Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Понятие, цели и задачи эконометрики, типы данных.
Термин эконометрика» имеет в своей основе два слова: «экономика» и «метрика» (от гр. metron – “метод расчета определения расстояния между двумя точками в пространстве”). В общем случае эконометрику можно определить как науку об экономических измерениях.
Закономерности в экономике выражаются в виде математических моделей, характеризующих связи между различными показателями. Такие модели могут быть получены путём обработки статистических данных методами математической статистики с учётом случайных факторов.
Эконометрика - это наука, изучающая количественные закономерности и связи в экономике методами математической статистики. Предмет исследования эконометрики - это массовые экономические процессы и явления. Многие из эконометрических методов изучения социально-экономических закономерностей позаимствованы из статистики, однако специально для эконометрики были разработаны дополнительно значительное количество методов, которые не применяются в статистике.
Цель эконометрики - количественная характеристика экономических закономерностей, выявляемых экономической теорией в общих чертах. Задачи эконометрики - построить модели, выражающие эти закономерности, оценить их параметры, проверить гипотезы о закономерностях изменения и связях экономических показателей. Методы эконометрики основаны на представлениях теории вероятностей и математической статистики.
Задачи, решаемые с помощью эконометрики, классифицируются по трем признакам:
1) по конечным прикладным целям:
а) задачи прогноза социально-экономических показателей, характеризующих состояние и развитие изучаемой системы;
б) задачи моделирования возможных вариантов социально-экономического развития системы для определения параметров, которые оказывают наиболее сильное влияние на состояние системы в целом;
2) по уровню иерархии:
а) задачи макроуровня (страна в целом);
б) задачи мезоуровня (уровень отраслей, регионов);
в) задачи микроуровня (уровень фирмы, семьи, предприятия);
3) по области решения проблем изучаемой экономической системы:
а) задачи изучения рынка;
б) задачи изучения инвестиционной, социальной, финансовой политики;
в) задачи изучения ценообразования;
г) задачи изучения распределительных отношений;
д) задачи изучения спроса и потребления;
е) задачи изучения отдельно выделенного комплекса проблем.
Решение перечисленных задач эконометрики осуществляется с использованием математических моделей, построенных на основе эмпирических данных.
Эконометрический анализ служит основой для прогнозирования, которое необходимо для обоснования принятия управленческих решений.
Эконометрика как наука является следствием междисциплинарного подхода к изучению экономики. На современном этапе своего развития эконометрика представляет собой сочетание трёх наук: 1) экономической теории; 2) математики; 3) математической и экономической статистики.
Помимо этого, одним из основных факторов развития эконометрики является развитие компьютерных технологий и специализированных пакетов прикладных программ. Следовательно, эконометрика с помощью статистических и математических методов анализирует экономические закономерности, доказанные экономической теорией.
Экономические процессы могут характеризоваться двумя типами данных, обработка которых выполняется в процессе эконометрического анализа. Это пространственные данные и временн ы е ряды.
Пространственные данные - это относящиеся к одному и тому же моменту времени данные о каком-либо экономическом показателе, характеризующем однотипные объекты. Например, данные об объеме производства на разных предприятиях промышленности за один и тот же период времени или о количестве работников разных предприятий промышленности в один и тот же момент времени.
Временные ряды - это данные о каких-либо показателях, характеризующих одни и те же объекты в различные моменты времени. Например, ежемесячные данные об объеме промышленного производства в стране или данные о количестве безработных в стране на начало календарного года за последние 10 лет. Особенность временных данных - временных рядов состоит в упорядоченности их во времени.
Существуют определенные отличия временного ряда или ряда динамики от пространственной выборки:
1) элементы ряда динамики естественным образом упорядочены во времени в отличие от пространственных данных;
2) элементы ряда не являются статистически независимыми в отличие от элементов случайной пространственной выборки, те, они подвержены зависимости между прошлыми и настоящими наблюдениями временного ряда (автокорреляции);
3) элементы ряда динамики не являются одинаково распределенными величинами.
