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

Эконометрика и эконометрическое моделирование

Покупка
Основная коллекция
Артикул: 658350.09.01
Доступ онлайн
от 500 ₽
В корзину
Частному лицу
Бумажная книга
2 761 ₽
Купить
Купить в составе основной коллекции от 1 490 ₽
Учебник охватывает широкий круг вопросов, связанных с эконометрическим моделированием. Регрессионные модели являются стержнем эконометрического моделирования, поэтому вопросам их оценки, тестирования предпосылок, корректировки и верификации отводится значительное место. Включены различные аспекты моделей множественной регрессии: мультиколлинеарность, фиктивные переменные, лаговая структура переменных. Рассматриваются способы линеаризации и оценки нелинейных моделей. Приводится аппарат оценивания систем одновременных и внешне не связанных уравнений. Уделяется внимание моделям временных рядов. Включены подробные решения примеров в Excel и программной среде R. Соответствует требованиям федеральных государственных образовательных стандартов высшего образования последнего поколения. Для студентов бакалавриата и магистратуры, обучающихся по направлению подготовки «Экономика», учебный план которого предусматривает дисциплины «Эконометрика», «Эконометрическое моделирование», «Эконометрические исследования».

Современные методы эконометрического моделирования: обзор учебного пособия

Учебник «Эконометрика и эконометрическое моделирование» (Л.О. Бабешко, М.Г. Бич, И.В. Орлова) представляет собой фундаментальное руководство, объединяющее теоретические основы эконометрики с актуальными инструментами практического анализа. Издание ориентировано на студентов экономических направлений и охватывает полный цикл эконометрического исследования: от спецификации модели до интерпретации результатов с использованием современных программных сред, таких как R и Excel.

Методологический фундамент и регрессионный анализ

Центральное место в книге отведено методам множественной линейной регрессии. Авторы детально разбирают классическую нормальную линейную регрессионную модель, условия Гаусса–Маркова и аппарат метода наименьших квадратов (МНК). Особое внимание уделено диагностике моделей: авторы подробно описывают причины, последствия и методы корректировки нарушений предпосылок Гаусса–Маркова, включая гетероскедастичность и автокорреляцию случайных возмущений. Читатель найдет здесь не только теоретические выкладки, но и алгоритмы тестов (Голдфельда–Квандта, Бреуша–Пагана, Дарбина–Уотсона), а также практические рекомендации по их реализации в программной среде R.

Проблемы спецификации и сложности данных

Значительная часть работы посвящена вопросам мультиколлинеарности, которая часто становится препятствием для получения устойчивых оценок. Авторы предлагают комплексный подход к диагностике этой проблемы, используя анализ корреляционных матриц, факторы инфляции дисперсии (VIF), тест Фаррара–Глоубера и анализ числа обусловленности матрицы регрессоров. В качестве методов борьбы с мультиколлинеарностью рассматриваются пошаговые процедуры отбора переменных, гребневая регрессия и метод главных компонент.

Отдельные главы посвящены нелинейным моделям и моделям с фиктивными переменными. Использование последних позволяет исследователю формализовать качественные признаки, такие как сезонность или структурные сдвиги в экономике. Авторы демонстрируют, как с помощью фиктивных переменных и теста Чоу можно выявлять и интерпретировать изменения в структуре экономических процессов, что критически важно для анализа кризисных явлений или смены экономической политики.

Динамические модели и временные ряды

Книга предлагает глубокий обзор динамических моделей, включая регрессии с распределенными лагами (в том числе методы Алмон и геометрической прогрессии) и авторегрессионные модели. Авторы объясняют, как учитывать временные задержки в экономических реакциях и как бороться с эндогенностью регрессоров. Завершающий блок посвящен анализу временных рядов: от проверки стационарности (тесты Дики–Фуллера, KPSS, Филлипса–Перрона) до построения моделей AR(p), MA(q) и смешанных моделей ARMA.

