Страница 1, всего страниц: 6 1 2 3 4 5 6
Шпоры по эконометрике. № 1. СПЕЦИФИКАЦИЯ МОДЕЛИ Простая регрессия представляет собой регрессию между двумя переменными—у и х, т.е.модель вида , гдеу— результативный признак;х- признак-фактор. Множественная регрессия представляет собой регрессию результативного признака с двумя и большим числом факторов, т. е. модель вида Спецификация модели - формулировка вида модели, исходя из соответствующей теории связи между переменными. В уравнении регрессии корреляционная по сути связь признаков представляется в виде функциональной связи, выраженной соответствующей математической функцией. где yj—фактическое значение результативного признака; yxj-теоретическое значение результативного признака. — случайная величина, характеризующая отклонения реального значения результативного признака от теоретического. Случайная величина называется также возмущением. Она включает влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения. От правильно выбранной спецификации модели зависит величина случайных ошибок: они тем меньше, чем в большей мере теоретические значения результативного признака подходят к фактическим данныму. К ошибкам спецификации относятся неправильный выбор той или иной математической функции для ,и недоучет в уравнении регрессии какого-либо существенного фактора, т. е. использование парной регрессии вместо множественной. Ошибки выборки - исследователь чаще всего имеет дело с выборочными данными при установлении закономерной связи между признаками. Ошибки измерения практически сводят на нет все усилия по количественной оценке связи между признаками. Основное внимание в эконометрических исследованиях уделяется ошибкам спецификации модели. В парной регрессии выбор вида математической функции может быть осуществлен тремя методами: графическим, аналитическим и экспериментальным. Графический метод основан на поле корреляции. Аналитический метод основан на изучении материальной природы связи исследуемых признаков. Экспериментальный метод осуществляется путем сравнения величины остаточной дисперсии Dост, рассчитанной при разных моделях. Если фактические значения результативного признака совпадают с теоретическимиу= ,тоDocm=0. Если имеют место отклонения фактических данных от теоретических (у— )то . Чем меньше величина остаточной дисперсии, тем лучше уравнение регрессии подходит к исходным данным. Число наблюдений должно в 6 — 7 раз превышать число рассчитываемых параметров при переменной х. № 2 ЛИНЕЙНАЯ РЕГРЕССИЯ И КОРРЕЛЯЦИЯ: СМЫСЛ И ОЦЕНКА ПАРАМЕТРОВ. Линейная регрессия сводится к нахождению уравнения видаили. Уравнение видапозволяет по заданным значениям фактора x иметь теоретические значения результативного признака, подставляя в него фактические значения фактора х. Построение линейной регрессии сводится к оценке ее параметров а и в. Оценки параметров линейной регрессии могут быть найдены разными методами. 1. 2. Параметрbназывается коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу. Формальноа— значениеупри х = 0. Если признак-факторне имеет и не может иметь нулевого значения, то вышеуказаннаятрактовка свободного члена,ане имеет смысла. Параметр,аможетне иметь экономического содержания. Попытки экономическиинтерпретировать параметр,амогут привести к абсурду, особенно приа< 0. Интерпретировать можно лишь знак при параметреа.Еслиа> 0, то относительное изменение результата происходит медленнее, чем изменение фактора. Уравнение регрессии всегда дополняется показателем тесноты связи. При использовании линейной регрессии в качестве такого показателя выступает линейный коэффициент корреляции rxy.Существуют разные модификации формулы линейного коэффициента корреляции. Линейный коэффициент корреляции находится и границах: -1.rxy 1. При этом чем ближеrк 0 тем слабее корреляция и наоборот чем ближе r к 1 или -1, тем сильнее корреляция, т.е. зависимость х и у близка к линейной. Еслиrв точности =1или -1 все точки лежат на одной прямой. Если коэф. регрессии b>0 то 0 .rxy 1 и наоборот при b<0 -1.rxy0. Коэф. корреляции отражает степени линейной зависимости м/у величинами при наличии ярко выраженной зависимости др. вида. Для оценки качества подбора линейной функции рассчитывается квадрат линейного коэффициента корреляции , называемый коэффициентом детерминации. Коэффициент детерминации характеризует долю дисперсии результативного признака y, объясняемую регрессией. Соответствующая величина характеризует долю дисперсииу,вызванную влиянием остальных не учтенных в модели факторов. № 3. МНК. МНК позволяет получить такие оценки параметроваиb,которых сумма квадратов отклонений фактических значений результативного признака(у)от расчетных (теоретических) минимальна: Иными словами, из всего множества линий линия регрессии на графике выбирается так, чтобы сумма квадратов расстояний по вертикали между