- •Оглавление
- •1.2. Характеристики случайных величин
- •1.3. Типы эконометрических моделей
- •1.3.1. Модели временных рядов
- •1.3.2. Регрессионные модели с одним уравнением
- •1.3.3. Системы одновременных уравнений
- •1.4. Типы данных при эконометрическом моделировании
- •1.4.1. Пространственные данные
- •1.4.2. Временные ряды
- •1.5. Основные положения регрессионного анализа
- •2. Парная линейная регрессия
- •2.1. Метод наименьших квадратов
- •2.2. Использование оцененной модели для прогноза
- •2.3. Интервальная оценка функции регрессии и ее параметров
- •2.3.2. Доверительный интервал для индивидуальных значений зависимой переменной
- •2.3.3. Доверительные интервалы для параметров регрессионной модели
- •2.4. Оценка значимости уравнения регрессии (адекватности имеющимся статистическим данным)
- •2.4.1. Основная идея дисперсионного анализа
- •2.4.2. Процедура проверки значимости линейной связи между переменными
- •2.4.3. Оценка статистической значимости коэффициентов парной линейной регрессии и корреляции
- •2.5. Проверка выполнения стандартных предположений об ошибках в линейной модели наблюдений графическим методом
- •3. Нелинейные регрессионные модели
- •3.1. Нелинейные модели с двумя переменными, приводимые к линейной форме
- •3.1.1. Степенная форма эконометрической модели
- •3.1.2. Приведение степенной модели к линейной форме модели, оценка параметров модели и ее качества
- •3.1.3. Понятие предельной склонности и эластичности функции
- •3.1.4. Другие виды эконометрических моделей, приводимые к линейной форме
- •3.2. Итерационные методы подбора нелинейных моделей
- •3.3. Нелинейные модели множественной регрессии
- •3.4. Проверка статистических гипотез о значениях отдельных коэффициентов
- •4. Множественная линейная регрессия и корреляция
- •4.1. Отбор факторов для модели множественной регрессии
- •4.1.1. Экономические процессы, описываемые с помощью уравнений множественной регрессии
- •4.1.2. Анализ факторов, включаемых в модель множественной регрессии
- •4.1.3. Методы построения уравнения множественной регрессии
- •4.2.1. Метод наименьших квадратов
- •4.2.2. Применение метода наименьших квадратов для стандартизированного уравнения множественной линейной регрессии
- •4.2.2. Частные коэффициенты эластичности
- •4.3. Проверка значимости уравнения множественной линейной регрессии
- •4.3.1. Коэффициенты множественной корреляции и детерминации
- •4.3.2. Частные и общий коэффициенты корреляции
- •4.3.3. Проверка значимости уравнения линейной множественной регрессии с помощью критериев Фишера и Стьюдента
- •4.4. Метод взвешенных наименьших квадратов (обобщенный МНК)
- •4.5. Фиктивные переменные
- •4.5.1. Необходимость использования фиктивных переменных
- •4.5.2. Модели, содержащие только качественные объясняющие переменные
- •4.5.2. Модели, в которых объясняющие переменные носят как количественный, так и качественный характер
- •5. Временные ряды
- •5.1. Составляющие временных рядов
- •5.1.1. Группы факторов, влияющие на формирование временного ряда
- •5.1.2. Стационарные и нестационарные временные ряды
- •5.1.3. Аддитивная и мультипликативная модели временных рядов
- •5.2. Коэффициент автокорреляции. Автокорреляционная функция
- •5.3. Моделирование тенденции временного ряда
- •5.3. Моделирование сезонных колебаний
- •5.4. Автокорреляция в остатках. Критерий Дарбина-Уотсона
- •6. Системы эконометрических уравнений
- •6.1. Классификация систем регрессионных уравнений
- •6.2. Оценка параметров систем одновременных уравнений
- •6.3. Проблема идентификации структурных моделей
- •6.4. Методы оценки параметров структурной модели
- •Библиографический список
40
Ввиду четкой интерпретации параметров наиболее широко используется линейная функция.
В линейной множественной регрессии |
$y |
x |
=a +b x + b x + |
...+ b x |
m |
параметры при x |
|
|
1 1 2 2 |
m |
|
называются коэффициентами «чистой» регрессии. Они характеризуют среднее изменение результата с изменением соответствующего фактора на единицу при неизмененном значении других факторов, закрепленных на среднем уровне.
4.2. Оценивание параметров множественной линейной регрессии методом наименьших
квадратов |
|
|
|
|
4.2.1. Метод наименьших квадратов |
|
|||
Рассмотрим линейную модель множественной регрессии |
|
|
||
y =a+ b x + b x + |
+... b x+ |
m |
ε . |
(4.3) |
1 1 2 2 |
m |
|
|
Классический подход к оцениванию параметров линейной модели множественной регрессии основан на методе наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного
признака y от расчетных $y минимальна: |
|
|
|
$ |
2 |
® min . |
(4.4) |
å( yi - y xi ) |
|
||
i |
|
|
|
Как известно из курса математического анализа, для того чтобы найти экстремум функции нескольких переменных, надо вычислить частные производные первого порядка по каждому из параметров и приравнять их к нулю.
Итак. Имеем функцию m +1 |
аргумента: |
|
−b x − ...− b x |
|
) |
|
|||||
S (a ,b ,b , ...,b |
|
) = y (a− b−x |
|
(4.5) |
|||||||
|
|
|
1 2 |
m |
å |
1 1 |
2 2 |
m m |
2 . |
||
|
|
|
|
|
|||||||
Находим частные производные первого порядка: |
|
|
|
|
|
||||||
ì |
∂S |
= -2å( |
y - a - b1x1 - b2 x2 - ...- bmxm ) = 0; |
|
|
||||||
ï |
¶a |
|
|
||||||||
ï |
|
|
|
|
|
|
|
|
|
||
¶S |
|
|
|
|
|
|
|
|
|
||
ï |
|
= -2åx1 ( y - a - b1 x1 - b2 x2 - ...- bmxm ) = 0; |
|
|
|||||||
ï |
|
|
|
|
|||||||
¶b |
|
|
(4.6) |
||||||||
í |
1 |
|
|
|
|
|
|
|
|
|
|
ï........................................................ |
|
|
|
||||||||
ï |
¶S |
|
|
|
|
|
|
|
|
|
|
ï |
|
= -2åxm ( |
y - a - b1x1 - b2 x2 - ...- bm xm ) = 0. |
|
|
||||||
ï |
¶b |
|
|
|
|||||||
î |
m |
|
|
|
|
|
|
|
|
|
После элементарных преобразований приходим к системе линейных нормальных уравнений для нахождения параметров линейного уравнения множественной регрессии (3.3):
ìna + b1 åx1 + b2 å x2 + ...+ bmå xm = å y, |
|
|
|
|
|||||||||
ï |
å |
x1 + b1 |
å |
x12 |
+ b2 |
å |
x1 x2 + + bm |
å |
x1 xm |
= |
å |
yx1 |
, |
í |
|||||||||||||
ïa |
|
|
|
|
|
ï................................................................
ïîaåxm + b1å x1 xm + b2 å x2 xm + ...+ bm å xm2 = å yxm .
Для двухфакторной модели данная система будет иметь вид:
41
(4.7)
ìna |
|
+b1 åx1 + b2åx 2 |
2 |
= å y , |
|
|||||||
ï |
å |
x |
+b |
å |
x 2 + b |
å |
|
|
å |
yx , |
|
|
ïa |
|
|
2 |
x x = |
|
(4.8) |
||||||
í |
|
1 |
1 |
1 |
1 |
2 |
|
1 |
|
|||
îïaåx2 +b1å x1x2 + b2å x2 |
|
=å yx2 . |
|
4.2.2. Применение метода наименьших квадратов для стандартизированного уравнения множественной линейной регрессии
Метод наименьших квадратов применим и к уравнению множественной регрессии в стандартизированном масштабе:
|
|
|
|
|
|
|
ty = β1tx 1+ β 2tx 2+ |
...+ β mtx +mε , |
|
|
|
|
(4.9) |
|
|
||||||||
|
|
|
|
|
|
|
|
|
переменные: ty = |
y −y |
|
|
tx |
|
|
|
|
||||||
где |
t |
y |
, t |
x |
, ..., t |
x |
– стандартизированные |
|
, |
= |
xi −x |
i |
|
, для |
|||||||||
σy |
|
σx |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|||||||
|
|
|
|
1 |
|
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
которых среднее значение равно нулю: |
|
|
|
|
|
|
0 , а среднее квадратическое отклонение |
||||||||||||||||
t |
y |
==t |
i |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
равно единице: σty =σ tx i = 1; βi – стандартизированные коэффициенты регрессии.
Стандартизованные коэффициенты регрессии показывают, на сколько единиц изменится в среднем результат, если соответствующий фактор xi изменится на одну единицу при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и
нормированные, стандартизованные коэффициенты регрессии βi можно сравнивать между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов регрессии в отличие от коэффициентов «чистой» регрессии, которые несравнимы между собой.
4.2.2.Частные коэффициенты эластичности
Вотличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности:
Эyx |
=bi × |
|
|
xi |
|
|
(4.10) |
$yx ×x ,x |
|
|
|
||||
i |
,...x |
,x |
,...,x |
||||
|
|
||||||
|
|
i |
1 2 |
i −1 |
i +1 |
m |