Текст книги "Ответы на экзаменационные билеты по эконометрике"
![](/books_files/covers/thumbs_240/otvety-na-ekzamenacionnye-bilety-po-ekonometrike-231565.jpg)
Автор книги: Ангелина Яковлева
Жанр: Справочники
сообщить о неприемлемом содержимом
Текущая страница: 1 (всего у книги 17 страниц) [доступный отрывок для чтения: 5 страниц]
Ангелина Витальевна Яковлева
Ответы на экзаменационные билеты по эконометрике
1. Определение эконометрики. Задачи эконометрики
Эконометрикой называется наука, позволяющая анализировать связи между различными экономическими показателями на основании реальных статистических данных с применением методов теории вероятностей и математической статистики. С помощью эконометрики выявляют новые, ранее неизвестные связи, уточняют или отвергают гипотезы о существовании определенных связей между экономическими показателями, предлагаемые экономической теорией.
Основная цель эконометрики заключается в модельном описании конкретных количественных взаимосвязей, обусловленных общими качественными закономерностями, выявленными в экономической теории.
Основной предмет исследования эконометрики – это массовые экономические явления и процессы. Предметы исследования эконометрики и статистики являются весьма схожими, потому что эконометрика исследует массовые экономические явления и процессы, а статистика исследует массовые явления и процессы любой природы (в том числе и экономические).
Слово «эконометрика» образовано от двух слов: «экономика» и «метрика» («метрон» (греч.) – правило определения расстояния между двумя точками в пространстве, «метрия» – измерение). Следовательно, эконометрику можно определить как науку об экономических измерениях.
Эконометрика возникла на основе междисциплинарного подхода к изучению экономики. Поэтому эконометрику можно представить как комбинацию трёх наук – экономической теории, математической и экономической статистики и математики. Помимо этого, на современном этапе развития науки одним из важнейших факторов развития эконометрики стало развитие компьютерных технологий и специальных пакетов прикладных программ.
Анализ экономических процессов и явлений в эконометрике осуществляется с помощью математических моделей, построенных на эмпирических данных.
Моделью называется материальный или мысленно представляемый объект, замещающий в процессе исследования объект-оригинал таким образом, что его непосредственное изучение дает новые знания об объекте-оригинале. Модель выступает в качестве средства анализа и прогнозирования конкретных экономических процессов на основе реальной статистической информации. Применение метода моделирования вызвано тем, что большинство объектов (или проблем, относящихся к этим объектам) непосредственно исследовать или совершенно невозможно, или подобное исследование требует много времени и средств.
Большинство эконометрических методов и приёмов исследования экономических явлений и процессов позаимствованы из математической статистики. Однако в применении этих методов в эконометрике существует определённая специфика. В связи с тем, что практически все экономические показатели являются случайными величинами, а не результатами контролируемого эксперимента, были разработаны определённые усовершенствования и модификации методов, которые не применяются в математической статистике.
По причине того, что экономические данные могут быть измерены с ошибкой, в эконометрике были разработаны специальные методы анализа, позволяющие устранить или снизить влияние этих ошибок на полученные результаты.
Таким образом, эконометрика исследует различные экономические закономерности, установленные экономической теорией, с помощью методов математической и экономической статистики.
С помощью эконометрики решается очень широкий круг задач. Наиболее общими задачами эконометрики являются:
1) обнаружение и анализ статистических закономерностей в экономике;
2) построение на базе выявленных эмпирических экономических зависимостей эконометрических моделей.
Данные задачи делятся на более конкретные подзадачи, которые можно классифицировать по трём признакам:
1) классификация задач по конечным прикладным целям:
а) прогноз социально-экономических показателей, определяющих состояние и развитие изучаемой системы;
б) моделирование возможных вариантов социально-экономического развития системы для выявления факторов, изменение которых оказывает наиболее мощное влияние на состояние системы в целом;
2) классификация задач по уровню иерархии:
а) задачи, решаемые на макроуровне (страна в целом);
б) задачи, решаемые на мезоуровне (уровень отраслей, регионов);
в) задачи, решаемые на микроуровне (уровень фирмы, семьи, предприятия);
3) классификация задач по профилю изучаемой экономической системы:
а) рынок;
б) инвестиционная, социальная, финансовая политика;
в) ценообразование;
г) распределительные отношения;
д) спрос и потребление;
е) отдельно выделенный комплекс проблем.
