ГОУ ВПО РОССИЙСКО-АРМЯНСКИЙ (СЛАВЯНСКИЙ) УНИВЕРСИТЕТ

Составлен в соответствии с УТВЕРЖДАЮ:

государственными требованиями к минимуму

содержания и уровню подготовки Ректор А.Р. Дарбинян

выпускников по указанным направлениям и

Положением «Об УМКД РАУ». “_”_ 2012 г.

Институт: Экономики и Бизнеса

Кафедра: Управления

Автор: к.э.н. Тевикян Ашот Рамзесович

УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС

Дисциплина: Эконометрические методы в менеджменте Специальность: 080500, Менеджмент Направление: 080100, Экономика

ЕРЕВАН

ГОУ ВПО Российско-Армянский (Славянский) университет

СОДЕРЖАНИЕ

Аннотация

1.

Учебная программа

2.

Цели и задачи дисциплины

2.1.

Требования к уровню освоения содержания дисциплины

2.2.

Трудоемкость дисциплины и виды учебной работы по учебному плану

2.3.

Содержание дисциплины

2.4.

Материально-техническое обеспечение дисциплины

2.5.

Распределение весов по видам контролей

2.6.

Формы и содержание текущего, промежуточного и итогового контролей................. 2.7.

Теоретический блок

3.

Учебно-методическое обеспечение

3.1.

Блок ОДС и КИМ

4.

Программа экзамена по курсу

4.1.

Образцы тестовых заданий

4.2.

Методический блок

5.

Методика преподавания дисциплины

5.1.

Методические рекомендации по изучению дисциплины для студентов

5.2.

Краткий англо-русский словарь терминов

6.

ГОУ ВПО Российско-Армянский (Славянский) университет 1. Аннотация Современные социально-экономические процессы и явления зависят от большого количества определяющих их факторов. В связи с этим квалифицированному специалисту необходимо уметь учитывать сложное взаимосвязанное многообразие факторов, оказывающих существенное влияние на изучаемый процесс. Такие исследования не возможно проводить без знания основ эконометрики.

Эконометрика – наука, связанная с эмпирическим выводом экономических законов.

При этом используются данные, которые, как правило, не являются экспериментальными, так как в экономике невозможно проводить (многократные) эксперименты, это чаще всего соответствующим образом подготовленные статистические данные.

Эконометрика формирует экономические модели, основываясь на эконометрической теории или статистических данных, оценивает неизвестные величины (параметры) в этих моделях, делает прогнозы и отвечает за их точность, дает рекомендации по эконометричной политике.

Связь с другими дисциплинами. Эконометрика объединяет совокупность методов и моделей, позволяющих на базе экономической теории, экономической статистики и математико-статистического инструментария исследовать количественные выражения качественных зависимостей.

Требования к исходным уровням знаний и умений студентов для прохождения дисциплины. При изучении дисциплины предполагается, что студент владеет основами экономической теории, теории вероятностей, математической статистики и матричной алгебры в объеме курса высшей математики для экономических специальностей.

2. Учебная программа 2.1. Цели и задачи дисциплины Цель дисциплины – дать студентам научное представление о методах, моделях и приемах, позволяющих получать количественные выражения закономерностям экономической теории на базе экономической статистики с использованием математикостатистического инструментария.

Задачи дисциплины. В соответствии с целью дисциплина должна сформировать у студентов знания и практические навыки по применению статистических методов для исследования и обощения эмпирический зависимостей экономических переменных, а также построения надежных прогнозов в различных сферах экономикческой деятельности с целью обоснования принимаемых решений.

2.2. Требования к уровню освоения содержания дисциплины После изучения курса студенты должны представлять себе роль эконометрического моделирования как инструмента познания и овладеть практическими приемами для реализации прикладных исследований, усвоить методы количественной оценки социальноэкономических процессов, научиться содержательно интерпретировать формальные результаты с помощью пакета прикладных программ Eviews.

В соответствии с этим студенты должны знать и уметь:

- формировать концепцию эконометрической модели на основе качественного анализа объекта исследования;

- собирать и проводить статистическую обработку экономической информации с целью выявления основных характеристик;

- проводить оценку взаимосвязей экономических показателей с помощью статистических методов, интерпретировать полученные результаты с точки зрения экономической сущности явлений;

ГОУ ВПО Российско-Армянский (Славянский) университет строить эконометрические модели с использованием процедур регрессионного анализа и анализа временных рядов;

оценивать качество построенных эконометрических моделей с точки зрения их адекватности фактическим данным;

применять эконометрические модели в практике управления.

Трудоемкость дисциплины и виды учебной работы по учебному плану Курс «Эконометрические методы в менеджменте» рассчитан на один семестр – часа. Курс изучается в форме лекций (2 час/нед) и практических занятий (2 час/нед). В конце семестра студенты сдают устный экзамен.