Набор переменных - это совокупность экономической информации, характеризующей изучаемый процесс или объект. В эконометрической модели используются:
1) результативные (зависимые) переменные, которые в эконометрике называются объясняемыми переменными;
2) факторные (независимые) переменные, которые в эконометрике называются объясняющими переменными.
Среди экономических переменных, включённых в эконометрическую модель, выделяют:
1) экзогенные (независимые) переменные (х), значения которых задаются извне. В определённой степени данные переменные являются управляемыми;
2) эндогенные (зависимые или взаимозависимые) переменные (у), значения которых определяются внутри модели;
3) лаговые (экзогенные или эндогенные) переменные, которые относятся к предыдущим моментам времени и находятся в уравнении с переменными, относящимися к текущему моменту времени. Например, х t-1 - лаговая экзогенная переменная, у t-1 - лаговая эндогенная переменная;
4) предопределенные (объясняющие) переменные, к которым относятся лаговые (х t-1) текущие (х) экзогенные переменные и лаговые эндогенные переменные (у t-1)
Основная цель эконометрического моделирования - это характеристика значений одной или нескольких текущих эндогенных переменных в зависимости от значений предопределённых (объясняющих) переменных.
Экономические данные включают случайную составляющую, поэтому для их анализа и обработки применяются методы математической статистики.
Классы эконометрических моделей.
Существует три основных класса эконометрических моделей.
1. Регрессионные модели с одним уравнением, в которых результативная (зависимая) переменная у может быть представлена в виде функции факторных (независимых) переменных х 1... хn:
y = f(x, β) = f(x1…xn, β1…βk),
где β1 … β k - параметры регрессионной модели. По количеству факторных переменных регрессионные модели делятся на парные (с одной переменной) и множественные регрессии.
По виду функции f (х, β) регрессионные модели делятся на линейные и нелинейные регрессии.
2. Системы одновременных уравнений, которые описываются системами взаимозависимых регрессионных уравнений.
Системы состоят из тождеств и регрессионных уравнений, каждое из которых может включать в себя как факторные переменные, так и результативные переменные из других уравнений системы. Отличие тождеств от регрессионных уравнений заключается в том, что их вид и значения параметров известны.
Регрессионные уравнения, входящие в состав системы, называются поведенческими уравнениями. Значения параметров этих уравнений являются неизвестными и подлежат оцениванию.
Примером системы одновременных уравнений служит модель спроса и предложения, состоящая из трёх уравнений:
1) уравнения предложения: Qts=a0+a1Pt+a2Pt-1;
2) уравнения спроса: Qtd=b0+b1Pt+b2It;
3) тождества равновесия: Qts= Qtd.
3. Модели временных рядов представляют собой зависимость результативной переменной от переменной времени или переменных, относящихся к другим моментам времени.
Модели временных рядов, в которых результативная переменная зависит от времени:
1) модель тренда (зависимость результативной переменной от трендовой компоненты);
2) модель сезонности (зависимость результативной переменной от сезонной компоненты)
3) модель тренда и сезонности.
Модели временных рядов, в которых результативная переменная зависит от переменных, датированных другими моментами времени:
1) объясняющие вариацию результативной переменной в зависимости от предыдущих значений факторных переменных – модели с распределенным лагом,
2) объясняющие вариацию результативной переменной в зависимости от предыдущих значений результативных переменных - модели авторегрессии;
3) объясняющие вариацию результативной переменной в зависимости от будущих значений факторных или результативных переменных - модели ожидания.
Модели временных рядов могут быть построены по стационарным и нестационарным временным рядам. Для стационарного временного ряда характерны постоянные во времени средняя, дисперсия и автокорреляция.
Этапы эконометрического моделирования.
1. Постановочный этап, на котором определяются конечные цели и задачи исследования, а также число включенных в модель факторных и результативных экономических переменных.
Цели эконометрического исследования:
1) анализ изучаемого экономического процесса (явления, объекта);
2) прогноз экономических показателей, характеризующих изучаемый процесс (явление, объект);
3) моделирование поведения процесса при различных значениях факторных переменных;
4) формирование управленческих решений.
Количество переменных, включенных в эконометрическую модель, не должно быть слишком большим и должно быть теоретически обоснованным, В модели должна отсутствовать функциональная или тесная корреляционная связь между факторными переменными, что может привести к явлению мультиколлинеарности.
