- •Министерство образования республики беларусь
- •Содержание
- •Задание 1 Простая (парная) линейная регрессия (плр). Классические предположения моделей
- •Задание 2
- •Обработка данных с помощью мнк:
- •Остатки:
- •Проверка значимости рассчитанных коэффициентов
- •Теперь построим прогноз, взяв соответствующие задаче х:
- •Задание 3
- •Построение зависимости с помощью инструмента Анализ данных/регрессия
- •Проверка значимости мнк-коэффициентов (Стьюдент)
- •Проверка значимости коэффициента детерминации (Критерий Фишера)
- •Доверительные интервалы:
- •Список использованных источников
Министерство образования республики беларусь
БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ФАКУЛЬТЕТ МЕЖДУНАРОДНЫХ ОТНОШЕНИЙ
Кафедра международных экономических отношений
КОНТРОЛЬНАЯ РАБОТА ПО ПРЕДМЕТУ
«ЭКОНОМЕТРИКА И ЭКОНОМИКО-МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ»
Барадулиной Нины Владимировны
студентки 3 курса, специальность
«Мировая экономика»
Научный руководитель:
Коваленко Ирина Васильевна
Минск, 2015
Содержание
Задание 1 3
Задание 2 5
Задание 3 10
Список использованных источников 14
Задание 1 Простая (парная) линейная регрессия (плр). Классические предположения моделей
Что такое регрессия?
Регрессия в теории вероятностей и математической статистике —- это математическое выражение, выражающее зависимость зависимой переменной у от независимых переменных х при условии, что это математическое выражение будет иметь статистическую значимость.
Рассмотрим две непрерывные переменные x=(x1, x2, .., xn), y=(y1, y2, ..., yn).
Разместим точки на двумерном графике рассеяния и скажем, что мы имеем линейное соотношение, если данные аппроксимируются прямой линией.
Если мы полагаем, что y зависит от x, причём изменения в y вызываются именно изменениями в x, мы можем определить линию регрессии (регрессия y на x), которая лучше всего описывает прямолинейное соотношение между этими двумя переменными.
Статистическое использование слова "регрессия" исходит из явления, известного как регрессия к среднему, приписываемого сэру Френсису Гальтону (1889).
Он показал, что, хотя высокие отцы имеют тенденцию иметь высоких сыновей, средний рост сыновей меньше, чем у их высоких отцов. Средний рост сыновей "регрессировал" и "двигался вспять" к среднему росту всех отцов в популяции. Таким образом, в среднем высокие отцы имеют более низких (но всё-таки высоких) сыновей, а низкие отцы имеют сыновей более высоких (но всё-таки довольно низких).
Линия регрессии
Модель линейной регрессии является часто используемой и наиболее изученной в эконометрике. А именно изучены свойства оценок параметров, получаемых различными методами при предположениях о вероятностных характеристиках факторов, и случайных ошибок модели. Предельные (асимптотические) свойства оценок нелинейных моделей также выводятся исходя из аппроксимации последних линейными моделями. Необходимо отметить, что с эконометрической точки зрения более важное значение имеет линейность по параметрам, чем линейность по факторам модели.
Математическое уравнение, которое оценивает линию простой (парной) линейной регрессии:
Y=a+bx.
x называется независимой переменной или предиктором.
Y – зависимая переменная или переменная отклика. Это значение, которое мы ожидаем для y (в среднем), если мы знаем величину x, т.е. это «предсказанное значение y»
a – свободный член (пересечение) линии оценки; это значение Y, когда x=0 (Рис.1).
b – угловой коэффициент или градиент оценённой линии; она представляет собой величину, на которую Y увеличивается в среднем, если мы увеличиваем x на одну единицу.
a и b называют коэффициентами регрессии оценённой линии, хотя этот термин часто используют только для b.
Парную линейную регрессию можно расширить, включив в нее более одной независимой переменной; в этом случае она известна как множественная регрессия.
Рис.1. Линия линейной регрессии, показывающая пересечение a и угловой коэффициент b (величину возрастания Y при увеличении x на одну единицу)
Предположения линейной регрессии
Итак, для каждой наблюдаемой величины остаток равен разницеи соответствующего предсказанногоКаждый остаток может быть положительным или отрицательным.
Можно использовать остатки для проверки следующих предположений, лежащих в основе линейной регрессии:
Между исуществует линейное соотношение: для любых парданные должны аппроксимировать прямую линию. Если нанести на двумерный график остатки, то мы должны наблюдать случайное рассеяние точек, а не какую-либо систематическую картину.
Остатки нормально распределены с нулевым средним значением;
Остатки имеют одну и ту же вариабельность (постоянную дисперсию) для всех предсказанных величин Если нанести остатки против предсказанных величинотмы должны наблюдать случайное рассеяние точек. Если график рассеяния остатков увеличивается или уменьшается с увеличениемто это допущение не выполняется;
Если допущения линейности, нормальности и/или постоянной дисперсии сомнительны, мы можем преобразовать илии рассчитать новую линию регрессии, для которой эти допущения удовлетворяются (например, использовать логарифмическое преобразование или др.).