Таблица трудоемкости дисциплин и видов учебной работы 1. Общая трудоемкость изучения дисциплины 1.1. Аудиторные занятия, в т. ч.:

1.1.4. Лабораторные работы 1.1.5. Другие виды (указать) 1.2.1. Подготовка к экзаменам 1.2.2. Другие виды самостоятельной 3. Другие методы и формы занятий ГОУ ВПО Российско-Армянский (Славянский) университет 2.4. Содержание дисциплины Курс «Эконометрические методы в менеджменте» рассчитан на один семестр.

Практические занятия проводятся как в аудитории, так и в компьютерных классах. После прохождения каждой темы предусматривается тестирование и самостоятельная подготовка студентов, которые выполняют индивидуальные компьютерные исследования. Дисциплина разделена на два модуля, которые представляют из себя письменные/устные контрольные работы на темы, включенные в модуль. В конце семестра студенты сдают устный экзамен.

Форма 1. Тематический план и трудоемкость аудиторных занятий (модули, разделы дисциплины и виды занятий) по учебному плану Тема 1.1. Вывод параметров с помощью метода наименьших квадратов (МНК): смысл и геометрическая интерпретация Тема 1.2. Измерение тесноты линейной связи. Коэффициент Тема 1.3. Свойства коэффициентов регрессии с двумя переменными и Практические занятия. Ознакомление и работа со специализированным эконометрическим пакетом Eviews Тема 1.4. Оценка статистической значимости регрессии. Проверка Тема 1.5. Нелинейная парная регрессия: преобразования переменных 2 Практические занятия. Модель ценообразования на основной капитал: применение парного регрессионного анализа Практические занятия. Издержки, кривые обучения и эффект масштаба: от парной регрессии – к множественной Тема 2.2. Скорректированный коэффициент детерминации R adj.

Оценка значимости множественной регрессии Практические занятия. Измерение изменения качества: построение множественной регрессии ГОУ ВПО Российско-Армянский (Славянский) университет Тема 3.2. Мультиколинеарность и методы ее устранения. Частная корреляция. Гетероскедастичность случайного члена Тема 3.3. Модель множественной регрессии с автокорреляцией Тема 3.4. Стохастические объясняющие переменные и ошибки Практические занятия. Объяснение и прогнозирование автокорреляция Тема 3.5. Модели с переменной структурой. Фиктивные переменные 4 Практические занятия. Анализ факторов, влияющих на фиктивные переменные в моделях регрессии Практические занятия. Спрос на электроэнергию: структурный подход и применение методов анализа временных рядов Практические занятия. Моделирование взаимосвязанного спроса на факторы производства: оценки и выводы для систем уравнений Введение Определение эконометрики. Предмет эконометрики. Понятие эконометрической модели, ее особенности. Место эконометрики в системе экономических наук. Взаимосвязь эконометрики с экономической теорией и экономической статистикой. Сферы применения эконометрических моделей. Методология построения эконометрических моделей, обзор используемых методов. Три типа экономических данных: временные ряды, перекрестные (cross-section) данные, панельные данные.

Рекомендуемая литература: [2, введение], [3, глава 1], [4, глава 1, 2, 3, 4].

Раздел 1. Модель парной регрессии Тема 1.1. Вывод параметров с помощью метода наименьших квадратов (МНК): смысл и геометрическая интерпретация Основные цели и задачи прикладного регрессионного анализа. Постановка задачи регрессии.

Причины существования случайной составляющей. Парная регрессия и МНК.

Геометрическая интерпретация. Детальное рассмотрение остатков. Формулы для оценки параметров регрессии. Интерпретация уравнения регрессии.

Рекомендуемая литература: [1, глава 2], [2, глава 2], [3, глава 2], [4, глава 5, 6].

Тема 1.2. Измерение тесноты линейной связи. Коэффициент детерминации R Смысл и назначение коэффициента корреляции. Разложение суммы квадратов отклонений наблюдаемых значений зависимой переменной от ее выборочного среднего. Степень ГОУ ВПО Российско-Армянский (Славянский) университет соответствия линии регрессии имеющимся данным. Коэффициент детерминации R2: смысл и интерпретация.

Рекомендуемая литература: [1, глава 2], [2, глава 2], [3, глава 2], [4, глава 5, 6, 7].

Тема 1.3. Свойства коэффициентов регрессии с двумя переменными и проверка гипотез. Статистические свойства МНК-оценок параметров регрессии Линейность регрессии по переменным и параметрам. Основные гипотезы. Теорема ГауссаМаркова. Оценка дисперсии ошибок. Интерпретация уравнения регрессии. Свойства оценок параметров, полученных по МНК (несмещенность, эффективность). Математическое ожидание и дисперсия оценок параметров регрессии. Распределение оценок.

