Страница 2, всего страниц: 6 1 2 3 4 5 6
вызвана влиянием множества причин. Условно разделим всю совокупность причин на две группы:изучаемый фактор хипрочие факторы. Если фактор не оказывает влияния на результат, то линия регрессии на графике параллельна осиохи.Тогда вся дисперсия результативного признака обусловлена воздействием прочих факторов и общая сумма квадратов отклонений совпадет с остаточной. Если же прочие факторы не влияют на результат, тоу связансхфункционально и остаточная сумма квадратов равна нулю. В этом случае сумма квадратов отклонений, объясненная регрессией, совпадает с общей суммой квадратов. Поскольку не все точки поля корреляции лежат на линии регрессии, то всегда имеет место их разброс как обусловленный влиянием фактора х, т. е. регрессиейупох,так и вызванный действием прочих причин (необъясненная вариация). Пригодность линии регрессии для прогноза зависит от того, какая часть общей вариации признакауприходится на объясненную вариацию Очевидно, что если сумма квадратов отклонений, обусловленная регрессией, будет больше остаточной суммы квадратов, то уравнение регрессии статистически значимо и факторхоказывает существенное воздействие на результат у 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 n ис числом определяемых по ней констант. Применительно к исследуемой проблеме число степеней свободы должно показать, сколько независимых отклонений изпвозможных требуется для образования данной суммы квадратов. №8. ПРИМЕНЕНИЕ МНК К МОДЕЛЯМ НЕЛИНЕЙНЫМ ОТНОСИТЕЛЬНО ВКЛЮЧАЕМЫХ ПЕРЕМЕННЫХ И ОЦЕНИВАЕМЫХ ПАРАМЕТРОВ. Нелинейная регрессия по включенным переменным не таит каких-либо сложностей в оценке ее параметров. Она определяется, как и в линейной регрессии, методом наименьших квадратов (МНК), ибо эти функции линейны по параметрам. Так, в параболе второй степени y=a0+a1x+a2x2+ заменяя переменные x=x1,x2=x2,получим двухфакторное уравнение линейной регрессии: у=а0+а1х1+а2х2+ Парабола второй степени целесообразна к применению, если для определенного интервала значений фактора меняется характер связи рассматриваемых признаков: прямая связь меняется на обратную или обратная на прямую. В этом случае определяется значение фактора, при котором достигается максимальное (или минимальное), значение результативного признака: приравниваем к нулю первую производную параболы второй степени: , т.е. b+2cx=0 и x=-b/2c Применение МНК для оценки параметров параболы второй степени приводит к следующей системе нормальных уравнений: Решение ее возможно методом определителей: В моделях, нелинейных по оцениваемым параметрам, но приводимых к линейному виду, МНК применяется к преобразованным уравнениям. Если в линейной модели и моделях, нелинейных по переменным, при оценке параметров исходят из критерия min, то в моделях, нелинейных по оцениваемым параметрам, требование МНК применяется не к исходным данным результативного признака, а к их преобразованным величинам, т. е.ln y, 1/y.Так, в степенной функции МНК применяется к преобразованному уравнению lny = ln + ln x ln . Это значит, что оценка параметров основывается на минимизации суммы квадратов отклонений в логарифмах. Соответственно если в линейных моделях то в моделях, нелинейных по оцениваемым параметрам, . Вследствие этого оценка параметров оказываются несколько смещенной. №9. КОЭФФИЦИЕНТЫ ЭЛАСТИЧНОСТИ ПО РАЗНЫМ ВИДАМ РЕГРЕССИОННЫХ МОДЕЛЕЙ. 1. Линейная y = a + bx +, y = b, Э =. 2. Парабола 2 порядка y = a +bx + c+, y = b + 2cx, Э =. 3. Гипербола y = a+b/x +, y=-b/, Э =. 4. Показательная y=a, y = ln, Э = x ln b. 5. Степенная y = a, y =, Э = b. 6. Полулогарифмическая y = a + b ln x + , y = b/x , Э =. 7. Логистическая, y =, Э =. 8. Обратная y =, y =, Э =. № 10 ПОКАЗАТЕЛИ КОРРЕЛЯЦИИ 1. индекс корреляции(R): Величина данного показателя находится в границах: 0 R 1, чем ближе к 1, тем теснее связь рассматриваемых признаков, тем более надежно найденное уравнение регрессии. 2. индекс детерминации используется для проверки существенности в целом ур-ия нелинейной регрессии по F- критерию Фишера: , где R2- индекс детерминации, n- число наблюдений, m – число параметров при переменной х. №11. МНОЖЕСТВЕННАЯ РЕГРЕССИЯ. СПЕЦИФИКАЦИЯ МОДЕЛИ. ОТБОР ФАКТОРОВ ПРИ ПОСТРОЕНИИИ МОДЕЛИ. Регрессия может дать хороший результат при моделировании, если влиянием других факторов, воздействующих на объект исследования, можно пренебречь. Поведение отдельных экономических переменных контролировать нельзя, т. е. не удается обеспечить равенство всех прочих условий для оценки влияния одного исследуемого фактора. В этом случае следует попытаться выявить влияние других факторов, введя их в модель, т. е. построить уравнение множественной регрессии:y=a+b1x1+b2+…+bpxp+e;Такого рода уравнение может использоваться при изучении потребления. Тогда коэффициентыbj— частные производные потребленияупо соответствующим факторамxi: , в предположении, что все остальные хiпостоянны. В 30-е гг. XX в. Кейнс сформулировал свою гипотезу потребительской функции. С того времени исследователи неоднократно обращались к проблеме ее совершенствования. Современная потребительская функция чаще всего рассматривается как модель вида:C=j(y,P,M,Z),гдеС— потребление;у— доход;Р— цена, индекс стоимости жизни;М —наличные деньги;Z— ликвидные активы. При этом .. Основная цель множественной регрессии — построить модель с большим числом факторов, определив при этом влияние каждого из них в отдельности, а также совокупное их воздействие на моделируемый показатель. Спецификация модели включает в себя два круга вопросов: отбор факторов и выбор вида уравнения регрессии. Требования к факторам.1 Они должны быть количественно измеримы. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность (например, в модели урожайности качество почвы задается в виде баллов) 2.Факторы не должны быть интеркоррелированы и тем более находиться в точной функциональной связи. Включение в модель факторов с высокой интеркорреляцией, когда Ryx1 Rx1x2.Для зависимостиy=a+b1x1+b2+…+bpxp+eможет привести к нежелательным последствиям, повлечь за собой неустойчивость и ненадежность оценок коэффициентов регрессии. Если между факторами существует высокая корреляция, то нельзя определить их изолированное влияние на результативный показатель и параметры уравнения регрессии оказываются не интерпретированными. Включаемые во множественную регрессию факторы должны объяснить вариацию независимой переменной. Если строится модель с наборомр-факторов, то для нее рассчитывается показатель детерминацииR2,который фиксирует долю объясненной вариации результативного признака за счет рассматриваемых в регрессиир-факторов. Влияние других не учтенных в модели факторов оценивается как 1 -R2с соответствующей остаточной дисперсией S2.При дополнительном включении в регрессию (р +1) фактора коэффициент детерминации должен возрастать, а остаточная дисперсия уменьшаться: . Насыщение модели лишними факторами не только не снижает величину остаточной дисперсии и не увеличивает показатель детерминации, но и приводит к статистической незначимости параметров регрессии по t-критерию Стьюдента. Таким образом, хотя теоретически регрессионная модель позволяет учесть любое число факторов, практически в этом нет необходимости. Отбор факторов производится на основе качественного теоретико-экономического анализа, который обычно осуществляется в две стадии: на первой подбираются факторы исходя из сущности проблемы; на второй – на основе показателей корреляции определяют t-статистики для параметров регрессии. Коэффициенты интеркорреляции (т. е. корреляции между объясняющими переменными) позволяют исключать из модели дублирующие факторы. Считается, что две переменных явноколлинеарны,т. е. находятся между собой в линейной зависимости, если . Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из регрессии. Предпочтение при этом отдается не фактору, более тесно связанному с результатом, а тому фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту связи с другими факторами. В этом требовании проявляется специфика множественной регрессии как метода исследования комплексного воздействия факторов в условиях их независимости друг от друга. Наибольшие трудности в использовании аппарата множественной регрессии возникают при наличиимультиколлинеарностифакторов, когда более чем два фактора связаны между собой линейной зависимостью. Наличие мультиколлинеарности факторов может означать, что некоторые факторы будут всегда действовать в унисон. В результате вариация в исходных данных перестает быть полностью независимой, и нельзя оценить воздействие каждого фактора в отдельности. Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов (МНК).Включение в модель мультиколлинеарных факторов нежелательно в силу следующих последствий:1.затрудняется интерпретация параметров множественной регрессии как характеристик действия факторов в «чистом» виде, ибо факторы коррелированы; параметры линейной регрессии теряют экономический смысл;2оценки параметров ненадежны, обнаруживают большие стандартные ошибки и меняются с изменением объема наблюдений. Для оценки мультиколлинеарности факторов может использоватьсяопределитель матрицы парных коэффициентов корреляции между факторами. Если бы факторы не коррелировали между собой, то матрица парных коэффициентов корреляции между факторами была бы единичной матрицей. Для включающего три объясняющих переменных уравнения:y=a+b1x1+b2+b3x3+e.Матрица коэф-в корреляции м/у факторами имела бы определитель равный 1. Det =1, т.к. rx1x1=rx2x2=1 и rx1x2=rx1x3=rx2x3=0. Если м/у факторами сущ-ет полная линейная зависимость и все коэф-ты корреляции =1, то определитель такой матрицы =0. Чем ближе к нулю определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И, наоборот, чем ближе к единице определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов. №12. ЧТО ОЗНОЧАЕТ ВЗАИМОДЕЙСТВИЕ ФАКТОРОВ И КАК ОНО МОЖЕТ БЫТЬ ПРЕДСТАВЛЕНО ГРАФИЧЕСКИ? Одним из путей учета внутренней корреляции факторов является переход к совмещенным уравнениям регрессии, т. е. к уравнениям, которые отражают не только влияние факторов, но и их взаимодействие. Так, если y=f(x1,x2,x3),то возможно построение следующего совмещенного уравнения:y=a+b1x1+b2x2+b3x3+b12x1x2+b13x1x3+b23x2x3+e.Рассматриваемое уравнение включает взаимодействие первого порядка (взаимодействие двух факторов). Возможно включение в модель и взаимодействий более высокого порядка, если будет доказана их статистическая значимость по F-критерию Фишера. Если анализ совмещенного уравнения показал значимость только взаимодействия факторов х1и х3,то уравнение будет иметь вид:y=a+b1x1+b2x2+b3x3+b13x1x3+e.Взаимодействие факторов х1и х3означает, что на разных уровнях фактора х3влияние фактора х1наубудет неодинаково, т. е. оно зависит от значений фактора х3. На рис. взаимодействие факторов представляется непараллельными линиями связи с результатому.И, наоборот, параллельные линии влияния фактора x1наупри разных уровнях фактора х3означают отсутствие взаимодействия факторов х1и х3. Графики: а—х1влияет нау,причем это влияние одинаково как при х3=В1, так и прих3=В2(одинаковый наклон линий регрессии), что означает отсутствие взаимодействия факторов х1и х3;б— с ростом х1результативный признак y возрастает при х3= В1; с ростом х1результативный признакуснижается при х3=В2..Между х1и х3существует взаимодей-вие. Совмещенные уравнения регрессии строятся, например, при исследовании эффекта влияния на урожайность разных видов удобрений.Решению проблемы устранения мультиколлинеарности факторов может помочь и переход к уравнениям приведенной формы. С этой целью в уравнение регрессии производится подстановка рассматриваемого фактора через выражение его из другого уравнения.
Страница 2, всего страниц: 6 1 2 3 4 5 6
Шпоры по эконометрике. Реферат: [База экономических рефератов], 19.03.2006.
|