Требования к критериям оценки выполнения практических заданий, контрольных работ

Для текущего контроля достаточно представить пять выполненных заданий по каждой теме. Оценка выполнения практического задания проводится по 50-бальной системе (10 баллов на каждую из пяти задач). 40-50 баллов, набранных студентом, соответствуют оценке "отлично", 30-39 баллов – оценке "хорошо", 20-29 баллов – оценке "удовлетворительно", 0-19 баллов – оценке "неудовлетворительно".

В случае если задача решена в целом правильно, но допущены 1-2 арифметические ошибки, либо не объяснен какой-либо ключевой момент решения, решение оценивается в 8-10 баллов. Если решение задачи не доведено до конца, либо окончание решения ошибочно, но имеется правильный план ре­шения и получены существенные, важные для решения результаты, задача оце­нивается в 4-8 баллов. Если задача не решена, отсутствует общий план реше­ния либо допущены грубые ошибки, но есть продвижения в нужном направле­нии или правильно сделаны отдельные шаги решения, задача оценивается в 1-4 балла.

Контрольная работа предназначена для итогового контроля зна­ний и навыков студентов по всем темам дисциплины. В отличие от практических заданий, оценка за каждую задачу контрольной работы - зачте­но или не зачтено.

Оценка зачтено ставится за правильное и полное решение задачи, допускаются небольшие погрешности в изложении и вычислениях. Оценка за контрольную работу – зачтено, если зачтены все контрольные задания по всем темам дисциплины.

Если практические задания по всем темам дисциплины выполнены на оценку не ниже «удовлетворительно», и получена оценка «зачтено» за контрольную работу, то студент допускается к итоговой аттестации – зачету.

В случае неудовлетворительной оценки за практическое задание по отдельной теме студент должен выполнить работу над ошибками и дополнительно решить другие примеры из тех же тем, за которые получены неудовлетворительные оценки (за каждый неправильно решенный пример – один дополнительно).

Если контрольная работа не зачтена, то студент должен выполнить работу над ошибками и затем заново написать другой вариант контрольной работы, предложенный преподавателем.

ВОПРОСЫ ДЛЯ ПОДГОТОВКИ К ЗАЧЕТУ

1. Эконометрика: цели, методы, проблемы, типы переменных.

2. История отечественных и зарубежных эконометрических исследований.

3. Состояние и перспективы развития эконометрики.

4. Классификация эконометрических моделей.

5. Определения и основные понятия эконометрики.

6. Исследование взаимосвязи социально-экономических явлений.

7. Причинность, регрессия, корреляция.

8. Корреляционно-регрессионный анализ в экономике. Анализ и обобщение статистической информации.

9. Этапы эконометрического исследования.

10. Что такое линейная регрессия?

11. Дайте определения парной и множественной регрессии.

12. Что такое спецификация и параметризация уравнения регрессии? Как они осуществляются?

13. Какими могут быть критерии качества оценки линейной регрессии?

14. В чем сущность метода наименьших квадратов (МНК)?

15. Сформулируйте общую задачу статистической оценки параметров на примере оценки параметров линейной регрессии.

16. Сформулируйте свойства несмещенности, состоятельности и эффективности оценок параметров. Обладают ли этими свойствами оценки параметров линейной регрессии, полученные с помощью МНК?

17. В чем различие, смысловое и количественное, теоретических значений коэффициентов регрессии и их выборочных значений?

18. Какие факторы влияют на величину стандартных ошибок выборочных коэффициентов регрессии?

19. Как связаны выборочные коэффициенты регрессии с коэффициентом корреляции величин х и у?

20. Какой показатель характеризует долю объясненной с помощью регрессии дисперсии в общей дисперсии зависимой переменной?

21. Из каких этапов состоит проверка качества оцененного уравнения регрессии?

22. Как рассчитывается и что показывает коэффициент детерминации R²?

23. В каких задачах эконометрики используется распределение Фишера?

24. Таблицы каких распределений используются при оценке качества линейной регрессии?

25. Какие показатели характеризуют независимость отклонений зависимой переменной от линии регрессии? Как осуществляется проверка этой независимости?

26. В каких случаях наблюдается положительная автокорреляция остатков?

27. Каковы особенности практического применения регрессионных моделей?

28. Как осуществляется прогнозирование экономических показателей с использованием моделей линейной регрессии?

29. Как можно оценить «естественный» уровень безработицы с использованием модели линейной регрессии?

30. В каких случаях необходимо уточнение линейной регрессионной модели и как оно осуществляется?

31. Когда необходимо выведение из рассмотрения незначимых объясняющих переменных и добавление новых переменных?

32. В каких случаях осуществляется построение нелинейных спецификаций уравнения регрессии с последующей их линеаризацией?

33. Приведите примеры нелинейных моделей регрессии и их линеаризацию.

34. Какие проблемы спецификации ошибок возникают при линеаризации уравнения регрессии?

35. В каких случаях возникают трудности использования множественной линейной регрессии в моделировании? В чем реальная ситуация может не соответствовать предпосылкам модели?

36. Что такое гомоскедастичность и гетероскедастичность? Каковы результаты использования линейной регрессионной модели в условиях каждой из них?

37. В чем сущность обобщенного МНК?

38. Временные ряды в экономике. Компоненты временного ряда. Тренд.

39. Оценка устойчивости тенденции.

40. Идентификация временного ряда. Авторегрессионные модели.

41. Модели с распределенными лагами.

42. Прогнозирование на основе временных рядов.

43. Методы выявления периодической компоненты. Модели сезонных колебаний.

44. Трендовые модели с независимыми значениями случайной составляющей.

