Лекции.ИНФО


Предмет, метод и задачи курса «Эконометрика».



Соотношения между экономическими переменными.

Одна из наиболее общих задач в экономических исследованиях состоит в оценивании степени зависимости изучаемой величины Y от одной или нескольких случайных (или неслучайных) величин X, называемых факторами. Зависимость может быть функциональной, статистической, либо отсутствовать вовсе.

Строгая функциональная зависимость между экономическими показателями (наличие всегда выполняющегося равенства Y=f(X)) реализуется редко, так как они подвержены влиянию случайных факторов. При статистической зависимости изменение одной из величин влечет изменение распределения другой (в частности, среднего значения; в этом случае статистическую зависимость называют корреляционной).

Причем, всегда есть несколько величин, которые определяют главные тенденции изменения рассматриваемой величины, и в экономической теории и практике ограничиваются тем или иным кругом таких величин (объясняющих переменных). Однако всегда существует и воздействие большого числа других, менее важных или трудно идентифицируемых факторов, приводящее к отклонению значений объясняемой (зависимой) переменной от конкретной формулы ее связи с объясняющими переменными, сколь бы точной эта формула ни была. Нахождение, оценка и анализ таких связей, идентификация объясняющих переменных, построение формул зависимости и оценка их параметров и составляют предмет корреляционно-регрессионного анализа, при этом корреляционный анализ занимается исследованием взаимозависимости случайных величин, тогда как регрессионный анализ на базе выборочных данных исследует зависимость случайной величины от ряда неслучайных и случайных величин.

Примерами корреляционно, но не функционально, связанных величин являются объемы производства и себестоимость продукции, объемы продаж и прибыль, урожай зерна и количество внесенных удобрений. Действительно, в последнем примере с одинаковых по площади участков земли при равных количествах внесенных удобрений снимают различный урожай, т.е. отсутствует функциональная связь. Это объясняется влиянием случайных факторов (осадки, температура, качество семян и др.). Вместе с тем, как показывает опыт, средний урожай меняется с изменением количества удобрений, т.е. прослеживается корреляционная зависимость.

Регрессионные модели как инструмент анализа и прогнозирования экономических явлений.

Регрессионная модель экономического объекта (или производственного процесса), отражая основные его свойства и абстрагируясь от второстепенных, позволяет судить о его поведении при определенных значениях объясняющих факторов.

К числу основных факторов относят обычно трудовые ресурсы в той или иной мере, а также энергетические, сырьевые, материальные ресурсы, оборудование, здания, сооружения и т.д. Кроме того, в модели должны быть отражены факторы, определяющие состояние внешней среды (экономические, политические, природные и т.п.).

Несмотря на развитие экономики, на протяжении относительно небольших временных периодов и в пределах отдельных экономических подсистем имеет место стабильность в условиях совершения массовых событий. При прогнозировании экономических процессов подразумевается возможность многократного повторения производственной ситуации, быть может, при других значениях существенных и несущественных факторов, однако при относительно стабильном комплексе внешних условий и сохраняющейся тенденции влияния объясняющих факторов на анализируемый экономический показатель.

Таким образом, при анализе и прогнозировании экономических явлений результирующий показатель у является функцией существенных (х1,х2,…,хm) и несущественных (e1,e2,…,ek) факторов

у=f(х1,х2,…,хm,e1,e2,…,ek) (1)

и вычисляется посредством подстановки в (1) значений объясняющих факторов. В силу относительной малости несущественных факторов (в смысле влияния на результат), ими можно пренебречь, при этом рассматриваемый ниже аппарат позволяет оценить возникшую вследствие данного усечения модели погрешность.

 

Линейные однофакторные регрессионные модели эконометрики.

Определения. Линейная регрессионная модель для случая одной факторной переменной.

Рассмотрим сначала однофакторную регрессионную модель.