Рекомендуемая литература: [1, глава 3], [2, глава 2], [3, глава 2], [4, глава 5, 6, 7].

Тема 1.4. Оценка статистической значимости регрессии. Проверка гипотез Статистические критерии: общая логическая схема построения. Проверка значимости коэффициента регрессии с использованием критерия Стьюдента. Построение доверительных интервалов оценок параметров. Односторонние t-тесты. Проверка адекватности модели регрессии. F-критерий Фишера.

Рекомендуемая литература: [1, глава 3], [2, глава 2], [3, глава 2], [4, глава 5, 6, 7] Тема 1.5. Нелинейная парная регрессия: преобразования переменных Базисная процедура. Логарифмические преобразования. Случайный член. Нелинейная регрессия. Выбор функции: тесты Бокса—Кокса.

Рекомендуемая литература: [1, глава 4], [2, глава 2], [3, глава 2], [4, глава 5, 6, 7] Раздел 2. Модель множественной регрессии Тема 2.1. Основные гипотезы классической линейной модели множественной регрессии (КЛММР). МНК-оценки Иллюстрация: модель с двумя независимыми переменными. Многомерная модель множественной регрессии в скалярной и векторной формах. Основные гипотезы КЛММР.

Метод наименьших квадратов. Вывод и интерпретация коэффициентов множественной регрессии. Теорема Гауса-Маркова. Матричное выражение для вектора оценок коэффициентов регрессии. Множественная регрессия в нелинейных моделях.

Производственная функция Кобба-Дугласа.

Рекомендуемая литература: [1, глава 5], [2, глава 3, 5], [3, глава 3].

Тема 2.2. Скорректированный коэффициент детерминации R2adj. Оценка значимости множественной регрессии Свойства коэффициентов множественной регрессии. Коэффициенты эластичности.

Скорректированный коэффициент детерминации R2adj и его свойства. Интерпретация КЛММР. Мулътиколлинеарность.

Рекомендуемая литература: [1, глава 5], [2, глава 3], [3, глава 3].

Раздел 3. Различные аспекты множественной регрессии Тема 3.1. Спецификация переменных в уравнениях регрессии Моделирование. Влияние отсутствия в уравнении переменной, которая должна быть включена. Влияние включения в модель переменной, которая не должна быть включена.

ГОУ ВПО Российско-Армянский (Славянский) университет Замещающие переменные. Проверка линейного ограничения. Как извлечь максимум информации из анализа остатков. Лаговые переменные.

Рекомендуемая литература: [1, глава 6].

Тема 3.2. Мультиколинеарность и методы ее устранения. Частная корреляция.

Гетероскедастичность случайного члена Гетероскедастичность и ее последствия. Обнаружение гетероскедастичности. Что можно сделать в случае гетероскедастичности? Мультиколлинеарность данных. Причины возникновения, типы мультиколинеарности. Последствия мультиколлинеарности для оценок параметров регрессионной модели. Признаки наличия мультиколлинеарности (парные и частные коэффициенты корреляции, частные регрессии). Коэффициенты частной корреляции: расчет, статистическая значимость, интерпретация. Методы устранения мультиколлинеарности.

Рекомендуемая литература: [1, глава 7], [2, глава 4, 6].

Тема 3.3. Модель множественной регрессии с автокорреляцией остатков.

Еще раз об условиях Гаусса—Маркова. Автокорреляция ошибок. Автокорреляция и связанные с ней факторы. Что можно сделать в отношении автокорреляции? Последствия автокорреляции для оценок параметров регрессионной модели. Автокорреляция с лаговой зависимой переменной. Автокорреляция как следствие неправильной спецификации модели.

Проверка существования автокорреляции. Автокорреляция первого порядка: статистика Дарбина-Уотсона. Тест Бреуша-Годфри. Q-тест Льюинга-Бокса.

Рекомендуемая литература: [1, глава 7].

Тема 3.4. Стохастические объясняющие переменные и ошибки измерения Стохастические объясняющие переменные. Последствия ошибок измерения. Критика М.

Фридменом стандартной функции потребления. Инструментальные переменные.

Рекомендуемая литература: [1, глава 8].

Тема 3.5. Модели с переменной структурой. Фиктивные переменные Особенности включения в модель регрессии неколичественных показателей. Модели с фиктивными переменными сдвига. Множественные совокупности фиктивных переменных.

Фиктивные переменные для коэффициента наклона. Исследование структурных изменений с помощью теста Чоу. Интерпретация модели.

Рекомендуемая литература: [1, глава 9].

Тема 3.6. Моделирование динамических процессов Распределение Койка. Частичная корректировка. Адаптивные ожидания. Гипотеза Фридмена о постоянном доходе. Полиномиально распределенные лаги Алмон. Рациональные ожидания. Предсказание. Тесты на устойчивость.

Рекомендуемая литература: [1, глава 10], [2, глава 4], [3, глава 7], [4, глава 15].

Тема 3.7. Временные ряды Устранение автокорреляции. Специфика временных рядов. Идентификация временного ряда.

Авторегрессионная модель (AR), модель скользящей средней (MA), авторегрессионная модель скользящей средней (ARMA). Прогнозирование с использованием ARMA моделей.

Показатели точности прогнозов: MSE, MAE, MAPE, AMAPE, U-статистика Тейла.

Рекомендуемая литература: [2, глава 11], [3, глава 6], [3, глава 6], [4, глава 11].

Тема 3.8. Оценивание систем одновременных уравнений ГОУ ВПО Российско-Армянский (Славянский) университет Смещение при оценке одновременных уравнений. Структурная и приведенная формы уравнений. Косвенный метод наименьших квадратов (КМНК). Инструментальные переменные (ИП). Неидентифицируемость. Сверхидентифицированность. Двухшаговый метод наименьших квадратов (ДМНК). Условие размерности для идентификации.

Идентификация относительно стабильных зависимостей.

Рекомендуемая литература: [1, глава 11], [2, глава 9], [3, глава 4].

Рекомендуемая литература 1 Доугерти, К. Введение в эконометрику. – М.: ИНФРА-М, 2006.-402 с.

2 Магнус, Я.Р. Эконометрика. Начальный курс: Учеб. – 6-е изд., перераб. и доп. – М.:

3 Эконометрика: учебник / И.И. Елисеева [и др.]. – 2-е изд., перераб. и доп. - М.:

Финансы и статистика, 2005.-576 с.

4 Суслов В.И., Ибрагимов Н.М., Талышева Л.П., Цыплаков А.А., Эконометрика Издательство: Новосибирский государственный университет, 2005. – 744 с.

5 Берндт Э.Р., Практика эконометрики: классика и современность: Учебник для студентов вузов / Пер. с англ. под ред. проф. С.А., Айвазяна - М.: ЮНИТИ-ДДНА, 6 Практикум по эконометрике: учеб. пособие / И.И. Елисеева [и др.]. – 2-е изд., перераб.

и доп. - М.: Финансы и статистика, 2006.-344 с.

7 Econometric Analysis, W. Greene, 5 edition – Prentice Hall, 2005.

8 Луговская Л.В. Эконометрика в вопросах и ответах: учеб. Пособие. – М.: ТК Велби, Изд-во Проспект, 2006. – 208 с.

2.5. Материально-техническое обеспечение дисциплины Лекции проводятся с применением слайдовых презентаций в формате PowerPoint, которые сопровождают изложение теоретического материала. Вывод необходимых формул проводится в аудитории совместно со студентами.

Практические занятия проводятся как в аудитории, так и в компьютерных классах РАУ.

Цель компьютерных занятий – овладение студентами методов анализа и обработки данных с использованием пакетов прикладных программ. Рекомендуемые программные средства и пакеты прикладных программ: Eviews4.0, Excel.

Программный пакет предоставляется студентам, что дает им возможность самостоятельно решать задания, которые демонстрировались на практических занятиях и способствует лучшему усвоению практического материала, а также выработке навыков практической работы с программой.

2.6. Распределение весов по видам контролей Курсовая работа Лабораторные работы Письменные домашние задания Реферат Эссе текущих контролей в итоговых оценках промежуточных контролей контролей в итоговых оценках промежуточных контролей Вес итоговой оценки 1-го промежуточного контроля в результирующей оценке промежуточных контролей промежуточного контроля в результирующей оценке промежуточных контролей промежуточного контроля в результирующей оценке промежуточных контролей промежуточных контролей в результирующей оценке итогового контроля (оценка итогового контроля) 2.7. Формы и содержание текущего, промежуточного и итогового контролей Текущий контроль. Текущий контроль проводится с целью определения качества усвоения лекционного материала в форме устных опросов, а также тестовых заданий Итоговая оценка знаний текущего контроля складывается по результатам тестирований, проводимых как по отдельным темам, так и по результатам итогового тестирования. Принимается во внимание также своевременность и качество выполнения студентами текущих заданий, активность участия на практических занятиях.

Промежуточный контроль. Промежуточный контроль проводится два раза в течение учебного семестра. Студенты, руководствуясь учебно-методическим планом, находят ответы на контрольные вопросы по каждой теме образовательной программы.

Итоговый контроль по курсу. Для контроля усвоения данной дисциплины учебным планом предусмотрен экзамен. При этом экзамен проводится в устной форме на ГОУ ВПО Российско-Армянский (Славянский) университет 3. Теоретический блок 3.1. Учебно-методическое обеспечение a) Базовые учебники Доугерти, К. Введение в эконометрику. – М.: ИНФРА-М, 2006.-402 с.

