Пособие состоит из двух самостоятельных разделов

1   ...   14   15   16   17   18   19   20   21   22

Использованная литература

• Дрейпер, Н., Смит, Г. Прикладной регрессионный анализ: В 2-х кн. — М: Финансы и статистика, 1986.
  
• Песаран, М., Слейтер, Л. Динамическая регрессия: теория и алгоритмы. — М: Финансы и статистика, 1984.
  
• Статистические методы в экспериментальной физике. — М: Атомиздат, 1976.
  
• Amemiya, T. “Selection of Regressors,” International Economic Review, 21 (1980), 331-354.
  
• Beggs, J.J. “Diagnostic Testing in Applied Econometrics,” Economic Record, 64 (1988), 81-101.
  
• Bera A.K., C.M. Jarque, and L.-F. Lee. “Testing the Normality Assumption in Limited Dependent Variable Models,” International Economic review, 25 (1984), 563-578.
  
• Bollerslev, T. “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, 31 (1986), 307-327.
  
• Cramer, J.S. The Logit Model for Economists. Adward Arnold, 1991.
  
• Dagenais, M.G. “The Computation of FIML Estimates as Iterative Generalized Least Squares Estimates in Linear and Nonlinear Simultaneous Equations Models,” Econometrica, 46 (1978), 1351-1362.
  
• Davidson, R., and J.G. MacKinnon. “Convenient Specification Tests for Logit and Probit Models,” Journal of Econometrics, 25 (1984), 241-262.
  
• Davidson, R., and J.G. MacKinnon. Estimation and Inference in Econometrics. Oxford University Press, 1993.
  
• Enders, W. Applied Econometric Time Series. John Wiley & Sons inc., 1995.
  
• Engle, R.F. “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation,” Econometrica, 50 (1982), 987-1007.
  
• Engle, R.F. “Band Spectrum Regression,” Economic Review, 15 (1974),1-11.
  
• Fiorentini, G., G. Calzolari, and L. Panattoni. “Analitical Derivatives and the Computation of GARCH Estimates,” Journal of Applied Econometrics, 11 (1996), 399-417.
  
• Godfrey, L.G. Misspecification Tests in Econometrics: The Lagrange Multiplier Principle and Other Approaches. Cambridge University Press, 1988.
  
• Granger, C.W.J., and P.Newbold. “Spurious Regressions in Econometrics,” Journal of Econometrics, 21 (1974),111-120.
  
• Jarque, C.M, and A.K. Bera. “Efficient Tests for Normality, Homoskedastisity, and Serial Independence of Regression Residuals,” Economic Letters, 6 (1980), 255-259.
  
• Krдmer, W., and H. Sonnberger. The Linear Regression Model Under Test. Phisica-Verlag, 1986.
  
• MacKinnon, J.G., A.A. Haug, and L. Michelis. “Numerical Distribution Functions of Likelihood Ratio Tests for Cointegration” (discussion paper), 1996.
  
• Pagan, A.R., and D.F.Nicholls. “Estimating Predictions, Prediction Errors and Their Standard Deviations Using Costructed Variables,” Journal of Econometrics, 24 (1984), 293-310.
  
• Pesaran, M.H., and B. Pesaran. Microfit 3.0. An Interactive Econometric Software Package (User Manual). Oxford University Press, 1991.
  
• Telser L.G. “Iterative Estimation of a Set of Linear Regression Equasions,” Journal of American Statistical Associacion, 59, 845-862.
  

Предметный указатель

A

ADF • 41

ADL • 30

AIC • 12

D

DF • 38

E

ECM • 32

J

J-тест • 13

M

method of scoring • 66

O

òåñò •

íà àâòîðåãðåññèîííóþ óñëîâíóþ ãåòåðîñêåäàñòè÷íîñòü • 93

P

PE-тест • 13

а

авторегрессионная модель с распределенным лагом • 30

авторегрессия • 30, 33

векторная • 46

адаптивных ожиданий модель • 31

аддитивная ошибка • 8

асимптотическая информационная матрица • 55

асимптотическая эквивалентность трех классических тестов • 70

асимптотические t- и F-статистистики • 73

б

бинарная зависимая переменная • 21

Б

Бокса-Кокса модель • 95

Бокса-Кокса преобразование • 10, 95

В

Вейбулла распределение • 26

в

векторная авторегрессия • 46

взаимодействия члены • 9

взвешенная регрессия • 81

взрывной процесс • 34

вкладов в градиент матрица • 61

вклады отдельных наблюдений в функцию правдоподобия • 54

внешне не связанные регрессионные уравнения • 100

внешнее произведение градиента • 65

внутренне линейная модель • 8

вспомогательная регрессия • 59

для модели Бокса-Кокса • 96

выброс • 16

Г

Гаусса-Ньютона регрессия •

определение • 84

г

гессиан логарифмической функции правдоподобия • 54

эмпирический • 64

гетероскедастичность • 7, 80

градиент логарифмической функции правдоподобия • 54

градиентные методы • 66

Д

Дики-Фуллера тест • 38

дополненный • 41

д

динамическая регрессия • 30

долгосрочное стационарное состояние • 32

дрейф • 34

е

единичный корень • 34

и

инвариантность ММП • 58

интегрированный процесс • 35

информационная матрица •

вычисление • 61

определение • 55

способы оценивания • 64

информационный критерий Акаике • 12, 25

искусственная регрессия • 59

для пуассоновой регрессии • 77

метод BHHH (OPG) • 66

метод Гаусса-Ньютона • 85

для логита • 75

для пробита • 76

для регрессии с мультипликативной гетероскедастичностью • 84

исправления ошибок модель • 32

векторная • 46

истинное распределение • 53

истинный параметр • 53

Й

Йохансена метод • 46

к

качественная зависимая переменная • 21

квази-МП методы • 59, 65

ковариационная матрица оценок МП • 64

коинтеграции ранг • 46

коинтегрированные процессы • 42

коинтегрирующий вектор • 43

К

Койка преобразование • 29

к

концентрированная функция правдоподобия • 67

К

Кронекера произведение • 101

л

лаг • 27

лаговый оператор • 27

линейная по виду модель • 8

линейная по параметрам модель • 8

линейный тренд • 18

логарифмическая функция правдоподобия • 53

логистическое распределение • 22

логит • 23

логлинейная форма модели • 11

ложная регрессия • 35

локально эквивалентные альтернативы • 83

м

максимального правдоподобия метод • 53

максимального правдоподобия оценки •

альтернативное определение • 55

асимптотическое распределение • 64

вычисление • 66

определение • 53

максимального собственного числа статистика • 47

множественный логит • 25

модель выбора • 22

мультипликативная гетероскедастичность • 83

мультипликативная ошибка • 8

н

наименьшего дисперсионного отношения метод • 108

Н

Ньютона метод • 66

о

обобщенная дисперсия • 102

п

пирсоновское семейство распределений • 96

полиномиальная форма модели • 9

полиномиальный лаг • 28

полулогарифмическая форма модели • 12

порождающий данные процесс • 53

приведенная форма системы одновременных уравнений • 105

пробит • 23

производственная функция •

Кобба-Дугласа • 9

с постоянной эластичностью замены • 9

транслоговая • 9

П

Прэйса-Винстена преобразование • 87

п

псевдо-R2 для моделей с бинарной зависимой переменной • 25

П

Пуассона распределение • 76

р

распределенный лаг • 27

регрессия •

с мультипликативной гетероскедастичностью • 83

пуассонова • 77

с AR-ошибкой • 85

с MA-ошибкой • 88

с

сезонные переменные • 18

семейство распределений • 53

следа статистика • 47

случайное блуждание • 34

спектральный анализ • 20

стационарность • 33

тестирование • 37

стохастический тренд • 20, 37

структурная форма системы одновременных уравнений • 104

т

тест •

Дики-Фуллера • 38

на гетероскедастичность • 83

Вальда • 70

множителя Лагранжа • 69

множителя Лагранжа в градиентной форме • 69

на адекватность предсказаний • 17

на гетероскедастичность • 7

на нормальность • 98

на сверхидентифицирующие ограничения • 107

на стационарность • 37

отношения правдоподобия • 69

Чоу • 16

у

упорядоченный логит • 25

уравнения правдоподобия • 54

ф

фиктивные переменные • 14

функциональная форма •

неправильная спецификация • 7

функция правдоподобия • 53

Х

Холецкого разложение • 79

ч

частичного приспособления модель • 31

Э

Энгла-Грейнджера метод • 44

я

якобиан преобразования плотности распределения • 94

1 Это, конечно, не все обычно принимаемые гипотезы, а только те, которые интересны с точки зрения рассматриваемой темы.

2 Для симметричного распределения 1 – F(–X ) = F( X ).

3 Если ₁ и ₀ имеют распределение Вейбулла и независимы, то  имеет логистическое распределение. Если ₁ и ₀ имеют нормальное распределение и независимы, то  тоже имеет нормальное распределение.

4 Распределение Вейбулла также иногда называют распределением экстремального значения первого рода. Кроме того, именем Вейбулла называют и другие распределения, поэтому может возникнуть путаница.

5 Если применить другую параметризацию, то об одном.

1 Пример неединственности представляет оценивание процесса скользящего среднего в ошибке.

2 Мы опять предполагаем здесь, что операции интегрирования и дифференцирования перестановочны.)

3 В моделях этого типа переменные в правой части также могут подвергаться преобразованию Бокса-Кокса.