URSS.ru - Издательская группа URSS. Научная и учебная литература
Об издательстве Интернет-магазин Контакты Оптовикам и библиотекам Вакансии Пишите нам
КНИГИ НА РУССКОМ ЯЗЫКЕ


 
Вернуться в: Каталог  
Обложка Бабешко Л.О. Основы эконометрического моделирования
Id: 202187
 
479 руб.

Основы эконометрического моделирования. Изд.стереотип.

URSS. 2016. 432 с. Мягкая обложка. ISBN 978-5-9710-2340-1.

 Аннотация

В настоящее пособие включены классические регрессионные модели (линейные и нелинейные), обобщенные регрессионные модели, регрессионные модели с фиктивными переменными, регрессионные модели с распределенными лагами, авторегрессионные модели, системы одновременных уравнений. Приводится подробное описание этапов построения эконометрических моделей, принципов составления спецификации, алгоритмов оценки параметров и проверки адекватности. В качестве примеров и упражнений используются известные модели макро- и микроэкономики. Рассматриваются вопросы анализа временных рядов: описание характерных особенностей ряда; подбор статистической модели, описывающей временной ряд; прогноз будущих значений ряда на основе прошлых наблюдений. Каждый раздел пособия состоит из теоретических основ, нескольких подробно разобранных примеров, упражнений для самостоятельной работы, тестов для самопроверки усвоения материала. Часть упражнений предназначена для работы с Excel.

Пособие написано на основе пятилетнего опыта преподавания дисциплин "Эконометрика" и "Эконометрическое моделирование" в Финансовой академии при Правительстве РФ и предназначено для студентов, магистрантов и аспирантов, обучающихся по специальностям финансово-экономического направления.