Магнус, Я.Р. Эконометрика. Начальный курс: Учеб. – 6-е изд., перераб. и доп. – М.:

Дело, 2004. - 576 с.

Эконометрика: учебник / И.И. Елисеева [и др.]. – 2-е изд., перераб. и доп. - М.:

Финансы и статистика, 2005.-576 с.

Суслов В.И., Ибрагимов Н.М., Талышева Л.П., Цыплаков А.А., Эконометрика Издательство: Новосибирский государственный университет, 2005. – 744 с.

b) Основная литература Берндт, Э. Практика эконометрики: классика и современность: учебник. – М.:

ЮНИТИ-ДАНА, 2005. – 863 с.

М.: ТК Велби, Изд-во Проспект, 2006. – 208 с.

EViews 4.0 User’s Guide / Quantitative Micro Software, 1998, p 656.

Практикум по эконометрике: учеб. пособие / И.И. Елисеева [и др.]. – 2-е изд., перераб.

и доп. - М.: Финансы и статистика, 2006.-344 с.

c) Дополнительная литература Айвазян, С.А. Прикладная статистика и основы эконометрики: учебник для вузов / С.А. Айвазян, В.С. Мхитарян. – М.: ЮНИТИ, 1998. – 1022 с.

Замков О.О. Эконометрические методы в макроэкономическом анализе: Курс лекций.

- М.: ГУ-ВШЭ, 2001.

Сигел Э.Ф. Практическая бизнес-статистика - М., С-Пб., Киев.: Вильямс, 2002.

4. Блок ОДС и КИМ 4.1. Программа экзамена по курсу Определение эконометрики. Предмет и методы эконометрики.

Классификация моделей и типы данных.

Обзор этапов эконометрического моделирования на примере построения функции потребления Дж.М. Кейнса.

Парная регрессия и суть метода наименьших квадратов (МНК) Вывод формул a, b для оценки параметров регрессии.

Уравнение в отклонениях. Вывод формул для оценки параметров регрессии.

Геометрическая интерпретация МНК.

Вывод коэффициента детерминации.

10. Определение коэффициента детерминации и его свойства.

ГОУ ВПО Российско-Армянский (Славянский) университет 11. В каких условиях коэффициент детерминации может принимать значения вне интервала 0; 12. Модель линейной регрессии: основные понятия регрессионного анализа 13. Причины существования случайной составляющей (ошибки регрессионной модели).

14. Различие между случайной составляющей и остатками модели.

15. Классическая линейная регрессионная модель (КЛРМ), гипотезы лежащие в основе 16. Линейность регрессии по переменным и параметрам.

17. Явление гетероскедастичности. Влияние гетероскедастичности случайной составляющей на оценку значений параметров модели линейной регрессии.

18. Явление автокорреляции. Влияние автокорреляции случайной составляющей на оценку значений параметров модели линейной регрессии.

19. Коэффициент корреляции, его свойства.

20. Классическая нормальная линейная регрессионная модель (КНЛРМ), гипотезы лежащие в основе КНЛРМ.

21. Наилучшие оценки линейной регрессионной модели. Свойства коэффициентов регрессии.

22. Определение несмещенной, состоятельной, эффективной оценки.

23. Теорема Гаусса – Маркова (без доказательства).

24. Оценка существенности параметров и статистическая проверка гипотез. t-критерий Стьюдента.

25. Взаимосвязь t-статистики и F-статистики для парной регрессии.

26. Коэффициент эластичности. Его смысл и определение.

27. Оценка статистической значимости уравнения в целом. F-критерий Фишера.

28. Модель множественной регрессии.

29. Ограничения модели множественной регрессии.

30. Идентификация параметров множественной регрессии МНК.

31. Интерпретация множественного уравнения регрессии.

32. Показатели тесноты связи в множественном регрессионном анализе - парные и частные коэффициенты корреляции.

33. Стандартизированное уравнение множественной регрессии.

34. Коэффициент множественной корреляции, скорректированный коэффициент множественной корреляции, множественный коэффициент детерминации.

35. Оценка статистической значимости множественных коэффициентов регрессии, tкритерий Стьюдента.

36. Модели с переменной структурой (фиктивные переменные).

37. Исследование структурных изменений с помощью теста Чоу.

38. Оценка статистической значимости множественного уравнения регрессии, F-критерий Фишера.

ГОУ ВПО Российско-Армянский (Славянский) университет 39. Спецификация модели множественной регрессии. Свойства множественных коэффициентов регрессии.

40. Решение проблемы выбора модели (с ограничением и без ограничения).

41. Методы отбора факторов: априорный и апостериорный подходы.

42. Гетероскедастичность и автокорреляция случайного члена.

43. Автокорреляция 1-го порядка и критерий Дарбина-Уотсона.

44. Тест серий (критерий Бреуша-Годфри), Q-тест Льюинга-Бокса.

45. Тесты на гетероскедастичность: Голдфелда-Квандта, тест Уайта.

мультиколинеарности.

47. Последствия мультиколлинеарности для оценок параметров регрессионной модели.

48. Признаки наличия мультиколлинеарности.

49. Методы устранения мультиколлинеарности.

50. Основные модели временных рядов.

51. Проверка точности и адекватности моделей временных рядов.

52. Идентификация временного ряда. Авторегрессионная модель (AR), модель скользящей средней (MA), авторегрессионная модель скользящей средней (ARMA).

53. Прогнозирование с использованием ARMA моделей.

54. Показатели точности прогнозов: MSE, MAE, MAPE, AMAPE, U-статистика Тейла.

4.2. Образцы тестовых заданий 1. Коэффициент регрессии показывает:

а) на сколько единиц своего измерения увеличится ( b > 0) или уменьшится ( b < 0) в среднем Y, если X увеличить на единицу своего измерения;

б) долю дисперсии одной случайной величины, обусловленную вариацией другой;

в) на сколько % увеличится ( b > 0) или уменьшится ( b < 0) в среднем Y, если X увеличится на 1 %;

г) нет правильного ответа.

2. Коэффициент регрессии a изменяется в пределах от:

г) принимает любое значение.

3. В регрессионном анализе Xt рассматриваются как:

а) случайные величины;

б) неслучайные величины;

в) любые величины;

г) неопределенные величины.

ГОУ ВПО Российско-Армянский (Славянский) университет 4. Для оценки неизвестных параметров регрессионной модели наиболее часто используют метод наименьших квадратов (МНК), согласно которому в качестве оценки принимают a, b, которые:

а) максимизируют сумму отклонений наблюдаемых значений Yt от модельных значений Yt ;

б) максимизируют сумму квадратов отклонения наблюдаемых значений Yt от модельных а) минимизируют сумму отклонений наблюдаемых значений Yt от модельных значений Yt ;

б) минимизируют сумму квадратов отклонения наблюдаемых значений Yt от модельных 5. В регрессионном анализе Yt рассматриваются как:

а) случайные величины;

б) неслучайные величины;

в) любые величины;

г) неопределенные величины.

6. Коэффициент детерминации изменяется в пределах от:

в) принимает любое значение;

г) нет правильного ответа.

7. Для оценки неизвестных параметров регрессионной модели методом наименьших квадратов исследуют следующую функцию:

г) нет правильного ответа.

8. Коэффициент детерминации показывает:

а) долю не объясненной дисперсии;

б) долю объясненной медианы;

в) долю не объясненной средней;

г) долю объясненной дисперсии.

9. В регрессионном анализе t рассматриваются как:

а) случайные величины;

ГОУ ВПО Российско-Армянский (Славянский) университет б) неслучайные величины;

в) любые величины;

г) неопределенные величины.

10. При переходе от X, Y к отклонениям x X X, y Y Y имеет место:

а) перенос начала координат в точку ( X, Y ) ;

б) перенос начала координат в точку ( x, y ) ;

5. Методический блок 5.1. Методика преподавания дисциплины Преподавание учебной дисциплины «Эконометрика» строится на сочетании лекций, практических занятий и различных форм самостоятельной работы студентов.

На лекциях по эконометрике излагаются наиболее сложные вопросы содержания дисциплины, проводится анализ основных понятий и методов. Чтение лекций сопровождается рассмотрением примеров, как правило, социально-экономического характера.

На практических занятиях делается акцент на решение прикладных задач: студенты овладевают основными методами и приемами решения задач эконометрического моделирования, а также получают разъяснения теоретических положений дисциплины.

При проведении практических занятий должное внимание надо уделять:

- развитию аналитических и вычислительных навыков;

- привитию навыков составления и анализа эконометрических моделей;

- выработке навыков отбора данных, необходимых для решения эконометрических - выбору метода эконометрического исследования;

- доведению задач до практически приемлемого результата;

- осуществлению проверки справедливости положений экономической теории.

Предусмотрены аудиторные самостоятельные работы по основным темам курса и заданиям прикладного характера по применению эконометрики в сфере будущей профессиональной деятельности с навыками работы на компьютере как средством управления информацией. В процессе освоения дисциплины используются следующие образовательные технологии, способы и методы формирования компетенций: традиционные лекции и практические занятия, лекции по проблемным вопросам, подготовка письменных аналитических и расчетно-графических работ, творческие задания. Итоговой формой отчета является экзамен.

5.2. Методические рекомендации по изучению дисциплины для студентов Рабочей программой дисциплины «Эконометрические методы в менеджменте»

предусмотрена самостоятельная работа студентов в объеме 72 часов. Самостоятельная работа проводится с целью углубления знаний по дисциплине и предусматривает:

изучение и усвоение лекционного материала:

подготовку к контрольным работам и тестам, ГОУ ВПО Российско-Армянский (Славянский) университет изучение дополнительной литературы по разделам, указанным лектором, подготовку к практическим занятиям;

работу с Интернет-ресурсами;

подготовку к экзамену.

