|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Преобразования, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных305. Для чего используется авторегрессионное преобразование? Для устранения автокорреляции 306. В каких случаях авторегрессионное преобразование может оказаться неэффективным? 307. Как и для чего используется использование лаговых зависимых переменных в качестве независимых? Эта процедура используется только для больших выборок 308. Какова практическая реализация обобщенного метода наименьших квадратов? Если автокорреляция устранена с помощью использования истинного значения р, и сохранения первого наблюдения, то полученная оценка является оценкой по обобщенному методу наименьших квадратов (ОМНК)
309. В каких случаях использование обобщенного метода наименьших квадратов оказывается особенно эффективным? При наличии неярко выраженного тренда и высоком значении «ро»
310. Что делать, если использование обобщенного метода наименьших квадратов оказалось неэффективным? Использовать обычный метод наименьших квадратов ГЕТЕРОСКЕДАСТИЧНОСТЬ С нарушением какого из условий Гаусса-Маркова связано наличие Гетероскедастичности? Нарушение условия, что случайный член гомоскедастичен, т.е. его значение в каждом наблюдении получено из распределения с постоянной теоретической дисперсией. Другими словами, распределение сл.члена для всех наблюдений оказывается постоянным. σui2= σu2 для всех i. Или E(ui)=σu2. При гетероскедастичности σui2 не одинакова для всех наблюдений. Почему появление гетероскедастичности наиболее типично для пространственных выборок? Поскольку пространственная выборка дает значения в данный момент времени. В каких случаях можно ожидать проявления гетероскедастичности во временных рядах? Когда ошибка e в период t более вероятно должна относиться к ошибке в период (t-1) Каков основной механизм возникновения истинной гетероскедастичности? Что Такое фактор пропорциональности? Истинная гетероскедастичность происходит из-за ошибки, казалось бы корректно специфицированного уравнения: VAR(εi)=σi2 (i=1,2,…,n) Если VAR(εi)=σ2 все εi получатся из того же распределения. Возникает гетероскедастичность, если в выборке существует большое несоответствие/расхождение между мин. и макс. значениями зависимых переменных (например, если в одной выборке включены вес баскетболиста и мыши) Отклонение/колебание ошибок можно отнести к экзогенному параметру Zi. Yi=b0+b1X1i+b2X2i+ εi, где VAR(εi)=σ2Zi2, где Z может как быть, так и не быть частью объясняющего анализа. В данном случае Z – фактор пропорциональности. Каковы возможные механизмы возникновения ложной гетероскедастичности? Она возникает вследствие неверной спецификации модели, например, за счет упущенных переменных. Это упущение включается в ошибку. Возможно также опускание какого-то члена, что так же приведет к ложной гетероскедастичности. Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.) |