По каким типам шкал производятся измерения в эконометрике

В теории измерений известны два основных представления об измерении:

• измерение понимается как соотношение множества объектов, описываемых некоторой переменной с множеством меток, и выражается теорией соотнесения, представляющей собой теорию шкал;

• измерение понимается как соотношение переменной, непосредственно ненаблюдаемой (латентной), со значениями непосредственно наблюдаемой переменной (индикатора). В этом случае основная проблема состоит в отыскании связи индикатора с латентной переменной.

Поиск измерителя исследуемого признака может проходить в трех направлениях:

• выбор показателя, который может служить индикатором исследуемого признака (латенты);

• определение функциональной зависимости значения исследуемого признака от значений наблюдаемых признаков;

• построение системы признаков, характеризующей исследуемый признак.

Каковы допустимые преобразования на каждой шкале измерения?

Отправной точкой конструирования измерителя является постулат об объективном существовании закономерностей во внутренних и внешних связях объектов.

Основной базой данных для эконометрических исследований служат данные официальной статистики либо данные бухгалтерского учета. Таким образом, проблемы экономического измере- ния — это проблемы статистики и учета.

В чем состоят ошибки спецификации моделей?

К ошибкам спецификации будет относиться не только неправильный выбор той или иной математической функции , но и недоучет в уравнении регрессии какого-либо существенного

фактора, т. е. использование парной регрессии в место множественной. Так, спрос на конкретный товар может определяться и ценой, и доходом надушу населения.

Наряду с ошибками спецификации могут иметь место ошибки выборки, поскольку исследователь чаще всего работает с выборочными данными при установлении закономерной связи

между признаками. Ошибки выборки имеют место и в силу неоднородности данных в исходной статистической совокупности, что, как правило, бывает при изучении экономических процессов.

Если совокупность неоднородна, то уравнение регрессии не имеет практического смысла. Для получения хорошего результата обычно исключают из совокупности единицы с аномальными

значениями исследуемых признаков. И в этом случае результаты регрессии представляют собой выборочные характеристики.

Использование временной информации также представляет собой выборку из всего множества хронологических дат. Изменив временной интервал, можно получить другие результаты регрессии.

Поясните смысл коэффициента регрессии, назовите способы его оценивания покажите, как он используется для расчета мультипликатора в функции потребления

Простая регрессия представляет собой модель, где среднее значение зависимой (объясняемой) переменной у рассматривается как функция одной независимой (объясняющей) переменной X, т.е. это модель вида

Ŷ = ƒ (x)

Множественная регрессия представляет собой модель, где среднее значение зависимой (объясняемой) переменной у рассматривается как функция нескольких независимых (объясняю-

щих) переменных x₁, x₂, ..., т.е. это модель вида

Ŷ = ƒ (x_1,x₂,………x_k)

В первую очередь из всего круга факторов, влияющих на результативный признак, необходимо выделить наиболее существенно влияющие факторы. Парная регрессия достаточна, если имеется доминирующий фактор, который и используется в качестве объясняющей переменной. Предположим, выдвигается гипотеза о том, что величина спроса у на товар А находится в обратной зависимости от цены x,т.е. Ŷ_x = a – b _* x .B этом случае нужно знать, какие остальные факторы предполагаются неизменными, возможно, в дальнейшем их придется учесть в модели и от простой регрессии перейти к множественной.

Что такое число степеней свободы и как оно определяется для факторной и остаточной сумм квадратов?

При построении регрессионных моделей могут использоваться как линейные (Ŷ = а + b₁X₁ + b₂X₂ + b_рX_р) так и нелинейные функции, например Ŷ = а _* X^b1_{1 *} X^b2_{2 *} X^bp_p . В большинстве стандартных пакетов прикладных программ предусмотрена процедура преобразования нелинейных функций в линейные. В результате исследователь работает с линейной моделью, построенной по преобразованным данным. Так, если модель зависимости спроса от цены представлена степенной функцией у = а _* x^b _* ε , то прологарифмировав, получаем модель линейного вида: In y = In a + b In x + In ε , но уже не для исходных х иу, а для их логарифмов.

Этим объясняется то внимание, которое уделяется рассмотрению именно линейной регрессии как основному виду регрессионных моделей. Кроме того, вариация переменных х и у может быть весьма ограничена, и реальный эффект нелинейности их связи может не проявиться. Это еще один аргумент в пользу линейных моделей. Например, ясно, что чрезмерное внесение удобрений может привести не к росту, а к снижению урожайности, но фактически подобная ситуация маловероятна. Так что если теоретически мы должны выразить зависимость урожайности от удобрений как y=bx + cx² + ε