черняк
.pdfСпосіб 1. Оцінку коефіцієнтів регресії знаходимо за формулою
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
T |
X |
1 |
X |
T |
S |
, |
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
β X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
1 |
40 |
60 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
55 |
36 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
6 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
де матриця |
X 1 |
45 |
36 |
|
, вектор |
|
|
|
|
5 |
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
30 |
15 |
|
|
|
|
|
|
|
|
|
|
|
|
|
3,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
30 |
90 |
|
|
|
|
|
|
|
|
|
|
|
|
|
1,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Тоді |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 40 60 T 1 40 60 |
|
1 |
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
55 |
|
|
36 |
|
|
|
55 |
36 |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
|
|
|
|
|
||||||||||||
|
|
|
ˆ |
|
|
T |
X |
X |
T |
S |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
β X |
|
|
|
|
|
|
|
1 45 36 |
|
1 45 36 |
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
30 |
|
|
15 |
|
|
30 |
15 |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
30 |
|
|
90 |
|
|
|
30 |
90 |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
1 |
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
40 |
60 |
T |
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
55 |
36 |
|
|
|
6 |
|
|
|
|
|
0,2787 |
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
1 |
45 |
36 |
|
|
|
5 |
|
|
|
|
|
0,1229 |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
. |
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
1 |
30 |
15 |
|
|
|
3,5 |
|
|
0,0294 |
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
30 |
90 |
|
|
|
1,5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
Спосіб 2. Розв'яжемо |
систему нормальних рівнянь: |
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
n |
Y |
|
W S, |
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
0 |
|
|
1 |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
Y Y 2 |
2 |
YW YS, |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
W |
|
YW |
W 2 WS. |
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Знаходимо n 5 , |
S 19 , |
|
|
Y 200 , |
|
|
W 237 , |
SY 825 , |
SW 763,5 , |
||||||||||||||||||||||||||||||||
WY 9150 , Y 2 |
8450 , W 2 |
14517 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
Тоді |
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
Y |
|
|
W |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
Y |
|
|
Y 2 |
|
YW |
=6842700, |
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
W |
|
YW |
|
W 2 |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
S |
|
|
|
|
Y |
|
|
|
W |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
0 |
|
YS |
|
|
|
Y 2 |
|
|
YW |
=1907325, |
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
WS |
|
YW |
|
W 2 |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
S |
|
|
|
W |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
1 |
|
|
Y |
|
|
|
YS |
|
YW |
=840825, |
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
W |
|
WS |
W 2 |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
Y |
|
|
|
S |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
2 |
Y |
|
|
|
Y 2 |
|
|
YS |
=-201225, |
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
W |
|
YW |
|
WS |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
звідки |
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
1907325 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
0,2787 , |
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
0 |
|
|
6842700 |
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
ˆ |
|
|
1 |
|
|
|
|
840825 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
6842700 |
0,1229 , |
|
|
|
|
|
|
41
ˆ 2 2 -201225 0,0294 .6842700
Як видно, будь-який зі способів приводить до однієї і тієї самої вибіркової функції
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
|
S 0,2787 0,1229Y 0,0294W . |
|||||||||
Коефіцієнт детермінації можна знайти за формулою |
|
||||||||||
|
|
ESS |
5 |
ˆ |
|
|
2 |
|
12,0196 |
|
|
|
|
|
|
|
|||||||
R2 |
|
|
|
St S |
|
|
|
||||
|
|
|
t 1 |
|
|
|
|
|
|
0,977 . |
|
|
|
|
|
|
|
|
|||||
|
|
TSS |
5 |
St S |
2 |
|
12,3 |
|
|||
|
|
|
|
|
|
||||||
|
|
|
|
t 1 |
|
|
|
|
|
|
|
Якщо Y 40 , W 25 , то Sˆ 0,2787 0,1229 40 0,0294 25 4,4587 .
З вибіркової регресійної функції видно, що при зростанні доходу на 1, нагромадження зростають на 0,1229, тому при зростанні доходу на 10 тис. грн, нагромадження збільшаться на 1229 грн.
2.6.Перевірка статистичних гіпотез у моделі множинної лінійної регресії
2.6.1.Перевірка адекватності регресії
Адекватність регресії означає, що незалежні змінні в сукупності впливають на залежну змінну. Як нульову гіпотезу для перевірки приймають протилежне твердження, а саме
H0 : 1 2 k 1 0 .
