Спецификация эконометрических моделей.

Построение эконометрических моделей, т. е. представление экономических моделей в математической форме, удобной для проведения эмпирического анализа. Данную проблему принято называть проблемой спецификации.

В зависимости от количества факторов, включенных в уравнение регрессии, принято различать простую (парную) и множественную регрессию.

Парная регрессия – регрессия между двумя переменными y и x, т.е. модель вида y = f(x)

где y – зависимая переменная (результативный признак);

x – независимая, объясняющая переменная (признак-фактор).

Спецификация модели – формулировка вида модели, исходя из соответствующей теории связи между переменными. Со спецификации модели начинается любое эконометрическое исследование. Иными словами, исследование начинается с теории, устанавливающей связь между явлениями.

Прежде всего, из круга факторов, влияющих на результативный признак, необходимо выделить наиболее существенно влияющие факторы. Парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной. В уравнении регрессии корреляционная связь признаков представляется в виде функциональной связи, выраженной соответствующей математической функцией

где y_j — фактическое значение результативного признака;

—теоретическое значение результативного признака.

— случайная величина, характеризующая отклонения реального значения результативного признака от теоретического.

Случайная величина ε называется также возмущением. Она включает влияние неучтенных в модели факторов, случайных ошибок и особенностей измерения.

От правильно выбранной спецификации модели зависит величина случайных ошибок: они тем меньше, чем в большей мере теоретические значения результативного признака подходят к фактическим данным у.

К ошибкам спецификации относятся неправильный выбор той или иной математической функции для , и недоучет в уравнении регрессии какого-либо существенного фактора, т. е. использование парной регрессии вместо множественной.

6. Ложная регрессия: причины возникновения.

Очень часто экономические процессы бывают нестационарными. В качестве примера можно привести объем производства, уровень цен. Уровень безработицы как процент трудоспособного населения это, с другой стороны, пример стационарной переменной. В данном случае термин " стационарность" употреблен не в строгом смысле. Скорее подразумевается, что дисперсия процесса ограничена.

Стационарность регрессоров является очень важным условием при оценивании регрессионных моделей. Если модель неверно специфицирована, и некоторые из переменных, которые в нее неправильно включены, являются нестационарными, то полученные оценки будут очень плохими. Они не будут обладать свойством состоятельности, то есть не будут сходиться по вероятности к истинным значениям параметров по мере увеличения размеров выборки. Привычные показатели, такие как коэффициент детерминации R², t-статистики, F-статистики, будут указывать на наличие связи там, где на самом деле ее нет. Такой эффект называют ложной регрессией.

Выявить ложную регрессию позволяет анализ остатков. Если коэффициенты автокорреляции остатков велики, то нарушено условие независимости ошибок.

Ошибка ложного регрессионного анализа заключается в том, что стандартная регрессионная модель применяется в ситуации когда основные предположения регрессии не выполняются.

Признаки ложной регрессии:

1. стандартная ошибка оценки может быть занижена

2. нельзя использовать выводы сделанные на основе t и F критериев.

3. Стандартные ошибки коэффициентов регрессии занижены => ложное уравнение регрессии