Практическая направленность

Ключевой особенностью учебника является его прикладная направленность. Каждая глава сопровождается подробными примерами, программными кодами для среды R и протоколами вычислений. Авторы делают ставку на R как на наиболее динамично развивающийся инструмент, предоставляя читателю возможность освоить современные методы анализа данных на практике. Учебник полностью соответствует требованиям ФГОС и является ценным ресурсом для студентов, стремящихся овладеть навыками количественного анализа экономических процессов на профессиональном уровне.

Текст подготовлен языковой моделью и может содержать неточности.

94
270
Бабешко, Л. О. Эконометрика и эконометрическое моделирование : учебник / Л. О. Бабешко, М. Г. Бич, И. В. Орлова. — 2-е изд., испр. и доп. — Москва : ИНФРА-М, 2026. — 387 с. : ил. — (Высшее образование). — DOI 10.12737/1141216. - ISBN 978-5-16-018722-8. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2233601 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
ЭКОНОМЕТРИКА  
И ЭКОНОМЕТРИЧЕСКОЕ 
МОДЕЛИРОВАНИЕ
Л.О. БАБЕШКО   
М.Г. БИЧ   
И.В. ОРЛОВА
Рекомендовано Межрегиональным учебно-методическим советом 
профессионального образования в качестве учебника для студентов 
высших учебных заведений, обучающихся по экономическим направлениям подготовки 
(квалификация (степень) «бакалавр», «магистр») (протокол № 10 от 12.10.2020)
УЧЕБНИК
2-е издание, исправленное и дополненное
Москва 
ИНФРА-М
2026


УДК  330.43(075.8)
ББК  65в6я73
	
Б12
Бабешко Л.О.
Б12 
 
Эконометрика и эконометрическое моделирование : учебник  / 
Л.О.  Бабешко, М.Г. Бич, И.В. Орлова. – 2-е изд., испр. и доп.  — 
Москва : ИНФРА-М, 2026. — 387 с. : ил. — (Высшее образование: Бакалавриат). — DOI 10.12737/1141216.
ISBN 
ISBN 978-5-16-108713-8 (online)
Учебник охватывает широкий круг вопросов, связанных с эконометрическим моделированием. Регрессионные модели являются стержнем эконометрического моделирования, поэтому вопросам их оценки, тестирования 
предпосылок, корректировки и верификации отводится значительное место. 
Включены различные аспекты моделей множественной регрессии: мультиколлинеарность, фиктивные переменные, лаговая структура переменных. Рассматриваются способы линеаризации и оценки нелинейных моделей. Приводится 
аппарат оценивания систем одновременных и внешне не связанных уравнений. 
Уделяется внимание моделям временных рядов. Включены подробные решения примеров в Excel и программной среде R. 
Соответствует требованиям федеральных государственных образовательных 
стандартов высшего образования последнего поколения.
Для студентов бакалавриата и магистратуры, обучающихся по направлению 
подготовки «Экономика», учебный план которого предусматривает дисциплины «Эконометрика», «Эконометрическое моделирование», «Эконометрические исследования».
УДК  330.43(075.8)
ББК  65в6я73
Р е ц е н з е н т ы:
Н.Б. Кобелев,  доктор экономических наук, профессор, президент НП «Ремесленная палата России»;
Г.В. Росс,  доктор экономических наук, доктор технических наук, профессор, начальник отдела Научно-исследовательского центра Московского технологического университета 
ISBN 978-5-16-016417-5 (print)
ISBN 978-5-16-108713-8 (online)
©  Бабешко Л.О., Бич М.Г., Орлова И.В., 2018 
©  Вузовский учебник, 2018
©  Бабешко Л.О., Бич М.Г., Орлова И.В., 2021,  
с изменениями
А в т о р ы:
Л.О. Бабешко, доктор экономических наук, профессор департамента математики Финансового университета при Правительстве РФ (гл. 1–3, 5–8); 
М.Г. Бич, кандидат технических наук, доцент кафедры системного анализа 
в экономике Финансового университета при Правительстве РФ (гл. 9, приложения 4, 5);  
И.В. Орлова, кандидат экономических наук, профессор департамента математики Финансового университета при Правительстве РФ (гл. 4, приложения 1–3)
Данная книга доступна в цветном исполнении  
в электронно-библиотечной системе Znanium.com


Введение
Учебник является результатом многолетнего опыта преподавания авторами дисциплин эконометрического профиля — «Эконометрика», «Эконометрическое моделирование», «Эконометрические исследования»  — в  Финансовом университете при Правительстве РФ. Опыт преподавания нашел отражение в ранних, 
многократно переиздаваемых работах авторов. Основным мотивом 
написания данной книги явилось желание включить в описание 
традиционных методов решения эконометрических задач их практическую реализацию в  программной среде R, которая принадлежит к числу наиболее динамически развивающихся статистических программ.
Термин «эконометрика» (экономика и  метрика) был введен 
норвежским ученым Рагнаром Фришем (первым лауреатом Нобелевской премии по экономике) в 1926 г. для обозначения нового 
направления в экономической науке, предназначенного для количественного анализа экономических процессов и явлений и базирующегося на синтетическом объединении экономической теории, 
экономико-математического моделирования, теории вероятностей, 
математической и социально-экономической статистики.
Основной задачей эконометрики является построение эконометрических моделей и их применение для оценки, анализа и прогнозирования экономических процессов. Построение эконометрических моделей выполняется в несколько этапов: спецификация 
модели (подробное описание объекта исследования); сбор статистической информации об объекте исследования; оценка параметров модели; верификация и проверка адекватности модели.
На этапе спецификации (математической формализации экономических закономерностей) определяется список экономических 
переменных, описывающих данный объект, и  устанавливается 
их взаимосвязь — вид зависимости эндогенных (зависимых) переменных от экзогенных (независимых, определенных вне модели) 
переменных. Например, из экономической теории известно, что 
инвестиции зависят от процентных ставок, потребление — от располагаемого дохода, совокупный спрос — от уровня цен, объем выпуска — от затрат труда и капитала и т.д. Эти зависимости являются 
не функциональными, а статистическими (регрессионными), так 
как всегда имеются причины, приводящие к отклонению эмпирической зависимости от теоретической: невключенные экзогенные 
переменные, ошибочный выбор зависимости между переменными 
модели, ошибки измерений.


Второй этап построения эконометрической модели связан 
со  сбором статистических данных. При  моделировании экономических процессов используются данные двух типов: пространственные данные (cross-sectional data) — набор данных по различным 
объектам за один и тот же момент времени — пространственный 
срез (объем выпуска, затраты капитала и  труда по  нескольким 
фирмам) и  данные временных рядов (time-series data)  — упорядоченный по времени набор данных по одному объекту (величина 
инвестиций фирмы за десять лет).
Оценка параметров эконометрической модели, выполняемая 
на третьем этапе по эмпирической информации, позволяет перейти 
от качественного описания экономических процессов к количественному. Для правильного выбора метода оценивания проводится 
проверка выполнения теоретических предпосылок модели. Построенная модель проверяется на адекватность (соответствие модели эмпирическим данным) методом ретроспективного прогнозирования.
Взаимосвязи между переменными модели часто близки к линейным. Поэтому первая глава посвящена моделям множественной 
линейной регрессии. Рассматриваются методы построения точечных и интервальных оценок параметров модели и эндогенной 
переменной. Приводятся статистики и тесты для оценки качества 
и проверки адекватности регрессионных моделей.
Во второй и  третьей главах анализируются нарушения предпосылок Гаусса–Маркова. Обсуждаются причины, последствия, 
тесты на обнаружение и методы корректировки.
В четвертой главе рассматриваются признаки и  последствия 
мультиколлинеарности. Большое внимание уделяется методам выявления и устранения мультиколлинеарности. Анализируется качество моделей, полученных на основе разных подходов к решению 
проблемы мультиколлинеарности.
Пятая глава посвящается вопросам моделирования влияния 
качественных признаков на  эндогенную переменную регрессионной модели. Рассматриваются способы включения фиктивных 
переменных (используемых для формализации качественных признаков) в спецификацию модели, способы тестирования значимости качественных признаков, вопросы влияния сезонных факторов и структурных изменений на экономические процессы.
Многие экономические процессы не  являются линейными 
по своей сути, поэтому их моделирование выполняется в рамках 
нелинейных регрессионных моделей. Шестая глава включает вопросы линеаризации нелинейных моделей, проблемы, связанные 
с линеаризацией, а также алгоритмы нелинейных методов оценивания регрессионных моделей.


При моделировании экономических процессов часто возникают ситуации, когда влияние одной экономической переменной 
на другую распределено во времени, т.е. эффект воздействия проявляется не сразу, а с некоторой задержкой. Например, инвестиции 
только с определенной задержкой во времени переходят в приращение основного капитала. Для отражения влияния фактора времени используют динамические регрессионные модели, которые 
традиционно подразделяются на модели с распределенными лагами (лаговую структуру имеют независимые переменные) и авторегрессионные модели (лаговую структуру имеют зависимые переменные).
В седьмой главе обсуждаются особенности оценивания динамических моделей, тестирования их предпосылок, выбора спецификаций.
В эконометрике выделяют три основных класса моделей для 
анализа и прогнозирования: регрессионные модели с одним уравнением, системы одновременных уравнений и модели временных 
рядов. Первому из  перечисленных классов моделей посвящены 
главы с первой по седьмую.
Восьмая глава охватывает широкий круг вопросов, связанных 
с  эконометрическими системами уравнений. Анализируются 
системы одновременных и  системы внешне не  связанных уравнений. Уделяется внимание проблеме идентификации и  оценке 
структурных параметров моделей систем одновременных уравнений 
(СОУ).
Особым видом моделей в эконометрике являются модели временных рядов, представленные в девятой главе: классические модели нестационарных и стационарных временных рядов, включая 
модель белого шума, условия стационарности временных рядов, 
графический и формальные тесты на стационарность временного 
ряда, способы генерации уровней ряда по теоретическим моделям, 
особенности автокорреляционных и частных автокорреляционных 
функций. На примерах демонстрируется проведение анализа, построение моделей временных рядов и прогнозирование.
Современные эконометрические исследования трудно представить без применения пакетов прикладных программ: STATA, 
Statistica, TSP, SPSS, Econometric Views и др. При выборе конкретного 
пакета учитывается специфика решаемой задачи, эффективность 
настройки алгоритмов обработки, издержки на покупку программ. 
Бесплатной альтернативой таких пакетов является свободно распространяемая программная среда R. Обладая кросс-платформенностью, широкой поддержкой научного сообщества и применением 


в практических исследованиях и работах, постоянным улучшением 
и расширением функциональных возможностей, активным сообществом разработчиков и пользователей, этот инструмент является 
наилучшим выбором для освоения и  дальнейшего применения 
в повседневной деятельности.
После каждой главы приводятся примеры с подробным решением, программные коды в R и протоколы вычислений, вопросы 
для самоконтроля, задачи и упражнения.
В результате освоения материала студенты должны:
знать 
•
• основные и специальные эконометрические методы построения 
и диагностики моделей, современные программные продукты, 
необходимые для решения эконометрических задач;
уметь 
•
• строить эконометрические модели при помощи основных и специальных методов, правильно интерпретировать и анализировать результаты эконометрического моделирования;
владеть 
•
• навыками формализации знаний предметной области для построения эконометрических моделей, навыками применения 
моделей для анализа и прогнозирования финансово-экономических показателей.
Учебник адресован студентам бакалавриата и  магистратуры, 
обучающимся по направлению «Экономика», учебный план которого включает дисциплины «Эконометрика», «Эконометрическое 
моделирование», «Эконометрические исследования».


Глава 1. 
МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
1.1. ОЦЕНКА ПАРАМЕТРОВ МОДЕЛИ 
МЕТОДОМ НАИМЕНЬШИХ КВАДРАТОВ
Спецификация регрессионной модели имеет следующую структуру:
 
(
)
Y
f X
=
+ ε, 
(1.1)
где Y — эндогенная (зависимая) переменная; X — экзогенная (независимая) переменная (регрессор);  (
)
f X  — детерминированная составляющая эндогенной переменной (уравнение регрессии), полностью объясняемая значением экзогенной переменной; e — случайная составляющая эндогенной переменной (случайное возмущение), которая не может быть объяснена значением Х.
Зависимость между экономическими переменными типа (1.1) 
называется регрессионной зависимостью, эконометрические модели 
со спецификацией вида (1.1) — регрессионными моделями.
Если уравнение регрессии линейно — регрессионная модель называется линейной регрессионной моделью, если уравнение регрессии 
нелинейно — модель называется нелинейной регрессионной моделью.
В зависимости от количества регрессоров, входящих в спецификацию, регрессионные модели подразделяются на модели парной 
регрессии и множественной регрессии. В парной регрессионной модели эндогенная переменная зависит только от одного регрессора, 
во множественной регрессионной модели — от двух и более регрессоров.
Предполагается, что между эндогенной переменной Y и k регрессорами существует линейная регрессионная зависимость
 
1
1
2
2
1
...
...
k
j
j
k
k
j
j
j
Y
X
X
X
X
X
=
= β
+ β
+
+ β
+
+ β
+ ε =
β
+ ε
∑
, (1.2)
где k — число параметров модели; 
j
X  — j-й регрессор; 
j
β  — j-й параметр модели, 
1,...,
j
k
; ε– случайное возмущение. Модель 
парной регрессии является частным случаем модели множественной регрессии.


В соответствии со  спецификацией (1.2) выборочные данные 
 
,
,
t
tj
Y X
 
, ...,
,
1
 
t
n
=
, ...,
1
j
k
=
 удовлетворяют системе уравнений наблюдений — схеме Гаусса–Маркова:
 
1
k
t
j
tj
t
j
Y
X
=
=
β
+ ε
∑
, 
, ...,
1
t
n
=
, 
(1.3)
где n — объем выборки; 
tY – значение эндогенной переменной в наблюдении t; 
tj
X  — значение регрессора 
j
X  в наблюдении t; 
tε – значение случайного возмущения в наблюдении t, или:
 
...
...
;
...
...
;
...
...
.
1
1
11
2
12
1
1
1
2
1
21
2
22
2
2
2
1
1
2
2
j
j
k
k
j
j
k
k
n
n
n
j
nj
k
nk
n
Y
X
X
X
X
Y
X
X
X
X
Y
X
X
X
X
=
β
+ β
+
+ β
+
+ β
+
ε
=
β
+ β
+
+ β
+
+ β
+
ε
=
β
+ β
+
+ β
+
+ β
+
ε





 
Запишем схему Гаусса–Маркова (1.3) в матричной форме1:
 
Y
X
=
β + ε, 
(1.4)
где 
(
,
, ...,
)
1
2
T
n
Y
Y Y
Y
=
  — (
)1
n ×
  — вектор-столбец значений эндогенной переменной; 
(
,
, ...,
)
1
2
T
k
β = β
β
β
 — (
)1
k ×
 — вектор-столбец 
параметров модели; 
(
,
, ...,
)
1
2
T
n
ε = ε
ε
ε
– (
)1
n ×
 — вектор-столбец случайных возмущений (ошибок).
11
1
1
k
n k
n
nk
X
X
X
X
X
×




= 









  — детерминированная матрица регрессоров 
полного ранга (
(
)
rank X
k
=
), т.е. векторы-столбцы 
,
, ...,
, ...,
1
2
j
k
X
X
X
X  
(столбцы матрицы Х) линейно независимы в  векторном пространстве Rn. Через
 
1
11
21
1
1
1
1
T
T
n
n
X
X
X
X
I
=
=
=
,
(
,
,...,
)
( ,..., )
обозначен единичный вектор-столбец, который позволяет формализовать спецификацию модели со свободным членом и без него 
в единообразной форме.
Относительно вектора случайных возмущений принимаются 
следующие предпосылки — условия Гаусса–Маркова:
1 
 Значком «Т» обозначена операция транспонирования.


