Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Основы эконометрики

Покупка
Артикул: 881565.01.99
Доступ онлайн
140 ₽
В корзину
Учебно-методическое пособие подготовлено для студентов, обучающихся по направлению «Экономика», квалификация бакалавр. В пособии представлен основной теоретический материал по темам «Парная корреляция и регрессия», «Модель множественной регрессии», «Модели временных рядов», «Системы линейных одновременных уравнений», «Классы динамических эконометрических моделей»; разобраны типовые задачи и их решение с помощью пакета прикладных программ MS Excel. Для самоконтроля к рассмотренным темам предложены тестовые задания.
3
Копылова, Н. Т. Основы эконометрики : учебно-методическое пособие / Н. Т. Копылова, Е. Г. Свердлова. – 2-е изд., стер. - Москва ; Берлин : Директ-Медиа, 2019. - 100 с. – ISBN 978-5-4499-0103-3. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2257633 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ 
УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ 
РОССИЙСКАЯ АКАДЕМИЯ НАРОДНОГО ХОЗЯЙСТВА И ГОСУДАРСТВЕННОЙ 
СЛУЖБЫ ПРИ ПРЕЗИДЕНТЕ РОССИЙСКОЙ ФЕДЕРАЦИИ 
АЛТАЙСКИЙ ФИЛИАЛ
Н. Т. Копылова, Е. Г. Свердлова 
ОСНОВЫ 
ЭКОНОМЕТРИКИ 
Учебно-методическое пособие 
Второе издание, стереотипное 
Москва 
Берлин 


УДК 330.43(075) 
ББК 65в631я73 
 К65 
Копылова, Н. Т. 
К65 
 
Основы эконометрики : учебно-методическое пособие / 
Н. Т. Копылова, Е. Г. Свердлова. — 2-е изд., стер. — Москва , 
Берлин : Директ-Медиа, 2019. — 99 с. 
ISBN 978-5-4499-0103-3
Учебно-методическое пособие подготовлено для студентов, обучающихся по направлению «Экономика», квалификация 
бакалавр.
В пособии представлен основной теоретический материал 
по 
темам 
«Парная 
корреляция 
и 
регрессия», 
«Модель 
множественной 
регрессии», 
«Модели 
временных 
рядов», 
«Системы линейных одновременных уравнений», «Классы 
динамических эконометрических моделей»; разобраны типовые 
задачи и их решение с помощью пакета прикладных программ 
MS 
Excel. 
Для 
самоконтроля 
к 
рассмотренным 
темам 
предложены 
тестовые 
задания.
Текст приводится в авторской редакции. 
УДК 330.43(075) 
ББК 65в631я73 
ISBN 978-5-4499-0103-3 
© Копылова Н. Т., Свердлова Е. Г., текст, 2019 
© Издательство «Директ-Медиа», оформление, 2019 


ТЕМА 1 
ВВЕДЕНИЕ. ЭКОНОМЕТРИКА 
И ЭКОНОМЕТРИЧЕСКОЕ МОДЕЛИРОВАНИЕ: 
ОСНОВНЫЕ ПОНЯТИЯ И ОПРЕДЕЛЕНИЯ 
Эконометрика — это наука, которая даёт количественное выражение 
взаимосвязей экономических явлений и процессов. 
Основные задачи эконометрики: построение количественно определённых 
экономико-математических моделей, разработка методов оценки их параметров по статистическим данным, анализ свойств построенных моделей и 
прогнозирование на их основе экономических процессов. 
Можно выделить три основных класса моделей, которые применяются для 
анализа  и прогнозирования экономических процессов: 
модели временных рядов, 
— регрессионные модели с одним уравнением, 
— системы одновременных уравнений. 
При этом все переменные любой эконометрической модели по способу их 
вхождения в эту модель можно разбить на объясняемые (зависимые, исследуемые) переменные и объясняющие (предопределённые, факторные) переменные. 
Например, если мы будем решать задачу прогнозирования продаж мороженого в определённый день каким-либо торговым предприятием, то объясняемой переменной будет объём продаж, а объясняющими переменными могут 
выступать: температура воздуха, торговая наценка, среднедушевой доход 
населения и другие. 
Необходимым условием использования той или иной переменной при построении модели является наличие ряда данных наблюдений (измерений) величины этой переменной, либо получение ряда значений с использованием 
дополнительных вычислений на основе наблюдений о показателях, объясняющих интересующую нас переменную. 
Например, определение достоверных значений среднедушевого дохода 
непосредственно по результатам опросов и бухгалтерской отчётности может 
оказаться сложнее оценки изменения дохода на основе информации об изменении розничного оборота товаров и услуг, а также изменении общей суммы 
банковских вкладов населения. 
Экзогенные переменные — это внешние по отношению к модели переменные, их значения определяются вне модели и поэтому они считаются фиксированными, обозначаются обычно как x. 
Эндогенные переменные — это переменные, значения которых определяются внутри модели и обозначаются как y. 
В эконометрике выделяют три типа данных: 
I. Кросс секционные (перекрёстные) данные представляют ситуацию в 
группе переменных в отдельный момент времени. Таковыми, например, являются публикуемые в деловых разделах газет списки цен на различные акции, процентные ставки по разным видам вкладов и обменные курсы разных 