2. Основные математические предпосылки эконометрического моделирования. Закон больших чисел, неравенство и теорема Чебышева
Основными математическими предпосылками эконометрического моделирования являются теоремы Чебышева, Бернулли и Ляпунова. Совокупность этих теорем носит общее название закона больших чисел.
На практике исследователи часто сталкиваются с таким комплексом условий, при осуществлении которого совокупное поведение достаточно большого количества случайных величин почти утрачивает случайный характер и приобретает определённые закономерности. Поэтому для решения подобных задач необходимо знать данный подобный комплекс условий, вследствие которого результат совокупного воздействия количества случайных факторов почти не зависит от случая. В этом случае опираются на закон больших чисел.
Для рассмотрения теоремы Чебышева вначале необходимо доказать неравенство Чебышева. Неравенство Чебышева справедливо как для дискретных, так непрерывных случайных величин. Рассмотрим его на примере дискретных случайных величин.
Предположим, что случайная дискретная величина X подчиняется закону распределения вида:
![](pic_1.jpg)
Задача состоит в оценке вероятности того, что отклонение случайной величины Х от её математического ожидания М(Х) не превышает по абсолютной величине положительного числа β. Если число β достаточно мало, то задача будет состоять в оценке вероятности того, что случайная величина Х примет значения, достаточно близкие к своему математическому ожиданию М(Х). Данная задача решается с применением неравенства П.Л. Чебышева.
Неравенство Чебышева. Вероятность того, что отклонение случайной величины Х от её математического ожидания М(Х) по абсолютной величине меньше положительного числа β не меньше, чем
![](pic_2.png)
т. е.
![](pic_3.png)
Доказательство. Так как события |Х-М(Х)|‹ε и |Х-М(Х)|≥ε являются противоположными, то на основании теоремы сложения вероятностей сумма их вероятностей равна единице:
P(|Х-М(Х)|‹ε)+P(|Х-М(Х)|≥ε)=1.
Выразим из полученного равенства вероятность |Х-М(Х)|‹ε:
P(|Х-М(Х)|‹ε)=1– P(|Х-М(Х)|≥ε). (1)
Дисперсия случайной величины Х определяется по формуле:
D(X)=(x1–M(X))2*p1+(x2–M(X))2*p2+…+(xn–M(X))2*pn.
Если отбросить первые k+1 слагаемые, для которых выполняется условие |xj-M(X)|‹ ε, то получим следующее неравенство:
D(X)≥(xk+1–M(X))2*pk+1+(xk+2–M(X))2*pk+2+…+(xn–M(X))2*pn.
Возведя обе части неравенства
![](pic_4.jpg)
в квадрат, получим равносильное неравенство |xj–M(X)|2≥ε2. Если заменить в оставшейся сумме каждый из множителей |xj–M(X)|2 числом β2, то получим следующее выражение:
D(X)≥ ε2(pk+1+ pk+2+…+ pn).
Так как сумма в скобках (pk+1+ pk+2+…+ pn) является выражением вероятности P(|Х-М(Х)|≥ε), то справедливо неравенство (2):
D(X)≥ ε2P(|Х-М(Х)|≥ε),
или
![](pic_5.png)
Если подставить неравенство (2) в выражение (1), то получим:
![](pic_6.png)
что и требовалось доказать.
Теорема Чебышева. Если величины X1, X2, …, Xn являются последовательностью попарно независимых случайных величин, имеющих дисперсии, ограниченные одной и той же постоянной С (D(Xi)≤C), то, как бы ни было мало положительное число ε, вероятность неравенства
![](pic_7.png)
ε будет приближаться к единице, если число случайных величин достаточно мало. Другими словами, для любого положительного числа существует предел:
![](pic_8.png)
Доказательство. В силу второго свойства дисперсии (постоянный множитель можно выносить за знак дисперсии, возводя его в квадрат) и оценки D(Xi)≤C получим:
![](pic_9.png)
Таким образом,
![](pic_10.png)
Из данного соотношения и неравенства Чебышева вытекает, что
![](pic_11.png)
Отсюда, переходя к пределу при n›ε, получим
![](pic_12.png)
Учитывая, что вероятность не может быть больше единицы, окончательно запишем:
![](pic_13.png)
что и требовалось доказать.
Если для рассматриваемых случайных величин математическое ожидание одинаково и дисперсии данных величин ограничены, то к ним применима теорема Чебышева. В этом случае считается справедливым утверждение, что среднее арифметическое достаточно большого количества попарно независимых случайных величин, дисперсии которых ограничены одной и той же постоянной, утрачивает характер случайной величины.
3. Теоремы Бернулли и Ляпунова
Предположим, что проводится n независимых испытаний. В каждом из этих испытаний вероятность наступления события А постоянна и равна р. Задача состоит в определении относительной частоты появлений события А. Данная задача решается с помощью теоремы Бернулли.
Теорема Бернулли. Если в каждом из n независимых испытаний событие A имеет постоянную вероятность p, то, как угодно близка к единице вероятность того, что отклонение относительной частоты m/n от вероятности p по абсолютной величине будет сколь угодно малым, если число испытаний достаточно велико, т. е. при соблюдении условий теоремы справедливо равенство:
![](pic_14.png)
Доказательство. Предположим, что
![](pic_15.jpg)
является дискретной случайной величиной, которая характеризует число появлений события А в каждом из испытаний. Данная величина может принимать только два значения: 1 (событие А наступило) с вероятностью р и 0 (событие А не наступило) с вероятностью q=1-p.
Случайные дискретные величины Хiявляются попарно независимыми и дисперсии их ограниченны, следовательно, к данным величинам применима теорема Чебышева:
![](pic_16.png)
Математическое ожидание а каждой из величин Хiравно вероятности р наступления события, следовательно, справедливо следующее равенство:
![](pic_17.png)
Таким образом, необходимо доказать, что дробь
![](pic_18.png)
или
![](pic_19.png)
равна относительной частоте m/n появлений события А в n испытаниях.
Каждая из величин
![](pic_20.jpg)
при наступлении события А в соответствующем испытании принимает значение, равное единице. Следовательно, сумма
![](pic_21.png)
равна числу m появлений события А в n испытаниях:
![](pic_22.png)
С учётом данного равенства можно окончательно записать:
![](pic_23.png)
что и требовалось доказать.
Однако при использовании теоремы Бернулли необходимо учитывать то, что из неё не следует равенство
![](pic_24.png)
Главным утверждением теоремы является то, что при достаточно большом количестве испытаний относительная частота m/n будет сколь угодно мало отличаться от постоянной вероятности р наступления события в каждом испытании. Другими словами, теорема Бернулли утверждает, что при n›ε относительная частота стремится по вероятности к р. Поэтому теорема Бернулли может быть записана следующим образом:
![](pic_25.png)
При проведении статистических исследований, в ходе которых осуществляется сбор данных об исследуемом объекте или процессе, часто сталкиваются с проблемой ошибочности наблюдений. В основе ошибочности наблюдений может лежать как несовершенство методов и инструментов, используемых при проведении статистического исследования, так и заранее непредусмотренные факторы. В связи с этим возникла задача исключения подобных ошибок наблюдения.
Ошибки наблюдения делятся на систематические ошибки и случайные ошибки.
Систематическими ошибками наблюдения называются такие ошибки, которые вызваны несовершенством методов и инструментов, применяемых при проведении исследования. Теоретически все систематические ошибки наблюдения могут быть исключены.
Случайными ошибками наблюдения называются такие ошибки, которые возникают под воздействием целой совокупности случайных факторов. При этом каждый из этих факторов в отдельности вызывает частичную ошибку, а результатом совместного действия всех случайных факторов является суммарная случайная ошибка, которую уже подлежит оценке.
Допустим, что была проведена серия наблюдений некоторой случайной величины Х. В ходе наблюдений данной случайной величины возникли ошибки, сформированные воздействием множества независимых факторов
![](pic_26.jpg)
Тогда ошибка а, возникающая в ходе наблюдения случайной величины Х, может быть представлена с помощью выражения:
а=f(X1,X2,…,Xn),
где f– это закономерность образования ошибки.
В связи с тем, что ошибка наблюдений а – величина случайная, то для наиболее точной характеристики данной величины необходимо знать закон распределения её вероятностей. Данная задача решается с помощью теоремы А.М. Ляпунова, также известной под названием центральной предельной теоремы. В качестве одной из математических предпосылок эконометрического моделирования выступает следствие из теоремы Ляпунова.
Следствие теоремы Ляпунова. Если случайная величина Х является суммой очень большого числа попарно независимых случайных величин, влияние каждой из которых на всю сумму ничтожно мало, то случайная величина Х подчиняется закону распределения, который близок к нормальному закону распределения вероятностей случайной величины.
Если суммарную ошибку наблюдений рассматривать как сумму очень большого числа попарно независимых частных ошибок, следовательно, то можно сделать вывод, что суммарная ошибка подчиняется закону распределения, который близок к нормальному закону распределения вероятностей.
4. Виды эконометрических моделей
Главным инструментом эконометрического исследования является модель. Выделяют три основных класса эконометрических моделей:
1) модель временных рядов;
2) модели регрессии с одним уравнением;
3) системы одновременных уравнений.
Моделью временных рядов называется зависимость результативной переменной от переменной времени или переменных, относящихся к другим моментам времени.
К моделям временных рядов, характеризующих зависимость результативной переменной от времени, относятся:
а) модель зависимости результативной переменной от трендовой компоненты или модель тренда;
б) модель зависимости результативной переменной от сезонной компоненты или модель сезонности;
в) модель зависимости результативной переменной от трендовой и сезонной компонент или модель тренда и сезонности.
К моделям временных рядов, характеризующих зависимость результативной переменной от переменных, датированных другими моментами времени, относятся:
а) модели с распределённым лагом, объясняющие вариацию результативной переменной в зависимости от предыдущих значений факторных переменных;
б) модели авторегрессии, объясняющие вариацию результативной переменной в зависимости от предыдущих значений результативных переменных;
в) модели ожидания, объясняющие вариацию результативной переменной в зависимости от будущих значений факторных или результативных переменных.
Кроме рассмотренной классификации, модели временных рядов делятся на модели, построенные по стационарным и нестационарным временным рядам.
Стационарным временным рядом называется временной ряд, который характеризуется постоянными во времени средней, дисперсией и автокорреляцией, т. е. данный временной ряд не содержит трендовой и сезонной компонент.
Нестационарным временным рядом называется временной ряд, который содержит трендовую и сезонную компоненты.
Определение. Моделью регрессии с одним уравнением называется зависимость результативной переменной, обозначаемой как у, от факторных (независимых) переменных, обозначаемых как х1,х2,…,хn. Данную зависимость можно представить в виде функции регрессии или модели регрессии:
y=f(x,β)=f(х1,х2,…,хn, β1…βk)
где β1…βk – параметры модели регрессии.
Можно выделить две основных классификации моделей регрессии::
а) классификация моделей регрессии на парные и множественные регрессии в зависимости от числа факторных переменных;
б) классификация моделей регрессии на линейные и нелинейные регрессии в зависимости от вида функции f(x,β).
В качестве примеров моделей регрессии с одним уравнением можно привести следующие модели:
а) производственная функция вида Q=f(L,K), выражающая зависимость объёма производства определённого товара (Q) от производственных факторов – от затрат капитала (К) и затрат труда (L);
б) функция цены Р=f(Q,Pk), характеризующая зависимость цены определённого товара (Р) от объема поставки (Q) и от цен конкурирующих товаров (Pk);
в) функция спроса Qd=f(P,Pk,I), характеризующая зависимость величины спроса на определённый товар (Р) от цены данного товара (Р), от цен товаров-конкурентов (Pk) и от реальных доходов потребителей (I).
Системой одновременных уравнений называется модель, которая описывается системами взаимозависимых регрессионных уравнений.
Системы одновременных уравнений могут включать в себя тождества и регрессионные уравнения, в каждое из которых могут входить не только факторные переменные, но и результативные переменные из других уравнений системы.
Регрессионные уравнения, входящие в систему одновременных уравнений, называются поведенческими уравнениями. В поведенческих уравнениях значения параметров являются неизвестными и подлежат оцениванию.
Основное отличие тождеств от регрессионных уравнений заключается в том, что их вид и значения параметров известны заранее.
Примером системы одновременных уравнений является модель спроса и предложения, в которую входит три уравнения:
а) уравнение предложения: =а0+а1*Рt+a2*Pt-1;
б) уравнение спроса: =b0+b1* Рt+b2*It;
в) тождество равновесия: QSt = Qdt,
где QSt – предложение товара в момент времени t;
Qdt – спрос на товар в момент времени t;
Рt – цена товара в момент времени t;
Pt-1 – цена товара в предшествующий момент времени (t-1);
It– доход потребителей в момент времени.
В модели спроса и предложения выражаются две результативные переменные:
а) Qt– объём спроса, равный объёму предложения в момент времени t;
б) Pt– цена товара в момент времени t.
5. Классификация эконометрических моделей
Общая классификация эконометрических или экономико-математических моделей включает более десяти основных признаков, но с развитием экономико-математических исследований проблема классификации данных моделей всё более усложняется. Помимо появления новых типов моделей (особенно смешанных типов) и новых признаков их классификаций, также идёт процесс интеграции моделей различных типов в более сложные, комбинированные модельные конструкции.
Рассмотрим несколько ключевых классификаций эконометрических моделей:
1) классификация эконометрических моделей по целевому назначению:
а) теоретико-аналитические модели, которые используются при исследовании общих свойств и закономерностей экономических процессов;
б) прикладные модели, которые используются при решении конкретных экономических задач (модели экономического анализа, прогнозирования, управления);
Также эконометрические модели могут быть использованы при исследовании различных сторон народного хозяйства и его отдельных частей.
2) классификация эконометрических моделей по исследуемым экономическим процессам и содержательной проблематике. При этом выделяются:
а) модели народного хозяйства в целом и его отдельных подсистем-отраслей, регионов и т. д.;
б) комплексы моделей производства и потребления;
в) комплексы моделей формирования и распределения доходов;
г) комплексы моделей трудовых ресурсов;
д) комплексы моделей ценообразования;
е) комплексы моделей финансовых связей и др.
3) классификация эконометрических моделей на дескриптивные и нормативные модели:
а) дескриптивные модели предназначены для объяснения наблюдаемых фактов или для построения вероятностного прогноза. В качестве примера дескриптивной модели можно привести производственные функции и функции покупательного спроса, построенные на основе обработки статистических данных;
б) нормативные модели отвечают на вопрос «как это должно бытьβ», т. е. предполагают целенаправленную деятельность. В качестве примера нормативной модели можно привести модели оптимального планирования, характеризующие тем или иным образом цели экономического развития, возможности и средства их достижения;
4) классификация эконометрических моделей по характеру отражения причинно-следственных связей. При этом выделяют:
а) модели жестко детерминистские;
б) модели, в которых учитываются факторы случайности и неопределенности.
Вследствие перехода от жёстко детерминированных моделей к моделям второго типа, были разработаны реальные возможности успешного применения более совершенной методологии моделирования экономических процессов, учитывающих факторы случайности и неопределённости, а именно:
а) проведение многовариантных расчетов и модельных экспериментов с вариацией конструкции модели и ее исходных данных;
б) изучение устойчивости и надежности получаемых решений;
в) выделение зоны неопределенности;
г) включение в модель резервов;
д) применение приемов, повышающих приспособляемость (адаптивность) экономических решений к вероятным и непредвиденным ситуациям
В последнее время широко применяются эконометрические модели, непосредственно отражающие стохастичность и неопределенность экономических процессов. Данные модели используют соответствующий математический аппарат: теорию вероятностей и математическую статистику, теорию игр и статистических решений, теорию массового обслуживания, теорию случайных процессов.
5) Классификация эконометрических моделей по способам отражения фактора времени. При этом выделяют:
а) статические модели, характеризующие исследуемую зависимость между переменными на определённый момент времени;
б) динамические модели, характеризующие изменение экономических процессов во времени.
Правообладателям!
Данное произведение размещено по согласованию с ООО "ЛитРес" (20% исходного текста). Если размещение книги нарушает чьи-либо права, то сообщите об этом.Читателям!
Оплатили, но не знаете что делать дальше?