- •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
46
связи с результатом. Частные коэффициенты линейной корреляции дают меру тесноты связи каждого фактора с результатом в чистом виде. Если из стандартизованного уравнения регрессии
ty = β1tx1 + β 2tx2 + β 3tx3+ ε следует, что β1 > β2 > β3 , т.е. no силе влияния на результат
порядок факторов таков: x1, x2 , x3 , то этот же порядок факторов определяется и по соотношению
частных коэффициентов корреляции, ryx1×x2x3 > ryx2 ×x1x3 > ryx3 ×x1 x2 .
В эконометрике частные коэффициенты линейной корреляции обычно не имеют самостоятельного значения. Их используют на стадии формирования модели. Так, строя многофакторную модель, на первом шаге определяется уравнение регрессии с полным набором факторов и рассчитывается матрица частных коэффициентов корреляции. На втором шаге отбирается фактор с наименьшей и несущественной по t -критерию Стьюдента величиной показателя частной корреляции. Исключив его из модели, строится новое уравнение регрессии. Процедура продолжается до тех пор, пока не окажется, что все частные коэффициенты корреляции существенно отличаются от нуля. Если исключен несущественный фактор, то множественные коэффициенты детерминации на двух смежных шагах построения регрессионной модели почти не отличаются друг от друга,
Rm2 +1 ≈Rm2 , где m – число факторов.
Из приведенных выше формул частных коэффициентов корреляции видна связь этих показателей с совокупным коэффициентом корреляции. Зная частные коэффициенты корреляции (последовательно первого, второго и более высокого порядка), можно определить совокупный коэффициент корреляции по формуле:
R |
yx x |
...x |
|
= 1- 1-r |
|
2× -1 r |
|
2 |
× |
× |
-1 r |
2 × |
× ...- 1 r |
2 |
|
|
. (4.28) |
|
m |
yx |
1 |
yx |
x |
1 |
yx x x× |
yx |
x× x ...x |
m 1 |
− |
||||||
|
1 2 |
|
|
|
2 |
|
|
|
3 1 2 |
|
m |
1 2 |
В частности, для двухфакторного уравнения формула (2.16) принимает вид:
R |
yx x |
...x |
|
= -1 -1r |
× 2- 1r |
|
2 |
× |
. |
(4.29) |
|
|
m |
yx |
1 |
yx x |
1 |
|
|
||||
|
1 2 |
|
|
|
2 |
|
|
|
При полной зависимости результативного признака от исследуемых факторов коэффициент совокупного их влияния равен единице. Из единицы вычитается доля остаточной вариации
результативного признака (1-r2 ) , обусловленная последовательно включенными в анализ
факторами. В результате подкоренное выражение характеризует совокупное действие всех исследуемых факторов.
4.3.3. Проверка значимости уравнения линейной множественной регрессии с помощью критериев Фишера и Стьюдента
Значимость уравнения множественной регрессии в целом, так же как и в парной регрессии, оценивается с помощью F -критерия Фишера:
F = |
Q |
R = |
R2 |
× |
n - m |
, |
(4.30) |
|
1 - R2 |
m -1 |
|||||
|
Q |
|
|
|
|||
|
|
e |
|
|
|
|
|
47
где QR – факторная сумма квадратов на одну степень свободы; Qe – остаточная сумма квадратов на одну степень свободы; R2 – коэффициент (индекс) множественной детерминации; m – число оцениваемых параметров уравнения регрессии; n – число наблюдений.
Оценивается значимость не только уравнения в целом, но и фактора, дополнительно включенного в регрессионную модель. Необходимость такой оценки связана с тем, что не каждый фактор, вошедший в модель, может существенно увеличивать долю объясненной вариации результативного признака. Кроме того, при наличии в модели нескольких факторов они могут вводиться в модель в разной последовательности. Ввиду корреляции между факторами значимость одного и того же фактора может быть разной в зависимости от последовательности его введения в
модель. Мерой для оценки включения фактора в модель служит частный F -критерий, т.е. Fxi .
Частный F -критерий построен на сравнении прироста факторной дисперсии, обусловленного влиянием дополнительно включенного фактора, с остаточной дисперсией на одну
степень свободы по регрессионной модели в целом. В общем виде для фактора |
xi |
частный |
F - |
|||||||||||||||||||||||||||||
критерий определится как |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
F |
|
= |
R2 yx ...x |
...x |
m |
- R2 yx ...x |
i−1 |
x |
i+1 |
...x |
m |
× |
n - m |
, |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
1 |
i |
|
1 |
|
|
|
|
(4.31) |
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1- R2 yx1...xi ...xm1 |
|
|
|
|
|
m - 1 |
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
частx,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
где |
Ryx2 |
...x |
...x |
m |
|
– |
коэффициент |
множественной |
детерминации для |
модели с |
полным |
набором |
||||||||||||||||||||
|
1 |
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
факторов, |
Ryx2 |
...x |
x |
i+1 |
...x |
m |
– тот же показатель, но без включения в модель фактора |
x |
, n – число |
|||||||||||||||||||||||
|
|
|
|
|
1 |
|
i−1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|||
наблюдений, m – число параметров в модели. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
Фактическое |
значение частного |
F -критерия сравнивается |
с табличным |
|
при |
уровне |
|||||||||||||||||||||||||
значимости α и числе степеней свободы: 1 и (n −m) . Если фактическое значение Fx |
превышает |
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
Fтабл (α,k1 ,k2 |
) |
, то дополнительное включение фактора x |
в модель статистически оправданно |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
и коэффициент чистой регрессии |
bi |
|
при факторе |
x |
|
статистически значим. Если же фактическое |
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
значение |
|
Fx |
|
меньше |
|
табличного, |
|
то |
дополнительное |
включение |
в модель |
фактора |
x |
не |
||||||||||||||||||
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
увеличивает существенно долю объясненной вариации признака |
y , следовательно, нецелесообразно |
его включение в модель; коэффициент регрессии при данном факторе в этом случае статистически незначим.
Для двухфакторного уравнения частные F -критерии имеют вид:
48
|
F |
= |
R2 yx1x2 - R2 yx2 |
× |
n - 3 |
; |
|
|
||
|
|
1- R2 yx1 |
2 |
|
|
|||||
|
част,x1 |
|
|
|
|
|
|
(4.32) |
||
|
|
|
|
R2 yx1x2 - R2 yx1 |
|
|
n - 3 |
|
|
|
|
F |
= |
|
|
× |
. |
|
|
||
|
|
1- R2 yx2 |
|
2 |
|
|
||||
|
част,x2 |
|
|
|
|
|
|
|
||
С помощью частного |
F -критерия можно проверить значимость всех |
коэффициентов |
||||||||
регрессии в предположении, что каждый соответствующий |
фактор |
xi вводился в уравнение |
||||||||
множественной регрессии последним. |
|
|
|
|
|
|
|
|
|
|
Частный F -критерий |
оценивает значимость |
|
коэффициентов |
чистой |
регрессии. Зная |
величину Fxi , можно определить и t -критерий для коэффициента регрессии при i -м факторе, tbi , а именно:
tb |
= |
|
Fx |
i |
. |
|
|
(4.33) |
|
|||
i |
|
|
|
|
|
|
|
|
|
|
||
Оценка значимости коэффициентов чистой регрессии по t -критерию Стьюдента может быть |
||||||||||||
проведена и без расчета частных F -критериев. В этом случае, как и в парной регрессии, для каждого |
||||||||||||
фактора используется формула: |
|
|
|
|
|
|
|
|
|
|
|
|
|
tbi |
= |
bi |
|
, |
|
|
(4.34) |
|
|
||
|
Sb |
|
|
|
|
|||||||
|
|
|
|
|
i |
|
|
|
|
|
|
|
где bi – коэффициент чистой регрессии при |
факторе |
x , |
Sbi |
– среднее квадратическое |
||||||||
|
|
|
|
|
|
|
i |
|
|
|
|
|
(стандартное) отклонение коэффициента регрессии bi . |
|
|
|
|
|
|
|
|
||||
Для уравнения множественной регрессии |
|
$y =a+ b x + b x+ |
+...b x |
m |
среднее |
|||||||
|
|
|
|
|
|
|
1 |
1 |
2 2 |
m |
|
квадратическое отклонение коэффициента регрессии может быть определено по следующей формуле:
|
|
|
Sb |
= |
S y |
1- Ryx2 1... xm |
|
|
× |
|
1 |
|
, |
|
(4.35) |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
1- Rx2i x1... xm |
|
n - m |
|
||||||||
|
|
|
i |
|
Sxi |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
где S y – среднее квадратическое отклонение для признака |
|
y , Sxi |
– среднее квадратическое |
||||||||||||
отклонение для признака x , |
R2 |
|
– коэффициент детерминации для уравнения множественной |
||||||||||||
|
|
i |
yx ...x |
m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
регрессии, Rx2x ...x |
– коэффициент детерминации для зависимости фактора x |
со всеми другими |
|||||||||||||
i 1 |
m |
|
|
|
|
|
|
|
|
|
|
|
i |
факторами уравнения множественной регрессии; (n −m) – число степеней свободы для остаточной суммы квадратов отклонений.