валют. Другим примером может служить информация о продажах торговым 
предприятием в определённый день товаров различных групп (пищевых, хозяйственных и т.д.) 
II. Пространственные данные характеризуют ситуацию по конкретной
переменной (или набору переменных), относящейся к пространственно разделённым однотипным объектам в один момент времени. Например, данные о 
курсах валют в один день по разным обменным пунктам города или продажи 
мороженого в различных киосках в один день. 
III. Временные ряды отражают изменения (динамику) какой-либо переменной на промежутке времени. Например, данные об обменном курсе валюты за каждый день в конкретном обменном пункте или данные о продажах 
мороженого в одном киоске за каждый день будут являться ежедневным временным рядом. 
Эконометрическое моделирование состоит из следующих этапов: 
1. На постановочном этапе формулируются конечные цели моделирования, определяется наборы возможных исследуемых (объясняемых) переменных 
1
2
(
,
,
)
k
Y
y y
y
=

 и 
факторных 
(объясняющих) 
переменных 
)
,
,
(
2
1
m
x
x
x
X

=
. 
2. На предварительном этапе осуществляется предварительный анализ
экономической сути изучаемого явления, возможностей сбора и обработки 
статистических данных. 
3. На этапе параметризации производится выбор общего вида модели, в
том числе состава и формы входящих в неё связей. Например, может быть выбрана модель с одной объясняющей и одной объясняемой переменными — 
модель парной регрессии. Если объясняющих (факторных) переменных используется две или более, то говорят об использовании модели множественной регрессии. При этом, в качестве вариантов могут быть выбраны линейная, 
экспоненциальная, гиперболическая, показательная и другие виды функций, 
связывающие эти переменные. 
4. Информационный этап заключается в сборе информации (проведение
наблюдений, использование материалов отчётности и т.д.) и предварительном 
анализе данных (проверка аномальных значений показателей, сглаживание, 
тестирование на наличие тенденции исследуемых показателей к изменению). 
5. Идентификация модели посвящена определению неизвестных параметров (коэффициентов) модели с использованием имеющегося набора данных. 
Наибольшее распространение для оценки параметров получил метод 
наименьших квадратов. 
6. Проверка (верификация) модели и прогнозирование предполагает сопоставление реальных и модельных данных, проверку адекватности модели, 
оценку точности модельных данных. Если модель адекватна и имеет приемлемую точность, то на её основе строится прогноз — точечный и интервальный. 
ТЕМА 2 


