შუალედური გამოცდის კონსპექტი ეკონომეტრიკა 2-ში

2019

(თეორიული ნაწილი)

1. რეგრესიის განტოლებაში არსებითი ცვალდის გაუთვალისწინებლობის შედეგები;

2. ჩამნაცვლებელი ცვლადები;
3. რეგრესიის განტოლებაში არაარსებითი ცვლადების ჩართვით გამოწვეული შედეგები;
4. ამხსნელი ცვლადების არჩევა;
5. მულტიკოლინიარობის არსი, სახეები და შედეგები;
6. წყვილური და კერძო კოეფიციენტების ანალიზზე დაფუძნებული მეთოდი;
7. მულტიკოლინიარობის გამოვლენის დამხმარე რეგრესიის მეთოდი;
8. მულტიკოლინიარობის აღმოფხვრის ცვლადების გამორიცხვის მეთოდი;
9. მულტიკოლინიარობის აღმოფხვრის განსაკუთრებით მნიშვნელოვანი (ინფორმაციული)
ცვლადების შერჩევის მეთოდი;
10. პოლინომიარული მოდელი;
11. ჰიპერბოლური და ლოგისტიკური მოდელები;
12. ლოგარითმული მოდელები;
13. მაჩვენებლიანი და ხარისხობრივი მოდელები;
14. კობ-დუგლასის საწარმოო ფუნქცია;
15. საწარმოო ფუნქციის ეკონომეტრიკული მოდელი;
16. რეგრესიის არაწრფივი მოდელის მნიშვნელოვნების შეფასება;
17. მოდელის ფორმის შერჩევა. ზერემბკას ტესტი;
18. არაგაწრფივებადი მოდელები.

თენგიზ ცხვედაძე
1. რეგრესიის განტოლებაში არსებითი ცვალდის გაუთვალისწინებლობის შედეგები

რეგრესიის განტოლებაში ჩასართავი ფაქტორული ცვლადების შერჩევისას, პირველ რიგში,

ვეყრდნობით ეკონომიკური თეორიას. თუმცა, თეორია შეიძლება ყოველთვის სრულყოფილი არ
აღმოჩნდეს და მასზე დაყრდნობამ მიგვიყვანოს არასწორ სპეციფიკაციამდე. არასწორ სპეციფიკაციას
შეიძლება ადგილი ჰქონდეს სრულყოფილი ეკონომიკური თეორიის პირობებშიც კი, თუ მოდელში
შეგნებულად არ გავითვალისწინებთ რომელიმე მნიშვნელოვან ფაქტორს შესაბამისი მონაცემების
უქონლობის ან სხვა მიზეზების გამო.

დავუშვათ, 𝑦 ცვლადი წრფივად დამოკიდებულია 𝑥1 და 𝑥2 ცვლადებზე. ჭეშმარიტი მოდელის

სახეა: 𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑢 . 𝑥2 ცვლადის უგულებელყოფის პირობებში მივიღებთ შემდეგ
მოდელს: 𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝑢 მისი შეფასება კი იქნება: 𝑦̂ = 𝑏0 + 𝑏1 𝑥1

ჩავწეროთ 𝑏1 კოეფიციენტის გამოსათვლელი ფორმულა და 𝑦-ის ნაცვლად შევიტანოთ მისი

მნიშვნელობა ჭეშმარიტი მოდელიდან:
𝐶𝑜𝑣(𝑥1 ,𝑦) 𝐶𝑜𝑣(𝑥1 ,𝛽0 +𝛽1 𝑥1 +𝛽2 𝑥2 +𝑢) 𝐶𝑜𝑣(𝑥1 ,𝛽0 )+𝛽1 𝑉𝑎𝑟(𝑥1 )+𝛽2 𝐶𝑜𝑣(𝑥1 ,𝑥2 )+𝐶𝑜𝑣(𝑥1 ,𝑢)
𝑏1 = = = = 𝛽1 +
𝑉𝑎𝑟(𝑥1 ) 𝑉𝑎𝑟(𝑥1 ) 𝑉𝑎𝑟(𝑥1 )
𝐶𝑜𝑣(𝑥1 ,𝑥2 ) 𝐶𝑜𝑣(𝑥1 ,𝑢)
+𝛽2 +
𝑉𝑎𝑟(𝑥1 ) 𝑉𝑎𝑟(𝑥1 )

(მოცემულ ფორულაში ვითვალისწინებთ, რომ 𝐶𝑜𝑣(𝑥1 , 𝛽0 ) = 0 )

