Страница 3, всего страниц: 6 1 2 3 4 5 6
№13. ИНТЕРПРИТАЦИЯ КОЭФФИЦИЕНТОВ РЕГРЕССИИ ЛИНЕЙНОЙ МОДЕЛИ ПОТРЕБЛЕНИЯ. СМЫСЛ СУММЫbiВ ПРОИЗВОДСТВЕННЫХ ФУНКЦИЯХ И ЗНАЧЕНИЕ СУММЫbi>1. КОЭФФИЦИЕНТЫ, ИСПОЛЬЗУЕМЫЕ ДЛЯ ОЦЕНКИ СРАВНИТЕЛЬНОЙ СИЛЫ ВОЗДЕЙСТВИЯ ФАКТОРОВ НА РЕЗУЛЬТАТ. Функция потребления: С=К*у+L, где С-потребление, у-доход, К и L-параметры функции.(у=С+I, I-размер инвистиций). Предположим, что функция потребления составила :С=1,9 + 0,65 *у .Коэффициент регрессии характеризует склонность к потреблению. Он показывает, что из каждой тысячи дохода на потребление расходуется в среднем 650 руб., а 350 руб. инвестируются. В производственных функциях: гдеР- количество продукта, изготавливаемого с помощьютпроизводственных факторов (F1,F2,..., Fm);b-параметр, являющийся эластичностью количества продукции по отношению к количеству соответствующих производственных факторов. Экономический смысл имеют не только коэффициентыbкаждого фактора, но и их сумма, т. е. сумма эластичностей:В=b1+ b2+...+ Ьт.Эта величина фиксирует обобщенную характеристику эластичности производства. При практических расчетах не всегда .Она может быть как больше, так и меньше единицы. В этом случае величинаВфиксирует приближенную оценку эластичности выпуска с ростом каждого фактора производства на 1 % в условиях увеличивающейся(В> 1) или уменьшающейся(В< 1) отдачи на масштаб. Так, еслиР = 2,4*F *F20,7* F30,2, то с ростом значений каждого фактора производства на 1 % выпуск продукции в целом возрастает приблизительно на 1,2 %. №14. НАЗНАЧЕНИЕ ЧАСТНОЙ КОРРЕЛЯЦИИ ПРИ ПОСТРОЕНИИ МОДЕЛИ МНОЖЕСТВЕННОЙ РЕГРЕССИИ.Ранжирование факторов, участвующих во множественной линейной регрессии, может быть проведено через стандартизованные коэффициенты регрессии, с помощью частных коэффициентов корреляции — для линейных связей. При нелинейной взаимосвязи исследуемых признаков эту функцию выполняют частные индексы детерминации. Кроме того, частные показатели корреляции широко используются при решении проблемы отбора факторов: целесообразность включения того или иного фактора в модель доказывается величиной показателя частной корреляции. Частные коэффициенты (или индексы) корреляциихарактеризуют тесноту связи между результатом и соответствующим фактором при устранении влияния других факторов, включенных в уравнение регрессии. Показатели частной корреляции представляют собой отношение сокращения остаточной дисперсии за счет дополнительного включения в анализ нового фактора к остаточной дисперсии, имевшей место до введения его в модель. Частные коэффициенты корреляцииизмеряющие влияние на у фактора хiпри неизменном уровне др. факторов можно определить по формуле: ; При двух факторах и i=1 данная формула примет вид: Частные коэффициенты корреляции изменяются в пределах от -1 до 1. №15. ЧАСТНЫЙ F-КРИТЕРИЙ, ЕГО ОТЛИЧИЕ ОТ ПОСЛЕДОВАТЕЛЬНОГО F-КРИТЕРИЯ, СВЯЗЬ МЕЖДУ СОБОЙ t- КРИТЕРИЯ СТЬЮДЕНТА ДЛЯ ОЦЕНКИ ЗНАЧИМОСТИ biИ ЧАСТНЫМ F-КРИТЕРИЕМ . Ввиду корреляции м/у факторами значимость одного и того же фактора м/б различной в зависимости от последовательности его введения в модель. Мерой для оценки включения фактора в модель служит частый F-критерий, т.е. Fxi. В общем виде для фактора xiчастый F-критерий определяется как : Если рассматривается уравнениеy=a+b1x1+b2+b3x3+e, то определяются последовательно F-критерий для уравнения с одним фактором х1, далее F-критерий для дополнительного включения в модель фактора х2, т. е. для перехода от однофакторного уравнения регрессии к двухфакторному, и, наконец, F-критерий для дополнительного включения в модель фактора х3, т. е. дается оценка значимости фактора х3после включения в модель факторов x1их2. В этом случае F-критерий для дополнительного включения фактора х2после х1является последовательным в отличие от F-критерия для дополнительного включения в модель фактора х3, который является частным F-критерием, ибо оценивает значимость фактора в предположении, что он включен в модель последним. С t-критерием Стьюдента связан именно частный F-критерий. Последовательный F-критерий может интересовать исследователя на стадии формирования модели. Для уравненияy=a+b1x1+b2+b3x3+eоценка значимости коэффициентов регрессииЬ1,Ь2,,b3предполагает расчет трех межфакторных коэффициентов детерминации, а именно: , , и можно убедиться, что существует связь между собой t- критерия Стьюдента для оценки значимости biи частным F-критерием: На основе соотношения biи получим: №16 ПРЕДПОСЫЛКИ МНК. При оценке параметров уравнения регрессии применяется МНК. При этом делаются определенные предпосылки относительно составляющей , которая представляет собой ненаблюдаемую величину. Исследования остатков -предполагают проверку наличия следующих пяти предпосылок МНК:1.случайный характер остатков; 2.нулевая средняя величина остатков, не зависящая от хi; 3.гомоскедастичность—дисперсия каждого отклонения ,одинакова для всех значенийх;4.отсутствие автокорреляции остатков. Значения остатков , распределены независимо друг от друга; 5.остатки подчиняются нормальному распределению. 1. Проверяется случайный характер остатков ,с этой целью строится график зависимости остатков от теоретических значений результативного признака. Если на графике получена горизонтальная полоса, то остатки , представляют собой случайные величины и МНК оправдан, теоретические значенияуххорошо аппроксимируют фактические значения y. В других случаях необходимо либо применять другую функцию, либо вводить дополнительную информацию и заново строить уравнение регрессии до тех пор, пока остатки , не будут случайными величинами. 2. Вторая предпосылка МНК относительно нулевой средней величины остатков означает, что (у —ух)= 0. Это выполнимо для линейных моделей и моделей, нелинейных относительно включаемых переменных. С этой целью наряду с изложенным графиком зависимости остатков от теоретических значений результативного признакаухстроится график зависимости случайных остатков от факторов, включенных в регрессию хi .Если остатки на графике расположены в виде горизонтальной полосы, то они независимы от значений xj.Если же график показывает наличие зависимости и хjто модель неадекватна. Причины неадекватности могут быть разные. 3. В соответствии с третьей предпосылкой МНК требуется, чтобы дисперсия остатков была гомоскедастичной. Это значит, что для каждого значения фактораxjостатки , имеют одинаковую дисперсию. Если это условие применения МНК не соблюдается, то имеет место гетероскедастичность. Наличие гетероскедастичности можно наглядно видеть из поля корреляции. Гомоскедастичность остатков означает, что дисперсия остатков - одинакова для каждого значениях. 4.Отсутствие автокорреляции остатков, т. е. значения остатков распределены независимо друг от друга. Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии. №17. СУЩНОСТЬ АНАЛИЗА ОСТАТКОВ ПРИ НАЛИЧИИ РЕГРЕССИОННОЙ МОДЕЛИ. КАК МОЖНО ПРОВЕРИТЬ НАЛИЧИЕ ГОМО- ИЛИ ГЕТЕРОСКЕДАСТИЧНОСТИ ОСТАТКОВ. ОЦЕНКА ОТСУТСТВИЯ АВТОКОРРЕЛЯЦИИ ОСТАТКОВ ПРИ ПОСТРОЕНИИ СТАТИСТИЧЕСКОЙ РЕГРЕССИОННОЙ МОДЕЛИ. С этой целью строиться график зависимости остатковeiот теоретических значений результативного признака: Если на графике получена горизонтальная полоса, то остаткиeiпредставляют собой случайные величины и МНК оправдан, теоретические значенияуххорошо аппроксимируют фактические значенияу. Возможны следующие случаи:еслиeiзависит отуx,то: 1.остаткиeiне случайны.2. остаткиei, не имеют постоянной дисперсии. 3. Остаткиeiносят систематический характерв данном случае отрицательные значенияei, соответствуют низким значениямух,а положительные — высоким значениям. В этих случаях необходимо либо применять другую функцию, либо вводить дополнительную информацию. Как можно проверить наличие гомо- или гетероскедастичноси остатков?Гомоскедастичность остатков означает, что дисперсия остатковeiодинакова для каждого значениях.Если это условие применения МНК не соблюдается, то имеет место гетероскедастичность. Наличие гетероскедастичности можно наглядно видеть из поля корреляции.а— дисперсия остатков растет по мере увеличениях;б —дисперсия остатков достигает максимальной величины при средних значениях переменнойхи уменьшается при минимальных и максимальных значенияхх;в —максимальная дисперсия остатков при малых значенияххи дисперсия остатков однородна по мере увеличения значенийх.Графики гомо- и гетеро-ти. Оценка отсутствия автокорреляции остатков(т.е. значения остатковeiраспределены независимо друг от друга). Автокорреляция остатков означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Коэффициент корреляции междуeiиej, гдеei— остатки текущих наблюдений,ej— остатки предыдущих наблюдений, может быть определен по обычной формуле линейного коэффициента корреляции . Если этот коэффициент окажется существенно отличным от нуля, то остатки автокоррелированы и функция плотности вероятности F(e) зависит j-й точки наблюдения и от распределения значений остатков в других точках наблюдения. Для регрессионных моделей по статической информации автокорреляция остатков может быть подсчитана, если наблюдения упорядочены по факторух. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии. Особенно актуально соблюдение данной предпосылки МНК при построении регрессионных моделей по рядам динамики, где ввиду наличия тенденции последующие уровни динамического ряда, как правило, зависят от своих предыдущих уровней. №18 СМЫСЛ ОБОБЩЕННОГО МНК . При нарушении гомоскедастичности и наличии автокорреляции ошибок рекомендуется традиционный МНК заменять обобщенным методом. Обобщенный МНК применяется к преобразованным данным и позволяет получать оценки, которые обладают не только свойством несмещенности, но и имеют меньшие выборочные дисперсии. Обобщенный МНК для корректировки гетерос-ти. В общем виде для уравнения yi=a+bxi+eiпри где Ki– коэф-т пропор-ти. Модель примет вид: yi= + xi+ ei. В ней остаточные величины гетероскедастичны. Предполагая в них отсутствие автокорреляции, можно перейти к уравнению с гомоскедастичными остатками, поделив все переменные, зафиксированные в ходе i-го наблюдения на .Тогда дисперсия остатков будет величиной постоянной. От регрессии у по х мы перейдем к регрессии на новых переменных:y/ их/ . Уравнение регрессии примет вид: . По отношению к обычной регрессии уравнение с новыми, преобразованными переменными представляет собой взвешенную регрессию, в которой переменныеуихвзяты с весами
Страница 3, всего страниц: 6 1 2 3 4 5 6
Шпоры по эконометрике. Реферат: [База экономических рефератов], 19.03.2006.
|