ПАРНАЯ КОРРЕЛЯЦИЯ И РЕГРЕССИЯ 
Изучение действительности показывает, что изменение каждого исследуемого (объясняемого) показателя находится в связи и взаимодействии с изменением объясняющих (факторных) показателей. Например, изменение производительности труда работников предприятия зависит от степени совершенства применяемого оборудования, технологии, организации труда, управления 
и других факторов. 
Рассматривая зависимости между признаками, необходимо выделить два 
вида зависимостей: функциональные и корреляционные. 
Функциональные связи характеризуются полным соответствием между изменением факторного признака (признаков) и исследуемого показателя. Так, 
величина начисленной зарплаты при повременной оплате труда однозначно 
определяется количеством отработанных часов. 
В корреляционных связях между изменением факторного и результативного признаков нет однозначного соответствия, воздействие факторов проявляется лишь в среднем при многократном наблюдении фактических данных. 
Например, чем больше у человека заработная плата, тем больше он тратит денег на покупку одежды. Однако, точную величину таких расходов при определенной величине заработной платы назвать нельзя. Можно только определить среднюю величину расходов на одежду у людей с определённым размером заработной платы. 
В отличие от жёсткости функциональной связи корреляционные связи характеризуются множеством причин и следствий и устанавливаются лишь тенденции изменения исследуемого признака при изменении факторного признака (признаков). 
2.1 Ковариация. Выборочный коэффициент парной корреляции 
Основная задача корреляционного анализа заключается в выявлении взаимосвязи между случайными переменными путём оценки коэффициентов 
корреляции и детерминации, а также проверки значимости полученных значений. 
В эконометрике корреляционный анализ применяется для отбора факторов, оказывающих наибольшее влияние на исследуемый показатель и оценки 
качества построенных эконометрических моделей. 
Мерой взаимосвязи между двумя переменными v и w является выборочная 
ковариация, вычисляемая по правилу: 
1
( , )
(
)(
)
1
1
n
Cov v w
v
v
w
w
ср
ср
i
i
n
i




=
−
−
∑
−
=
, 
где 
,
,
1,
v w i
n
i
i
=  — результаты наблюдений, n — число наблюдений, 


;
.
1
1
n
n
i
i
v
v
w
w
ср
ср
i
i
n
n
=
=
=
=
∑
∑
 
Обозначения переменных специально выбраны отличные от x и y, чтобы 
подчеркнуть возможность наличия связи между двумя любыми переменными, 
не обязательно являющимися объясняющей и объясняемой переменными. 
Существенным недостатком ковариации является зависимость от единиц, в 
которых измеряются переменные v и w. Если мы одни и те же данные запишем 
с использованием различных единиц измерения, то получим различные значения ковариации. То есть любое ненулевое значение ковариации само по себе 
не позволяет сделать вывод о тесноте связи между переменными. 
Поэтому для измерения силы связи между двумя переменными используется парный коэффициент корреляции. Парный коэффициент корреляции является показателем тесноты связи между переменными v и w лишь в случае 
линейной зависимости между этими переменными. 
В практических расчётах обычно используется выборочный парный коэффициент парной корреляции, определяемый по имеющемуся набору фактических данных: 
1
1
1
(
) (
)
( , )
( , )
2
2
(
)
(
)
n
i
n
n
i
i
v
v
w
w
ср
ср
i
i
Cov v w
r v w
S
S
v
w
v
v
w
w
ср
ср
i
i
=
=
=


−
⋅
−


=
=
⋅
−
⋅
−
∑
∑
∑
 , 
(2.1) 
где 
1
1
2
2
2
2
(
) ,
(
)
1
1
1
1
n
n
i
i
S
v
v
S
w
w
v
ср
w
ср
i
i
n
n
=
=
=
−
=
−
−
−
∑
∑
 — выборочные значения дисперсии переменных v и w. 
 
Замечание. Коэффициенты парной корреляции можно получить, используя программу Microsoft Excel: 
Excel 2010 / Данные / Анализ данных / Корреляция. 
 