 Оглавление

Предисловие
1. Эконометрика и эконометрическое моделирование: основные понятия и определения
 1.1.Этапы построения эконометрических моделей и принципы спецификации
 1.2.Структурная и приведенная формы эконометрических моделей
 Упражнения к разделу 1
 Задания в тестовой форме к разделу 1
2. Парная линейная регрессионная модель
 2.1.Предпосылки модели
 2.2.Оценка параметров парной регрессии методом наименьших квадратов
 2.3.Матричная форма метода наименьших квадратов
 2.4.Геометрическая интерпретация МНК
 2.5.Статистические свойства МНК-оценок параметров парной регрессии
 2.6.Оценка дисперсии возмущений
 2.7.Доверительные интервалы параметров парной регрессии
 2.8.Проверка гипотез относительно коэффициентов парной регрессии
 2.9.Доверительные интервалы значений зависимой переменной
  2.9.1.Доверительный интервал ожидаемого значения зависимой переменной
  2.9.2.Доверительный интервал индивидуального значения зависимой переменной
 2.10.Коэффициент детерминации в парной регрессии
 2.11.F-тест качества оценивания парной регрессии
 Упражнения к разделу 2
 Задания в тестовой форме к разделу 2
3. Множественная линейная регрессионная модель
 3.1.Предпосылки модели
 3.2.Оценка параметров множественной регрессии методом наименьших квадратов. Статистические свойства оценок
 3.3.Оценка дисперсии возмущений
 3.4.Доверительные интервалы параметров множественной регрессии
 3.5.Доверительные интервалы значений зависимой переменной
  3.5.1.Доверительный интервал ожидаемого значения зависимой переменной
  3.5.2.Доверительный интервал индивидуального значения зависимой переменной
 3.6.Коэффициент детерминации в множественной регрессии
 Упражнения к разделу 3
 Задания в тестовой форме к разделу 3
4. Нарушения предпосылок классической регрессионной модели
 4.1.Автокорреляция случайного возмущения
 4.2.Гетероскедастичность случайного возмущения
 4.3.Обобщенный метод наименьших квадратов
 4.4.Модели со стохастическими регрессорами
 4.5.Инструментальные переменные
 Упражнения к разделу 4
 Задания в тестовой форме к разделу 4
5. Нелинейная регрессия
 5.1.Модели нелинейные по переменным
 5.2.Модели нелинейные по параметрам
 5.3.Алгоритм оценки параметров линеаризуемой нелинейной модели и проверка ее адекватности
 Упражнения к разделу 5
 Задания в тестовой форме к разделу 5
6. Ошибки спецификации и ошибки измерений переменных в регрессионных моделях
 6.1.Ошибка спецификации, связанная с неверным выбором уравнения регрессии
 6.2.Ошибка спецификации, связанная с исключением существенных регрессоров
 6.3.Ошибка спецификации, связанная с включением несущественных регрессоров
 6.4.Влияние ошибок измерений
  6.4.1.Ошибки в измерениях эндогенной переменной
  6.4.2.Ошибки в измерениях регрессоров
 Упражнения к разделу 6.
 Задания в тестовой форме к разделу 6
7. Проблема мультиколлинеарности в регрессионных моделях
 7.1.Последствия мультиколлинеарности
 7.2.Признаки мультиколлинеарности
 7.3.Методы устранения мультиколлинеарности
  7.3.1.Исключение переменных из модели
  7.3.2.Методы, использующие внешнюю информацию
  7.3.3.Переход к смещенным методам оценивания
 Упражнения к разделу 7
 Задания в тестовой форме к разделу 7
8. Фиктивные переменные в регрессионных моделях
 8.1.Фиктивная переменная сдвига
 8.2.Фиктивная переменная наклона
 8.3.Тест Чоу
 Упражнения к разделу 8.
 Задания в тестовой форме к разделу 8
9. Оценка моделей с распределенными лагами
 9.1.Модели с конечным числом лагов
 9.2.Модели с бесконечным числом лагов
  9.2.1.Преобразования Койка
  9.2.2.Модели адаптивных ожиданий
  9.2.3.Модели частичной корректировки
 9.3.Полиномиально распределенные лаги Алмон
 Упражнения к разделу 9
 Задания в тестовой форме к разделу 9
10. Системы одновременных уравнений
 10.1.Проблема идентификации
 10.2.Косвенный метод наименьших квадратов
 10.3.Двухшаговый метод наименьших квадратов
 10.4.Трехшаговый метод наименьших квадратов
 Упражнения к разделу 10
 Задания в тестовой форме к разделу 10
11. Анализ временных рядов
 11.1.Цели, этапы, методы и модели анализа временных рядов
 11.2.Детерминированная и случайная составляющие временного ряда
 11.3.Модели тренда
 11.4.Выбор формы кривой
 11.5.Методы выделения тренда
 11.6.Тесты на наличие (отсутствие) тренда
 11.7.Выделение сезонной составляющей
 Упражнения к разделу 11
 Задания в тестовой форме к разделу 11
12. Стохастические процессы, используемые при моделировании случайной составляющей временного ряда
 12.1.Общая стохастическая линейная модель (ОЛМ)
 12.2.Модели стационарных временных рядов с конечным числом параметров
  12.2.1.Модель авторегрессии AP(p)(AR(p) Auto-Regressive)
  12.2.2.Модель скользящего среднего СС(q)
  12.2.3.Смешанные модели авторегрессии -- скользящего среднего АРСС (р, q)
 12.3.Модели нестационарных временных рядов с конечным числом параметров
 Упражнения к разделу 12
 Задания в тестовой форме к разделу 12
Приложение 1. Нелинейный метод наименьших квадратов
Приложение 2. Границы интервала (d1, du) критических значений DWкр статистики Дарбина-Уотсона при уровне значимости a = 0,05
Литература

 Предисловие

Предлагаемое учебное пособие посвящено основам эконометрического моделирования. Под эконометрическим моделированием понимается процесс построения, изучения и применения эконометрических моделей.

В пособие включены классические регрессионные модели (линейные и нелинейные), обобщенные регрессионные модели, регрессионные модели с фиктивными переменными, регрессионные модели с распределенными лагами, авторегрессионные модели, модели временны'х рядов.