𝐶𝑜𝑣(𝑥1 ,𝑥2 )
შემდეგ თუ გავითვალისწინებთ: 𝐶𝑜𝑣(𝑥1 , 𝑢) , მივიღებთ: 𝛽1 +𝛽2 .
𝑉𝑎𝑟(𝑥1 )

აქედან ჩანს, რომ თუ რეგრესიის განტოლებაში (𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝑢) არ გავითვალისწინებთ

𝑥2 ცვლადს და შევაფასებთ წყვილური რეგრესიის (𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝑢) მოდელს . მაშინ იკმ-ით
მიღებული 𝛽1 კოეფიციენტის შეფასება 𝑏1 გადაადგილებული იქნება ორი გამონაკლისი შემთხვევის
გარდა:

 როცა 𝑥2 ფაქტორი გავლენას არ ახდენს 𝑦 ცვლადზე, შესაბამისად 𝛽2 = 0 ;

 როცა მოდელის შესაფასებლად გამოყენებულ შერჩევაში 𝐶𝑜𝑣(𝑥1 , 𝑥2 ) = 0 . აღნიშნული
შემთხვევა მხოლოდ თეორიულადაა შესაძლებელი და ეკონომიკური შერჩევითი
ერთობლიობისათვის ეს პირობა თითქმის არ სრულდება. ხოლო როცა სრულდება ვამბობთ,
რომ: (𝑥1 1 , 𝑥2 1 , … 𝑥𝑛 1 ) და (𝑥1 2 , 𝑥2 2 , … 𝑥𝑛 2 ) ვექტორები ერთმანეთის მიმართ
ორთოგონალურია .

შეფასებული მოკლე მოდელით განსაზღვრული 𝑆𝑒2 სტატისტიკა, რომელსაც შემდეგი სახე აქვს:
𝑛 1
𝑆𝑒2 = 𝑉𝑎𝑟(𝑒) = 𝑒 𝑇 𝑒 ზოგად შემთხვევაში. გრძელი (ჭეშმარიტი) მოდელის
𝑛−𝑚−1 𝑛−𝑚−1
შემთხვევითი წევრის 𝜎𝑢2 დისპერსიის გადაადგილებული შეფასებაა. შეიძლება ვაჩვენოთ, რომ:
1 1
𝐸(𝑆𝑒2 ) = 𝐸(𝑒 𝑇 𝑒) = 𝜎𝑢2 + 𝐴𝑇 𝑍 𝑇 𝑀𝑍𝐴 სადაც: 𝑀 = (𝐼 − 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇 )
𝑛−𝑚−1 𝑛−𝑚−1
იდემპოტენტური მატრიცაა, ე.ი. მისთვის სრულდება პირობა: 𝑀 = 𝑀𝑀 = 𝑀2 . ამ თვისების გამო
ნებისმიერი 𝐴 ვექორისთვის 𝐸(𝑆𝑒2 ) -ის მოყვანილი გამოსახულების მეორე შესაკრები
არაუარყოფითია, რადგან 𝑀-ის იდემპოტენტურობის და მატრიცათა ნამრავლის ტრანსპონირების
თვისების თანახმად: 𝐴𝑇 𝑍 𝑇 𝑀𝑍𝐴 = 𝐴𝑇 𝑍 𝑇 𝑀𝑀𝑍𝐴 = (𝑀𝑍𝐴)𝑇 𝑀𝑍𝐴 ≥ 0

ეს ნიშნავს, რომ 𝜎𝑢2 დისპერსიისათვის 𝑆𝑒2 არის ზემოთ გადაადგილებული შეფასება (მაშინაც, როცა
𝑋 𝑇 𝑍 = 0 ) . შედეგი კი იმაზე მიუთითებს, რომ სტატისტიკური ტესტებით, რომლებშიც 𝑆𝑒2
მონაწილეობს შეიძლება არასწორი დასკვნები გავაკეთოთ.
 წრფივი რეგრესიის მოდელში მნიშვნელოვანი ცვლადების ჩაურთველობის კიდევ ერთი
სერიოზული გამოვლინება დაკავშირებულია რეგრესიის კოეფიციენტების შეფეასებების
დისპერსიებსა და სტანდარტულ შეცდომებთან. 𝑏1 კოეფიციენტის დისპერსიის მნიშვნელობა
𝜎𝑢2
გრძელი მოდელისთვის განისაზღვრება ფორმულით: 𝐷(𝑏1 ) = ; ხოლო მოკლე
𝑛𝑉𝑎𝑟(𝑥1 )(1−𝑟𝑥21 ,𝑥2 )
𝜎𝑢2
მოდელისთვის განისაზღვრება: 𝐷(𝑏1 ) = . უფრო დიდი დისპერსიაა გრძელ მოდელში,
𝑛𝑉𝑎𝑟(𝑥1 )
რასაც განაპირობებს ის ფაქტი, რომ კორელაციის კოეფიციენტის კბადრატის მნიშვნელობა
მოთავსებულია 0-სა და 1-ს შორის.

2. ჩამნაცვლებელი ცვლადები;

ჩამნაცვლებელი ცვლადების არსებობის მიზეზებია:

 ჩასართავი ცვლადი შინაარსობრივად კარგად არის განსაზღვრული, მაგრამ სტატისტიკური

მონაცემები მის შესახებ ან არ არსებობს, ან არსებობს და არასაიმედოა;
 ჩასართავი ცვლადი შინაარსობრივად იმდენად ცუდად არის განსაზღვრული, რომ
პრინციპულად შეუძლებელია მისი გაზომვა;
 ჩასართავი ცვლადი სგაზ0მვა შესაძლებელია, მაგრამ შრომისა და დროის იმდენად დიდ
დანახარჯებს მოითხოვს, რომ ამის განხორციელება ეკონომიკურად არამიზანშეწონილია.
 ვაში. აღნიშნული ვარაუდის რაიმე დასაბუთებული წესი არ არსებობს და ჩამნაცვლებელი
ცვლადის გამოყენების გადაწყვეტილება კონკრეტული მოდელის თავისებურების გათვალისწინებით
სუბიექტურ მოსაზრებებს ეფუძნება.
 3. რეგრესიის განტოლებაში არაარსებითი ცვლადების ჩართვით გამოწვეული შედეგები

ამ შემთხვევაში უნდა მივიჩნიოთ, რომ ჭეშმარიტი მოდელია მოკლე მოდელი - 𝑌 = 𝑋𝐵 + 𝑈, ხოლო

არასწორად სპეციფირებული (შესაფასებელი) მოდელი იქნება გრეძელი მოდელი: 𝑌 = 𝑋𝐵 + 𝑍𝐴 + 𝑈.
დავუშვათ, რომ მოკლე მოდელისთვის სრულდება გაუს-მარკოვის პირობები და 𝑈 ნორმალურად
განაწილებული შემთხვევითი სიდიდეთა ვექტორია. თუ მოკლე მოდელის ნაცვლად შევაფასებთ
გრძელ მოდელს, მაშინ ადგილი ექნება შმედეგ დებულებებს:
ა) მიღებული 𝐵̂ წარმოეადგენს ჭეშმარიტი მოდელის 𝐵 ვექორის გადაუადგილებელ შეფასებას;
ბ) გადაუადგილებელია 𝜎𝑢2 დიპერსიის შეფასება 𝑆𝑒2 = (𝑒 𝑇 𝑒)/(𝑛 − 𝑚 − 1) ;
გ) 𝐵̂ ვექორის ელემენტები ოპტიმალური არ არის, ანუ გრძელი მოდელის 𝐵̂ შეფასებების
დისპერსიების მნიშვნელობები მეტია ჭეშმარიტი მოდელის ანალოგიური დისპერსიების
მნიშვნელობებზე.

𝑏1 და 𝑏2 -ის მოყვანილ გამოსახულებებში ჩავსვათ 𝑦-ის მნიშვნელობა წყვილური რეგრესიის

მოდელიდან. გავითვალისწინოთ კოვარიაციის თვისებები და განვახორციელოთ გარდაქმნები.
შედეგად მივიღებთ, რომ:

