Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Эконометрика шпоры.docx
Скачиваний:
24
Добавлен:
27.09.2019
Размер:
335.87 Кб
Скачать

2.Простая линейная регрессия. Классические предположения модели.

Простая линейная регрессия (ПЛР) – y = f(x; a) + ε;

у – эндогенная, х – экзогенная, ε – случайная «шоковая» переменная, а – неизвестный вектор параметров модели.

ε – случайные погрешности модели, а также экз. (факторные) пер-ные, кот. считаются несущественными по степени влияния на энд.пер-ную.

Пример: Y=ax+b+ε; x–уровень безработицы, y–темп инфляции.

По степени владения априорной информацией различ. 2 задачи:

1)при неизвестной функции взаимосвязи – задача подбора структуры модели.

2)при заданной функции – задача оценивания неизвестных параметров. Основной метод оценивания параметров – метод наименьших квадратов, кот.обеспечивает оптимальные свойства оценкам только при выполнении классических предположений:

П1. отсутствие систематич.ошибок наблюдений уравнения регрессии: M{ } = 0, t=1,…,T.(случайные перем не влияют)

П2. случайные ошибки некоррелированы между собой: M{ * } = 0, t τ, t,τ=1,…,T.

П3. наблюдения производятся с одинаковой точностью, т.е. дисперсии случ. переменных одинаковы во все моменты измерения: D{ } = , t=1,…,T. - гомоскедастичность

П4. Экз.переменные измеряются без ошибок. В случае модели множ.линейной регрессии их значения образуют линейно-независимые векторы.

П5. Закон распределения вероятностей случайной переменной принадлежит к классу нормальных распределений с нулевым мат.ожиданием и дисперсией , которая чаще всего неизвестна.

Чтобы применять регресс.анализ, необх. иметь сведения о корреляц.анализе.

Коррел.связь – связь, когда признак У реагирует на изменение другого признака х изменением своего частотного распределения.

Регресс.зависимость – зависимость условной средней арифметической выходного признака от изменений входного признака.

Парный коэффициент корреляции (r) – мера коррел. зависимости двух признаков. Принимает значения от -1 до 1; при преобразованиях сдвига и масштаба может только изменить знак без изменения значения; если r = 1 или -1, то существует линейная зависимость между х и У; если r =0, то делают вывод об отсутствии коррел.зависимости признаков.

= - парный коэффициент корреляции Пирсона,

- ковариация между признаками, - среднеквадратич.отклонения х и у.

3.Стат.Оценивание парам плр по мнк. Св-ва оценок.

Метод наименьших квадратов минимизирует сумму квадратов отклонений реальных наблюдений за эндогенной переменной от её значения, рассчитанного по модели. Является методом решения задачи: оценить неизвестные параметры регресс.модели, проверить гипотезы об их значимости и адекватности модели анализируемому эк.объекту.

МНК позволяет находить оценки, обеспеч.макс.точность (мин.дисперсию) в классе несмещённых и линейно связанных с наблюдениями y оценками.

мнк = arg min ,

- оценённое (подстановочное) значение энд.пер-ной от включения оценок неизвестных параметров

= + +…+ .

Тогда критерием качества оценивания явл. сумма квадратов реально зарегистрированных и подстановочных значений: - остаток (отклонение)модели.

МНК-оценки: мнк = - , мнк = ,

где = , = .

= + (МНК)*х.

Оптимальность оценок МНК означает наличие свойств:

1) оценки а0 и а1 имеют нормальные вероятностные законы распределения и обладают свойством несмещённости, т.е. мат.ожидание оценки = соотв. характеристике генеральной совокупности (искомому параметру): M{ } = , M{ } = .

Если св-во нарушается, возникает смещённость b=M

M{ (МНК)}= + ΣM{ }= ;

Дисперсия этой оценки: D{ (МНК)} = D{ } + = = = . Но т.к. она неизвестна=>

Дисперсию заменяют несмещённой оценкой: = = .

2)предел оценки с ростом выборки n равен истинному значению параметра: = a, P = (| |<ε)→1.

3) если несмещённая, причём D =minD , A, т.е. обладает равномерно-минимальной дисперсией, то - эффективная (оптимальная).

Фундаментальное свойство МНК: МНК-оценки параметров линейной регрессии обладают наименьшими дисперсиями среди множества всех несмещённых и линейно-зависимых от энд.перемен оценок в рамках модельных предположений 1-4. (Th Гаусса-Маркова)

Кроме точечных оценок использ. интервальные.

Доверительный интервал для :

(МНК) - < < (МНК) + ,

γ = 1-α, α – уровень значимости, = St(T-2), - квантиль по табл Стьюдента.

Доверительный интервал для :

(МНК) - < < (МНК) + ,

где = - .