Приведены примеры идентификации регрессионных моделей обобщенным методом наименьших квадратов в условиях гетероскедастичности и автокоррелированности остатков
В данной работе представляется подход для автоматического определения сегментов, в которых регрессионная модель имеет существенно меньшую точность, и для выявления сегментов с систематической недооценкой или переоценкой предсказания. Данный сегментационный подход применим к различным экспертным системам, включая, но не ограничиваясь, те, которые используются для массовой оценки. Представленный подход может быть полезен для различных применений регрессионного анализа, особенно для тех, в которых сильная гетероскедастичность. Он помогает выявлять сегменты, для которых желательно использование отдельных моделей или помощь оценщика. Сегментационнный подход был применен к модели оценки недвижимости, основанной на алгоритме Random Forest.
Обсуждается проблема выявления гетероскедастичности с помощью различных статистических критериев. Анализируются методы построения регрессионных моделей при наличии гетероскедастичности.
Рассматриваются методы и алгоритмы построения эконометрических моделей по пространственным, временным и пространственно-временным выборкам, методы оценки параметров моделей и проверки их значимости. Изложение регрессионного анализа начинается с классической двумерной и множественной линейной модели, которая в дальнейшем обобщается на условия мультиколлинеарности и нелинейности, гетероскедастичности и автокоррелированности регрессионных остатков. Рассматриваются также модели с переменной структурой, бинарного и множественного выбора, типологическая регрессия. Значительное место в учебнике отводится анализу временных рядов и системе одновременных уравнений. Для преподавателей, аспирантов и студентов экономических вузов, а также научных сотрудников, занимающихся применением методов эконометрики в социально-экономических исследованиях.