Можна показати, що коли гіпотеза H0 правильна, то
R2
Fpr |
|
k 1 |
|
~ F k 1,n k . |
|
1 R2 |
|||||
|
|
n k
Прийняття нульової гіпотези означає, що модель слід відхилити і розглянути іншу. При цьому слід використовувати квантиль розподілу Фішера.
На практиці спочатку обраховують величину |
|
||||
|
|
R2 |
|
||
Fpr |
|
k 1 |
|
, |
|
1 R2 |
|||||
|
|
n k
а потім порівнюють її з Fteor – статистикою розподілу Фішера з k 1 та n k степенями свободи і рівнем значущості . Якщо Fpr Fteor , то модель уважають адекватною. У протилежному випадку ( Fpr Fteor ) – неадекватною.
2.6.2. Перевірка гіпотез про коефіцієнти регресії
Стандартною процедурою є перевірка гіпотези про те, що коефіцієнт j дорівнює нулю.
Прийняття цієї гіпотези означає, що незалежна змінна xj |
не має впливу на залежну в |
|||
межах лінійної моделі. У цьому разі змінна xj |
називатиметься незначущою. Таким чином, |
|||
слід перевірити гіпотезу |
|
|
|
|
|
H0 : j 0 . |
|
||
Для цього треба обрахувати практичне значення |
|
|||
|
|
ˆ |
|
|
|
tpr |
j |
|
|
|
ˆ |
|
|
|
|
|
s.e. j |
|
|
і порівняти з теоретичною статистикою |
Стьюдента |
з n k |
степенями свободи і рівнем |
|
надійності 1 : |
|
|
|
|
tteor t n k,1 . |
|
Якщо tpr tteor , то гіпотеза H0 приймають, тобто коефіцієнт t уважають незначущим.
42
На практиці частіше потрібен інший, більш загальний варіант цієї гіпотези, у якій значення коефіцієнта перевіряють на рівність. Відповідна гіпотеза має вигляд
H0 : j m .
Обраховують практичне значення
|
ˆ |
|
tpr |
j m |
|
ˆ |
|
|
|
s.e. j |
і порівнюють із теоретичною статистикою Стьюдента з n k степенями свободи і рівнем надійності 1 :
tteor t n k,1 .
Якщо tpr tteor , то гіпотеза H0 приймають, тобто значення коефіцієнта j уважають
рівним m .
Аналогічно до випадку простої лінійної регресії будують надійні інтервали для коефіцієнтів регресії. Зокрема, надійний інтервал для коефіцієнта j
[ˆ j s.e.(ˆ j ) tteor ; ˆ j s.e.(ˆ j ) tteor ],
де tteor t n k,1 , 1 – рівень надійності.
Приклад 2.2. Перевірка статистичних гіпотез
На основі 30 спостережень було оцінено таку регресію:
y 0,25 1,14 x |
2,45 x |
|
, RSS 1,16 ,TSS 8,67 |
3,14 1,82 1 |
0,92 |
2 |
|
(у дужках наведено середньоквадратичні відхилення коефіцієнтів моделі).
1.Визначити, які з коефіцієнтів регресії значущі з рівнем надійності 0,95.
2.Перевірити гіпотезу 1 1 з рівнем надійності 0,95.
3.Підрахувати коефіцієнт детермінації та скоригований коефіцієнт детермінації.
4.Перевірити модель на адекватність.
Розв'язання
1. Щоб перевірити значущість коефіцієнтів, слід порівняти практичні значення t- статистик, розташованих під коефіцієнтами моделі, з теоретичним значенням
tteor t n 3;1 t 27;0,95 2,052. Таким чином, коефіцієнти 1 |
та 2 є статистично |
|||||||||||||||||||||
незначущими, а коефіцієнт 0 – статистично значущим. |
|
|
|
|
|
|
||||||||||||||||
2. |
Визначимо стандартне відхилення для коефіцієнта 1 : |
|
|
|
|
|
||||||||||||||||
|
|
|
|
ˆ |
|
|
|
|
|
1,14 |
|
|
|
ˆ |
|
1,14 |
|
|
||||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
1,82 tpr |
|
|
|
|
|
|
|
|
|
|
|
, |
s.e. 1 |
|
|
|
|
0,626 . |
||
|
|
|
ˆ |
|
|
|
|
|
|
ˆ |
|
1,82 |
||||||||||
|
|
|
s.e. 1 |
|
s.e. 1 |
|
|
|
|
|
|
|||||||||||
Тоді маємо |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
tpr |
|
|
1 1 |
|
1,14 1 0,22 |
, |
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
ˆ |
|
0,626 |
|
|
|
|
|
|
|
||||
|
|
|
|
|
s.e. 1 |
|
|
|
|
|
|
|
||||||||||
що менше за теоретичне значення tteor |
t 27;0,95 2,052 . Таким чином, значення |
|||||||||||||||||||||
коефіцієнта 1 можна прийняти рівним 1. |
|
|
ESS |
1 RSS |
|
|
|
1,16 |
|
|||||||||||||
3. |
Коефіцієнт детермінації дорівнює |
|
R2 |
1 |
0,866 . |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
TSS |
|
|
TSS |
|
|
|
8,67 |
|
||||
Щоб знайти скоригований коефіцієнт детермінації, слід скористатися формулою: |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
RSS |
|
|
|
|
1,16 |
|
|
|
|
|
|
|
||
|
|
R2 |
1 |
n k 1 |
|
27 |
0,856 . |
|
|
|||||||||||||
|
|
|
|
|
||||||||||||||||||
|
|
|
adj |
|
|
|
|
TSS |
|
|
|
|
8,67 |
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
n 1 |
|
|
|
29 |
|
|
|
|
|
|
|
43
|
|
R2 |
|
0,866 |
|
||
4. Обрахуємо практичне значення Fpr |
|
k 1 |
|
|
2 |
87,246 , теоретичне |
|
1 R2 |
1 0,866 |
||||||
|
|
|
|||||
|
n k |
|
27 |
|
значення Fteor F(2;27;0,1) 2,51. Таким чином, оскільки практичне значення більше за теоретичне, то модель виявилася адекватною.
2.6.3. Перевірка гіпотези про лінійні обмеження на коефіцієнти регресії
Цей тип гіпотез надзвичайно важливий на практиці. З одного боку, у гіпотезі про лінійні обмеження на коефіцієнти регресії узагальнено поняття гіпотез про адекватність моделі та значення коефіцієнтів. З іншого боку, з'являється можливість перевірити правильність специфікації моделі, відповідність моделі різноманітним економічним
явищам. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
що складається з J |
|||
Припустимо, що для моделі |
y Xβ ε |
треба перевірити гіпотезу, |
||||||||||||||||||||
лінійних обмежень на коефіцієнти |
: |
|
|
|
|
|
|
|
|
r , |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
1,0 |
0 |
1,1 1 |
|
|
1,k 1 k 1 |
|
1 |
|
|
|
|
|||
|
|
|
|
|
|
|
|
2,0 0 |
2,1 1 |
... 2,k 1 k 1 |
r2, |
|
|
|
||||||||
|
|
|
|
|
|
H0 : |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
J ,1 1 ... J ,k 1 k 1 |
rJ . |
|
|
|
||||||||
|
|
|
|
|
|
|
|
J ,0 0 |
|
|
|
|||||||||||
У матричному вигляді гіпотезу можна записати таким чином: |
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
H0 :Θβ r |
, |
|
|
|
|
|
|
|
|||
де – матриця коефіцієнтів при параметрах j |
у |
системі лінійних обмежень; |
β |
– вектор |
||||||||||||||||||
параметрів регресії; |
r |
– відомий вектор. |
|
|
|
|
|
|
|
|
|
|
||||||||||
Якщо |
J 1 |
і всі |
|
1, j |
0 , |
r1 0 , |
то гіпотеза |
еквівалентна |
гіпотезі про адекватність |
|||||||||||||
моделі. |
Якщо |
J 1, |
усі |
1j |
0 , крім |
одного, |
для |
якого |
|
1j |
1, а |
r1 m , то гіпотеза |
еквівалентна гіпотезі про значення коефіцієнта.
Проте наведена гіпотеза дає ширші можливості для дослідника. Зокрема, за її допомогою можна перевірити гіпотезу про постійну віддачу від масштабу фірми з виробничою функцією Кобба – Дугласа. Наприклад, для виробничої функції вигляду
yt 0Kt 1Lt 2 t ,
де Kt – основні фонди підприємства, Lt – обсяг фонду оплати праці, yt – випуск
продукції, можна перевірити гіпотезу
H0 : 1 2 1.
Така гіпотеза перевіряє наявність постійної віддачі від масштабу. Відхиливши таку гіпотезу, власник підприємства має розширювати виробництво при 1 2 1 і
скорочувати – при 1 2 1. У наших позначеннях гіпотеза записана за допомогою
J1, 11 1, 12 1, r1 1.
Векономічному аналізі зустрічаються і складніші обмеження на коефіцієнти моделі.
У загальному випадку для перевірки гіпотези застосовують критерій Вальда. Для цього обраховують значення статистики
|
ˆ |
T |
X |
T |
X |
|
1 |
T 1 |
ˆ |
|||
|
β r |
|
|
|
|
|
β r |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Fpr |
|
|
|
|
|
J |
|
|
|
|
|
, |
|
|
|
|
RSS |
|
|
|
|||||
|
|
|
|
|
|
|
|
|
n k
де J – кількість обмежень; RSS – сума квадратів залишків моделі. Обчислене значення порівнюють із теоретичною статистикою Фішера
F(J;n k; ).
Якщо Fpr Fteor , то гіпотезу H0 приймають.
44
Існує й інший спосіб перевірити цю гіпотезу, який приводить до тих самих результатів. Розглянемо його на прикладі. Припустимо, що для рівняння множинної регресії
y 0 1x1 2x2 3x3
треба перевірити гіпотезу про обмеження
H |
|
|
|
|
|
2, |
. |
|||
0 |
: |
1 |
2 |
|
|
3 |
|
|
||
|
|
3 |
3 |
0. |
|
|
||||
|
|
|
1 |
|
|
|
|
|
|
|
Для цього треба знайти суму квадратів залишків |
(URSS) у вихідній моделі та суму |
квадратів залишків (RRSS ) y моделі з обмеженнями. Запишемо обмеження в такому
вигляді:
1 3 3 та 2 2 4 3 .
Підставимо ці співвідношення до початкового рівняння:
y 0 3 3x1 (2 4 3 )x2 3x3 .
Перенесемо всі відомі величини до правої частини рівняння і зберемо подібні при параметрах регресії в його лівій частині:
y 2x2 0 (3x1 4x2 x3 ) 3
Щоб знайти суму квадратів залишків (RRSS ) y моделі з обмеженнями, слід оцінити
регресію змінної (y 2x2 ) стосовно (3x1 4x2 x3 ) і константи. Якщо гіпотеза H0 правильна, то статистика
|
RRSS URSS |
||||
Fpr |
|
J |
|
|
|
|
URSS |
|
|
||
|
|
|
|
||
|
|
n k |
|
|
|
має розподіл Фішера з J , n k степенями свободи. |
|
|
|||
Причому слід зазначити, що отримане значення Fpr |
кількісно збігається з обрахованим |
||||
за критерієм Вальда, якщо покласти, що |
|
|
|
|
|
011 |
1 |
0 |
|
||
|
,r |
|
. |
||
010 |
3 |
2 |
|
Одним із недоліків критерію Вальда є те, що результати тестування залежать від способу записування гіпотези, тобто критерій не є інваріантним щодо початкових даних. Водночас для його застосування немає жорстких обмежень, що робить його достатньо популярним на практиці.
