Содержание
- 2. 1 Парная регрессия может дать хороший результат, если удается выделить один главный фактор, а влиянием остальных
- 3. 2 Данные о связи ВНП с объемом потребления и объемом инвестиций за 10 лет (млрд. долл.)
- 4. 3 Поскольку оба коэффициента корреляции оказались весьма большими нельзя пренебречь влиянием какого либо одного фактора и
- 5. 4 Естественно, что множественная регрессия может быть и нелинейной. Примером может служить известная производственная функция Кобба-Дугласа,
- 6. 4.1. Спецификация модели множественной регрессии
- 7. 1 Под спецификацией модели понимается выбор основных параметров модели таких как вид математической функции реализующих модель,
- 8. 2 Так же как и в случае однофакторной регрессии должны выполняться постулаты 1-5. 1. В рассматриваемой
- 9. 3 4. Возмущения являются независимыми. Отсюда следует, что 5. Возмущение или зависимая переменная уi распределены по
- 10. 4 По сравнению с однофакторной регрессией новым является шестой пункт, который требует проверки включаемых в регрессионную
- 11. 5 Не существует метода, который бы сразу указывал, какие из переменных следует включить в модель, а
- 12. 6 3. Добавить в регрессионную модель следующий фактор, имеющий наибольшую корреляционную связь с зависимой переменной. Построить
- 13. 7 Для иллюстрации сказанного вновь обратимся к примеру, который мы уже рассматривали о связи ВНП с
- 14. 8 С помощью функции ЛИНЕЙН ( ) строим однофакторную модель y = 1,6254*x1 +0,7399 R2 =
- 15. 9 Запишем уравнение двухфакторной регрессионной модели: Как следует из приведенных результатов, регрессионные коэффициенты двух рассмотренных выше
- 16. 10 Обращаем внимание на то, что экономический смысл коэффициента стал совершенно другим. Если в случае однофакторной
- 17. 11 Обычно считается, что переменные явно коллинеарны, т.е. находятся в линейной зависимости между собой. если коэффициент
- 18. 12 Для оценки мультиколлинеарности факторов обычно используют определитель матрицы парных коэффициентов корреляции между факторами. Пусть имеется
- 19. 13 Если переменные не коррелированны, то недиагональные компоненты равны нулю и определитель равен единице. Если, наоборот,
- 20. 14 Оценка значимости мультиколлинеарности факторов может быть проведена методом испытания гипотезы об отсутствии мультиколленеарности (Н0). Доказано,
- 21. 4.2 Выбор формы уравнения регрессии
- 22. 1 Как уже указывалось, наряду с линейной формой регрессионного уравнения, может быть использованы и нелинейные регрессионные
- 23. 2 Примером линейной модели может быть модель Фридмана, который построил для США по данным за 1905
- 24. 3 Обратим внимание на то, что свободный член в линейном уравнении регрессии очень часто не имеет
- 25. 3а Степенная форма сводится к линейной, если ввести новые переменные. Действительно, прологарифмируем уравнение Поэтому для линеаризации
- 26. 4 Экономический смысл параметров регрессионного уравнения в случае степенной модели легко понять. если вычислить частные эластичности
- 27. 5 Эластичность показывает на сколько процентов изменится функция при изменении аргумента на один процент. В случае
- 28. 6 Возможны и другие линеаризуемые функции для построения множественной регрессии 3. Экспоненциальная Экспоненциальная форма используется как
- 29. 7 Смысл регрессионных коэффициентов здесь состоит в том, что расходы на питание за изучаемый период росли
- 30. 8 Экспоненциальная форма сводится к линейной также простым логарифмированием. Вычисляя логарифм правой и левой частей уравнения
- 31. 9 В случае гиперболической регрессионной модели линеаризация модели также производится простой заменой объясняемой переменной. Введем новую
- 32. 10 Наконец, если исследователя не устраивает ни один из вариантов рассмотренных выше функций регрессии, то можно
- 33. 11 Вводя переменные снова возвращаемся к линейной модели. Естественно, что после анализа линеаризованной модели нужно вернуться
- 34. 4.3 Точечная оценка параметров множественной регрессии
- 35. 1 Если выполняются условия 1-6 применимости метода МНК, то параметры уравнения множественной регрессии определяются из системы
- 36. 2
- 37. 3 Решение нормальной системы МНК может быть найдено с помощью метода определителей Крамера. Чаще всего для
- 38. 4 Возможен и иной подход к построению уравнения множественной регрессии. В этом случае все переменные вначале
- 39. 5 Средние значения всех введенных величин равны нулю, а дисперсия равна единице. Для стандартизованных переменных линейное
- 40. 6 Регрессионные параметры в стандартизованной модели находятся из системы уравнений МНК, где в качестве коэффициентов при
- 41. 7 Преимуществом стандартизованной формы уравнения регрессии является то, что теперь коэффициенты уравнения сравнимы между собой по
- 42. 8 Стандартизованные коэффициенты регрессии βi и коэффициенты «чистой» регрессии bi связаны между собой очевидным соотношением пользуясь
- 43. 4.4 Коэффициенты детерминации и множественной корреляции
- 44. 1 Практическая значимость уравнения множественной регрессии оценивается с помощью показателя множественной корреляции R или его квадрата
- 45. 2 Если используется уравнение регрессии в стандартизованной форме, то можно легко показать (см. Эконометрика под ред.
- 46. 3 Для определения коэффициентов множественной корреляции и детерминации используется остаточная (необъясненная) дисперсия. Ясно, что если число
- 47. 4 Чтобы избежать необоснованного завышения качества регрессионной модели при добавления новой переменной вводится скорректированный индекс множественной
- 48. 5 Рассмотрим пример использования нормированного фактора детерминации для решения вопроса о включении в модель дополнительной переменной.
- 49. 6 Данные о связи ВНП с объемом потребления и объемом инвестиций за 10 лет (млрд. долл.)
- 50. 7 Построим однофакторную регрессионную модель связи ВНП и объема потребления и с помощью функции Регрессия Пакета
- 51. 8 Включим теперь в число факторов регрессионной модели переменную Х2 – объем инвестиций. Как следует из
- 52. 9 Рассмотрим еще и однофакторную модель связи ВНП с объемом инвестиций Y(X2). Сравнивая результаты, видим, что
- 53. 4.5. Коэффициент частной корреляции
- 54. 1 Определим понятие коэффициента частной корреляции. Частные коэффициенты (или индексы) корреляции характеризуют тесноту связи между результатом
- 55. 2 Для простоты сначала рассмотрим случай двухфакторной модели Y=f(x1 , x2 ). Остаточная дисперсия при включении
- 56. 3 При включении двух факторов остаточная дисперсия будет равна Следовательно влияние включения второго фактора на результат
- 57. 4 Если вспомнить определение коэффициента детерминации то легко увидеть, что коэффициент частной корреляции в рассматриваемом случае
- 58. 5 В общем случае, когда рассматривается модель с k факторами коэффициент частной корреляции, измеряющий влияние на
- 59. 6 Рассмотрим пример использования фактора частной корреляции для обоснования необходимости включения дополнительного фактора в модель. Рассмотрим
- 60. 7 Данные о реальном потребление текстиля в зависимости от располагаемого дохода Х1 и цен на текстиль
- 61. 8 Построим степенную регрессионную модель и линеаризуем ее. Для этого достаточно вычислить десятичные логарифмы исходных переменных.
- 62. 9 Исключим теперь переменную lg DPI из регрессионного уравнения и найдем уравнение однофакторной регрессии. В результате
- 63. 10 Найдем на основании этих данных коэффициент частной корреляции Таким образом, коэффициент частной корреляции оказался высок
- 64. 11 Обратим внимание на то, что линейный коэффициент корреляции между lg T и lg DPI весьма
- 65. 4.6. Оценка надежности результатов множественной регрессии и корреляции
- 66. 1 Значимость уравнения множественной регрессии в целом, так же как и парной регрессии оценивается с помощью
- 67. 2 Выразим величины QE и QR через R2 и подставим полученные уравнения в определение показателя Фишера.
- 68. 3 Дальнейшая оценка значимости производится точно также, как и в случае однофакторной регрессии. Наряду с эмпирическим
- 69. 4 Если Fэмпир > Fкритич , то гипотеза о не значимости уравнения регрессии отвергается. Можно оценивать
- 70. 5 Ввиду корреляции между факторами значимость одного и того же фактора может разной в зависимости от
- 71. 6 В числителе формулы стоит прирост доли объясненной вариации за счет включения в модель переменной хк
- 72. 7 Эмпирическое значение частного F - критерия сравнивается с критическим при числах степеней свободы k1=1, k2=n-m-1
- 73. 8 Статистические данные о связи расходов на продукты питания (Y) располагаемым личным доходом Х1 и индексом
- 74. 9 Используя функцию ЛИНЕЙН ( ) найдем Значения факторов детерминации для Одномерной модели Y=f(x2 )
- 75. 10 Приведенные результаты позволяют построить регрессионную модель с фактором детерминации
- 76. 11 точно также построим двухфакторную модель
- 77. 12 Регрессионное уравнение в этом случае имеет вид а значение фактора детерминации равно Поскольку при уровне
- 78. 13 Если вначале включить в модель переменную x1, а затем попытаться включить переменную x2 , то
- 79. 4.7. Оценка значимости коэффициентов множественной регрессии
- 80. 1 Оценка статистической значимости коэффициентов уравнения множественной регрессии производится по стандартным формулам математической статистики. При этом
- 81. 2 Если не пользоваться вспомогательными пакетами анализа, то требуется достаточно большой объем вычислений для ответа на
- 82. 3 По этой причине будем исходить из того, что для анализа значимости коэффициентов регрессии используются вспомогательные
- 83. 4 Более полную информацию дает использование функции Регрессия из Пакета анализа. Приведем неполный фрагмент выдачи, которую
- 84. 5 5
- 85. 6 Для оценки статистической значимости коэффициентов множественной регрессии можно использовать и частный F – критерий. Можно
- 86. 7 Действительно, вспоминая данные о частных коэффициентах корреляции Как следует из данных приведенных на слайде 84,
- 87. Методы обнаружения гетероскедастичности остатков
- 88. 1 Для обнаружения гетероскедастичности (неодинаковости разброса данных для различных точек наблюдения) можно использовать либо графический метод,
- 89. 2 Модельные данные для демонстрации гетероскедастичности. Линия тренда изображена красным цветом
- 90. 3 На практике для графического обнаружения гетероскедастичности по оси абсцисс откладывают значение результативной переменной, получаемой из
- 91. 4 Данные о финансовой деятельности компаний
- 92. 5 Гетероскедастичность данных предыдущего слайда. По оси Y отложена ошибка
- 93. 6 Для аналитической проверки данных на гетероскедастичность чаще всего используют тест Голдфелда - Квандта. Для проведения
- 94. 7 Для сравнения соответствующих дисперсий строится следующая F - статистика Эта величина распределена по закону Фишера
- 95. 8 Используем этот тест для оценки гетероскедастичности зависимости прибыли от использованного капитала. Упорядочим исходные данные по
- 96. 9 В итоге получаем: Данные для первой трети набора Данные для последней трети набора ESS1 ESS3
- 98. Скачать презентацию