4. ამხსნელი ცვლადების არჩევა

რეგრესიის მოდელში ამხსნელ ცვლადთა შერჩევისას ვეყრდნობით: ეკონომიკურ თეორიას -

რომელიც გვთავაზობს ამხსნელი ცვლადის როლში ერთდროულად რამდენიმე ფაქტორს; საღ
აზრს - გამოვკვეთავთ იმ ფაქტორებს, რომლებიც ჩვენთვის საინტერესო იქნება; სტატისტიკურ
არგუმენტებს - რადგან მათი ანალიზის გარეშე შეუძლებელია დასკვნების გაკეთება. თუმცა,
არსებობს გარკვეული რისკებიც: სტატისტიკური მონაცემები შესაძლებელია რეალობას ზუსტად
არ ასახავდეს ან რეკომენდაცია მიეცეს ისეთ ფაქტორებს, რომლებიც არანაირ კავშირში არ
იქნებიან შედეგობრივ ცვლადთან.
შერჩეულ ფაქტორთა სიმრავლის საფუძველზე მოდელის სპეციფიკაცია ხორციელდება:
 მარტივი სპეციფიკაციიდან რთულისაკენ - ვიწყებთ მარტივი მოდელის შეფასებით და
მასში დამატებით ფაქტორებს ვრთავთ იქამდე, ვიდრე მოდელი მისაღები არ გახდება
კოეფიციენტების შეფასებების როგორც ნიშნების, ასევე სტატისტიკური მნიშვნელობების
მიხედვით;
 ზოგადი სპეციფიკაციიდან კერძოსაკენ - იწყება ზოგადი მოდელის შეფასება და შესაბამისი
შეზღუდვებუსა და ტესტირების ოპერაციების გამოყენებით თანდათანობით დავდივართ
შემცირებული ზომისა და სირთულის მოდელზე;
 „სასურველი ვარიანტიდან დაწყება“ - ფაქტორების მოცვის თვალსაზრისით უკავია
შუალედური მდგომარეობა. მისი განხორციელება შესაძლებელია ორი მიმართულებით:
ერთი მხრივ, ვცდილობთ დავადგინოთ, რამდენად მართებულად უარვყავით ფაქტორების
ნაწილი, რომლებიც მოდელში არ ჩავრთეთ; მეორე მხრივ, ვამოწმებთ მოდელში ჩართული
ფაქტორებიდან კიდევ რომელიმეს ხომ არ შეესაბამება რეგრესიის ნულოვანი კოეფიციენტი.
 მოდელში ჩართული ფაქტორული ცვლადების შერჩევის პროცესში გამოყენებულია
კრიტერიუმები:

 დეტერმინაციის კორექტირებული კოეფიციენტი: ითვალისწინებს კომპრომისს

შერჩევის მონაცემებთან მოდელის მორგების ხარისხსა და მოდელში ჩართულ
რეგრესორების (ფაქტორების) რიცხვს შორის. ის ანეიტრალებს ფაქტორების რიცხვის
ზრდით წარმოქმნილ ეფექტს.
𝑄𝐸 /(𝑛 − 𝑚 − 1) ∑𝑛𝑖=1 𝑒𝑖2 /(𝑛 − 𝑚 − 1)
̅ 2
𝑅 = 1− = 1− 𝑛
𝑄/(𝑛 − 1) ∑𝑖=1(𝑦𝑖 − 𝑦̅)2 /(𝑛 − 1)
 აკაიკის ინფორმაციული კრიტერიუმი:
𝑛
1 2(𝑚 + 1)
𝐴𝐼𝐶 = 𝑙𝑜𝑔 ∑ 𝑒𝑖2 +
𝑛 𝑛
𝑖=1
 შვარცის ბეიესური ინფორმაციული კრიტერიუმი:
𝑛
1 (𝑚 + 1)
𝐵𝐼𝐶 = 𝑙𝑜𝑔 ∑ 𝑒𝑖2 + 𝑙𝑜𝑔𝑛
𝑛 𝑛
𝑖=1

აკაიკისა და შვარცის კრიტერიუმები დაფუძნებულია დასაჯერებლობაზე და ასახავს

კომპრომისს მორგების ხარისხსა, რომელიც იზომება დასაჯერებლობის ლოგარითმით და
ეკონომიურობას შორის , რომელიც იზომება რეგრესორების რიცხვით. ეკონომიურობა მიიღწევა
მოდელზე დადებული ჯარიმის საშუალებით, რომელიც იზრდება ფაქტორების ზრდის
კვალობაზე. დადებული ჯარიმის სიდიდე უფრო დიდია შვარცის BIC კრიტერიუმში, რაც უფრო
ეკონომიური (ნაკლები რაოდენობის ფაქტორების შემცველი) მოდელის შერჩევას
უზრუნველყოფს. უპირატესობა ენიჭება ისეთ მოდელს, რომელსაც AIC და BIC _ ის მინიმალური
მნიშვნელობა შეესაბამება.

