Программа дисциплины по кафедре "Экономическая кибернетика" эконометрическое моделирование

Вид материала

Содержание

Подобный материал:

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

Государственное образовательное учреждение высшего профессионального образования

Тихоокеанский государственный университет

Утверждаю

Проректор по учебной работе

______________ С.В. Шалобанов

“_____” ________________200_ г.

Программа дисциплины

по кафедре "Экономическая кибернетика"

ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ

Утверждена научно-методическим советом университета для направлений подготовки (специальностей) в области экономики и управления

Специальность: 080116.65 «Математические методы в экономике»

Хабаровск 2007 г.

Программа разработана в соответствии с требованиями государственного образовательного стандарта, предъявляемыми к минимуму содержания дисциплины и в соответствии с примерной программой дисциплины, утвержденной департаментом образовательных программ и стандартов профессионального образования с учетом особенностей региона и условий организации учебного процесса Тихоокеанского государственного технического университета.

Программу составил (и)

	Порошина Л.А.	Старший преподаватель, кафедра «Экономическая кибернетика»


	Ф.И.О. автора (ов)	Ученая степень, звание, кафедра

Программа рассмотрена и утверждена на заседании кафедры протокол № ______ от «____»__________________ 200_г
Завкафедрой__________«__»______ 200_г			________________
Подпись дата			Ф.И.О.

Программа рассмотрена и утверждена на заседании УМК и рекомендована к изданию протокол № ______ от «____»_____________ 200_г
Председатель УМК _______«__»_______ 200_г				_________________
Подпись дата				Ф.И.О.

Директор института _______«__»_______ 200_г	__________________
(декан факультета) Подпись дата	Ф.И.О.

ЦЕЛИ И ЗАДАЧА ДИСЦИПЛИНЫ

Цель преподавания дисциплины сводится к расширению знаний студентов в области эконометрических методов, использования практических эконометрических методов и моделей в конкретных областях и разделах экономических исследований на основе использования современных статистических и эконометрических методов и вычислительной техники. Особенностью курса является большое внимание, уделяемое практике эконометрического анализа. Наряду с вопросами практического применения методов эконометрики студенты расширяют свои знания в области ряда специальных методов эконометрического анализа.

Задачи курса:

научиться строить экономические модели и оценивать их параметры;
научиться проверять гипотезы о свойствах экономических показателей и формах их связи;
освоить методы корреляционного, дисперсионного, регрессионного, последовательного, факторного анализа, применяемых для построения различных эконометрических моделей;
научиться использовать результаты экономического анализа для прогноза и принятия обоснования экономических решений.

ТРЕБОВАНИЯ К УРОВНЮ ОСВОЕНИЯ СОДЕРЖАНИЯ ДИСЦИПЛИНЫ

«Эконометрическое моделирование» является продолжением дисциплины "Эконометрика" и некоторыми своими разделами смежна с такими дисциплинами, как "Экономико-математические модели и методы". Базовыми для курса "Эконометрика" являются дисциплины экономического цикла, такие, как "Микроэкономика", "Макроэкономика". Математической основой курса являются дисциплины "Теория вероятностей", "Математическая статистика".

В процессе изучения дисциплины студент должен прослушать в полном объеме курс лекций, выполнить все лабораторные занятия. Рекомендуется при изучении дисциплины "Эконометрическое моделирование" использовать примеры из предшествующих курсов, проводить заимствования и аналогии с ранее изученным, использовать приобретенные теоретические и практические знания для анализа реальных экономических ситуаций.

После изучения дисциплины студент должен осуществлять профессиональную деятельность и уметь решать задачи, соответствующие его квалификации, указанной в государственном образовательном стандарте.

Студент должен:

обладать компетентностью, определяемой как совокупность теоретических и практических навыков, полученных при освоении дисциплины;
знать основные понятия и определения дисциплины «Эконометрическое моделирование», уметь доказывать элементарные утверждения, выводимые из определений и исходных предположений;
уметь и иметь опыт систематизации и обработки экономической информации; применения эконометрических методов исследования; построения и анализа эконометрических моделей.

