Facebook Like

Ökonomeetria eksam (2)

5 VÄGA HEA
Punktid
 
Säutsu twitteris
Ökonomeetria kontrollküsimused.
1.Ökonomeetrilise mudeli mõiste.
Ökononomeetriliste mudelite abil on võimalik analüüsida erinevate majanduspoliitilisteotsuste mõju majanduslikele protsessidele või prognoosi
vastavate majandusnäitajate kujunemist tulevikus.
Ökonomeetriliste probleemide lahendamiseks hangitavad arvandmed jagunevad
kahte liiki: läbilõikeandmed , mis kujutavad endast valimit erinevate majandusüksuste(ettevõtete, talude, maakondade jne.) majandustegevust
iseloomustavatest näitajatest. Kõik vaatlustulemused iseloomustavad ühte ja sama ajahetke või ajavahemikku. Aegread ,mis iseloomustavad ühe ja sama majandusüksuse tegevust teatud perioodi kestel. Aegrida moodustavad näitajad kujutavast endast makromajanduslikke näitajaid( sisemajanduse koguprodukt , tarbijahinna indeks).
Enamik ökonomeetrias kasutatavaid arvandmeid on hangitud statistikaorganite
poolt, seega ökonomeetria vaatleb majandusprotsesse passiivselt.
Ökonomeetrilise analüüsi põhialuseks on majandusteooria järeldused antud
probleemi kohta.
Ökonomeetriliseks mudeliks nim-teoreetiliste seisukohtade kogumit, mida me konkreetses analüüsis kasutame.Kokkuvõtvalt võib märkida järgmist:
a)Ökonomeetrilises analüüsis ja ökonomeetrilise mudeli koostamisel vundamendiks
on majandusteooria (majandusteooriast tulenevad järeldused, seisukohad)
b)majandusteoreetilised seisukohad on vaja esitada formaliseeritud kujul
(võrrandite,kitsenduste jne. Kujul)
c) mudeli parameetrite hindamiseks on vaja hankida vajalikud arvandmed ja
nende töötlemiseks vajalik tarkvara.
d) hindamisprotsessi tulemuste testimine ja analüüs.
e) ökonomeeetrilise mudeli väljatöötamine kujutab endast iteratsiooniprotsessi,
mille käigus korrigeeritakse mudelit, leitakse parameetritele uued hinnangud ,
testitakse saadud tulemisi jne. Kuni saadakse vastuvõetav tulemus.
Klassikaline regressioonianalüüs- kõikidest võimalikest regressioonimudelitest leiab ökonomeetriliste mudelite koostamisel kõige enam kasutamist mitmene lineaarne regressioonimudel . Taolise regressioonimudeli koostamist nim. ka klassikaliseks  regressioonianalüüsiks.
Antud juhul eeldatakse, et sõltuvat muutujat Y mõjutavad mitu sõltumatut
muutujat X1, X2,-;Xn ning nende mõju sõltuvale muutujale on lineaarne.
Regressioonivõrrand-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;-;
Mudeli parameetrite hindamiseks kasutatakse üldtuntud vähimruutude meetodit.
Regressioonivõrrandi parameetrite -;-;-;-;-;-;-;-;-;.
.väärtuste ehk täpsemalt väljendades nende parameetrite hinnangute b1, b2,
-;bn kindlaksmääramineon ökonomeetrilise analüüsi üheks peaülesandeks.
Mitmese lineaarse regressioonivõrrandi parameetrid (regressioonikordajad)
võimaldavad nende majanduslikku tõlgendamist. Igal regressioonikordajal
on majanduslik sisu. Mittelineaarse regressioonivõrrandi parameetrid ei
ole üldjujhul sisuliselt tõlgendatavad. Lineaarse regressioonivõrrandi parameetrite
(regressioonikordajate) väärtuste järgi on võimalik otsustada mil määral
üks või teine sõltumatu muutuja mõjutab muutujat Yt, s.t. on võimalik otsustada,
milliste sõltumatute muutujate (majanduslik) mõju on suurem, milliste oma
väiksem jne. Regressioonikordaja -;i näitab mitme ühiku võrra muutub
sõltuv muutuja Yt kui sõltumatu muutuja Xi muutub (suureneb) ühe ühiku võrra.
Vähimruutude meetodil leitud regressioonikordajad on parameetrite tegelike
väärtuste parimaks hinnanguks siis, kui on täidetud vastavad eeldused (nn.
klassikalise regressioonianalüüsi eeldused).
Mitmese lineaarse regressioonimudeli korral ei piisa statistilise sõltuvusest
arusaamiseks ainult regressioonivõrrandist Lisaks regressioonivõrrandile
on vaja teada ka seose tihedust iseloomustavat näitajat -; selleks
on mitmese lineaarse regressioonimudeli korral determinatsioonikordaja .
Seose tiheduse näitajad: Hälvete korrutise summa võib olla seose tihedust
iseloomustavaks näitajaks. Mida suurem on hälvete korrutise summa, seda
tihedam on seos ning mida väiksem on hälvete korrutise summa seda nõrgem
seos.Positiivsete omaduste tõttu ongi korrelatsioonikordaja kujunenud üheks
põhiliseks seose tihedust iseloomustavaks näitajaks.
Kvalitatiivne hinnang korrelatsioonikordaja väärtustele:
Korrelatsioonikordaja r väärtusedHinnand seose tiheduse kohta
0,8 -;1,0; 0,6 -; 0,8;
0,4 -;0,6
0,2 -;0,4
alla  0,2 Väga tihe
Tihe
Keskmine
Nõrk
Praktiliselt puudub
Teiseks  seose tiheduse näitajaks on determinatsioonikordaja, mille lahtimõtestamisel lähtutakse varieeruvuste võrdlemisest. Seejuures varieeruvust mõõdetakse hälvete ruutude summa abil. Kõige üldisemaks varieeruvuseks on varieeruvus aritmeetilise keskmise ümber.
Determinatsioonikordjaja ei ole seotud konkreetse mudeliga (lineaarne, mittelineaarne jne.) ning seda saab kasutada mistahes regressioonimudeli korral.
Determinatsioonikordajast ei saa teha olulisi sisulisi järeldusi. Sellest
ei saa järeldada, et suurema determinatsioonikordajaga regressioonimudel
on parem või korrektsem mudel kui mõni teine mudel. Kõige ohutum on  käsitleda
determinatsioonikordajat kui arvnäitajat, mis näitab kui hästi regressioonivõrrand
iseloomustab arvandmeid.Determinatsioonikordaja on kujunenud üheks populaarsemaks seose tihedust iseloomustavaks näitajaks.
Erinevate tüüpi andmete korral tuleks determinatsioonikordaja arvväärtusesse
suhtuda erinevalt. Näiteks aegridade analüüsi korral võib R2 = 0,99 olla
mitteküllaldase seose tiheduse iseloomustajaks. Kuid läbilõike andmete alusel
koostatud regressioonimudeli korral R2 = 0,30  võib iseloomustada küllaltki
tihedat seost. Mõningatel juhtudel, kui regressioonimudeli on küllaltki
palju sõltumatuid muutujaidf, võib ka R2 = 0,05  olla oluline.
Faktorite (tegurite) statistilise olulisuse hindamine regressioonianalüüsil.
Vaatlustulemuste alusel leitud parameetrite  väärtusi nimetatakse hinnanguteks
seetõttu, et saadud hinnangud on alati ligikaudsed. Vaatlustulemuste alusel
leitud parameetrite väärtused oleksid võrdsed parameetrite tegelike väärtustega
ainult siis, kui vaatluste arv oleks lõpmata suur. Tegelikus elus tuleb
vastavate parameetrite leidmiseks kasutada piiratud arvu vaatlustulemusi,
mille baasil saadud hinnangud on aga alati ligikaudsed.
Satistilised hinnangud jagunevad oma olemuselt kahte liiki: punkthinnangud
 ja vahemikhinnangud e. intervallhinnangud.
Kuna hinnang on oma olemuselt juhuslik suurus, siis hinnangu võimalikud
väärtused saavad asetseda teatud vahemikus ehk hinnangu määramispiirkonnas.
Hinnang, mis kujutab endast selle juhusliku suuruse ühte konkreetset väärtust
on punkthinnang (kujutab arvsirgel ühte punkti). Punkthinnangu ülesandeks
on määrata kindlaks arvkarakteristik (arvväärtus).Punkthinnang on kõige
enam kasutamist leidnud statistilise hinnagu liigiks.
Punkthinnangu puuduseks on asjaolu, et saadud hinnang võib osutuda vigaseks.
Seega ka kõik järeldused ja punkthinnangu alusel tehtud analüüsid võivas
osutuda ekslikeks.Teiseks hinnangu liigiks on vahemikhinnangud. Vahemikhinnang kujutab endast hinnangu määramispiirkonnas teatud vahemikku. Seega vahemikhinnangut iseloomustavad 3 suurust (parameetrit): vahemikku alampiir tmin, vahemiku ülempiir tmax ja vahemikkku langemise tõenäosus p.
Vahemikhinnangu eelis seisneb selles, et andes ette küllalt suure tõenäosuse
p, võime olla kindel selles, et me ei eksi. Vahemikhinnangu puuduseks on
asjaolu, et vahemikhinnangu edaspidine kasutamine on tülikas.
Praktikas analüüs tehakse kolmes erinevas variandis . Esimese analüüsivariandis
hinnangu väärtuseks võetakse vahemiku keskmine väärtus. Teises analüüsivariandis
hinnangu väärtuseks võetakse vahemiku alampiir. Kolmandas analüüsivariandis
hinnangu vahemiku ülempiir.
Parimaks nimetatakse hinnangut , mis rahuldab nelja tingimust: hinnang peab
olema tõene, nihutamata, efektiivne, küllaldane.
Tõene hinnang-; vaatluste arvu suurenedes hinnangu täpsus suureneb
ning lõpmata suure katsete arvu korral hinnang t on võrdne parameetri -;
tegeliku väärtusega.
Nihutamata hinnag -; kui hinnangu kui juhusliku suuruse keskväärtus
E(t) on võrdne hinnatava parameetri -; tegeliku väärtusega.
Efektiivne  hinnang - - mille dispersioon D(t)  on minimaalne, st. hinnangu
kui juhusliku suuruse varieeruvus on minimaalne.
Küllaldane hinnang -; kui hinnang t sisaldab kogu seda informatsiooni,
mis vaatlustulemustes olemas.
Keskväärtuse parimaks hinnanguks on vaatlustulemuste aritmeetiline keskmine,
mis rahuldab kõiki eelpool toodud nelja tingimust.Kõige lihtsamaks keskväärtuse
hinnanguks on nn. äärmiste väärtuste keskmine.
.Klassikalise regressioonimudeli eeldused :
1. Regressioonimudel on korrektne (kõik protsessi mõjutavad sõltumatud muutujad
on lülitatud regressioonivõrrandisse ning sõltuva muutuja ja sõltumatute
muutujate vahel on lineaarne sõltuvus).
2. Sõltumatud muutujad on üksteisest  statistiliselt sõltumatud,
3. Sõltumatud muutujad omavad küllaldast varieeruvust,
4. Sõltumatud muutujad on  mittejuhuslikud suurused (ilma vigadeta),
5. Kasutatavad arvandmed on representatiivsed.
6. Regressioonijäägid on normaalsed juhuslikud suurused,
7. Regressioonijääkide dispersioon ei sõltu sõltumatute muutujate väärtusest
ning seda regressioonijääkide omadust nim. homoskedastiivsuseks,
8. Regressioonijäägid on omavahel statistiliselt sõltumatud, st. puudub
regressioonijääkide autokorrelatsioon.
Majanduspraktikas esinevad kõrvalekaldumised regressioonianalüüsi põhieeldustest.Ökonomeetriliste mudelite koostamisel paratamatult esineb kõrvalekaldumisi toodud eeldustest. Kõige olulisemaks on mudeli korrektsuse eeldus. Kui mudel on koostatud huupi valitud sõltumatute muutujate baasil, siis ka ülejäänud
eelduste 100% täitmise korral ei ole võimalik saada rahuldavat ja töötavat
ökonomeetrilist mudelit.Mudeli korrektsus sõltub ühelt poolt analüüsi tegija (ökonomeetrilise mudeli koostaja ) majandusteoreetilisest ettevalmistusest ja teadmistest ning teiselt poolt mudeli koostamiseks vajalike arvandmete kättesaadavusest. Paljudel juhtudel me võime teooriast tulenevalt või vastava analüüsi tulemusena jõuda järeldusele, et üks või teine tegur on käsitletava probleemi jaoks oluline,kuid selle kohta puuduvad arvandmed.
Multikollineaarsuse mõju regressioonianalüüsi tulemustele(lab. tööde
järeldused).
Multikokollineaarsus -; olukord, kus  regressioonivõrrandi sõltumatute muutujate arvväärtused on omavahelises sõltuvuses. Eristatakse kolme  erinevat multikollineaarsuse taset:1.täpne (täielik) multikollineaarsus
2.peaaegu täielik multikollineaarsus,3.sõltumatud muutujad on omavahelises korrelatiivses sõltuvuses.Täpne (täielik) multikollineaarsus -; esineb siis, kui üks sõltumatutest muutujatest kujutab endast teiste sõltumatute muutujate lineaarset funktsiooni.Sel juhul regressioonivõrrandi parameetreid ei saa leida (hinnata). Täielik
multikollineaarsus analüüsitulemusi ei mõjuta, sest täieliku multikollineaarsuse
