Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
ПРИКЛАДНАЯ ТЕОРИЯ
ВЕРОЯТНОСТЕЙ
Фаттахова
Мария Владимировна
mvfa@yandex.ru
Доцент, к.ф.-м.н.,
доцент кафедры № 43
1
ЛЕКЦИЯ 2.
ПАРНАЯ ЛИНЕЙНАЯ
РЕГРЕССИЯ
2
Постановка проблемы
Переменные 𝑋, 𝑌 – случайные величины
𝒙𝒊
𝒚𝒋
𝒙𝟏
𝒚𝟏
𝒙𝟐
𝒚𝟐
…
…
𝒙𝒏
𝒚𝒏
1. Существует ли связь между двумя или более
переменными?
2. Какой тип имеет эта связь?
3. Насколько она сильна?
4. Какой прогноз можно сделать, основываясь на
этой связи?
3
Примеры исследования
зависимостей
• Зависит ли объем продаж от количества рекламы
в определенном периоде?
• Есть ли зависимость между количеством часов,
потраченных студентом на занятия, и
результатами экзамена?
• Какова связь между уровнем преступности и
уровнем безработицы в регионе?
• Связаны ли доход от профессиональной
деятельности и уровень образования?
4
Математическая модель
зависимости
y f ( X)
Наблюдаемое
значение
зависимой
переменной
Объясненная
часть,
зависящая от
значений
объясняющих
переменных
Случайная
составляющая
X x1 , x2 ,..., xn
5
Причины появления
случайного слагаемого
Воздействие случайных факторов;
Невключение в модель всех объясняющих
переменных;
Неправильная форма зависимости;
Ошибки измерений;
Ограниченность эмпирических данных;
…
6
Модель парной зависимости
y f ( x)
yi f ( xi ) i ,
i 1, n
xi R
7
Типы функциональных
зависимостей
f ( x) x — линейная,
f ( x) 1 x 2 x — параболическая,
f ( x)
— гиперболическая,
2
x
f ( x) e — показательная,
f ( x) x — степенная,
x
8
Пример выборки
Y
доходность акции, $
X
индекс рынка, %
2,2
2,1
1,1
1,5
3,2
2,8
1,9
3,9
4
3
4,4
4,5
4,5
6,5
2,9
6,5
4,5
8
4,4
11
5,5
9
9
Поле корреляции
(диаграмма рассеяния)
6
5
Y
4
3
2
rXY 0,72
1
1
2
3
4
5
6
X
7
8
9
10 11 12
10
Линейная зависимость
6
5
Y
4
3
2
1
1
2
3
4
5
6
7
8
9
10 11 12
X
11
Квадратическая зависимость
6
5
Y
4
3
2
1
1
2
3
4
5
6
7
8
9
10 11 12
X
12
Выбор вида зависимости:
графический способ
6
5
Y
4
3
2
1
1
2
3
4
5
6
X
7
8
9
10 11
12
13
Модель парной линейной
зависимости
y x
yi xi i
i 1,2, , n
14
Пример
Получены выборочные данные о времени,
потраченном студентами на подготовку к экзамену по
статистике, и оценку (в баллах от 0 до 100),
полученную ими на экзамене:
Студент
Дни (𝑋) Оценка (𝑌)
A
6
82
B
2
63
C
1
57
D
5
88
E
2
68
F
3
75
15
Подбор вида зависимости
Диаграмма рассеяния
Студент Дни (X) Оценка (Y)
A
6
82
B
2
63
C
1
57
D
5
88
E
2
68
F
3
75
100
90
80
70
60
50
40
30
20
10
y 0 1 x
rXY 0,95
1
2
3
4
5
6
7
В среднем зависимость близка к линейной:
yi 0 1 xi ,
i 1,...,6.
16
Условия Гаусса – Маркова
1. Ошибки наблюдения являются случайными
величинами, распределенными по нормальному
закону
2.
Математическое ожидание всех случайных величин
ошибок равно нулю:
E[ i ] 0, i 1,..., n
3.
Все ошибки наблюдения имеют одинаковую (но
неизвестную!) дисперсию (условие
2
гомоскедастичности): V [ i ] , i 1,..., n
4. Все пары случайных величин ошибок независимы друг
от друга.
17
yi 0 1 xi i , i 1,2, , n
Рассмотрим случайные величины 𝑦𝑖 , 𝑖 = 1, … , 𝑛. Они
распределены по нормальному закону. Определим
параметры распределения.
𝐸 𝑦𝑖 = 𝐸 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 = 𝛽0 + 𝛽1 𝑥𝑖
𝑉 𝑦𝑖 = 𝑉 𝛽0 + 𝛽1 𝑥𝑖 + 𝜀𝑖 = 𝑉 𝜀𝑖 = 𝜎 2
Следовательно, случайные величины зависимых
переменных распределены по нормальному закону с
одинаковыми дисперсиями 𝜎 2 и с математическим
ожиданием:
E yi 0 1 xi
18
Модель парной линейной регрессии
Математическое ожидание с.в. 𝑦𝑖 будет зависеть от
значения 𝑥𝑖 и является условным математическим
ожиданием
yx 0 1 x
– теоретическая (парная
линейная) регрессия
19
y xi 0 1 xi ,
y x 0 1 x
100
90
80
70
60
50
40
30
20
10
i 1,..., n
yx 0 1 x
2
4
6
8
yi 0 1 xi i y xi i , i 1,..., n
yx
y yx
20
Эмпирическая регрессия
Эмпирическая функция регрессии – функция
регрессии, служащая статистической оценкой
модельной (теоретической) функции регрессии.
ˆ0 b0
ˆ1 b1
yˆ x b0 b1 x
21
Идея метода наименьших квадратов
(МНК)
y 0 1 x
Идея МНК: минимизация суммы квадратов ошибок.
i yi y x , i 1,..., n
i
n
L( 0 ,1 ) i2
y xi
i 1
n
L( 0 , 1 ) ( yi 0 1 xi ) 2 min
i 1
22
Система нормальных уравнений
L( 0 ,1 )
0
L( 0 ,1 ) 0
1
n
n
0 n 1 xi yi
i 1
i 1
n
n
n
2
x
x
1 i xi yi
0 i
i 1
i 1
i 1
Поскольку сумма квадратов ошибок 𝐿 𝛽0 , 𝛽1
– выпуклая функция, то решив систему, найдем
стационарную точку, которая и будет искомой точкой
минимума.
23
Уравнение эмпирической регрессии
Пусть решение системы – 𝑏0 и 𝑏1, тогда
yˆ xi b0 b1 xi ,
i 1,..., n
yˆ x b0 b1 x
– уравнение эмпирической регрессии
Функция, найденная при помощи МНК, не совпадает
с искомой (теоретической регрессии), но наиболее
близка к ней в смысле минимума функции суммы
24
квадратов ошибок.
Показатели качества уравнения
регрессии
2
R
Коэффициент детерминации
Показывает, какая доля дисперсии зависимой переменной
определяется дисперсией объясняющей переменной 𝑋.
ESS
2
ˆ
Rxy
TSS
n
TSS ( yi y ) 2
n
n
RSS ( yi yˆ xi ) ei
2
i 1
i 1
2
i 1
n
ESS ( yˆ xi y ) 2
i 1
25
Коэффициент детерминации R
R 2 0,5;1
R 2 0,1;0,49
R 2 0;0,09
2
использование модели
статистически обосновано.
использование модели возможно,
но необходим многосторонний
статистический анализ
использование модели
статистически
необоснованно.
26
Показатели качества уравнения
регрессии
Проверка значимости регрессии в целом (F-тест, тест
Фишера)
Статистическая значимость уравнения регрессии –
его «неслучайность».
𝐻0 : 𝑅2 = 0 (в генеральной совокупности отсутствует
зависимость между переменными)
𝐻1 : 𝑅2 ≠ 0 (в генеральной совокупности есть
зависимость между переменными)
27
Критерий значимости уравнения
регрессии в целом (F-критерий)
2
R
F
n 2
2
1 R
F-cтатистика
F-cтатистика – сл.в., распределенная по закону
Фишера
F Fтабл
модель является статистически
значимой в целом.
28
Средняя ошибка аппроксимации
Оценка точности прогноза – средняя ошибка
аппроксимации
1 n yi yˆ i
A
100 %
n i 1 yi
А 15 %
29
Эксперимент Монте-Карло
y* 4 x 7
yi* 4 xi 7, i 1,30
ei (0, ), i 1,30
y y* e
xi , yi , i 1,30
yi 4 xi 7 ei , i 1,30
Исходная линейная
зависимость – ?
30
Эксперимент Монте-Карло.
Исходные данные
x
1
2
3
4
5
6
7
8
9
10
11
y*=4x-7
-3
1
5
9
13
17
21
25
29
33
37
e
3,726564
-2,81221
1,924417
-12,6299
-16,8434
-5,86078
-10,577
8,29333
-29,2765
20,63375
-12,2768
y=y*+x
0,726564
-1,81221
6,924417
-3,62988
-3,84341
11,13922
10,423
33,29333
-0,2765
53,63375
24,72322
ei (0,15), i 1,30
31
Эксперимент Монте-Карло
yi* 4 xi 7, i 1,...,30
32
Эксперимент Монте-Карло
Поле корреляции
180
160
140
120
100
80
yi 4 xi 7 у*=4х-7
ei , i 1,...,30
у=у*+е
60
ei N (0,15), i 1,...,30
40
20
5
10
15
20
25
30
35
-20
-40
33
Эксперимент Монте-Карло
xi , yi , i 1,...,30
Поле корреляции
180
160
140
120
100
80
у=у*+е
60
40
20
5
10
15
20
25
30
35
-20
-40
34
Эксперимент Монте-Карло
yˆ 4,52 x 18,14
35
Эксперимент Монте-Карло
yˆ 4,52 x 18,14
y* 4 x 7
36
Лабораторная работа 1
Провести эксперимент Монте – Карло для заданной
линейной зависимости.
Материалы ЛК:
1. Задание к ЛР 1
2. Образец оформления титульного листа
37