Знания, приобретенные при изучении "Эконометрического моделирования", могут найти применение при выполнении творческих индивидуальных заданий, курсовом и дипломном проектировании.

ОБЪЕМ ДИСЦИПЛИНЫ И ВИДЫ УЧЕБНОЙ РАБОТЫ

Таблица 1. Объем дисциплины и виды учебной работы

Наименование	По учебным планам (УП)
Наименование	с максимальной трудоёмкостью	с минимальной трудоёмкостью
Общая трудоёмкость дисциплины по ГОС по УП	120 152
Изучается в семестрах	6
Вид итогового контроля по семестрам зачёт экзамен курсовой проект (КП) курсовая работа (КР) расчётно-графическая работа (РГР) реферат (РФ) домашние задания (ДЗ)	6 6
Аудиторные занятия по семестрам Всего лекции (Л) лабораторные занятия (ЛР) практические занятия (ПЗ) факультативные занятия (Ф)	84
	84
	34 34 16 16
Самостоятельная работа Общий объем часов (С₂) В т.ч. на подготовку к лекциям на подготовку к лабораторным занятиям на подготовку к практическим занятиям на выполнение КР на выполнение РГР на написание РФ на выполнение ДЗ	6
	68
	22 22 24

4. СОДЕРЖАНИЕ ДИСЦИПЛИНЫ

4.1. Разделы дисциплины и виды занятий и работ

Таблица 2. Разделы дисциплины и виды занятий и работ

№	Раздел дисциплины	Л	ЛР	ПЗ	С2
1	Методологические основы курса	1			2
2	Робастное оценивание переменных	2		4	10
3	Анализ рядов динамики	8	16	4	15
4	Эконометрические модели	6	8	3	14
5	Стационарные временные ряды	3	4	2	5
6	Динамические временные ряды	9	4	2	6
7	ARIMA-модели. GARH-модели	5	2	2	16

Содержание разделов дисциплин

4.2.1. Методологические основы курса.

Предмет эконометрического моделирования. Основные математические предпосылки эконометрического моделирования.

4.2.2. Робастное оценивание переменных.

Грубые ошибки и методы их выявления в статистической совокупности данных, критерий Грабса, критерий Титьена-Мура; методы исчисления устойчивых статистических оценок (Пуанкаре, Винзора, Хубера).

4.2.3. Анализ рядов динамики.

Проверка уровней ряда динамики на аномальность (метод Ирвина); определение наличия тренда (метод проверки разностей средних уровней, метод Фостера-Стюарта, критерий серий, критерий «восходящих и нисходящих» серий); сглаживание ряда динамики (аналитическое и механическое выравнивание). Итерационные методы фильтрации компонент: укрупненный анализ сезонной волны, анализ эволюции сезонной волны, метод Четверикова, метод Шискина-Эйзенпресса. Использование метода экстраполяции на основе кривых роста; свойства полиномиальных кривых роста; обоснование выбора кривых роста.

4.2.4. Эконометрические модели.

Эконометрические модели с коррелирующими ошибками; эконометрические модели с гетероскедастичными ошибками; метод инструментальных переменных. Рекурентные методы оценки параметров эконометрических моделей; метод главных компонент; методы оценки коэффициентов моделей с лаговыми независимыми переменными.

4.2.5. Стационарные временные ряды.

Понятие стационарных рядов динамики; параметрические тесты стационарности (использование критериев Стьюдента и Фишера); непараметрические тесты стационарности (тест Манна-Уитни; тест Сиджела-Тьюки; сериальные критерии стационарности).

4.2.6. Динамические временные ряды.

Модель авторегрессии первого порядка; модель авторегрессии второго порядка; автокорреляционная функция моделей авторегрессии; модели скользящего среднего; модели авторегрессии-скользящего среднего. Модели распределенных лагов (оценивание; модель полиномиальных лагов; модель геометрических лагов). Модель частичного приспособления; модель адаптивных ожиданий; модель коррекции ошибок.

4.2.7. ARIMA-модели. GARH-модели.

Тренд, сезонность и взятие разности; проверка на стационарность; ARMA-модели; ARIMA-модели. Основные понятия относительно GARH-моделей; способы тестирования на автокорреляцию остатков.