olemasolu korral vähimruutude meetod ja ka sellel meetodil põhinevad arvutiprogrammid lihtsalt ei tööta.Peaaegu täielik multikollineaarsus-Kahe sõltumatu muutuja korral on nende vahelise sõltuvuse korrelatsioonikordaja väga suur r >0,9. Mudeli parameetrite hinnangud muutuvad väga ebastabiilseks.Regressioonikordajate varieeruvus(standarthälve) on väga suur, siis on ka suur vahemik (regressioonikordajate usalduspiirkond), kus asub regressioonikordaja tegelik väärtus ning seda raskem on tagasi lükata nullhüpoteese sisuliselt vägagai oluliste regressioonikordajate kohta.Võib tekkida olukord, kus determinatsioonikordaja R2 on suur ning regressioonivõrrandi kui terviku olulisust kontrolliv F-test loeb võrrandi
täiesti usaldusväärseks, kuid ükski regressioonikordaja t-testi järgi ei
ole usaldusväärne. Arvandmetest multikollineaarsust kõrvaldada ei õnnestu.
Probleemist ülesaamise peamiseks teeks on paremate  (täiendavate) arvandmete
hankimine.Oluliste argumentide varieeruvuse mõju regressioonianalüüsi tulemustele(lab. tööde järeldused).
Sõltumatute muutujate mitteküllaldane varieeruvus on arvandmete ----------------;nõrkuseks----------------;,mis ei võimaldada avada kogu arvandmetes sisalduvat infot ning seeläbi vähendavad regressioonimudelite kasutamise efektiivsust ja usaldusväärsust. Kui sõltumatute muutujate varieeruvus väheneb, siis ka arvandmetes olev info hulk väheneb,sest me saame mudeli parameetrite väärtusi hinnata ainult selle vahemiku jaoks, mis on sõltumatute muutujate väärtustega määratud.
Läbilõikeandmete korral, mis kujutavad endast ettevõtteid iseloomustavaid
näitajaid, võib paljude oluliste sõltumatute muutujate varieeruvus osutuda
mitteküllaldaseks.Põhjus on selles, et ka ettevõtjatele (mitte ainult analüüsi
tegijatele) on tootmist mõjutavad olulised põhjused (tegurid) teada ja nad
püüavad neid hoida optimaalsel tasemel ning sellised pidevalt kontrolli
all olevad näitajad (sõltumatud muutujad) varieeruvad suhteliselt vähe.
Lõpptulemusena tootmist kõige rohkem mõjutavad tegurid varieeruvad kõige
vähem.Varieeruvuse suurenedes regressioonikordaja varieeruvus väheneb ehk regressioonikordaja stabiilsus ( ustavus ) suureneb. Järelikult mitteküllaldas varieeruvuse korral regressioonikordaja  varieeruvus suureneb ehk regressioonikordaja
80% sisust ei kuvatud. Kogu dokumendi sisu näed kui laed faili alla
Vasakule Paremale
Ökonomeetria eksam #1 Ökonomeetria eksam #2 Ökonomeetria eksam #3 Ökonomeetria eksam #4 Ökonomeetria eksam #5 Ökonomeetria eksam #6 Ökonomeetria eksam #7 Ökonomeetria eksam #8 Ökonomeetria eksam #9 Ökonomeetria eksam #10 Ökonomeetria eksam #11 Ökonomeetria eksam #12 Ökonomeetria eksam #13 Ökonomeetria eksam #14 Ökonomeetria eksam #15 Ökonomeetria eksam #16 Ökonomeetria eksam #17 Ökonomeetria eksam #18
Punktid 100 punkti Autor soovib selle materjali allalaadimise eest saada 100 punkti.
Leheküljed ~ 18 lehte Lehekülgede arv dokumendis
Aeg2011-02-02 Kuupäev, millal dokument üles laeti
Allalaadimisi 208 laadimist Kokku alla laetud
Kommentaarid 2 arvamust Teiste kasutajate poolt lisatud kommentaarid
Autor Maiken Männik Õppematerjali autor

Lisainfo

Mõisted


Kommentaarid (2)

preciousone profiilipilt
preciousone: pole päris see, mis lootsin
14:18 04-01-2013
woo456 profiilipilt
woo456: Hea materjal
14:32 08-01-2012


Sarnased materjalid

38
docx
Ökonomeetria kordamisküsimused
14
doc
Ökonomeetria
10
pdf
ÖKONOMEETRIA loegn 1
11
doc
Arenguökonoomika eksam
12
docx
Keskkonnaökonoomika eksam
5
doc
Ökonomeetria mõisted
77
doc
TEHNOÖKOLOOGIA EKSAM
26
docx
Ökonomeetriline projekt



Faili allalaadimiseks, pead sisse logima
Kasutajanimi / Email
Parool

Unustasid parooli?

UUTELE LIITUJATELE KONTO MOBIILIGA AKTIVEERIMISEL +50 PUNKTI !
Pole kasutajat?

Tee tasuta konto

Sellel veebilehel kasutatakse küpsiseid. Kasutamist jätkates nõustute küpsiste ja veebilehe üldtingimustega Nõustun