- •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
32
Рисунок 3.4
Модели 3.14 и 3.17 сводятся к линейной форме путем перехода от уровней переменных к их логарифмам или обратным величинам.
3.2. Итерационные методы подбора нелинейных моделей
Если, исследователь принимает модель наблюдений |
|
ln yi = α′ + β ln xi + εi , |
(3.20) |
то тем самым он соглашается с видом модели |
|
yi = eα × xiβ ×eεi или yi = α × xiβ ×vi , |
(3.21) |
то есть соглашается с мультипликативным вхождением ошибок |
vi в нелинейное уравнение yi . |
Однако не исключено, что по существу модель должна иметь вид |
|
yi =α × xβ +vi , |
(3.22) |
i |
|
то есть имеет аддитивные ошибки.
В этой модели взятие логарифмов от обеих частей не приводит к линейной модели наблюдений.
Для получения оценок наименьших квадратов параметров α и β сумму квадратов
n |
) |
|
= Q(a,b) |
|
å (yi - α xi |
2 |
|
||
β |
|
|
(3.23) |
|
|
|
|
|
i=1
минимизируют, используя итерационные методы, в процессе реализации которых, сначала задаются некоторые «стартовые значения» оцениваемых параметров, а затем производится последовательное приближение значений (а и b) оценок параметров α и β, минимизирующих Q (a, b).
3.3. Нелинейные модели множественной регрессии
Ранее нами рассматривались примеры некоторых регрессионных моделей с двумя переменными, приводимых к линейной форме путем логарифмирования или замены переменной. Регрессионные модели с числом переменных более двух называются моделями множественной регрессии. Приведем перечень нелинейных моделей множественной регрессии, линеаризуемых перечисленными методами:
33
1. Степенная модель с мультипликативными возмущениями
|
|
|
|
|
|
y = |
a × x1b1 × x2b2 |
× × xnbn |
×ε , |
(3.24) |
||||||||
линеаризуется с помощью логарифмирования |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
ln y = ln a + b1 ln x1 +b2 ln x2 + +bn ln xn + ln ε. |
(3.25) |
||||||||||||||||
2. Для логарифмической, правой и левой полулогарифмических моделей |
|
|||||||||||||||||
|
ln y = a +b1 ln x1 +b2 ln x2 + +bn ln xn +ε , |
(3.26) |
||||||||||||||||
|
y = a + b1 ln x1 + b2 ln x2 |
+ + bn ln xn + ε , |
(3.27) |
|||||||||||||||
|
ln y = a + b1 x1 + b2 x2 |
+ +bn xn +ε |
(3.28) |
|||||||||||||||
целесообразно заменить логарифмы уровней. |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
y' = a + b1 x1' |
+ b2 x2' |
+ + bn xn' + ε , |
(3.29) |
||||||||||||||
|
y = a + b1 x1' |
+ b2 x2' |
+ + bn xn' + ε , |
(3.30) |
||||||||||||||
|
y' = a + b1 x1 + b2 x2 |
+ + bn xn +ε |
|
(3.31) |
||||||||||||||
3. |
Экспоненциальная модель |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y =ea+b1x1+b2 x2 + +bn xn +ε |
(3.32) |
|||||||||||
приводится к виду (3.28) с помощью логарифмирования |
|
|
|
|
|
|
||||||||||||
4. |
Обратная модель |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
= a +b1 x1 +b2 x2 + +bn xn +ε, |
(3.33) |
||||||||||||
|
|
|
|
|
|
|||||||||||||
|
|
|
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
||
линеаризуется заменой переменной |
|
1 |
= y ' |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
y |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
y' |
= a + b1 x1 + b2 x2 + + bn xn +ε. |
(3.34) |
||||||||||
5. |
Для полиномиальной модели |
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
y = a + b x |
+ b x |
2 |
+ b x 3 |
+ + b x n + ε |
(3.35) |
||||||||
|
|
|
|
|
|
|
|
|
1 1 |
|
2 |
2 |
|
3 |
3 |
n n |
|
|
применяется замена переменных x2 |
2 = x2' ; |
x3 |
3 |
= x3' ; ... |
; xn n |
= xn' |
|
|||||||||||
|
y = a + bx + b x ' |
+ b x |
3 |
'+ + b x ' + ε |
(3.36) |
|||||||||||||
|
|
|
|
|
|
|
1 |
|
2 |
2 |
|
3 |
|
|
n n |
|
||
6. |
Степенную модель |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y = a + b1 x + b2 x2 + b3 x3 + + bn xn +ε |
(3.37) |
|||||||||||
преобразуют заменой x2 = x2' ; x3 |
= x3' ; ... |
|
; xn |
= xn' |
|
|
|
|
|
|
|
|||||||
|
y = a + b x + b x ' |
+ b x |
3 |
'+ + b x ' + ε |
(3.38) |
|||||||||||||
|
|
1 1 |
2 |
2 |
|
3 |
|
|
|
n |
n |
|
||||||
7. При линеаризации интерактивного уравнения |
|
|
|
|
|
|
|
|
||||||||||
|
y = a + bx1 + cx2 + dx1 x2 + + ε |
(3.39) |
34
x1 x2 = x' ,…, тогда
y = a + bx + cx |
2 |
+ dx' + + ε |
(3.40) |
1 |
|
|
После преобразования перечисленных моделей к линейной форме их параметры и качество оцениваются с помощью методов, применяемых для линейных множественных регрессионных моделей, рассмотренных ниже.
Степенная модель с аддитивными возмущениями
y = a × x1b1 × x2b2 × × xnbn + ε |
(3.37) |
не может быть приведена к линейной форме. Для оценки ее параметров используются итерационные методы подбора нелинейных моделей.
3.4. Проверка статистических гипотез о значениях отдельных коэффициентов
Ранее мы говорили о способе построения доверительного интервала на уровне значимости α
.
|
b- t1−α ;n− 2 |
|
Sε i |
|
|
|
|
|
£ β £ |
b |
+ t1−α ;n− 2 |
|
Sε i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
ån (xi - x)2 |
|
|
|
||||||||
|
|
|
ån (xi - x)2 |
|
|
|
|
, |
(3.38) |
||||||||
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
где |
S ε2 – оценка дисперсии ошибки прогноза Var (εi ) |
|
|
|
|
|
|
|
|
||||||||
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|||
|
|
|
S ε2 |
|
|
å ( yˆ - y )2 |
|
|
(3.39) |
||||||||
|
|
|
= i = 1 |
i |
, |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
n - m |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S b2 |
– среднеквадратическое (стандартное) отклонение для b |
|
|
|
|||||||||||||
|
|
|
Sb = |
|
|
|
|
Sεi |
|
|
|
|
|
|
|
(3.40) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
n |
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
å(xi -x)2 |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
||
|
Полученный результат показывает, что при любом истинном значении |
|
параметра β |
||||||||||||||
вероятность накрытия этого значения доверительным интервалом равна (1−α) . |
|
|
|
||||||||||||||
|
Предположим, мы взяли значение |
β0 , не принадлежащие данному интервалу. Вероятность |
|||||||||||||||
такого события будет очень мала, меньше чем значение |
(1−α) . Таким образом, факт не накрытия |
значения, взятого значения β0 представляет осуществление редкого события, имеющего малую вероятность, и это дает нам основание сомневаться в том, что значение параметра β = β0
35
Априорные предположения о значениях параметров модели называют статистическими гипотезами.
О проверяемой гипотезе говорят как об исходной «нулевой» гипотезе и обозначают ее Но, в нашем случае Но: β = β0 .
В соответствии со сказанным выше, такую гипотезу следует отвергать, если значение β0 не
принадлежит (1−α) -процентному доверительному интервалу. β0 не будет принадлежать этому интервалу в том случае, если наблюдаемое значение отношения больше табличного по абсолютной величине
|
b −β0 |
|
>t |
|
. |
(3.41) |
|
|
|
||||
|
Sb |
|
1−α;n−2 |
|
|
|
|
|
|
|
|
||
Это означает слишком большое отклонение |
оценки b |
от гипотетического значения β0 |
параметра β в сравнении с оценкой Sb стандартного отклонения этого параметра.
Правило решения вопроса об отклонении или не отклонении статистической гипотезы Но, называется статистическим критерием проверки гипотезы Но, а выбранное при формулировании этого правила значение α называется уровнем значимости критерия.
В практических исследованиях чаще всего используют, α = 0,05 хотя иногда и α =0,01 , α = 0,1 и другие. Выбор большего или меньшего значения α определяется степенью значимости для исследования исходной гипотезы Но. Если мы выбираем при исследовании меньшее значение α , то мы уменьшаем вероятность ошибки и вероятность отвержения верной гипотезы. Такие вероятности называют мощностью критерия.
В реальных ситуациях статистические критерии имеют довольно низкую мощность, так что рассматриваемая Но отвергается редко, поэтому правильнее говорить о не отвержении гипотезы, а не о ее принятии.
Всякий статистический критерий основывается на использовании той или иной статистики, то есть, случайной величины, значения которой могут быть вычислены теоретически на основании имеющихся статистических данных (приближенно).
В нашем случае критерий проверки гипотезы Но: β = β0 основан на использовании t-
статистики b − β0 , значение которой можно вычислить по
Sb
данным наблюдений. Критерии, основанные на использовании t-статистики (распределения) Стьюдента называют t-критериями. Каждому статистическому критерию соответствует критическое множество R значений статистики критерия, при которых гипотеза Но отвергается в соответствии с принятыми правилами (то есть множество значений t-статистики, превышающих по абсолютной
величине t1−α;n−m ).