Эконометрика лекции

Приведем пример

Приведем пример использования информационных критериев при выборе наилучшей спецификации модели.

В качестве исходных данных взят временной ряд длиной 20 наблюдений. Будем подгонять этот ряд линейными регрессиями, в которых регрессоры будут являться полиномами различных степеней — Х, Х2...Х7. Наша задача — выбрать оптимальную степень наибольшего полинома. Будем сравнивать модели с различными степенями полиномов по критериям Akaike и Schwartz. Модель, показывающую наименьшие значения критериев, будем считать оптимальной.

Результаты для регрессии            Y = a0 + a1X + e:

                                                                                                             Таблица 3.16

Значения критериев и коэффициенты полинома

Рис. 3.2. График наблюдаемых

и предсказанных значений для n = 1

Результаты для регрессии        Y = a0 + a1X + а2Х² + e:

                                                                                                Таблица 3.17

Значения критериев и коэффициенты полинома

Рис. 3.3. График наблюдаемых

и предсказанных значений для n = 2

Результаты для регрессии   Y = a0 + a1X + а2Х² + а3Х³ + e:

назад          далее

   

Параграфы

• Сущность  и  история возникновения  эконометрики
• </b>Парный  регрессионный анализ
• Множественная  регрессия
• Гетероскедастичность  моделей, ее  обнаружение  и  методы  устранения  гетероскедастичности
• прогнозирование  временных  рядов
• Сглаживание Временных рядов
• ОДНОВРЕМЕННЫЕ УРАВНЕНИЯ. МЕТОДЫ ИДЕНТИФИКАЦИИ
• Моделирование структурными  уравнениями
• РАЗНОСТНЫЕ  УРАВНЕНИЯ  И  ИХ  РЕШЕНИЕ
• Стационарные временные ряды авторегрессии-скользящего среднего
• Временные ряды с высокой изменчивостью
• Ложная регрессия, коинтеграция и  модели корректировки ошибок
• Элементы линейной алгебры
• Элементы теории вероятностей и математической статистики
• метод наименьших квадратов