения между ними. Авторегрессионные модели со скользящими средними в остатках. Процесс Маркова. Процесс Юла. Уравнение Юла-Уокера. Стационарность, обратимость, автокорреляционная функция процессов скользящего среднего. Модели нестационарных временных рядов и их идентификация. Модели Бокса-Дженкинса. Процессы авторегрессии – проинтегрированного скользящего среднего. Модели рядов, содержащих сезонную компонситу. Идентификация процесса. Оценивание параметров моделей. Прогнозирование в регрессионных моделях.