5. მულტიკოლინიარობის არსი, სახეები და შედეგები

მულტიკოლინიარობა არის პრობლემა, რომელიც გულისხმობს ფაქტორებს შორის წრფივ

ფუნქციონალურ ან წრფივ კორელაციურ დამოკიდებულებას. არსებობს მისი ორი სახე:

I. მკაცრი (სრული) მულტიკოლინიარობა - ადგილი აქვს მაშინ, როდესაც ამხსნელი ცვლადები

ერთმანეთთან ფუნქციონალურადაა დაკავშირებული.
II. არამკაცრ (არასრულ) მულტიკოლინიარობას ადგილი აქვს მაშინ, როდესაც არსებობს მოდელში
ჩართულ ფაქტორულ ცვლადებს შორის სტატისტიკური ხასიათის წრფივი დამოკიდებულება,
რომელიც ორ ან რამდენიმე ფაქტორს შორის მჭიდრო კროელაციას გულისხმობს. არამკაცრი
მულტიკოლინიარობის დროს, რეგრესიის კოეფიციენტების მიღებული შეფასებების სიზუსტე
დაბალია და ხშირად არამნიშვნელოვანიც კი, რასაც განაპირობებს
6. წყვილური და კერძო კოეფიციენტების ანალიზზე დაფუძნებული მეთოდი

 წყვილური კორელაციის კოეფიციენტების ანალიზზე დაფუძნებული მეთოდი:

 კერძო კორელაციის კოეფიციენტების ანალიზზე დაფუძნებული მეთოდი.

მაჩვენებელს შორის არსებული წრფივი დამოკიდებულების ხარისხის მახასოათებელია.

7. მულტიკოლინიარობის გამოვკლენის დამხმარე რეგრესიის მეთოდი
დისპერსიის ზრდის ფაქტორის გამოსათვლელი ფორმულაა:

8. მულტიკლონიარობის აღმოფხვრის ცვლადების გამორიცხვის მეთოდი

9. მულტიკოლინიარობის აღმოფხვრის განსაკუთრებით მნიშვნელოვანი (ინფორმაციული) ცვლადების
შერჩევის მეთოდი
10. პოლინომიარული მოდელი
11. ჰიპერბოლური და ლოგისტიკური მოდელები
12. ლოგარითმული მოდელები
წრფივადლოგარითმული მოდელის გამოყენება მაშინაა მიზანშეწონილი, როცა შედეგობრივი
ცვლადის მნიშვნელობაზე არსებით გავლენას ახდენს რეგრესორების შეფარდებითი მნიშვნელობა.
13. მაჩვენებლიანი და ხარისხობრივი მოდელები
14. კობ-დუგლასის საწარმოო ფუნქცია
15. საწარმოო ფუნქციის ეკონომეტრიკული მოდელი
16. რეგრესიის არაწრფივი მოდელის მნიშვნელოვნების შეფასება

რეგრესიის კოეფიციენტებისა და დეტერმინაციის კოეფიციენტის მნიშვნელოვნების

შეფასებისათვის ვიყენებთ t და F ტესტებს, რაც მაშინაა მიზანშეწონილი, როდესაც შემთხვევითი u
წევრი
17. მოდელის ფორმის შერჩევა. ზერემბკას ტესტი

წყვილური რეგრესიის შემთხვევაში მოდელის ფორმის შესარჩევად ხშირად გამოიყენება

გაბნევის დიაგრამა (კორელაციური ველი), რომელზეც დაკვირვების წერტილები მოიცემა. ამ
წერტილების განლაგებით ზოგჯერ „კარგი“ მოდელის შერჩევაა შესაძლებელი. თუმცა, არსებობს
ისეთი სიტუაციებიც, როცა წერტილების განლაგება მიახლოებით რამდენიმე ფუნქციის გრაფიკს
შეესაბამება და ვიზუალურადაც რთულია არჩევანის გაკეთება.
მრავლობითი რეგრესიის დროს მოდელის ფორმის შესარჩევად გამოიყენება „ცდებისა და
შეცდომების“ მეთოდი: არსებული სტატისტიკური მონაცემების საფუძველზე თანმიმდევრობით
იგება ალტერნატიული მოდელების ვარიანტები, შემდეგ კი მათგან გარკვეული კრიტერიუმით
(დეტერმინაციის კოეფიციენტის მნიშვნელობით, გადახრის კვადრატების ჯამის სიდიდით)
აირჩევა უპირატესი მოდელი. ამასთან, მოდელთა შედარებას მხოლოდ მაშინ აქვს აზრი, როცა
ყოველ მათგანში შედეგობრივი ცვლადი ერთნაირადაა წარმოდგენილი.
პ. ზერემბკას ტესტი შემუშავებულია შემდეგი მოდელების ერთმანეთთან შედარებისათვის:
18. არაგაწრფივებადი მოდელები

არაგაწრფივებადი მოდელების სახეებია: