Презентация Microsoft Power Point ~ 136 kB
Модели в виде систем одновременных уравнений. Проблемы построения моделей из одновременных уравнений. Проблема идентификации уравнений.
Презентация Microsoft Power Point ~ 136 kB
Модели в виде систем одновременных уравнений. Проблемы построения моделей из одновременных уравнений. Проблема идентификации уравнений.
TMPA-2015: Lexical analysis of dynamically formed string expressionsIosif Itkin
Lexical analysis of dynamically formed string expressions
Marina Polubelova, Semyon Grigorev, Saint Petersburg State University, Saint Petersburg
12 - 14 November 2015
Tools and Methods of Program Analysis in St. Petersburg
Версия презентации по основам C++ с летней школы учителей информатики 2016 года.
Презентация расширена слайдами Незнанова А.А., изменён порядок материала, добавлены задачи.
TMPA-2015: Lexical analysis of dynamically formed string expressionsIosif Itkin
Lexical analysis of dynamically formed string expressions
Marina Polubelova, Semyon Grigorev, Saint Petersburg State University, Saint Petersburg
12 - 14 November 2015
Tools and Methods of Program Analysis in St. Petersburg
Версия презентации по основам C++ с летней школы учителей информатики 2016 года.
Презентация расширена слайдами Незнанова А.А., изменён порядок материала, добавлены задачи.
Most messages and value-points shared across the boardroom table get lost in the din of depthless, digital, corporate jargon. Managers and leaders across the world spend frustrating hours trying to make a point and trying to make it stick until action and results are achieved.
The answer lies in using the dynamics of old-fashioned storytelling which connects with, engages and influences listeners at a subjective, emotional and a primal level. Corporate storytelling is not just an inborn gift or an acquired art but has clear-cut, scientific and neuro-psychological reasons for its success and long-term impact in all business conversations.
This book, the HeART of STORY, walks you through the science behind storytelling, cites many business and leadership examples and shows you how to tell stories in person and through media.
Raju Mandhyan: Author, Business Coach and Trainer in the areas of Cross-Cultural Communications, Creative Thinking and Leadership.
View his work on the following
websites: www.mandhyan.com; www.expatinsights.com
Путеводитель по основным понятиям и схемам методологии Организации, Руководст...Dr. Jury Belonozhkin
Путеводитель-хрестоматия содержит фрагменты работ советского российского методолога Г.П. Щедровицкого (1929—1994), представляю-щих основные средства и инструменты управленческого мышления. Книга предназначена для использования в качестве учебного пособия в циклах тренировок и практических занятий в рамках элементарной, начальной, обшей и высшей управленческой подготовки.
2. Последствия ошибок спецификации модели Возможные ошибки спецификации модели: 1. Неправильный выбор вида уравнения регрессии 2. В уравнение регрессии включена лишняя (незначимая) переменная 3. В уравнении регрессии пропущена значимая переменная
3.
4. Последствия ошибок спецификации модели Из выражения (1.2) следует: (1,3) Иными словами, математические ожидания эндогенной переменной, полученные с помощью функций f T и f F не совпадают, т.е. первая предпосылка теоремы Гаусса-Маркова M(u lx)=0 не выполняется Следовательно, в результате оценивания такой модели параметры а 0 и а 1 будут смещенными
5. Последствия ошибок спецификации модели Симптомы наличия ошибки спецификации первого типа: 1. Несоответствие диаграммы рассеяния, построенной по имеющейся выборке виду функции, принятой в спецификации 2. В динамических моделях длительно сохраняется знак у смежных (по номеру t уравнений наблюдений) значений оценок случайных возмущений Именно этот симптом и улавливается статистикой DW Дарбина–Уотсона! В силу данного обстоятельства тесту Дарбина–Уотсона в эконометрике придается большое значение.
6. Пример исправления ошибки первого типа Задача. Построить модель относительной стоимости подержанных автомобилей фирмы Ситроен 9 32 25 8 37 24 5 45 16 3 49 8 8 35 23 5 45 15 2 60 7 7 33 22 5 50 14 2 65 6 7 37 21 4 45 13 2 70 5 7 37 20 4 50 12 1 80 4 6 40 19 4 50 11 1 76 3 6 40 18 3 57 10 1 80 2 6 42 17 3 52 9 0 100 1 Кол-во лет p % Прода-жа Кол-во лет p % Прода-жа Кол-тво лет p % Прода-жа
8. Последствия ошибок спецификации модели 2. В уравнение регрессии включена лишняя переменная Пусть на этапе спецификации в модель включена «лишняя» переменная, например, X 2 (2.1) «Правильная» спецификация должна иметь вид: (2.2)
9. Последствия ошибок спецификации модели Последствия: 1. Оценки параметров а 0 , а 1 , а 2 останутся несмещенными, но потеряют свою эффективность (точность) 2. Увеличивается ошибка прогноза по модели как за счет ошибок оценок коэффициентов и σ u , так и за счет последнего слагаемого Это особенно опасно при больших абсолютных значениях регрессора
10. Последствия ошибок спецификации модели Диагностика: В моделях множественной регрессии необходимо для каждого коэффициента уравнения проверять статистическую гипотезу H 0 : a i =0 Вспомним, что для этого достаточно оценить дробь Стьюдента и сравнить ее значение с критическим значением распределения Стьюдента, которое вычисляется по значению доверительной вероятности и значению степени свободы 2 = n – (k+1)
11. Последствия ошибок спецификации модели 3. В модели не достает важной переменной Последствия такие же, как и в первом случае: получаем смещенные оценки параметров модели. Для устранения необходимо вернуться к изучению особенностей поведения экономического объекта, выявить опущенные переменные и дополнить ими модель Вот тут и возникают неприятности!
12. Замещающие переменные Проблемы в использовании переменных: 1. Не возможно получение данных по переменной 2. Не возможно измерить количественно переменную Такие ситуации характерны для переменных социально-экономического характера (качество образования и т.п.) Выход из ситуации – подбор переменной заместителя
13. Замещающие переменные Определение. Переменные, которые вводятся в эконометрические модели вместо тех переменных, которые не поддаются измерению, называются замещающими. Требование. Замещающая переменная должна коррелировать с переменной, которую она замещает. Если Cor(x,x pr )=1, то x pr – называют совершенным регрессором В качестве замещающей переменной часто используется время и лаговые переменные
14. Замещающие переменные Пример. Рассмотрим модель связывающую расходы потребителей на питание ( y) с личным располагаемым доходом (х) и относительной ценой продовольствия (р) (4.1) Предположим, что нет доступа к данным о располагаемом личном доходе (х) Если эту переменную не учитывать, то оценки оставшихся параметров будут смещенными, а соответствующие тесты не корректны Предположим, что log(x) имеет временной тренд
15. Замещающие переменные Тогда уравнение (4.1) можно записать в виде: R 2 0.63 2.04 (0.33) Log(p) 0.98 0.023 (0.001) -0.47 (0.13) Log(p), t 0.99 -0.48 (0.12) 0.64 (0.03) Log(x), log(p) b 3 b 2 b 1 Оценки коэффициентов Регрессоры
16. Замещающие переменные В общем случае, пусть «правильная» модель: Предположим, что х 1 не доступна для наблюдений Введем переменную z, которая связана с х 1 (4.2) где: λ и μ неизвестные коэффициенты (4.4) (4.3) После оценки модели (4.4) нет формальной возможности получить значения λ , μ , а 1
17. Проблемы с использованием замещающих переменных Пример построения производственной функции Кобба-Дугласа Индексы реального объема производства, в промышленности США в 1899-1922 гг. Спецификация модели Оценка модели [d L ; d U ] = [1,26; 1,44] 161 431 240 1922 144 208 159 1910 147 417 179 1921 140 198 155 1909 193 407 231 1920 121 185 126 1908 193 387 218 1919 138 176 151 1907 200 366 223 1918 133 163 152 1906 196 335 227 1917 125 149 143 1905 182 298 225 1916 116 138 122 1904 154 266 189 1915 123 131 124 1903 149 244 169 1914 118 122 122 1902 154 236 184 1913 110 114 112 1901 152 226 177 1912 105 107 101 1900 145 216 153 1911 100 100 100 1899 L K Y Год L K Y Год
18. Проблемы с использованием замещающих переменных Проверка адекватности модели Для проверки адекватности взяты данные за 1922г (Y 1922 = 240; K 1922 = 431; L 1922 = 161). Для этого вычисляем величины и делаем точечный прогноз значения y 0 = ln(Y 1922 /L 1922 ) = 0,399: Критическое значение критерия Стьюдента t крит (0.99,21)=2.8 Тогда доверительный интервал:
19. Построение функции Кобба-Дугласа Модель оказалась не адекватной Дальнейшие возможности: - проверить возможность исключения незначимых параметров -попытаться изменить вид модели - исследовать возможность включения дополнительной переменной Делаем все по порядку
22. Построение функции Кобба-Дугласа Проверка адекватности модели (5.2) Вновь вычисляются необходимые величины: Сделаем точечную проверку адекватности для доверительных вероятностей 0.99 и 0.95 t крит (0.99,21)=2.8, t крит (0.95,21)=2.1
23. Построение функции Кобба-Дугласа 2. Введем дополнительную переменную Модели (5.1) и (5.2) не учитывают влияние технического прогресса на уровень выпуска продукции Учтем это влияние с помощью замещающей переменной t – время следующим образом Введем переменную E t –эффективность единицы труда Et зависит от квалификации, образования и др. личных качеств работников Простейшая модель технологического процесса (5.3)
24. Построение функции Кобба-Дугласа С учетом технологического процесса спецификация модели принимает вид: (5.4) где: a 3 = (1-a 1 ) · ln(1+g) 0 В логарифмическом виде модель (5.4) имеет вид: (5.5)
25. Построение функции Кобба-Дугласа Оценка модели (5.5) по тем же данным приняла вид: Из (5.6) легко видеть, что оценки коэффициентов b 0 = ln(a 0 ) и а 1 оказались незначимыми (гипотезы Н 0 : b 0 =0 и H 0 :a 1 =0 не отвергаются исходными данными) Но это приводит к абсурду: можно не затрачивая ни капитал ни труд производить продукцию (5.6)
26. Построение функции Кобба-Дугласа Вопрос. Почему статистические данные «не пустили» в модель время как заместитель технического прогресса ? Ответ. Переменная К (капитальные затраты) так же являются функцией времени. В результате введения в модель еще переменной времени привело к мультиколинеарности матрицы коэффициентов наблюдения (матрица Х) Выражение стало не устойчивым из-за неустойчивости обратной матрицы
27. Построение функции Кобба-Дугласа Вывод. Последствием не аккуратного использования замещающих переменных при водит к нарушению обязательного условия МНК о не вырожденности матрицы коэффициентов уравнений наблюдений При использовании замещающих переменных необходим предварительный анализ степени корреляции между экзогенными переменными
28. Построение функции Кобба-Дугласа 3. Проверка возможности изменить вид модели Откажемся от жесткого условия линейной однородности (а 1 +а 2 =1) производственной функции Тогда модель примет вид: (5.7) Оценка модели (5.7) в конечном итоге получилась следующей: