- •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
22
степеней свободы ( n − 2) . Доверительный интервал для коэффициента регрессии определяется как b ±t1−α;n−2 ×Sb , этот процесс был описан в § 2.3.3.
Стандартная ошибка параметра a определяется по формуле:
|
|
n |
|
|
|
|
|
Sa = Sεi |
å(xi )2 |
|
|
|
|
|
|
i=1 |
|
. |
(2.39) |
||||
n |
|
||||||
|
|
nå( xi − x)2 |
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
Процедура оценивания существенности данного параметра не отличается от рассмотренной |
|||||||
выше для коэффициента регрессии. Вычисляется t -критерий: ta |
= |
a |
, его величина сравнивается с |
||||
|
|||||||
|
|
|
|
|
|
Sa |
табличным значением при n − 2 степенях свободы.
Значимость линейного коэффициента корреляции проверяется на основе величины ошибки
коэффициента корреляции Sr : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sr |
= |
1−r 2 . |
(2.40) |
||||
|
|
n −2 |
|
|
|||
Фактическое значение t -критерия Стьюдента определяется как tr = |
r |
. |
|||||
|
|||||||
|
|
|
|
|
|
Sr |
|
Существует связь между t -критерием Стьюдента и F -критерием Фишера: |
|||||||
tb |
= tr |
= |
|
. |
|
||
F |
(2.41) |
2.5. Проверка выполнения стандартных предположений об ошибках в линейной модели наблюдений графическим методом
Перед тем, как построить модель наблюдений (см. § 1.5), мы сделали четыре стандартных предположения о процессе порождения данных. Первое из этих предположений (в модели не все значения x1, х2, …, хn совпадают между собой) проверяется перед построением регрессионной модели. Остальные три можно проверить только тогда, когда уравнение регрессии уже составлено. Без соблюдения этих условий построенная модель теряет смысл.
Оцененная модель проверяется на отсутствие автокорреляционной зависимости остатков от номера наблюдения, на независимость случайных ошибок ε1, ε2,..., εn, математическое ожидание которых должно стремиться к нулю (Mεi=0), на постоянство или гомоскедастичность дисперсии
ошибок [ var(εi ) = δ 2 (εi ) = const ]. Анализ соблюдения перечисленных условий (дисперсионный анализ), проводят, используя графики стандартизированных остатков
Ci = |
y − yˆ |
i |
= |
e |
(i =1,2,...,n), |
|
i |
i |
(2.42) |
||||
Sεi |
|
Sεi |
где Sε2i - оценка дисперсии остатков
23
|
|
|
n |
2 |
|
|
Sε2i = |
Qe |
= |
å( yi − yˆi ) |
|
, |
(2.43) |
i=1 |
|
|
||||
n − m |
n − m |
|
|
|||
|
|
|
|
|
Графики позволяют выявлять типичные отклонения от стандартных предположений о модели наблюдений по характеру поведения остатков. При большом количестве наблюдений поведение
стандартизированных остатков имитирует поведение ошибок εi .
Наиболее часто используют графики зависимости стандартизированных остатков (как ординат) от
-оцененных значений у (по оси абсцисс);
-отдельных объясняющих переменных;
- номера |
наблюдения, |
если |
наблюдения |
производятся |
в последовательные моменты |
||||||
времени равными интервалами. |
|
|
|
|
|
|
|
|
|||
График |
зависимости |
C |
|
от |
yˆ |
i |
, позволяет выявить |
три |
довольно распространенных |
||
|
|
|
i |
|
|
|
|
|
|
||
нарушения |
стандартных предположений о модели наблюдений: |
|
|
||||||||
1. |
Выделяющиеся наблюдения |
- |
|
наличие |
отдельных |
наблюдений, для которых либо |
математическое ожидание ошибок отлично от нуля M (εi ) ¹ 0 , либо дисперсия ошибки var( εi )
существенно превышает величину |
дисперсий остальных ошибок. Подобные наблюдения могут |
обнаруживать себя на графике, как |
наблюдения со слишком большими по величине остатками |
(рис. 2.4). |
|
Рисунок 2.5 2. Неоднородность дисперсии (гетероскедастичность), например, в форме той или иной
функциональной зависимости var( εi ) от величины yˆi . Если рассматриваемый график имеет вид, изображенный на рис. 2.4, то это скорее всего отражает рост дисперсий ошибок с ростом значений yˆi .
24
Рисунок 2.6
3. Неправильная спецификация модели в отношении множества объясняющих переменных, приводящих к нарушению условия M (εi ) = 0 (рис. 2.5).
Рисунок 2.7
График, зависимости ci от значений xij ( j =1,2,..., n) j-й объясняющей переменной помогает выявить нелинейную зависимость у от j-й объясняющей переменной в случае множественной регрессионной модели (рис. 2.6, 2.7).
25
Рисунок 2.8
Рисунок 2.9
График зависимости остатков от номера наблюдения полезен в случае, когда наблюдения производятся последовательно во времени (через равные интервалы времени). По такому графику можно обнаружить:
1. Изменение дисперсии ошибок Var (εi ) с течение времени.
Рисунок 2.10 2. Не включение в модель переменных, зависящих от времени и существенно влияющих на
объясняемую переменную.
26
Рисунок 2.11
3. Не выполнение условия независимости в совокупности случайных ошибок εi в форме их автокоррелированности (определенной функциональной зависимости). График остатков в случае положительной автокоррелированности приведен на рис. 2.10 и в случае отрицательной – на рис. 2.11.
Рисунок 2.12
Рисунок 2.13 В первом случае проявляется тенденция сохранения знака остатка при переходе к
следующему наблюдению (за положительным остатком скорее следует также положительный остаток, а за отрицательным – отрицательный). Во втором случае проявляется тенденция смены знака остатка при переходе к следующему наблюдению (за положительным остатком скорее следует отрицательный остаток, а за отрицательным – положительный).
Помимо графических существует довольно много процедур, предназначенных для проверки стандартных предположений о линейной модели наблюдений, использующих статистические критерии.