1) математическое ожидание вектора возмущений равно нулю 
(первая предпосылка):
 
( )
E ε =
, 
(1.5)
т.е. случайное возмущение в среднем не оказывает влияния на эндогенную переменную;
2) автоковариационная матрица вектора возмущений имеет 
структуру:
 
(
)
2
2
2
2
0
0
0
0
0
0
0
0
0
T
n
C
E
I
εε


σ


σ


=
εε
= σ ×
= 



σ






, 
(1.6)
где 
n
I  — единичная матрица размером n
n
×
; 
( )
2
const
t
Var
σ
=
ε
=
 — 
дисперсия возмущения в наблюдении t не зависит от номера наблюдения (возмущение гомоскедастично — вторая предпосылка), 
т.е. нет априорной причины, вызывающей большую или меньшую 
ошибку; недиагональные элементы матрицы
	
Cov(et, es) = 0, при t ≠ s
(возмущение не автокоррелировано — третья предпосылка), т.е. отсутствует статистическая связь между случайными возмущениями 
в различных наблюдениях;
3) стохастические регрессоры не  коррелируют со  случайным 
возмущением (четвертая предпосылка):
 
{
}
0
,
jt
t
Cov X
ε
=
;
4) вектор случайных возмущений имеет нормальное распределение
 
ε ~ 
0
( ,
)
N
Cεε . 
(1.7)
Модель, удовлетворяющая предпосылкам 1), 2), 4) называется классической нормальной линейной регрессионной моделью 
(classical normal linear regression model).
Определим числовые характеристики случайного вектора Y 
в рамках спецификации (1.4)—(1.6):
 
( )
(
)
(
)
( )
E Y
E X
E X
E
X
=
β + ε =
β +
ε =
β. 


Автоковариационная матрица вектора значений эндогенной переменной равна
 
,
(
,
)
( , )
2
YY
n
C
Cov Y Y
Cov X
X
Cov
C
I
εε
=
=
β + ε
β + ε =
ε ε =
= σ
. (1.9)
Оценив по выборочным данным 
,
, 
t
tj
Y
X
 
, ...,
,
1
 
t
n
=
, ...,
1
j
k
=
, 
вектор параметров b, можно вычислить оценку вектора значений 
эндогенной переменной (как оценку математического ожидания 
(1.8))1:
 
ˆ
ˆY
X
=
β. 
(1.10)
При выполнении предпосылок Гаусса–Маркова оценка параметров модели выполняется методом наименьших квадратов 
(МНК). В качестве вектора МНК-оценок параметров ˆβ принимается вектор, минимизирующий сумму квадратов остатков (отклонений значений эндогенной переменной от их оценок, 
ˆ
t
t
t
e
Y
Y
=
−
):
 
2
T
t
ESS
e
e e
=
=
∑
 → min, 
(1.11)
где
 
ˆ
ˆ
e
Y
Y
Y
X
=
−
=
−
β 
(1.12)
— вектор остатков 
( ,
, ...,
)
1
2
T
n
e
e
e
e
=
. Выразим критерий ESS через 
вектор оценок параметров:
 
ESS =
T
e e = 
ˆ
ˆ
ˆ
ˆ
(
) (
)
(
)(
)
T
T
T
T
Y
X
Y
X
Y
X
Y
X
−
β
−
β =
−β
−
β =
 
ˆ
ˆ
ˆ
T
T
T
T
T
T
Y Y
X Y
Y X
X X
=
−β
−
β + β
β.
Результат дифференцирования критерия ESS по вектору оценок 
параметров дает необходимые условия экстремума:
 
2
2
0
ˆ
,
ˆ
T
T
T
ESS
X X
X Y
∂
=
β −
=
∂β
 
(
)
0
ˆ
T
T
X
Y
X
X e
−
β =
=
. 
(1.13)
Система уравнений (1.13) называется системой нормальных уравнений
 
ˆ
T
T
X X
X Y
β =
. 
1 
Значок ^ используется в данной главе для обозначения оценок (приближенных значений).


Доступ онлайн
от 500 ₽
В корзину
Частному лицу
Бумажная книга
2 761 ₽
Купить
Купить в составе основной коллекции от 1 490 ₽