183806 (Эконометрический метод и использование стохастических зависимостей в эконометрике)
Описание файла
Документ из архива "Эконометрический метод и использование стохастических зависимостей в эконометрике", который расположен в категории "". Всё это находится в предмете "экономико-математическое моделирование" из , которые можно найти в файловом архиве . Не смотря на прямую связь этого архива с , его также можно найти и в других разделах. Архив можно найти в разделе "рефераты, доклады и презентации", в предмете "экономико-математическое моделирование" в общих файлах.
Онлайн просмотр документа "183806"
Текст из документа "183806"
Федеральное государственное образовательное учреждение
высшего профессионального образования
Академия Бюджета и Казначейства
Министерства финансов Российской Федерации
Калужский филиал
РЕФЕРАТ
по дисциплине:
Эконометрика
Тема: Эконометрический метод и использование стохастических зависимостей в эконометрике
Факультет учетный
Специальность
бухучет, анализ и аудит
Отделение очно-заочное
Научный руководитель
Швецова С.Т.
Калуга 2007
Содержание
Введение
1. Анализ различных подходов к определению вероятности: априорный подход, апостериорно-частотный подход, апостериорно-модельный подход
2. Примеры стохастических зависимостей в экономике, их особенности и теоретико-вероятностные способы их изучения
3. Проверка ряда гипотез о свойствах распределения вероятностей для случайной компоненты как один из этапов эконометрического исследования
Заключение
Список литературы
Введение
Становление и развитие эконометрического метода происходили на основе так называемой высшей статистики – на методах парной и множественной регрессии, парной, частной и множественной корреляции, выделения тренда и других компонент временного ряда, на статистическом оценивании. Р. Фишер писал: «Статистические методы являются существенным элементом в социальных науках, и в основном именно с помощью этих методов социальные учения могут подняться до уровня наук» [3].
Целью данного реферата послужило изучение эконометрического метода и использования стохастических зависимостей в эконометрике.
Задачами данного реферата является проанализировать различные подходы к определению вероятности, привести примеры стохастических зависимостей в экономике, выявить их особенности и привести теоретико-вероятностные способы их изучения, проанализировать этапы эконометрического исследования.
1. Анализ различных подходов к определению вероятности: априорный подход, апостериорно-частотный подход, апостериорно-модельный подход
59
Для полного описания механизма исследуемого случайного эксперимента недостаточно задать лишь пространство элементарных событий. Очевидно, наряду с перечислением всех возможных исходов исследуемого случайного эксперимента мы должны также знать, как часто в длинной серии таких экспериментов могут происходить те или другие элементарные события.
Для построения (в дискретном случае) полной и законченной математической теории случайного эксперимента – теории вероятностей – помимо исходных понятий случайного эксперимента, элементарного исхода и случайного события необходимо запастись еще одним исходным допущением (аксиомой), постулирующим существование вероятностей элементарных событий (удовлетворяющих определенной нормировке), и определением вероятности любого случайного события.
Аксиома. Каждому элементу wi пространства элементарных событий Ω соответствует некоторая неотрицательная числовая характеристика pi шансов его появления, называемая вероятностью события wi, причем
p1 + p2 + . . . + pn + . . . = ∑ pi = 1 (1.1)
(отсюда, в частности, следует, что 0 ≤ рi ≤ 1 для всех i).
Определение вероятности события. Вероятность любого события А определяется как сумма вероятностей всех элементарных событий, составляющих событие А, т.е. если использовать символику Р{А} для обозначения «вероятности события А » , то
Р{А} = ∑ Р{wi} = ∑ pi (1.2)
Отсюда и из (1.1) непосредственно следует, что всегда 0 ≤ Р{A} ≤ 1, причем вероятность достоверного события равна единице, а вероятность невозможного события равна нулю. Все остальные понятия и правила действий с вероятностями и событиями будут уже производными от введенных выше четырех исходных определений (случайного эксперимента, элементарного исхода, случайного события и его вероятности) и одной аксиомы.
Таким образом, для исчерпывающего описания механизма исследуемого случайного эксперимента (в дискретном случае) необходимо задать конечное или счетное множество всех возможных элементарных исходов Ω и каждому элементарному исходу wi поставить в соответствие некоторую неотрицательную (не превосходящую единицы) числовую характеристику pi, интерпретируемую как вероятность появления исхода wi (будем обозначать эту вероятность символами Р{wi}), причем установленное соответствие типа wi ↔ pi должно удовлетворять требованию нормировки (1.1).
Вероятностное пространство как раз и является понятием, формализующим такое описание механизма случайного эксперимента. Задать вероятностное пространство – это значит задать пространство элементарных событий Ω и определить в нем вышеуказанное соответствие типа
wi ↔ pi = Р { wi }. (1.3)
Для определения из конкретных условий решаемой задачи вероятности P{wi} отдельных элементарных событий используется один из следующих трех подходов.
Априорный подход к вычислению вероятностей P{wi} заключается в теоретическом, умозрительном анализе специфических условий данного конкретного случайного эксперимента (до проведения самого эксперимента). В ряде ситуаций этот предопытный анализ позволяет теоретически обосновать способ определения искомых вероятностей. Например, возможен случай, когда пространство всех возможных элементарных исходов состоит из конечного числа N элементов, причем условия производства исследуемого случайного эксперимента таковы, что вероятности осуществления каждого из этих N элементарных исходов нам представляются равными (именно в такой ситуации мы находимся при подбрасывании симметричной монеты, бросании правильной игральной кости, случайном извлечении игральной карты из хорошо перемешанной колоды и т. п.). В силу аксиомы (1.1) вероятность каждого элементарного события равна в этом случае 1/N. Это позволяет получить простой рецепт и для подсчета вероятности любого события: если событие А содержит NA элементарных событий, то в соответствии с определением (1.2)
Р {А} = NA / N. (1.2')
Смысл формулы (1.2’) состоит в том, что вероятность события в данном классе ситуаций может быть определена как отношение числа благоприятных исходов (т. е. элементарных исходов, входящих в это событие) к числу всех возможных исходов (так называемое классическое определение вероятности). В современной трактовке формула (1.2’) не является определением вероятности: она применима лишь в том частном случае, когда все элементарные исходы равновероятны.
Апостериорно-частотный подход к вычислению вероятностей Р {wi} отталкивается, по существу, от определения вероятности, принятого так называемой частотной концепцией вероятности. В соответствии с этой концепцией вероятность P {wi} определяется как предел относительной частоты появления исхода wi в процессе неограниченного увеличения общего числа случайных экспериментов n, т.е.
pi = P { wi} = lim mn (wi) / n (1.4)
где mn (wi) – число случайных экспериментов (из общего числа n произведенных случайных экспериментов), в которых зарегистрировано появление элементарного события wi. Соответственно для практического (приближенного) определения вероятностей pi предлагается брать относительные частоты появления события wi в достаточно длинном ряду случайных экспериментов.
Разными в этих двух концепциях оказываются определения вероятностей: в соответствии с частотной концепцией вероятность не является объективным, существующим до опыта, свойством изучаемого явления, а появляется только в связи с проведением опыта или наблюдения; это приводит к смешению теоретических (истинных, обусловленных реальным комплексом условий «существования» исследуемого явления) вероятностных характеристик и их эмпирических (выборочных) аналогов.
Апостериорно-моделъный подход к заданию вероятностей P {wi}, отвечающему конкретно исследуемому реальному комплексу условий, является в настоящее время, пожалуй, наиболее распространенным и наиболее практически удобным. Логика этого подхода следующая. С одной стороны, в рамках априорного подхода, т. е. в рамках теоретического, умозрительного анализа возможных вариантов специфики гипотетичных реальных комплексов условий разработан и исследован набор модельных вероятностных пространств (биномиальное, пуассоновское, нормальное, показательное и т. п.). С другой стороны, исследователь располагает результатами ограниченного ряда случайных экспериментов. Далее, с помощью специальных математико-статистических приемов исследователь как бы прилаживает гипотетичные модели вероятностных пространств к имеющимся у него результатам наблюдения и оставляет для дальнейшего использования лишь ту модель или те модели, которые не противоречат этим результатам и в некотором смысле наилучшим образом им соответствуют.
2. Примеры стохастических зависимостей в экономике, их особенности и теоретико-вероятностные способы их изучения
Накопленный опыт практического использования аппарата статистического исследования зависимостей позволяет выделить те типы основных прикладных направлений исследований, в которых этот аппарат работает особенно часто и плодотворно.
Остановимся кратко на роли методов статистического исследования зависимостей в разработке каждого из следующих направлений.
I. Нормирование
Общая схема формирования нормативов с использованием методов статистического исследования зависимостей может быть представлена следующим образом. Нормативный показатель играет в моделях типа
η = f (x) + ε (2.1)
роль результирующей (объясняемой) переменной у, а факторы, участвующие в расчете нормативного показателя, - роль объясняющих переменных x(1), x(2), . . . , x(p). Предполагается, что привлечение для расчета норматива у полной системы определяющих его факторов, т.е. такой системы, с помощью которой возможно детерминированное (однозначное) определение величины у, либо принципиально невозможно, либо нецелесообразно из-за чрезмерного усложнения расчетных формул. Поэтому анализируется связь между у и (x(1), x(2), . . . , x(p)) вида
y = f x(1), x(2), . . . , x(p); θ) + ε, (2.2)
где ε – остаточная компонента, обуславливающая возможную погрешность в определении норматива y по известным значениям факторов X = (x(1), x(2), . . . , x(p))T, а f (X; θ) – функция их некоторого известного параметрического семейства F = { f (X; θ)}, θ € A, однако численное значение входящего в ее уравнение параметра θ неизвестно. Для подбора «подходящего» значения θ проводится контрольный эксперимент (наблюдение), в результате которого исследователь получает исходные статистические данные.
Далее на основании этих данных проводится необходимый статистический анализ модели 2.2 с целью получения оценки θ неизвестного параметра θ и анализа точности полученной расчетной формулы Ycp (X) = f (X; θ), в которой величина условной (экспериментальной) средней Ycp (X) интерпретируется как средний нормативный показатель при значениях определяющих факторов, равных Х.
Данный подход использовался, в частности, при разработке методик численности служащих (по различным их функциям) на промышленном предприятии.
II. Прогноз, планирование, диагностика.
Определим в качестве результирующей переменной у интересующий нас прогнозируемый (планируемый, диагностируемый) показатель, а в качестве объясняющих переменных x(1), x(2), . . . , x(p) — сопутствующие факторы, значения которых содержат основную информацию о величине этого показателя. Наличие остаточной случайной компоненты ε, как и прежде, отражает тот факт, что переменные x(1), x(2), . . . , x(p) содержат не всю информацию об у, и обусловливает неизбежность погрешности в определении прогнозируемого (планируемого, диагностируемого) показателя по известным значениям объясняющих факторов x(1), x(2), . . . , x(p). Исходные статистические данные вида (2.2) исследователь получает, регистрируя одновременно значения у и (x(1), x(2), . . . , x(p)) на анализируемых объектах в прошлом (в базовом периоде) или на других объектах, но однородных с анализируемыми.