В этом случае имеется n пар наблюдений (xi,yi), i=1,2,…,n, над некоторыми случайными величинами Х={xi} и Y={yi}. Эти наблюдения можно представить точками на плоскости с координатами (xi,yi), получая так называемую диаграмму рассеяния. Задача построения регрессионной модели заключается в том, что необходимо подобрать некоторую кривую (график соответствующей функции) таким образом, чтобы она располагалась как можно “ближе” к этим точкам. Такого рода кривую называют эмпирической или аппроксимирующей кривой. Весьма часто тип эмпирической кривой определяется экспериментальными или теоретическими соображениями (исходя из законов экономической теории), в противном случае выбор кривой осуществить довольно трудно. Иногда точки на диаграмме рассеяния располагаются таким образом, что не наблюдается никакого их группирования, и, соответственно, нет никаких оснований предполагать наличие в наблюдениях какой-либо взаимозависимости.

Таким образом, результатом исследования статистической взаимозависимости на основе выборочных данных является построение уравнений регрессии вида y=f(x).

В самом простом случае предполагается, что f задает уравнение прямой f(x)=a0+a1х. Модель в этом случае имеет вид

уi=a0+a1хi+ei (i=1,2,…,n). (2)

Здесь ei являются вертикальными уклонениями точек (xi,yi) от аппроксимирующей прямой. Вопрос о нахождении формулы зависимости можно ставить после положительного ответа на вопрос о существования такой зависимости, но эти два вопроса можно решать и одновременно.

Для ответа на поставленные вопросы существуют специальные методы и, соответственно, показатели, значения которых определенным образом свидетельствуют о наличии или отсутствии линейной связи между переменными. Такими показателями являются коэффициент корреляции величин Х и Y, а также коэффициенты линейной регрессии a0 и a1, их стандартные ошибки и t-статистики, по значениям которых проверяется гипотеза об отсутствии связи величин Х и Y.

Угловой коэффициент a1 прямой линии регрессии Y на X называют коэффициентом регрессии Y на X и обозначают ryx.

Выражение sх2 = –( )2 есть выборочная дисперсия Х (или квадрат выборочного среднего квадратического отклонения).

Выборочный коэффициент корреляции определяется равенством

ryx =(ху х× у )/(sхsy), (3)

где sy есть выборочное среднее квадратическое отклонение Y.

(Верхняя черта, как это принято в теории вероятностей и математической статистике, означает среднее значение выборочной совокупности, в данном случае ).

Коэффициент корреляции измеряет силу (тесноту) линейной связи между Y и X. Он является безразмерной величиной, не зависит от выбора единиц измерения обеих переменных. Для него всегда выполняется 0 £ |ryx| £ 1, и чем ближе его значение к ±1, тем сильнее линейная связь. Коэффициент корреляции будет положительным, если зависимость переменных Х и Y прямо пропорциональная, и отрицательным, – если обратно пропорциональная.

При близости к нулю коэффициента корреляции, например, величин уровней инфляции и безработицы (что имело место фактически в экономике США в 1970-х – 1980-х годах) нужно не говорить сразу о независимости этих показателей, а попытаться построить более сложную (не линейную) модель их связи.

Если формула (1) линейна, то речь идет о линейной регрессии. Формула статистической связи двух переменных называется парной регрессией, зависимость от нескольких переменных – множественной регрессией. Например, Кейнсом была предложена линейная модель зависимости частного потребления С от располагаемого дохода Х: С=С0+ С1Х, где С0 >0 – величина автономного потребления (при уровне дохода Х=0), 1>C1>0 – предельная склонность к потреблению (C1 показывает, на сколько увеличится потребление при увеличении дохода на единицу).

В случае парной линейной регрессии имеется только один объясняющий фактор х и линейная регрессионная модель записывается в следующем виде:

у=a0+a1х+e, (4)

где e – случайная составляющая с независимыми значениями Мe=0, De= s2.









Читайте также:

Последнее изменение этой страницы: 2016-05-30; Просмотров: 72;


lektsia.info 2017 год. Все права принадлежат их авторам! Главная