2. Априорный этап, на котором осуществляется теоретический анализ сущности изучаемого процесса, а также формализуется априорная информация.
3. Этап параметризации, на котором происходит выбор общего вида модели, а также определяется состав и формы формирующих ее связей.
Задачи, решаемые на этапе параметризации:
1) задача выбора наиболее подходящего вида функциональной зависимости результативной переменной от факторных переменных. При возникновении ситуации выбора между линейной и нелинейной формами зависимости предпочтение всегда отдается линейной форме как более простой;
2) задача спецификации модели:
а) аппроксимация математической формой обнаруженных связей и соотношений между параметрами модели;
б) определение зависимых и независимых переменных;
в) выражение исходных предпосылок и ограничений модели.
4. Информационный этап, на котором собирается требуемая статистическая информация и осуществляется анализ качества собранных данных.
5. Этап идентификации модели, на котором реализуется статистический анализ модели и происходит оценивание ее параметров.
6. Этап оценки качества модели, на котором проверяются достоверность и адекватность модели. Созданная модель должна быть адекватна реальному экономическому процессу. При неудовлетворительном качестве модели возвращаются ко второму этапу моделирования.
7. Этап интерпретации результатов моделирования.
Эконометрическое оценивание моделей. Типы зависимостей и моделей.
Экономическая модель вначале формулируется в общем виде - представляется в виде уравнений, характеризующих связи между экономическими показателями. Например, это может быть одно уравнение, указывающее связь между доходами семей (х) и сбережениями семей (у), величины которых установлены в результате проведенных опросов нескольких сотен случайно отобранных семей:
y = α + βx + e,
где х - объясняющая (независимая) переменная (доходы семей); у - объясняемая (зависимая) переменная (сбережение семей); ε - случайный член (ошибка); α и β - неизвестные наперед, подлежащие определению в результате эконометрического анализа параметры уравнения.
При решении поставленной задачи эконометрики необходимо проверить, соответствует ли эта модель реальным экономическим данным. Различают два уровня анализа: теоретический и эмпирический.
На теоретическом уровне предполагается, что известны все возможные реализации экономических показателей - генеральная совокупность. Зная или предполагая статистические свойства генеральной совокупности, можно теоретически определить параметры модели. На практике чаще всего множество возможных исходов - возможных значений показателей неизвестно, можно наблюдать только выбранные значения интересующих показателей - выборочную совокупность.
На эмпирическом уровне, располагая лишь выборочными значениями экономических показателей - выборочной совокупностью, можно оценить, но нельзя точно определить значения параметров модели. Такие оценки являются случайными величинами. Цель оценивания - получение как можно более точных значений неизвестных параметров модели, характеризующей генеральную совокупность.
В экономических исследованиях одна из основных задач - анализ зависимостей между переменными (показателями). Зависимость может быть функциональной или статистической.
Функциональная зависимость, часто называемая детерминированной, задается в виде формулы, которая каждому значению одной переменной ставит в соответствие строго определенное значение другой переменной (воздействием случайных факторов при этом пренебрегают). В экономике функциональные зависимости между переменными являются исключениями из общего правила.
Статистическая зависимость - это связь переменных, на которую накладывается воздействие случайных факторов. При этом изменение одной переменной приводит к изменению математического ожидания - наиболее вероятного ожидаемого значения другой переменной.
Уравнение регрессии - это формула статистической связи между переменными. Если эта формула линейна, она представляет собой линейную регрессию, а если нелинейная - нелинейную регрессию.
Регрессионный анализ - это процесс определения аналитического выражения функции связи, в котором изменение результативной или зависимой переменной происходит под влиянием факторной, или независимой, переменной. Построение модели парной регрессии позволяет количественно оценить взаимосвязь между результативной и факторной переменными.
Основная модель регрессии - это модель парной, или однофакторной, регрессии, которая называется полиномом первой степени. Модель парной регрессии применяется для характеристики процессов, равномерно развивающихся во времени.
Общий вид модели парной регрессии зависимости переменной у от переменной х:
yi = β0 + β1 xi + ei,
где yi - результативные переменные, i =1, 2,..., n; хi - факторные переменные; β0, β1 - неизвестные параметры модели парной регрессии; ei - случайная ошибка регрессионной модели.
Случайная ошибка модели парной регрессии возникает на основе объективных условий, таких как:
1) условие нерепрезентативности выборки, при котором в парную регрессионную модель включается только один фактор, не способный полностью объяснить изменение результативной переменной;
2) условие ошибочного измерения переменных, участвующих в регрессионной модели.
Параметр β0 в модели парной регрессии - это среднее значение зависимой переменной у при условии, что независимая переменная х равна нулю (если значение х = 0 имеет экономический смысл).
Параметр β1 в модели парной регрессии - это коэффициент модели регрессии. Значение параметра β1 характеризует, насколько в среднем изменится зависимае переменная у при изменении факторной переменной х на единицу своего измерение. Знак коэффициента модели регрессии β1 в модели парной регрессии указывает на направление связи между изучаемыми переменными. Если β1 > 0, то связь между переменными прямая, т.е. с увеличением переменной х увеличивается и переменная у, и наоборот. Если коэффициент β1 < 0, то связь между переменными обратная, т.е. с увеличениям переменной х переменная у уменьшается, и наоборот.
Методы определения модели регрессии:
1) метод визуальной оценки характера связи между переменными, при которой на линейном графике по оси абсцисс откладываются значения факторной переменной х, а по оси ординат - значение результативной переменной у. На пересечении соответствующих значений отмечаются точки. Если соединить нанесённые на график точки, то получится эмпирическая линия, по виду которой можно судить не только о наличии, но и о форме зависимости между изучаемыми переменными;
2) метод теоретического и логического анализа природы изучаемых переменных, их социально-экономической сущности.
Точечные оценки: несмещённость, эффективность, состоятельность.
Математическое ожидание - наиболее вероятное ожидаемое значение случайной величины. Математическое ожидание дискретной случайной величины - это сумма произведений всех ее значений на соответствующие им вероятности:
М(х) = ,
где М(х) - математическое ожидание случайной величины х; хi - i -е значение величины х; pi - вероятность появления i -го значения величины х; i - порядковый номер дискретного значения величины х; п - общее число дискретных значений величины х.
Математическое ожидание непрерывной случайной величины определяется выражением:
М(х) = ∫xf(x)dx,
где f(х) - плотность распределения величины х, она представляет собой производную функции распределения величины х; ∫ - интеграл, который берётся на всём интервале, в котором определена величина х; dх - дифференциал х.
Случайные величины, с которыми оперируют в эконометрике, имеют нормальное или близкое к нормальному распределение. Математическое ожидание случайной величины (mx), имеющей нормальное распределение, равно среднему значению генеральной совокупности.
Теоретическая (генеральная) дисперсия случайной величины определяется как математическое ожидание квадрата отклонения случайной величины х относительно ее математического ожидания:
D(x) = M(x – mx)2.
Стандартное отклонение - среднее квадратическое отклонение случайной величины х представляет собой корень квадратный из ее дисперсии:
σx =
Стандартное отклонение показывает, насколько в среднем отклоняется случайная величина в совокупности от среднего значения.
Случайные величины, которые используются я эконометрическом анализе, обычно представлены в виде ограниченной выборки. Для нее оценкой математического ожидания служит выборочная средняя - среднее арифметическое значений случайной величины в выборке:
` x = ,
где ` x - выборочная средняя; хi - i -е значение величины х; i - порядковый номер выборочного значения величины х; п - общее число данных в выборке.
Выборочная дисперсия (вариация) представляет собой среднее арифметическое квадратов отклонения случайной величины от среднего значения:
var(x) = .
Стандартное отклонение, т.е. среднее квадратическое отклонение случайной величины х, представляет собой корень квадратный из выборочной дисперсии.
Характеристики генеральной совокупности оценивают на основе характеристик выборочной совокупности - ограниченного числа значений показателей. Характеристики генеральной совокупности принято называть параметрами, а выборочной совокупности - оценками. Чтобы выборочная оценка давала хорошее приближение оцениваемого параметра, она должна удовлетворять требованием несмещённости, эффективности и состоятельности.
Несмещённость оценок. Оценка называется несмещенной, если её математическое ожидание равно оцениваемому параметру при любом объёме выборки. Если это не так, то оценка называется смещённой.
Выборочная средняя является несмещенной оценкой математического ` x. ожидания генеральной совокупности - генеральной средней mх:
mx = ` x.
Выборочная дисперсия var (х) является смещённой оценкой генеральной дисперсии. В качестве несмещённой оценки генеральной дисперсии используется уточненная величина:
где S2 - несмещенная оценка дисперсии генеральной совокупности; S – несмещённая оценка стандартного отклонения генеральной совокупности; п - число измерений в выборке; хi - i -е значение измеренного показателя в выборке: i - порядковый номер измерения.
Величину S обычно называют стандартным отклонением случайной величины в выборке.
Эффективность оценок. Выборочная средняя является эффективной оценкой генеральной средней. Она имеет наименьшую дисперсию в классе несмещённых оценок.
Состоятельность оценок. Оценка называется состоятельной, если при увеличении объёма выборки (n → ∞) она стремится к оцениваемому параметру. Выборочная средняя ` x является состоятельной оценкой математического ожидания генеральной совокупности - генеральной средней mx.
Ковариация. Различают выборочную и теоретическую ковариацию. Выборочной ковариацией двух переменных х и у называется средняя величина произведений отклонений этих переменных от своих средних значений:
где cov (х, у) - ковариация случайных величин х и у; хi и уi - i -е значения величин х и y; ` x и ` y - средние значения величин х и y; i - порядковый номер дискретного значения пар величин х и у; п - общее число дискретных значений пар величин х и y.
Выборочная ковариация служит мерой связи между двумя переменными. Более простое объяснение в качестве меры зависимости между величинами дается с помощью коэффициента корреляции.
Коэффициент корреляции определяется выражением:
где cov (х, у) - ковариация случайных величин х и y; var (х) и var (у) - вариации величин х и y; σx и σy - стандартные отклонения величин х и y.
Коэффициент корреляции является безразмерной величиной и показывает степень линейной связи двух переменных: r > 0 при положительной связи и r = 1 при строгой положительной линейной связи; r < 0 при отрицательной связи и r = -1 при строгой отрицательной линейной связи; r = 0 при отсутствии линейной связи.
Случайные величины х и у называются некоррелированными, если r = 0, и коррелированными, если r ≠ 0. Если случайные величины х и у независимы, то они и некоррелированы (r = 0), но из некоррелированности не следует их независимость. Некоррелированность указывает лишь на отсутствие линейной связи между переменными.
Для построения модели парной линейной регрессии зависимость между переменными в генеральной совокупности представляется в виде
y = β0 + β1 x + e,
где х - объясняющая (независимая) переменная - неслучайная величина; у - объясняемая (зависимая) переменная; ε - случайный член (ошибка регрессии), у и ε - случайные величины; β0 и β1 - параметры уравнения.
На основе обработки данных выборочного наблюдения получают уравнение регрессии:
= b0 + b1 x + e
где - расчетное значение переменной у; b0 и b1 - оценки параметров β0 и β1.
Простейшая задача регрессионного анализа состоит в наилучшем представлении набора наблюдений пар величин х и у линейным уравнением регрессии вида
= b0 + b1 x
где - расчетное значение переменной у; а и b - оценки параметров α и β.
На рис. 1 приведены диаграмма наблюдений пар величин х и у и график уравнения регрессии - линия регрессии . Эта линия не проходит через точки наблюдений. для каждой точки может быть указано отклонение ее от расчетной величины функции, изображенной линией регрессии:
ei = yi - ,
где еi - отклонение (остаток) i -го наблюдения; уi - величина переменной уi в i -м наблюдении; - расчетная величина переменной у в i -м наблюдении, определяемая уравнением регрессии, при значении независимой переменной, равном хi; i - порядковый номер измерения переменных.
Рис. 1. Точки наблюдений и линия регрессии
Дата публикования: 2014-11-02; Прочитано: 1921 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!