точками и этой линией была бы минимальной. Решается система нормальных уравнений № 4. ОЦЕНКА СУЩЕСТВЕННОСТИ ПАРАМЕТРОВ ЛИНЕЙНОЙ РЕГРЕССИИ И КОРРЕЛЯЦИИ. Оценка значимости уравнения регрессии в целом дается с помощью F-критерия Фишера. При этом выдвигается нулевая гипотеза, что коэффициент регрессии равен нулю, т. е.b =0, и следовательно, факторхне оказывает влияния на результату. Непосредственному расчету F-критерия предшествует анализ дисперсии. Центральное место в нем занимает разложение общей суммы квадратов отклонений переменной у от средне го значения у на две части - «объясненную» и «необъясненную»: - общая сумма квадратов отклонений - сумма квадратов отклонения объясненная регрессией - остаточная сумма квадратов отклонения. Любая сумма квадратов отклонений связана с числом степеней свободы,т. е. с числом свободы независимого варьирования признака. Число степеней свободы связано с числом единиц совокупности nис числом определяемых по ней констант. Применительно к исследуемой проблеме число cтепеней свободы должно показать, сколько независимых отклонений изпвозможных требуется для образования данной суммы квадратов. Дисперсия на одну степень свободы D. F-отношения (F-критерий): Ecли нулевая гипотеза справедлива, то факторная и остаточная дисперсии не отличаются друг от друга. Для Н0необходимо опровержение, чтобы факторная дисперсия превышала остаточную в несколько раз. Английским статистиком Снедекором разработаны таблицы критических значений F-отношений при разных уровнях существенности нулевой гипотезы и различном числе степеней свободы. Табличное значение F-критерия — это максимальная величина отношения дисперсий, которая может иметь место при случайном их расхождении для данного уровня вероятности наличия нулевой гипотезы. Вычисленное значение F-отношения признается достоверным, если о больше табличного. В этом случае нулевая гипотеза об отсутствии связи признаков отклоняется и делается вывод о существенности этой связи: Fфакт> FтаблН0отклоняется. Если же величина окажется меньше табличной Fфакт‹,Fтабл, то вероятность нулевой гипотезы выше заданного уровня и она не может быть отклонена без серьезного риска сделать неправильный вывод о наличии связи. В этом случае уравнение регрессии считается статистически незначимым. Ноне отклоняется. Стандартная ошибка коэффициента регрессии Для оценки существенности коэффициента регрессии его величина сравнивается с его стандартной ошибкой, т. е. определяется фактическое значение t-критерия Стьюдентa: которое затем сравнивается с табличным значением при определенном уровне значимости и числе степеней свободы (n- 2). Стандартная ошибка параметраа: Значимость линейного коэффициента корреляции проверяется на основе величины ошибки коэффициента корреляциитr: Общая дисперсия признака х: Коэф. регрессии Его величина показывает ср. изменение результата с изменением фактора на 1 ед. Ошибка аппроксимации: № 5. ИНТЕРВАЛЫ ПРОГНОЗА ПО ЛИНЕЙНОМУ УРАВНЕНИЮ РЕГРЕССИИ Оценка стат. значимости параметров регрессии проводится с помощью t – статистики Стьюдента и путем расчета доверительного интервала для каждого из показателей. Выдвигается гипотеза Н0о статистически значимом отличие показателей от 0 a = b = r = 0. Рассчитываются стандартные ошибки параметров a,b, r и фактич. знач. t – критерия Стьюдента. Определяется стат. значимость параметров. ta›Tтабл- a стат. значим tb›Tтабл- b стат. значим Находятся границы доверительных интервалов. Анализ верхней и нижней границ доверительных интервалов приводит к выводу о том, что параметры a и b находясь в указанных границах не принимают нулевых значений, т.е. не явл.. стат. незначимыми и существенно отличается от 0. № 6. НЕЛИНЕЙНАЯ РЕГРЕССИЯ. ВИДЫ МОДЕЛЕЙ Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций: например, равносторонней гиперболы,параболы второй степении д.р. Различают два класса нелинейных регрессий: •регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам; • регрессии, нелинейные по оцениваемым параметрам.Примером нелинейной регрессии по включаемым в нее объясняющим переменным могут служить следующие функции: • полиномы разных степеней • равносторонняя гипербола К нелинейным регрессиям по оцениваемым параметрам относятся функции: • степенная • показательная • экспоненциальная № 7. СМЫСЛ КОЭФФИЦИЕНТА РЕГРЕССИИ. Параметрbназывается коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу. Оценку коэффициента регрессии можно получить не обращаясь к методу наименьших квадратов. Альтернативную оценку параметраbможно найти исходя из содержания данного коэффициента: изменение результата сопоставляют с изменением фактора Общая сумма квадратов отклонений индивидуальных значений результативного признакауот среднего значения
Страница 1, всего страниц: 6 1 2 3 4 5 6
Шпоры по эконометрике. Реферат: [База экономических рефератов], 19.03.2006.
|