Материал, законспектированный на лекциях, необходимо регулярно дополнять сведениями из литературных источников, представленных в УМК. При самостоятельной работе следует прочитать рекомендованную литературу и при необходимости составить краткий конспект основных положений, терминов, сведений, требующих запоминания и являющихся основополагающими в этой теме и для освоения последующих разделов курса.

Для расширения знаний по дисциплине рекомендуется использовать Интернет-ресурсы.

6. Краткий англо-русский словарь терминов adaptive expectation – адаптивное ожидание adjusted R2 – скорректированный коэффициент детерминации augment test – расширенный, пополненный тест autocorrelation function (ACF) – автокорреляционная функция autoregressive conditional heteroscedasticity (ARCH) model – авторегрессионная условно гетероскедастичная модель autoregressive (AR) model – авторегрессионная модель autoregressive integrated moving average (ARIMA) model – интегрированная модель авторегрессии и скользящего среднего autoregressive moving average (ARMA) model – модель авторегрессии и скользящего среднего best linear unbiased estimator (BLUE) – наилучшая (с минимальной дисперсией) оценка в классе несмещенных линейных оценок binary variable – бинарная переменная, принимающая значения 0 или Box-Jenkins model = ARIMA – модель Бокса-Дженкинса = интегрированная модель авторегрессии и скользящего среднего censored model – модель с цензурированными наблюдениями, т.е. модель, в которой значения некоторых переменных ограничиваются, как правило, некоторыми пороговыми значениями central limit theorem (CLT) – центральная предельная теорема classical normal regression (CNR) – модель классической регрессии, в которой ошибки имеют совместное нормальное распределение classical regression (CR) – модель регрессии, в которой ошибки независимы, одинаково распределены, имеют нулевое среднее значение и постоянную дисперсию coefficient of determination (R-squared) – коэффициент детерминации cointegrated processes – коинтегрированные процессы, нестационарные процессы, линейная комбинация которых стационарна conditional distribution – условное распределение conditional expectation – условное среднее, условное математическое ожидание confidence interval – доверительный интервал consistent estimator – состоятельная оценка convergence in distribution (law) – сходимость по распределению convergence in probability – сходимость по вероятности correlation – корреляция correllogram – график (выборочный) автокорреляционной функции correlation coefficient – коэффициент корреляции ГОУ ВПО Российско-Армянский (Славянский) университет covariance – ковариация count data – счетные данные cross-section data – данные, не имеющие временной природы, порядок их расположения несуществен curve fitting – подгонка кривой density function – плотность распределения dependent (endogenous) variable – зависимая (эндогенная) переменная distributed lags model – модель распределенных лагов distribution – распределение distribution function – функция распределения dummy variable – фиктивная независимая переменная, принимающая, как правило, два значения – 0 или dummy trap – ситуация, когда сумма нескольких фиктивных переменных, включенных в регрессию, равна константе, также включенной в модель duration model – модель «времени жизни», модель продолжительности какого-либо процесса efficient estimator – эффективная оценка, оптимальный (в некотором классе) метод оценивания efficient frontier – граница эффективных портфелей endogenous (dependent) variable – эндогенная (зависимая) переменная error correction model – модель коррекции ошибок estimate – величина оценки при заданных выборочных значениях estimator – метод оценивания, функция выборочных значений exogenous (independent) variable – экзогенная (независимая) переменная, регрессор expectation (mean) – среднее значение, математическое ожидание explanatory variables – объясняющие переменные, регрессоры, независимые переменные explained (unexplained) variance – объясняемая (необъясняемая) дисперсия exponential smoothing – экспоненциальное сглаживание fitted value – прогнозное значение first-order condition (FOC) – необходимые условия экстремума generalized autoregressive condition heteroscedasticity (GARCH) model – обобщенная авторегрессионная условно гетероскедастичная модель generalized least squares (GLS) estimation – обобщенный метод наименьших квадратов goodness-of-fit – качество приближения данных моделью hazard rate – интенсивность отказов, коэффициент смертности heteroscedasticity – гетероскедастичность homoscedasticity – гомоскедастичность idempotent matrix – идемпотентная матрица independence of irrelevant alternatives – независимость от посторонних альтернатив independent (exogenous) variable – независимая (экзогенная) переменная index function – индексная функция indirect least squares – косвенный метод наименьших квадратов information matrix – информационная матрица instrumental variable (IV) – инструментальная переменная instrumental variables estimator (IV-estimator) – метод оценивания с помощью инструментальных переменных ГОУ ВПО Российско-Армянский (Славянский) университет intercept – свободный член в уравнении регрессии joint distribution – совместное распределение kernel estimator – метод оценивания непараметрической регрессии lag operator – оператор сдвига lagged variable – лагированная переменная, переменная с запаздыванием latent variable – скрытая, ненаблюдаемая переменная law of large numbers (LLN) – закон больших чисел likelihood function – функция правдоподобия linear probability model – линейная модель вероятности, линейная регрессионная модель для бинарной зависимой переменной linear regression model – линейная регрессионная модель logit model – нелинейная модель для бинарной зависимой переменной с использованием функции логистического распределения loglikelihood function – логарифмическая функция правдоподобия loss function – функция потерь, измеряющая степень отклонения данных от «желаемых»

значений marginal distribution – маргинальное распределение, т.е. распределение одной или нескольких компонент случайного вектора maximum likelihood (ML) – метод максимального правдоподобия maximum likelihood estimate – оценка максимального прадоподобия maximum likelihood estimator – оценивание с помощью метода максимального правдоподобия maximum score estimator (MSCORE) – оценивание по методу максимального счта mean – математическое ожидание mean absolute deviation – среднее абсолютное отклонение mean absolute percentage error – среднее относительное отклонение mean squares error – среднеквадратичная ошибка model specification – спецификация модели model for binary choice – модель бинарного выбора model for multiple choice – модель множественного выбора moving average – скользящее среднее moving average (MA) model – модель скользящего среднего multicollinearity – мультиколлинеарность multinomial logit model – модель множественного выбора multiple regression model – модель множественной регрессии normal (Gaussian) distribution – нормальное (гауссовское) распределение nuisance parameter – вспомогательный (излишний) параметр OLS-estimator, OLS-estimate – оценивание с помощью метода наименьших квадратов и значения этих оценок omitted variables – пропущенные переменные (независимые переменные, не включенные в модель) ordinary least squares (OLS) method – метод наименьших квадратов, МНК ordered data – упорядоченные данные outliers – выбросы (данные, имеющие большие отклонения от большинства других) ГОУ ВПО Российско-Армянский (Славянский) университет panel data – панельные данные, данные имеющие как пространственную, так и временную структуру (например, данные по показателям нескольких фирм за несколько лет) partial adjustment model – модель частичного приспособления partial autocorrelation function (PACF) – частная автокорреляционная функция partial correlation coefficient – коэффициент частной корреляции pretest estimator – оценка коэффициента регрессии, полученная после процедуры предварительного отбора модели probit model – нелинейная модель для бинарной зависимой переменной с использованием функции стандартного распределения qualitative variable – качественная, номинальная переменная random utility model – модель случайной полезности random walk – случайное блуждание ranking variable – ранговая, порядковая, ординальная переменная reduced form of the model – приведенная форма модели residuals - остатки restricted regression – регрессия с ограничениями, модель регрессии с ограничениями на параметры return – доходность актива sample - выборка sample mean (variance, covariance, moment etc.) – выборочное среднее (дисперсия, ковариация, момент и т.д.) seemingly unrelated regression (SUR) – система внешне несвязанных между собой уравнений selection model – модель, основанная на случайно усеченной выборке sensitivity analysis – анализ чувствительности serial correlation – (для временных рядов) наличие корреляции между ошибками, относящимися к разным моментам времени significance level – уровень значимости simultaneous equations – одновременные уравнения slope – коэффициент при независимой переменной в уравнении регрессии spurious regression – мнимая, ложная регрессия standard deviation – стандартное отклонение (корень из дисперсии) stationary time series – стационарный временной ряд (статистические свойства которого не зависят от времени) stochastic discount factor – стохастический дисконтирующий множитель strictly stationary process – строго стационарный процесс, стационарный в узком смысле процесс time-series data – временные ряды, параметры системы, наблюдаемые в последовательные моменты времени time series, integrated of order p – интегрированный временной ряд р, нестационарный временной ряд, р-я последовательная разность которого является стационарным процессом truncated model – модель с усеченными наблюдениями, т.е. модель, из которой исключены некоторые наблюдения two-stage least squares (2SLS) – двухшаговый метод наименьших квадратов unbiased estimator – несмещенное оценивание (оценка) under-, overestimation – оценка параметра, имеющая отрицательное (соответственно положительное) смещение ГОУ ВПО Российско-Армянский (Славянский) университет unit root hypothesis – гипотеза о наличии единичного корня unrestricted regression – регрессия без ограничений, модель регрессии без ограничений на параметры variance – дисперсия variance (covariance) matrix – матрица ковариаций случайного вектора weakly stationary process – слабо стационарный процесс, стационарный в широком смысле процесс weighted least squares – метод взвешенных наименьших квадратов white noise – белый шум, процесс с независимыми одинаково распределенными значениями с нулевыми средними.