- •1. Оцінка параметрів лінійної регресії методом найменших квадратів
- •2. Коефіцієнт кореляції та детермінації
- •3. Властивості оцінок параметрів лінійної регресії
- •4. Перевірка лінійної регресії на адекватність (значимість) за допомогою f-критерію Фішера.
- •5. Перевірка значимості параметрів регресійної моделі за допомогою t-критерію Ст’юдента
- •6. Коефіцієнт еластичності. Довірчі інтервали (інтервали довіри). Прогнозування за допомогою моделі парної лінійної регресії
- •7.Нелінійна регресія
- •8. Поняття мультиколінеарності, основні її ознаки та наслідки
- •9. Методи усунення мультиколінеарності
- •10. Алгоритм Фарара-Глобера
- •11. Поняття гетероскедастичності та її наслідки
- •12. Тест Голдфельда-Квандта
- •13. Знаходження оцінок параметрів моделі за допомогою узагальненого методу найменших квадратів (метод Ейткена)
- •14. Поняття автокореляції та її наслідки
- •15. Критерій Дарбіна-Уотсона
- •16. Оцінювання параметрів економетричної моделі узагальненим методом найменших квадратів при наявності автокореляції
1. Оцінка параметрів лінійної регресії методом найменших квадратів
Існують різні методи знаходження оцінок параметрів . Розглянемо один із них: метод найменших квадратів.
Суть методу: оцінки парламентів знаходять так, щоб сума квадратів відхилень (помилок) між заданими значеннями змінної у і розрахунковими була найменшою. Похибка між заданими значеннями і розрахунковими має вигляд:
Функція квадрату похибок має вигляд:
Функція залежить від змінних параметрів , для знаходження її найменшого значення потрібно знайти критичні її точки. Для цього потрібно знайти частинні похідні, прирівняти їх до 0 і знайти розв’язок отриманої системи рівнянь (3).
Отримана система (3) є лінійною системою рівняння для знаходження оцінок параметрів (4)
Введемо позначення:
Система (4) в матричному вигляді:
(5)
Система (5) називається нормальною системою рівняння для рівняння лінійної регресії.
Матрицю називають матрицею спостереження. Вона завжди має симетричний вигляд.
Із рівняння (5) отримаємо оцінки параметрів лінійної регресії:
(6)
Зауваження: оцінки параметрів лінійної регресії методами найменших квадратів знаходять при умові, що випадкова складова економетричної моделі задовольняє певним умовам.
Оцінки параметрів моделі можна обчислити за наступними формулами (7):
– величина, яка показує залежність змінної у до х по відношенню до своїх середніх значень.
- визначає середній квадрат відношень значень змінної х по відношенню до своїх середніх значень.
Оцінки параметра можна обчислити за формулою:
(8)
Зауваження:
Для оцінки параметрів знайдені методом найменших квадратів, тоді сума всіх похибок (залишок відхилень) дорівнює 0.
Вибіркова регресійна пряма завжди проходить через середню точку ( , ).
З вибіркового регресійного рівняння: отримуємо значення рівне величині на яку збільшується залежна змінна у при збільшенні незалежної змінної х на 1.
Величина називається перетином, а – нахилом рівняння регресії.
2. Коефіцієнт кореляції та детермінації
Якщо побудована вибіркова регресійна модель, то виникають наступні задачі:
Чи в дійсності існує лінійний зв'язок між змінними х та у.
Наскільки отримана модель адекватна (відповідає) дійсній моделі.
Наскільки точно знайдені оцінки параметрів моделі.
Як можна здійснити прогноз за побудованої регресійною моделлю.
Кількісним критерієм, який оцінює тісноту зв’язку між х та у є вибірковий коефіцієнт кореляції, який обчислюється за формулою:
Значення коефіцієнта кореляції знаходиться в межах від .
Якщо , то вважають, що між змінними у та х існує прямий зв'язок, якщо , то зворотній (обернений зв'язок).
Якщо , тоді змінна х істотно не впливає на змінну у. В цьому випадку потрібно вибрати (знайти) іншу змінну, яка більш істотно впливає на змінну у.
Якщо , тоді вважають, що між х та у існує тісний зв'язок (залежність).
Для встановлення чинності зв’язку між змінними х і у та перевірки на адекватність (значимість) моделі парної регресії реального економічного процесу використовують вибірковий коефіцієнт детермінації, який обчислюється за формулою:
Якщо , то вважають, що побудована регресійна модель неадекватна дійсній моделі (дійсному процесу).
Якщо , то вважають, що отримана модель адекватна дійсній моделі, тобто є значимою.