5. ПРАКТИЧЕСКИЕ ЗАНЯТИЯ

Таблица 3. Практические занятия

№	№ раздела дисциплины	Наименование тем
1	2	Оценка параметров выборочной совокупности с помощью оценок Пуанкаре, Винзора и метода Хубера.
2	2	Робастное статистическое оценивание на основе критериев Граббса, Титьена-Мура.
3	3	Предварительный анализ ряда динамики на анамальность и наличие тренда
4	3	Сглаживание рядов динамики
5	3	Фильтрация ряда динамики
6	3	Моделирование на основе кривых роста
7	4	Эконометрические модели на микро- и макроуровне
8	5	Использование теста Гранжера на причинно-следственную зависимость
9	6	Построение модели частичного приспособления
10	6	Построение модели адаптивных ожиданий
11	6	Построение модели коррекции ошибок

Краткие характеристики практических занятий.

Оценка параметров выборочной совокупности с помощью оценок Пуанкаре, Винзора и метода Хубера.

Задание. Анализ статистической совокупности на качественную однородность.

Исполнение. Решение задач по теме «Робастное оценивание».

Оценка. Формирует необходимые представления о применимости того или иного статистического инструментария к заданному классу задач.

Время выполнения заданий: 2 часа.

Робастное статистическое оценивание на основе критериев Граббса, Титьена-Мура.

Задание. Робастное статистическое оценивание.

Исполнение. Решение задач по теме «Робастное оценивание».

Оценка. Формирует навыки оценки грубых ошибок в рядах распределения..

Время выполнения задания: 2 часа.

Предварительный анализ ряда динамики на анамальность и наличие тренда.

Задание. Определение аномальных уровней и наличие тренда.

Исполнение: Решение задачи. Проверка уровней на анамальность с использованием критерия Ирвина. Использование различных критериев для оценки тренда. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях предварительного анализа рядов динамики.

Время выполнения заданий: 1 час.

Сглаживание рядов динамики.

Задание. Сглаживание рядов динамики.

Исполнение: решение задачи. Использование метода скользящих средних и экспоненциального сглаживания.

Оценка. Возможность использования сглаживания временных рядов для исключения тенденции и цикличности.

Время выполнения заданий: 1час.

Фильтрация ряда динамики.

Задание. Используя методы Четверикова и Шискина-Эйзенпресса провести фильтрацию ряда динамики.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях использования рассматриваемых методов в экономическом анализе.

Время выполнения заданий: 1 час.

Моделирование на основе кривых роста.

Задание. Обоснование выбора вида модели тренда. Посторонние и оценка модели.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях использования кривых роста в экономическом анализе.

Время выполнения заданий: 1 час.

Эконометрические модели на микро- и макроуровне.

Задание. Постороение эконометрических моделей.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях практического использования эконометрических моделей.

Время выполнения заданий: 3 часа.

Построение модели частичного приспособления.

Задание. Посторонние модели.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях практического использования эконометрических моделей.

Время выполнения заданий: 2 часа.

Построение модели адаптивных ожиданий.

Задание. Посторонние модели.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях практического использования эконометрических моделей.

Время выполнения заданий: 2 часа.

Построение модели коррекции ошибок.

Задание. Посторонние модели.

Исполнение: решение задачи. Интерпретация результатов решения.

Оценка. Формирует необходимые представления о возможностях практического использования эконометрических моделей.

Время выполнения заданий: 2 часа.

6. ЛАБОРАТОРНЫЕ РАБОТЫ

Таблица 4. Лабораторные занятия

№ п/п	Наименование лабораторных работ	Кол-во часов
1	Определение описательной статистики в EXCEL	2
2	Построение линейных и нелинейных моделей в EXCEL	2
3	Анализ предпосылок МНК	2
4	Построение множественной регрессии в ППП STATISTICA	4
5	Анализ факторов и резервов роста показателей с помощью пакета STATGRAPHICS	2
6	Нелинейная регрессия в пакете STATGRAPHICS	4
7	Модели с распределенным лагом в пакета STATGRAPHICS	3
8	Тестирование ряда на постоянство математического ожидания и дисперсии с помощью параметрических инепараметрических тестов: Стьюдента, Фишера, Манна-уитни, Вальда-Вольфовитца; Сиджела-Тьюки в ППП STATISTICA	3
9	Непараметрические методы оценки силы тесноты связи в ППП STATISTICA	2
10	Анализ факторов и резервов роста показателей с помощью пакета STATGRAPHICS	4
11	Построение автокорреляционной функции; проверка на адекватность модели АРСС (1,0,1) и АРСС (1,1,1)	4
12	Построение ARIMA-моделей в ППП STATISTICA	2

7. КОНТРОЛЬ ЗНАНИЙ СТУДЕНТА

7.1. Входной контроль

Входной контроль осуществляется в форме контрольного задания по разделам дисциплины базового курса «Эконометрика».

7.2. Тематика текущего контроля

Текущий контроль знаний осуществляется в процессе выполнения практических заданий путём индивидуального и группового опроса, собеседования и тестового контроля; защиты лабораторных работ. Результаты текущего контроля знаний учитываются при промежуточной аттестации и зачёте.

7.3. Выходной контроль

Выходной контроль осуществляется в форме зачёта и экзамена по дисциплине.

В программу зачёта по дисциплине включены следующие вопросы:

Содержание эконометрического метода.
Общее понятие эконометрической модели.
Виды эконометрических моделей.
Сущность робастного оценивания.
Методы робастного оценивания.
Анализ временных рядов. Особенности. Основные факторы, под влиянием которых формируется временной ряд.
Определение наличия тренда.
Основные характеристики временного ряда. Автоковариационная, автокорреляционная, частная автокорреляционная функции.
Проверка гипотезы о неизменности среднего. Критерии серий. Критерий Аббе.
Сглаживание временного ряда. Методы аналитического типа.
Сглаживание временного ряда. Методы алгоритмического типа.
Подбор порядка аппроксимирующего полинома с помощью метода последовательных разностей.
Суть проверки статистических гипотез.
Устранение сезонной компоненты.
Модель авторегрессии AR(p). Идентификация.
Модель скользящего среднего MA(q). Идентификация.
Авторегрессионные модели со скользящими средними в остатках ARMA(p,q). Идентификация.
Модель авторегресии – проинтегрированного скользящего среднего ARIMA(p,q,k). Идентификация.
Операторы F+, F- сдвига во времени. Проблема перепараметризации.
Прогнозирование на базе ARIMA-модели.
Адаптивные методы прогнозирования.
Регрессионные модели с распределенными лагами. Полиномиальная лаговая структура.
Идентификация рекурсивных систем линейных одновременных уравнений.
Математическое моделирование. Метод Монте-Карло. Бутстреп-метод.
Модели частичного приспособления.
Модели адаптивных ожиданий.
Модели коррекции ошибок.

Итоговый контроль знаний – экзамен.

Примерные варианты заданий на экзамен.

Вариант 1

1. Изложите алгоритм использования критерия Ирвина.

2. Распределение молодых сельских механизаторов области по выполнению норм выработки характеризуется следующими данными:

Механизаторы	Выполняющие и перевыполняющие нормы выработки	Не выполняющие нормы выработки
Окончившие ПТУ	302	58
Не имеющие специального образования	103	77

Вычислите коэффициенты ассоциации и коинтеграции. Какие выводы можно сделать на основе полученных коэфиициентов?

3. Коэффициент вариации равен 25 %. Это значит:

а) исходные данные неоднородные;

б) исходные данные однородные;

в) исходные данные подчинены нормальному закону распределения;

г) исходные данные необходимо преобразовать.

4. Рассматривается зависимость стоимости основных фондов (у, тыс. руб.) от объемов выпускаемой продукции. В результате получен отчет:

Какие выводы можно сделать на основе полученного отчета?

5. Дисперсионный анализ уравнения парной регрессии проверяет:

а) значимость коэффициента корреляции;

б) значимость уравнения регрессии;

в) значимость коэффициента регрессии;

г) значимость свободного члена уравнения регрессии.

6. В чем заключается предварительный анализ рядов динамики?

Вариант 2

1. Метод проверки разностей средних уровней.

2. 15%-ое выборочное обследование выполнения норм выработки рабочими при производстве продукции на заводе. В результате пропорционального типического отбора из групп рабочих, прошедших и не прошедших дополнительное обучение, получены следующие данные о распределении выборочной совокупности по уровню выполнения норм выработки за смену.

Группы рабочих по квалификации	Выполнение норм выработки, %
Группы рабочих по квалификации	до 90	90-100	100-110	110-120	120-130	130-140	140-150	150-160	Итого
1. Прошедшие дополнительное обучение	-	1	3	5	10	15	16	10	60
2. Не прошедшие дополнительное обучение	1	3	23	7	8	3	-	-	45
Сумма	1	4	26	12	18	18	16	10	105

В группах производилась собственно-случайная бесповторная выборка. Определите с вероятностью 0,954 (t=2) предел, в котором находится доля рабочих, перевыполняющих нормы выработки.

При проверке статистических гипотез уровень значимости – это:

а) вероятность ошибки первого рода;

б) надежность оценки;

в) вероятность попадания в область принятия гипотезы;

г) вероятность попадания в критическую область.

Имеются данные (n=21, y – потребление, тыс. руб., х – доходы, тыс. руб.). В результате получен следующий анализ:

Выписать уравнение регрессии и провести полный анализ его точности.

При анализе матрицы парных коэффициентов корреляции получили, что p-value для равна 0,15. Это означает, что:

а) переменная х₂ слабо влияет на изменение у;

б) переменные х₂ и у независимы;

в) переменную х₂ следует включить в регрессию:

г) переменную х₂ не следует включать в регрессию.

6. Что понимается под фильтрацией ряда динамики?

Вариант 3

Алгоритм использования метода Фостера-Стюарта.
Определите тесноту связи с помощью коэффициентов знаков Фехнера между урожайностью картофеля и количеством внесенных удобрений по следующим данным:

№	Урожайность, ц/га	Внесено минеральных удобрений на 1 га, кг	№	Урожайность, ц/га	Внесено минеральных удобрений на 1 га, кг
1	128	140	6	183	197
2	179	262	7	201	246
3	221	289	8	195	276
4	136	191	9	141	187
5	164	202	10	192	253

При проверке статистических гипотез уровень значимости – это:

Имеются данные (n=21, y – потребление, тыс. руб., х – доходы, тыс. руб.). В результате получен следующий анализ:

Проверьте равенства:

и прокомментируйте их смысл.

Мультиколлинеарность нежелательна при проведении регрессионного анализа потому, что:

а) вызывает автокорреляцию в остатках;

б) искажает смысл коэффициентов регрессии;

в) нарушает предпосылки МНК;

г) нарушает гомоскедастичность остатков.

6. Перечислите методы сглаживания ряда динамики.

8 УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

Список рекомендуемой литературы:

Айвазян С.А., Мхитарян В.С. Прикладная статистика и основы эконометрики: Учебник. – М.: ЮНИТИ, 1998.
Боровиков В.П. и др. Прогнозирование в системе STATISTICA® в среде Windows. – М.: Финансы и статистика, 1999
Бородич С.А. Эконометрика. – М.: Новое знание, 2001.
Грицан В.Н. Эконометрика. – М.: Издательско-торговая корпорация “Дашков и К”, 2002.
О.Винн, К. Холден. Введение в прикладной эконометрический анализ. М. “Финансы и статистика”, 1981.
Дорохина Е.Ю., Преснякова Л.Ф., Тихомиров Н.П. сборник задач по эконометрике. – М.: Экзамен, 2000.
Доугерти К. Введение в эконометрику. М.: Инфа – М.: 1999.
Дуброва Т.А. Статистические методы прогнозирования в экономике: Учебное пособие. – М.: МЭСИ, 2002. – 52 с.
Ежеманская С.Н. Эконометрика.– Ростов н/Д: Феникс, 2003.– 160 с.
Катышев П.К., Магнус Я.Р., Пересецкий А.А. Сборник задач по начальному курсу эконометрики. – М.: Дело, 2001.
Кремер Н.Ш., Путко Б.А. Эконометрика: Учебник. – М.: ЮНИТИ-ДАНА, 2002.
Магнус Я.Р., Катышев Л.К., Пересецкий А.А., Эконометрика начальный курс. – М.: Дело, 2001.
Мардас А.Н. Эконометрика. – СПб.: Питер, 2001.
Маленво Э. Статистические методы эконометрии.– М.: Статистика, 1975.– 423 с.
Образцова О.Н., Назарова О.В., Канторович Г.Г. Экономическая статистика. Эконометрика. Методические материалы. – М.: ГУ – ВШЭ, 2000.
Орлов А.И. Эконометрика: Учеб. пособ.. – М.: Из-во «Экзамен»,2002.
Попов Л.А. Анализ и моделирование трудовых показателей: Учебние. – М.: Финансы и статистика, 1999.
Практикум по эконометрике: Учеб. Пособие/ под. ред И.И. Елисеевой. – М.: Финансы и статистика, 2001.
Практикум по курсу «Статистика» (в системе е STATISTICA). Салин В.Н., Чурилова Э.Ю. М.: «ИД «Социальные отношения», 2002
Практикум по эконометрике. Под ред. Елисеевой И.И. – М.: Финансы и статистика, 2001.
Суслов В.И., Ибрагимов Н.М., Талышева Л.П., Цыплаков А.А. Эконометрия. – Новосибирск: изд-во НГУ. – 2003.
Хачатрян С.Р. Прикладные методы математического моделирования экономических систем. – М.: Издательство «Экзамен», 2002.
Четыркин Е.М. Статистические методы прогнозирования. – М.:Статистика, 1977.
Эконометрика: Учебник/Под. ред И.И. Елисеевой – М.: Финансы и статистика, 2001.

9 ПЕРЕЧЕНЬ ОБУЧАЮЩИХ И КОНТРОЛИРУЮЩИХ ПРОГРАММ

Для выполнения лабораторных заданий по эконометрическому анализу статистических данных наиболее предпочтительным является использование ППП Statistica, Eviews и Statgraphics, в которых реализованы все основные статистические процедуры, излагаемые в данном курсе эконометрики, графические и формальные. В меню пакетов дается подробное теоретическое описание реализуемых статистических процедур, детально объясняется, каким образом их можно выполнить технически. Это представляет студенту дополнительную возможность изучения эконометрических методов и дает ему возможность самоконтроля путем непосредственного обращения к соответствующим описаниям.

10 МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

Для освоения данной дисциплины необходима лаборатория, оснащенная локальной вычислительной сетью с установленным компьютерным обеспечением. В качестве рабочих станций целесообразно иметь персональные компьютеры с процессором не ниже Pentium и оперативной памятью не менее 32 Mб.

11 МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО ОРГАНИЗАЦИИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ

На основании программы разрабатываются рабочие учебные программы дисциплины с учетом фактического количества часов, отведенных на ее изучение. Исходя из этого, в рабочей программе отдельные разделы программы могут быть либо усилены, либо сокращены, либо опущены.

Знания и навыки, полученные при изучении данного курса, широко применяются студентами в дипломном проектировании.

Программа составлена в соответствии с государственными образовательными стандартами высшего профессионального образования.

12 СЛОВАРЬ ТЕРМИНОВ

Автокорреляция. Автокорреляция имеет место, когда значения последовательных наблюдений, следующих друг за другом во времени, связаны между собой.

Аппроксимация – приближенное выражение математических объектов через более простые объекты, например, сведение задачи выпуклого программирования к кусочно-линейной задаче путем аппроксимации целевой функции и ограничений кусочно-линейными функциями.

Автокорреляция – корреляция между величиной и ее запаздыванием на один и более периодов времени.

Биноминальное распределение – это распределение дискретной случайной величины, значения которой равны Х успехам в n испытаниях результата биноминального эксперимента.

Временной ряд – это ряд, состоящий из данных, зафиксированных или наблюдаемых в течение последовательных промежутков времени.

Выборочное распределение – это ряд всех возможных значений выборочной статистики, который может быть получен из генеральной совокупности для выборки данного объёма.

Интервальная оценка – это числовой интервал, в котором, вероятно, находится некоторый параметр генеральной совокупности.

Корреляционный анализ изучает взаимосвязи, между переменными.

Коррелограмма – это график коэффициентов автокорреляции для различных значений временного лага.

Кросс-секционные данные – это наблюдения, произведенные в один тот же момент времени.

Коэффициент детерминации – измеряет процент изменчивости У, которая может быть объяснена информацией об изменчивости независимой переменной Х.

Коэффициент корреляции определяет тесноту связи.

Коэффициент регрессии измеряет среднее изменение зависимой переменной при единичном изменении соответствующей независимой переменной, если остальные независимые переменные постоянны.

Метод наименьших квадратов. Этот метод используется для получения уравнения регрессии, минимизирующей сумму квадратов отклонений фактических значений результативного признака от теоретических.

Методология Бокса-Дженкинса опирается на ряд процедур идентификации, корректировки и проверки моделей ARIMA с целью анализа данных временных рядов. Прогноз вытекает непосредственно из подобранной модели.

Многомерная регрессия использует более чем одну независимую переменную для прогноза значений зависимой переменной.

Модель авторегрессии. Это модель, в которой значение прогноза находится как функция от предыдущих значений временных рядов.

Мультиколлинеарность – это ситуация, при которой независимые переменные в многомерном уравнении регрессии сильно коррелируют между собой.

Нормальное распределение. Диаграмма нормального распределения имеет форму колокола и определяется математическим ожиданием и среднеквадратичеким отклонением.

Ошибка прогноза. Представляет собой разность между действительно наблюдаемым значением и его прогнозом.

Пошаговая регрессия – это процедура выбора «лучшей» функции регрессии посредством добавления или удаления отдельных независимых переменных на разных этапах анализа.

Простое среднее. Вычисляется как среднее значение для всего набора участвующих в расчетах данных, которое затем принимается для построения прогноза на следующий период.

Регрессионный анализ обеспечивает подбор уравнения по серии исходных данных.

Сезонная компонента. Это модель изменения данных, повторяющаяся из года в год.

Скользящее среднее. Вычисляется как среднее значение для определенного количества элементов данных, которое затем применяется для построения прогноза на следующий период или для сглаживания ряда динамики.

Среднеквадратическое отклонение характеризует разброс значений случайной величины.

Стандартная ошибка оценивания. Измеряет величину, на которую имеющиеся значения У отличаются от их оценок

. Она равна оценке стандартного отклонения слагаемого ошибки

в модели простой линейной регрессии.

Стационарный ряд – это временной ряд данных, основные статистические характеристики которого, такие как среднее значение и дисперсия, остаются постоянными во времени.

Степени свободы. Степени свободы для набора данных определяют количество единиц данных, независимых друг от друга, т.е. таких, которые могут являться носителями отдельных единиц информации.

Точечная оценка. Это единичная оценка параметра генеральной совокупности.

Тренд – это долгосрочная компонента, представляющая возрастание или убывание значений временного ряда в течение продолжительного промежутка времени.

Фиктивные переменные – переменные, используемые для определения взаимосвязи между качественными независимыми переменными и зависимой переменной.

Циклическая компоненита – это волнообразная флуктуация значений данных вокруг линии тренда.

Эконометрия – наука, изучающая конкретные количественные закономерности и взаимосвязи экономических объектов и процессов с помощью математических методов и моделей.

Экспоненциальное сглаживание - это процедура для постоянного пересмотра прогнозов в свете наиболее свежих поступающих данных.

Экстраполяция тенденций – прогнозирование временных рядов.

Blog

Программа дисциплины по кафедре "Экономическая кибернетика" эконометрическое моделирование

Содержание

Ученая степень, звание, кафедра

Наименование лабораторных работ