Выбери формат для чтения
Загружаем конспект в формате docx
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Примеры парных и множественных регрессий:
• Определение объема продаж от затрат на рекламу;
• Определение связи между потреблением, доходом семьи, финансовыми активами и размером семьи;
• Модель Кейнса зависимости частного потребления С от располагаемого дохода I: С = С0 + b* I , где C0 – величина автономного потребления;
b – предельная склонность к потреблению ( от 0 до 1).
Этапы построения модели регрессии:
• Определение цели и задач построения модели, набора переменных и их роли (постановочный этап);
• Априорный анализ экономический сущности изучаемых явлений (априорный этап);
• Сбор наблюдаемой статистической информации (информационный этап);
• Выбор формы связи управления регрессии (спецификация уравнения регрессии);
• Определение параметров (параметризация);
• Анализ качества управления (верификация).
Реализация метода МНК.
• Необходимым условием минимума функции Q является равенство нулю ее частных производных по неизвестным параметрам.
• Приравниваем к нулю обе производные и делим на n обе части уравнения.
Интерпретация коэффициентов модели парной регрессии.
• Нулевой коэффициент в линейной модели регрессии показывает среднее значение зависимой переменной при равенстве предикторов нулю.
• Коэффициент регрессии при соответствующем предикторе показывает: насколько в среднем изменится значение результирующей переменной при изменении предиктора на единицу своего измерения.
Взаимосвязь корреляционного и регрессионного анализа.
Коэффициент регрессии можно выразить через коэффициент корреляции и дисперсии зависимой и независимой переменной:
M (Y X=x) – M (Y) = yx (X – M (X))
M (Y X=y) – M (X) = xy (Y – M (Y))
xy = ; ух =
Проверка качеств модели регрессии.
Случайные составляющие коэффициентов регрессии.
После нахождения оценок b0 и b1 коэффициентов регрессии возникают вопросы:
• Насколько точно эмпирическое уравнение регрессии соответствует уравнению во всей генеральной совокупности.
• Насколько близки оценки b0 и b1 к своим теоретическим значениям 0 и 1.
• Как близко оцененное значение к условному математическому ожиданию М (УХ = х).
• Насколько надежны найденные оценки.
Влияние случайной компоненты на коэффициент регрессии.
• Оценки представляют собой случайные величины, зависящие от случайной компоненты уравнения регрессии.
• Второе слагаемое представляет собой случайную компоненту.
Свойства оценок коэффициентов регрессии.
• Свойство оценок коэффициентов регрессии и качество полученного уравнения зависит от свойств случайной компоненты.
• Для получения по МНК наилучших результатов (оценки должны быть эффективны, состоятельны, несмещенные) необходимо выполнения ряда предпосылок относительно случайных остатков.
• Эти предпосылки называются условиями Гаусса – Маркова (предпосылки использования МНК).
Основные условия Гаусса – Маркова:
1. Случайное отклонение имеет нулевое математическое ожидание;
2. Дисперсия случайного отклонения постоянна;
3. Наблюдаемые значения случайных отклонений независимы друг от друга;
4. Случайное отклонение независимо от объясняющей переменной.
1ая предпосылка.
• Условие означает, что случайное отклонение в среднем не оказывает влияние на зависимую переменную М() = 0.
• Независимая переменная в регрессионной модели рассматривается как неслучайная величина, а зависимая и остатки – как случайные величины.
2ая предпосылка.
• Из данного условия следует, что несмотря на то, что при каждом конкретном наблюдении случайное отклонение может быть различным, не должно быть причин, вызывающих большую ошибку.
• Постоянство дисперсии остатков называется гомоскедастичностью остатков
3яя предпосылка.
• Остатки должны быть независимы друг от друга;
• Если данное условие выполняется, то говорят об отсутствии автокорреляции остатков.
4ая предпосылка.
• Случайное отклонение должно быть независимо от объясняющей переменной.
• Это условие выполняется, если объясняющая переменная не является случайной в модели регрессии
Теорема Гаусса – Маркова
Если выполняются предпосылки 1 – 4, то оценки по методу МНК обладают следующими свойствами:
• Являются несмещенными, отсутствует систематическая ошибка при определении линии регрессии.
• Состоятельны, с ростом объема выборки надежность оценок возрастает.
• Эффективны, оценки имеют наименьшую дисперсию по сравнению по сравнению с любыми другими оценками данных параметров.
Дополнительные условия
• Регрессионная модель является линейной относительно параметров и содержит аддитивную константу.
• Случайное отклонение имеет нормальный закон распределения.
• Число наблюдений существенно больше числа переменных.
• Отсутствуют ошибки спецификации.
• Отсутствует линейная взаимосвязь между двумя и более объясняющими переменными.
Система показателей качества модели регрессии
• Содержательная интерпретация и здравый смысл;
• Показатели качества регрессии в целом (коэффициент детерминации, остаточная дисперсия, значимость уровня в целом).
• Показатели качества коэффициентов регрессии (низкие стандартные ошибки, значимые коэффициенты, узкие доверительные интервалы).
• Адекватность модели условиям Гаусса – Маркова.
• Прогностические свойства модели (интервальные оценки, средняя относительная ошибка аппроксимации).
Разложение дисперсии зависимой переменной
Компоненты дисперсии
Сумма квадратов
Число степеней свободы
Средний квадрат
Регрессия
p
Остаточная
n – p – 1
Всего
n – 1