Парный коэффициент корреляции обладает следующими свойствами: 
1) принимает значение в интервале [–1;1], то есть 
( , )
1
r v w ≤; 
2) не зависит от выбора начала отсчёта и единицы измерения 
(
;
)
( , )
r av
b cw
d
r v w
+
+
=
, где a, b, c, d — постоянные величины, причём a и 
с — положительны; 
3) если ( , )
0
r v w >
, то между переменными имеется прямая связь, то есть 
при возрастании (убывании) одной из них другая также возрастает (убывает); 
4) если 
0
)
,
(
<
w
v
r
, то связь является обратной, то есть при возрастании 
одной переменной другая убывает; 
5) если 
1
)
,
(
±
=
w
v
r
, то между переменными имеется функциональная 
линейная зависимость, а если 
0
)
,
(
=
w
v
r
, то линейная связь между пере6 


менными отсутствует; соответственно, чем ближе модуль коэффициента парной корреляции к единице, тем теснее связь между переменными. 
Заметим, что при отсутствии линейной связи между двумя переменными, 
между ними может существовать тесная связь другого вида. 
Пример 1. В таблице приведены данные об объёмах продаж мороженого в 
магазине за день y, в зависимости от температуры воздуха в городе x1 и процента торговой надбавки x2. Видно, что спрос быстро растёт при повышении 
температуры воздуха. При наступлении очень высоких температур, предприятие резко увеличивает наценку, поскольку оказывается не в состоянии физически удовлетворить резко возрастающий спрос и сдерживает его повышением цен. 
Требуется определить наличие между переменными линейных корреляционных связей, сделать выводы об их тесноте и охарактеризовать как прямые 
или обратные. 
Таблица 1 
у, тыс. р. 
x1, °С 
x2, % 
2 
5 
20 
3,5 
10 
20 
5 
15 
20 
12 
20 
20 
22 
25 
20 
40 
30 
25 
42 
35 
50 
Решение. Используя программу Корреляция, получим матрицу коэффициентов парной корреляции между всеми имеющимися переменными. 
y 
x1 
x2 
y 
1 
x1 
0,9494 
1 
x2 
0,7229 
0,6901 
1 
Тогда выборочные коэффициенты парной корреляции: 
( , 1)
0,9494;
( , 2)
0,7229;
( 1, 2)
0,6901
r y x
r y x
r x x
≈
≈
≈
.  
Следовательно, мы можем сказать, что между переменными y (объём продаж) и x1 (температура воздуха) имеется тесная прямая линейная связь. Между 
переменными x1 (температура воздуха) и x2 (торговая наценка) также наблюдается тесная прямая линейная зависимость. То же самое можно сказать о взаимосвязи между переменными y и x2. 


Для того чтобы проверить, можем ли мы делать вывод о наличии линейной 
корреляционной связи между переменными по полученному значению коэффициента парной корреляции производится оценка его значимости, то есть 
определяется действительно ли полученное значение отражает наличие линейной связи, или же ненулевое значение коэффициента получено в результате случайных колебаний показателей или является следствием погрешности в 
вычислениях. 
2.2 Оценка значимости выборочного коэффициента 
парной корреляции 
Для оценки значимости выборочного коэффициента парной корреляции 
применяется t-критерий Стьюдента. При этом фактическое значение этого 
критерия определяется по формуле: 
2
(
2)
2
1
r
t
n
набл
r
=
−
−
, 
(2.2) 
где n — число наблюдений. 
Полученное значение сравнивается с табличным критическим значением 
( , )
кр
t
α ν
, зависящим от уровня значимости α и числа степеней свободы 
2
n
ν =
−
. Критическое значение может быть найдено по соответствующим 
таблицам, а при использовании табличного процессора Excel — с помощью 
функции СТЬЮДРАСПОБР (α ; ν). 
При 
кр
набл
t
t
>
 полученное значение коэффициента корреляции r признается значимым, то есть между переменными имеется линейная корреляционная зависимость. 
Для рассмотренного Примера 1 при 
0,1
α =
 с учётом количества степеней 
свободы 
7
2
5
ν =
−
=
 критическое значение 
(0,1;5)
2,02
кр
t
=
. Вычислим 
набл
t
 для каждой пары переменных и сделаем вывод о значимости соответствующих коэффициентов корреляции. 
Для пары переменных y, x1 : 
0,9494 0,9494
5
6,76
2,02
1 0,9494 0,9494
набл
кр
t
t
⋅
⋅
≈
>
=
−
⋅
=
. 
Следовательно, значение коэффициента ( , 1)
0,9494
r y x
=
 является значимым. 
Для пары переменных y, x2 : 


0,7229 0,7229
1 0,7229 0,7229
набл
кр
t
t
⋅
=
⋅
≈
>
=
−
⋅
. 
Следовательно, мы можем утверждать, что значение коэффициента 
( , 2)
0,7229
r y x
=
 является значимым. 
Для пары переменных x1, x2 : 
0,6901 0,6901
5
2,13
2,02
1 0,6901 0,6901
набл
кр
t
t
⋅
=
⋅
≈
>
=
−
⋅
. 
Следовательно, значение коэффициента ( 1, 2)
0,6901
r x x
=
 является значимым. 
Поскольку мы выбрали уровень значимости 
0,1
α =
, то с вероятностью 
10% мы сделали ошибочные выводы, а с вероятностью 
1
0,9
P
α
= −
=
 наши 
выводы верны. 
2.3 Модель парной регрессии. Основные понятия. 
Линейная парная регрессия 
Регрессионное уравнение, разрешённое относительно исследуемой переменной у при наличии одной факторной переменной x, в общем виде записывается как: 
( )
y
f x
р =
, 
и показывает, каково будет в среднем значение переменной y, если переменная 
х примет конкретное значение. Индекс р указывает на то, что мы получаем 
расчётное значение переменной y. Мы говорим в среднем, поскольку под влиянием неучтённых в модели факторов и в результате погрешностей измерения 
фактическое значение переменной y может принимать различные значения 
для одного значения x. 
Если f(x) является линейной функцией, то мы имеем общий вид модели 
парной линейной регрессии: 
y
a
b x
р =
+ ⋅, 
(2.3) 
где a — постоянная величина (или свободный член уравнения), b — коэффициент регрессии, определяющий наклон линии, вдоль которой рассеяны 
наблюдения. 
Коэффициент регрессии характеризует изменение переменной y при изменении значения x на единицу. Если 
0
>
b
, то переменные положительно коррелированы, если 
0
<
b
 — отрицательно коррелированы. 


Фактическое значение исследуемой переменной y тогда может быть представлено в виде: 
y
a
b x
ε
=
+ ⋅+
, 
(2.4) 
где ε — разность между фактическим значением (результатом наблюдения) и 
значением, рассчитанным по уравнению модели. Если модель адекватно описывает исследуемый процесс, то ε — независимая нормально распределённая 
случайная величина с нулевым математическим ожиданием (Мε = 0) и постоянной дисперсией (Dε = σ2). Наличие случайной компоненты ε отражает тот 
факт, что присутствуют другие факторы, влияющие на исследуемую переменную и не учтённые в модели. 
2.4 Определение параметров линейной парной модели 
методом МНК 
Для оценки параметров a и b линейной парной регрессии с использованием имеющегося набора результатов наблюдений наиболее часто используют 
метод наименьших квадратов (МНК), который минимизирует сумму квадратов εi — отклонения результатов наблюдений yi от рассчитанных по линейной 
модели (2.3) значений yрi: 
(
) (
)
1
,
2
(
)
1
n
x
x
y
y
i
ср
i
ср
i
b
a
y
b x
ср
ср
n
x
x
i
ср
i


−
⋅
−
∑



=
=
=
−⋅
−
∑
=
. 
(2.5) 
Такое решение может существовать только при выполнении условия 
1
2
(
)
0
n
i
i
ср
x
x
=
−
≠
∑
, то есть когда не все наблюдения проводились при одном и 
том же значении факторной переменной (сумма квадратов равна нулю, если 
каждое слагаемое равно нулю). Это условие называется условием идентифицируемости модели. 
 
Замечание. Для определения коэффициентов парной линейной регрессии 
можно использовать программу Microsoft Excel: 
Excel 2010 / Данные / Анализ данных / Регрессия. 
 
По данным, приведённым в Примере 1, построим линейную модель для 
объёма продаж мороженного y в зависимости от температуры воздуха x1. 
Используя программу Регрессия, в качестве «входного интервала Х» выбираем значения фактора х1. Результаты вычислений представлены в таблицах: 


Доступ онлайн
140 ₽
В корзину