45. Полиномиальный тренд.

46. Трендовые модели с сезонными колебаниями.

47. В чем суть метода экспоненциального сглаживания?

48. Что такое системы одновременных уравнений в экономическом моделировании?

49. Идентификация систем эконометрических уравнений.

50. Косвенный, двухшаговый и трехшаговый метод наименьших квадратов.

51. В чем заключается двухшаговый МНК? В каких случаях он применяется?

52. В чем заключается проблема автокорреляции остатков и как она проявляется?

КОНТРОЛЬНЫЕ ЗАДАНИЯ

1. Имеются следующие ряды оценок двух экспертов характеристик некоторого проекта. Вычислите коэффициент корреляции.

2. Имеются следующие данные разных стран об индексе розничных цен на продукты питания (х) и об индексе промышленного производства (у). Определите формулу для прогноза у по х (однофакторную линейную модель), затем двухфакторную линейную модель у (х,t); теоретические значения (прогноз) ŷ (х,t) для х =100,113,119 и t=2004; долю вариабельности у, которая объясняется вариабельностью х и вариабельностью t.

3. Определите вид и параметры тренда в динамическом ряде выплавки стали ряда стран.

4. Используя формулы моделирования сезонных колебаний, определите тренд в динамическом ряде помесячных удоев от одной коровы.

ГЛОССАРИЙ

АВТОКОРРЕЛЯЦИОННАЯ ФУНКЦИЯ ВРЕМЕННОГО РЯДА – последовательность коэффициентов автокорреляции уровней временного ряда.

АВТОКОРРЕЛЯЦИЯ – отражает зависимость значения одного элемента динамического ряда от значений предшествующих элементов (или ошибки в очередном наблюдении от ее значений в других наблюдениях).

АДДИТИВНАЯ МОДЕЛЬ – модель вида: Y=T+S+E,

где Т - трендовая компонента;

S – циклическая компонента;

Е – случайная компонента.

АЛГОРИТМ ДВУХШАГОВОГО МЕТОДА НАИМЕНЬШИХ КВАДРАТОВ:

• Определяется приведенная форма модели, и находятся на ее основе оценки теоретических значений эндогенных переменных.

• Определяются структурные коэффициенты модели по данным теоретических (расчетных) значений эндогенных переменных.

АЛГОРИТМ КОСВЕННОГО МЕТОДА НАИМЕНЬШИХ КВАДРАТОВ:

• Структурная модель преобразовывается в приведенную форму модели.

• Для каждого уравнения приведенной формы модели обычным МНК оцениваются приведенные коэффициенты.

• Коэффициенты приведенной формы модели трансформируются в параметры структурной формы модели.

АНАЛИЗ СТРУКТУРЫ ВРЕМЕННОГО РЯДА:

• Если r₁ наиболее высокий, то исследуемый ряд содержит только

тенденцию;

• Если r_t наиболее высокий, то ряд содержит циклические колебания с периодичностью в t моментов времени;

• Если ни один из коэффициентов автокорреляции не является значимым,

то либо ряд не содержит тенденции и циклических колебаний, либо ряд содержит сильную нелинейную тенденцию.

АНАЛИТИЧЕСКОЕ ВЫРАВНИВАНИЕ ВРЕМЕННОГО РЯДА – способ моделирования тенденции временного ряда: построение аналитической функции, характеризующей зависимость уровней ряда от времени, или тренда.

ВРЕМЕННОЙ РЯД – это последовательность наблюдений, упорядоченных во времени (или пространстве). Если какое-нибудь явление наблюдают на протяжении некоторого времени, имеет смысл представить данные в том порядке, в котором они возникали, из-за того, в частности, что последовательные наблюдения могут быть зависимыми. В. р. хорошо представлять на диаграмме рассеяния. Значение ряда Х откладывают по вертикальной оси, а время t – по горизонтальной. Время называют независимой переменной. Существует два типа временных рядов:

1. Непрерывные, в которых мы имеем наблюдения в каждый момент времени, например, показатели детектора лжи, электрокардиограммы. Их обозначают как наблюдение Х в момент t, X(t).

2. Дискретные, в которых наблюдения делаются через некоторые (обычно одинаковые) интервалы времени. Их обозначают X_i.

Примеры

1. Экономические: недельные цены на акции; месячные прибыли.

2. Метеорологические: дневные осадки; скорость ветра; температура.

3. Социологические, показатели преступности (например, число арестов), показатели безработицы.

Функции, используемые при анализе временных рядов для построения трендов:

Линейный тренд: y_t = at + b;

Нелинейные функции:

y_t= a/t+b - гипербола;

y_t=bt^a – степенная функция;

y_t=ba^t - экспоненциальная функция;

y_t=a ₀ +a ₁t +a ₂t² +,..., + a_mt ^m – параболы разных порядков.

ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ – это (как правило, лишь воображаемое) полное собрание объектов (людей, животных, растений или вещей), являющееся источником данных. Она представляет все множество статистических единиц (группу интересующих нас предметов). Информацию о генеральной совокупности мы получаем, изучая выборки из нее; из каждой совокупности можно сделать много разных выборок. По выборке мы получаем информацию об интересующих нас параметрах совокупности. Например, выборочное среднее дает информацию о среднем всей совокупности. Важно, чтобы перед формированием выборки исследователь тщательно и полно определил генеральную совокупность, а также способ извлечения выборки. Выборка должна быть репрезентативной.

ГЕТЕРОСКЕДАСТИЧНОСТЬ – условие, когда дисперсии регрессионных остатков не отвечают условию гомоскедастичности. См. гомоскедастичность дисперсии.

Поиск по сайту: