рк+

Критерий Вилкоксона - один из самых известных инструментов непараметрической статистики (наряду со статистиками типа КолмогороваСмирнова и коэффициентами ранговой корреляции). Свойствам этого критерия и таблицам его критических значений уделяется место во многих монографиях по математической и прикладной статистике (см., например, [8, 9, 13]).

Однако в литературе имеются и неточные утверждения относительно возможностей критерия Вилкоксона. Так, одни полагают, что с его помощью можно обнаружить любое различие между функциями распределенияF(x) и G(x). По мнению других, этот критерий нацелен на проверку равенства медиан распределений, соответствующих выборкам. И то, и другое, строго говоря, неверно. Это будет ясно из дальнейшего изложения.

Введем некоторые обозначения. Пусть F-1(t) - функция, обратная к функции распределения F(x). Она определена на отрезке [0;1]. Положим L(t) = G(F- 1(t)). Поскольку F(x) непрерывна и строго возрастает, то F-1(t) и L(t) обладают теми же свойствами. Важную роль в дальнейшем изложении будет играть величина a = P(X< Y) . Как нетрудно показать,

Введем также параметры

Тогда математические ожидания и дисперсии статистик Вилкоксона и МаннаУитни согласно [13, с.160] выражаются через введенные величины:

М(U) = mna , М(S) = mn + m(m+1)/2 - М(U) = mn(1- a) + m(m+1)/2,

D(S) = D(U) = mn [ (n - 1) b2 + (m - 1) g2 + a(1 -a) ] . (1)

Когда объемы обеих выборок безгранично растут, распределения статистик Вилкоксона и Манна-Уитни являются асимптотически нормальными (см., например, [13, гл.5 и 6]) с параметрами, задаваемыми формулами (1) .

Если выборки полностью однородны, т.е. их функции распределения совпадают, справедлива гипотеза

H0: F(x) = G(x) при всех x, (2)

то L(t) = t и a= 1/2. Подставляя в формулы (1), получаем, что

М(S) = m(m+n+1)/2, D(S) = mn(m+n+1)/ 12 (3) .

Следовательно, распределение нормированной и центрированной статистики Вилкоксона

T = ( S - m(m+n+1)/2) (mn(m+n+1)/ 12 ) - 1/2 (4)

при росте объемов выборок приближается к стандартному нормальному распределению (с математическим ожиданием 0 и дисперсией 1).

Из асимптотической нормальности статистики Т следует, что правило принятия решения для критерия Вилкоксона выглядит так:

-если |T|<то гипотеза (2) однородности (тождества) функций распределений принимается на уровне значимости

-если же |T|>то гипотеза (2) однородности (тождества) функций распределений отклоняется на уровне значимости .

В эконометрике наиболее часто применяется уровень значимости Тогда значение модуля статистикиТ Вилкоксона надо сравнивать с граничным

значением

ТЕМА3

Метод наименьших квадратов для линейной прогностической функции.

Исходные данные – набор n пар чисел (tk , xk), k = 1,2,…,n, где tk – независимая переменная (например, время), а xk – зависимая (например, индекс инфляции,

курс доллара США, объем месячного производства или размер дневной выручки торговой точки). Предполагается, что переменные связаны зависимостью

xk = a (tk - tср)+ b + ek , k = 1,2,…,n,

где a и b – параметры, неизвестные исследователю и подлежащие оцениванию, а ek – погрешности, искажающие зависимость. Среднее арифметическое моментов времени

tср = (t1 + t2 +…+tn ) / n

введено в модель для облегчения дальнейших выкладок.

Обычно оценивают параметры a и b линейной зависимости методом наименьших квадратов. Затем восстановленную зависимость используют для точечного и интервального прогнозирования.

Как известно, метод наименьших квадратов был разработан великим немецким математиком К. Гауссом в 1794 г. Согласно этому методу для расчета наилучшей функции, приближающей линейным образом зависимость x от t,

следует рассмотреть функцию двух переменных

Оценки метода наименьших квадратов - это такие значения a* и b*, при которых функция f(a,b) достигает минимума по всем значениям аргументов. Чтобы найти эти оценки, надо вычислить частные производные от функции f(a,b) по аргументам a и b, приравнять их 0, затем из полученных уравнений найти оценки

ценки метода наименьших квадратов имеют вид

(2)

В силу соотношения (1) оценку а* можно записать в более симметричном виде:

Эту оценку нетрудно преобразовать и к виду

Следовательно, восстановленная функция, с помощью которой можно прогнозировать и интерполировать, имеет вид

x*(t) = a*(t - tср)+ b*.

Обратим внимание на то, что использование tср в последней формуле ничуть не ограничивает ее общность. Сравним с моделью вида

xk = c tk+ d + ek , k = 1,2,…,n.

Ясно, что

Аналогичным образом связаны оценки параметров:

Незначительное отличие от 0 связано с ошибками округления при вычислениях. Близость суммы значений зависимой переменной и суммы восстановленных значений - практический критерий правильности расчетов.ий правильности расчетов.

Оценка остаточной дисперсии.

. В точках tk , k = 1,2,…,n, имеются исходные значения зависимой переменной xk и восстановленные значения x*(tk). Рассмотрим остаточную сумму квадратов

В соответствии с формулами (5)и

(6)

Найдем математическое ожидание каждого из слагаемых:

Из сделанных ранее предположений вытекает, что при имеем следовательно, по закону больших чисел

статистика SS/n является состоятельной оценкой остаточной дисперсии .

Получением состоятельной оценкой остаточной дисперсии завершается последовательность задач, связанных с рассматриваемым простейшим

вариантом метода наименьших квадратов. Не представляет труда выписывание верхней и нижней границ для прогностической функции:

где погрешность имеет вид

Здесь p - доверительная вероятность, U(p), как и в главе 4 - квантиль нормального распределения порядка(1+р)/2, т.е.

При p= 0,95 (наиболее применяемое значение) имеем U(p) = 1,96. Для других доверительных вероятностей соответствующие значения квантилей можно найти в статистических таблицах (см., например, наилучшее в этой сфере издание [9]).

Точечный и интервальный прогноз.

C помощью построенной регрессионной модели можно не только анализировать какой-либо процесс, но и прогнозировать значения зависимой переменной при каких-либо заданных значениях факторов.

Модель регрессии позволяет проводить как экстраполяцию, так и интерполяцию значений. Интерполяция - прогнозирование значений зависимой переменной y для значений фактора x, принадлежащих интервалу [xmin; xmax]. Экстраполяция - прогнозирование значений зависимой переменной y для значений фактора x, выходящих за границы интервала [xmin; xmax], чаще всего, при x > xmax.

Точечный прогноз получается путем простой подстановки соответствующих значений x в уравнение регрессии.