Подробно изучаются этапы построения эконометрических моделей. Рассматриваются проблемы спецификации моделей, связанные как с формулировкой исходных предпосылок относительно случайных возмущений и стохастических регрессоров, так и с выбором списка экономических переменных исследуемого экономического объекта. Уделяется внимание проблеме мультиколлинеарности (частичной и полной), которая возникает при включении в спецификацию модели коррелированных регрессоров. Излагаются различные аспекты мультиколлинеарности: последствия, инструменты обнаружения, методы устранения. Рассматриваются примеры моделирования производственных процессов на макроэкономическом и микроэкономическом уровнях с учетом проблем мультиколлинеарности экономических факторов.

На этапе оценивания параметров модели уделяется внимание как методам проверки ее статистического качества, так и методам, учитывающим нарушение предпосылок Гаусса--Маркова.

В пособие включен раздел моделирования экономических процессов с переменной структурой. Проверка наличия структурных изменений в выборочных данных выполняется при помощи теста Чоу. Однако более информативным является использование фиктивных переменных, так как их анализ позволяет не только установить наличие или отсутствие структурных изменений, но и оценить степень влияния как фиктивных, так и количественных регрессоров на эндогенную переменную, оценить качество регрессии в целом. Потребность использования фиктивных переменных возникает и тогда, когда для повышения качества модели необходимо оценить влияние качественных переменных на эндогенную переменную. Например, при оценке спроса на некоторый товар в качестве количественных регрессоров модели используются цены и доход потребителя. Одним из способов уточнения данной модели может послужить включение таких качественных переменных, как вкус потребителя, возраст, национальные особенности, сезонность и т.д. Эти показатели нельзя представить в численном виде. Поэтому возникает задача отражения их влияния на значения эндогенной переменной, которая решается при помощи фиктивных переменных. В пособии рассматриваются фиктивные переменные сдвига и наклона. Приводятся примеры использования фиктивных переменных в эконометрическом моделировании распределительных отношений в обществе, сценариев социально-экономического развития страны, в моделировании финансово-экономического состояния фирмы.

Эконометрические модели, включающие лаговые переменные, относятся к классу динамических моделей, учитывающих фактор времени. В эконометрике динамические модели подразделяют на два типа:

  • модели с распределенными лагами -- модели, включающие в качестве лаговых объясняющих переменных регрессоры;
  • авторегрессионные модели -- модели, включающие в качестве лаговых объясняющих переменных зависимые переменные.
  • В пособии рассматриваются методы оценивания моделей с распределенными лагами, как с конечным, так и с бесконечным числом лагов. В качестве примеров использования преобразования Койка, применяемого при оценке моделей с бесконечным числом лагов, приводятся модели адаптивных ожиданий.

    Для описания сложных экономических систем, включающих несколько экономических объектов, как правило, используются не отдельные уравнения, а системы уравнений. Системы могут включать как тождества, так и регрессионные уравнения. Отдельные регрессионные уравнения системы в качестве предопределенных переменных могут включать как объясняющие переменные (регрессоры), так и объясняемые переменные (эндогенные) из других уравнений системы. Поэтому такие системы получили название систем одновременных уравнений (СОУ). При оценке параметров систем одновременных уравнений приходится сталкиваться с рядом проблем. В предлагаемом пособии рассматриваются проблемы идентификации систем одновременных уравнений, а также методы оценивания параметров моделей, описываемых СОУ.

    Анализ временных рядов -- одна из составных частей эконометрики. Под временным рядом понимается последовательность значений некоторого протекающего во времени процесса. Примерами временных рядов могут быть финансовые индексы, ежедневные курсы валют, котировки акций, годовые объемы продаж, квартальные объемы производства, деловая активность и т.д., т.е. переменные, значения которых изменяются со временем.

    В пособии рассматриваются следующие вопросы анализа временных рядов: описание характерных особенностей ряда; подбор статистической модели, описывающей временной ряд; прогноз будущих значений ряда на основе прошлых наблюдений.

