Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Метод Монте-Карло в эконометрике
Метод Монте-Карло (метод статистических решений / иммитационный метод) – это общее название группы методов для решения различных задач с помощью случайных последовательностей. Метод имитационного моделирования Монте-Карло предполагает генерирование случайных значений в соответствии с заданными ограничениями. Производят N испытаний, в результате которых получают N возможных значений X, вычисляют их среднее арифметическое и принимают его в качестве оценки (приближенного значения) A’ искомого числа A. Выполнение условий (1.1) гарантирует оптимальный МНК – свойство оптимальности. Нарушение свойств ведет к получению смещенных оценок. Производят следующие нарушения предпосылок: 1. 2. 3. 4. Результаты нарушения предпосылок теоремы Гаусса-Маркова: 1. Если , то свойства несмещенности и эффективности будут утеряны всеми , необходимо дальнейшее рассмотрение более качественной спецификации 2. Если остаются несмещенными, но теряют свойства эффективности; смещена и поэтому на практике становится неприемлемой. Есть смысл МНК заменить на ВМНК или на ММП 3. Если , тогда последствия для МНК оценок такие же как и в пункте 2. Оптимальным будет метод оценок ОМНК и ММП. 4. Если , то МНК оценким параметров несостоятельнеы, где n→к бесконечности. (где n – количество выборки) → Метод имитационного моделирования Монте-Карло предполагает генерирование случайных значений в соответствии с заданными ограничениями. Производят N испытаний, в результате которых получают N возможных значений X, вычисляют их среднее арифметическое и принимают его в качестве оценки (приближенного значения) A’ искомого числа A. Метод Монте-Карло позволяет моделировать любой процесс, на протекание которого влияют случайные факторы. В отличие от аналитических методов, методы Монте-Карло ищут решения в виде статистических сумм. 32. Мультиколлинеарность, ее возникновение и влияние на оценку параметров регрессии. Включение фактора в эконометрическую модель. Признаки мультиколлинеарности. Проблема мультиколлинеарности – ситуация, когда в уравнениях наблюдений столбцы матрицы Х становятся практически линейно зависимыми, что входит в противоречие с исходной предпосылкой теоремы Гаусса-Маркова. Оценки в такой ситуации становятся ненадежными.
Основные причины возникновения 1. ошибочное включение в уравнение 2х или более линейно зависимых переменных 2. две или более объясняющие переменные, в нормальной ситуации слабо коррелированные, становятся в конкретных условиях выборки сильно коррелированными. 3. в модель включается переменная, сильно коррелирующая с зависимой переменной. Признаки мультиколлинеарности: · высокий коэффициент парной корреляции независимых переменных, например, если модуль парного коэффициента корреляции между регрессорами больше 0,75: · близость к нулю определителя матрицы · близость к нулю определителя матрицы взаимных корреляций регрессоров · высокое значение скорректированного коэффициента детерминации и F-статистики при низких наблюдаемых значениях t-статистик оценок коэффициентов, Последствия мультиколлинеарности 1. Оценки коэффициентов остаются несмещенными. В результате оценки могут перейти через нуль и оказаться по другую сторону от нуля. Если это происходит, возникает неправильный знак коэффициента. 2. Стандартные ошибки коэффициентов увеличиваются 3. Вычисленные t-статистики занижены. 4. Оценки становится очень чувствительными к изменению спецификации и изменению отдельных наблюдений. 5. Общее качество уравнения, а также оценки переменных, не связанных мультиколлинеарностью, остаются незатронутыми. 6. Чем ближе мультиколлинеарность к совершенной (строгой), тем серьезнее ее последствия. 33. Средства для смягчения мультиколлинеарности на примере линейной множественной эконометрической модели с двумя регрессорами Если оцененную модель регрессии предполагается использовать для изучения экономических связей, то устранение мультиколлинеарных факторов является обязательным, потому что их наличие в модели может привести к неправильным знакам коэффициентов регрессии. Различные методы, которые могут быть использованы для смягчения мультиколлинеарности, делятся на две категории: прямые попытки улучшить четыре условия, ответственные за надежность регрессионных оценок, и косвенные методы.
Для борьбы с мультиколлинеарностью можно использовать следующие способы: 1. Ничего не делать; 2. Увеличить число наблюдений; 3. Исключить из модели переменную (переменные), имеющую высокую тесноту связи с другими независимыми переменными; 4. Преобразовать мультиколлинеарные переменные путем § представления их в виде линейной комбинации; § преобразования уравнения к виду логарифмического или к уравнению в первых разностях; Первый прием предполагает создание новой переменной, которая является функцией мультиколлинеарных переменных и использование данной новой переменной взамен мультиколлинеарных в уравнении регрессии. Второй – представление мультиколлинеарной переменной в виде разности:; 4. Использовать статистические методы: главных компонент, гребневой регрессии, факторного анализа. Методы устранения мультиколлинеарности: 1) Исключение переменных из модели. 2) Методы, использующие внешнюю информацию. 3) Переход к смещенным методам оценивания.
|
||||||
Последнее изменение этой страницы: 2021-06-14; просмотров: 110; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.17.75.227 (0.006 с.) |