    При решении задачи сглаживания уровней временного ряда основной проблемой является выбор формы кривой, которая на практике решается в рамках эмпирического подхода. Однако окончательное решение о выборе той или иной аналитической модели тренда остается за содержательным анализом. В пособии рассматриваются следующие подходы для определения формы кривой: графический метод; метод последовательных разностей, используемый при выборе кривых полиномиального типа; метод характеристик прироста, основанный на сравнении характеристик изменения приростов уровней временного ряда с соответствующими характеристиками выбранной кривой.

    Предварительным этапом выделения тренда из данных временного ряда является проверка гипотезы о существовании тенденции в исследуемом процессе. В предлагаемом пособии рассматриваются два метода, дающие наиболее надежные результаты -- это метод разности средних уровней и метод Фостера--Стюарта.

    Формы спецификации моделей временных рядов, как правило, включают сезонную составляющую (аддитивно или мультипликативно). Сезонная составляющая приводит к периодическим колебаниям уровней ряда с некоторым периодом. Одна из задач анализа временного ряда -- выделение сезонных составляющих и оценка их значимости. Наиболее простым методом решения данной задачи является метод, основанный на вычислении индексов сезонности. Алгоритм данного метода и излагается в пособии.

    Для описания случайной составляющей временного ряда (полученной после выделения из ряда его детерминированной компоненты и сезонной составляющей) используются стохастические модели, в частности, модели стационарных случайных процессов с дискретным временем.

    Линейные стохастические модели, разработанные Дж.Боксом и Г.Дженкинсом -- ARIMA(p, d, q) (модели авторегрессии проинтегрированного скользящего среднего порядков: p -- авторегрессии, d -- "интегрирования", q -- скользящего среднего) -- широко используются в современных пакетах прикладных программ (например, в системе Statistica -- фирма производитель StatSoft Inc, USA). Поэтому методы идентификации и оценивания параметров данных моделей описаны в учебном пособии.

    Модели ARMA(p, q) обобщают стационарные линейные модели авторегрессии и скользящего среднего. Однако далеко не все временные "эконометрические" ряды стационарные. Наличие трендовой составляющей обычно определяет "нестационарный" характер в общих моделях. Модели ARIMA(p, d, q) обобщают как стационарные линейные стохастические модели, так и нестационарные модели, в которых нестационарность является однородной, т.е. случайная составляющая, полученная после удаления детерминированного тренда из уровней временного ряда, представляет собой стационарный (в широком смысле) временной ряд.

    Линейные модели, даже с небольшим числом параметров, достаточно точно аппроксимируют широкий класс стохастических процессов.

    Пособие включает двенадцать разделов. Каждый раздел состоит из теоретических основ, нескольких подробно разобранных примеров, упражнений для самостоятельной работы, тестов для самопроверки усвоения материала. Часть упражнений предназначена для работы с Excel.

    Пособие предназначено для студентов экономических специальностей, которые уже прослушали базовые курсы по высшей математике, теории вероятностей, математической статистике, экономико-математическому моделированию, информационным технологиям в экономике (знакомы с системами управления базами данных, электронной таблицей EXCEL). Его можно использовать также при изучении соответствующих курсов в магистратуре и в аспирантуре.


     Об авторе

    Бабешко Людмила Олеговна
    Доктор экономических наук, профессор кафедры математического моделирования экономических процессов Финансовой академии при Правительстве Российской Федерации. Автор более 50 научных и учебно-методических работ, опубликованных в российских научных журналах. Основные научные результаты получены в области аппроксимации функций, коллокационных моделей прогнозирования, теории массового обслуживания. Автор двух монографий: «Прогнозирование финансовых индексов по данным временных рядов» (1999), «Коллокационные модели прогнозирования и их применение в финансовой сфере» (2001); а также учебника и учебных пособий, рекомендованных Министерством общего и профессионального образования Российской Федерации для студентов, обучающихся по экономическим специальностям: «Основы финансового анализа рынка ценных бумаг» (1997; соавт.), «Теория массового обслуживания в экономической сфере» (1998; соавт.), «Регрессионные модели финансового анализа» (2000), «Игровые методы в управлении экономикой и бизнесом» (2001; соавт.), «Экономико-математическое моделирование» (2004; соавт.).
     
    © URSS 2016.

    Информация о Продавце