Приклад 2.3. Перевірка гіпотези про систему лінійних обмежень
Відома інформація |
щодо |
деяких підприємств |
України про |
випуск продукції Y |
||||||||
(млн грн), основний капітал K (млн грн), кількість працівників L (тис. люд./год). |
||||||||||||
|
|
|
|
|
|
|
|
LnY |
|
|
|
|
|
№ |
|
Y |
|
K |
L |
lnK |
|
lnL |
|||
|
1. |
|
64,3 |
|
42,4 |
13,5 |
|
4,16 |
3,75 |
|
2,61 |
|
|
2. |
|
47,2 |
|
30,7 |
21,0 |
|
3,86 |
3,42 |
|
3,04 |
|
|
3. |
|
63,6 |
|
48,9 |
16,1 |
|
4,15 |
3,89 |
|
2,78 |
|
|
4. |
|
117,9 |
|
61,3 |
25,9 |
|
4,77 |
4,12 |
|
3,25 |
|
|
5. |
|
111,3 |
|
60,4 |
22,5 |
|
4,71 |
4,10 |
|
3,12 |
|
|
6. |
|
123,0 |
|
66,8 |
32,1 |
|
4,81 |
4,20 |
|
3,47 |
|
|
7. |
|
26,5 |
|
19,8 |
5,7 |
|
3,28 |
2,99 |
|
1,74 |
|
|
8. |
|
71,9 |
|
43,2 |
18,8 |
|
4,28 |
3,77 |
|
2,94 |
|
|
9. |
|
118,1 |
|
59,1 |
29,1 |
|
4,77 |
4,08 |
|
3,37 |
|
|
10. |
|
77,3 |
|
33,0 |
21,9 |
|
4,35 |
3,50 |
|
3,08 |
|
|
11. |
|
69,2 |
|
37,7 |
26,7 |
|
4,24 |
3,63 |
|
3,29 |
|
|
12. |
|
48,4 |
|
25,7 |
24,0 |
|
3,88 |
3,25 |
|
3,18 |
|
|
13. |
|
42,1 |
|
23,8 |
11,3 |
|
3,74 |
3,17 |
|
2,42 |
|
|
14. |
|
53,5 |
|
34,3 |
10,4 |
|
3,98 |
3,53 |
|
2,34 |
|
45
№ |
Y |
K |
L |
LnY |
lnK |
lnL |
15. |
46,8 |
36,7 |
16,3 |
3,85 |
3,60 |
2,79 |
16. |
42,5 |
20,6 |
9,0 |
3,75 |
3,02 |
2,20 |
17. |
84,0 |
39,2 |
29,3 |
4,43 |
3,67 |
3,38 |
18. |
69,5 |
41,2 |
29,0 |
4,24 |
3,72 |
3,37 |
19. |
79,0 |
47,6 |
23,6 |
4,37 |
3,86 |
3,16 |
20. |
62,9 |
41,6 |
9,2 |
4,14 |
3,73 |
2,22 |
21. |
62,8 |
42,1 |
13,4 |
4,14 |
3,74 |
2,60 |
22. |
77,7 |
41,6 |
22,2 |
4,35 |
3,73 |
3,10 |
23. |
106,5 |
62,1 |
35,2 |
4,67 |
4,13 |
3,56 |
24. |
96,1 |
45,0 |
24,5 |
4,57 |
3,81 |
3,20 |
25. |
83,9 |
43,8 |
24,1 |
4,43 |
3,78 |
3,18 |
26. |
61,8 |
39,8 |
8,5 |
4,12 |
3,68 |
2,14 |
27. |
119,4 |
69,7 |
28,2 |
4,78 |
4,24 |
3,34 |
28. |
65,0 |
56,4 |
16,0 |
4,17 |
4,03 |
2,77 |
29. |
95,6 |
74,5 |
22,1 |
4,56 |
4,31 |
3,09 |
30. |
51,8 |
38,1 |
12,9 |
3,95 |
3,64 |
2,56 |
31. |
137,9 |
65,9 |
37,7 |
4,93 |
4,19 |
3,63 |
32. |
50,2 |
26,7 |
21,4 |
3,92 |
3,28 |
3,06 |
33. |
64,0 |
52,5 |
13,5 |
4,16 |
3,96 |
2,60 |
34. |
84,8 |
56,8 |
16,2 |
4,44 |
4,04 |
2,78 |
35. |
119,1 |
69,0 |
24,9 |
4,78 |
4,23 |
3,22 |
|
Оцініть виробничу функцію Кобба – Дугласа |
Y K 1L 2 |
і перевірити гіпотезу |
||
|
|
|
|
0 |
|
|
|
1, |
|
|
|
|
1 |
2 |
|
|
|
|
2. |
|
|
|
|
|
0 |
|
|
|
|
Розв'язання
Для оцінювання виробничу функцію слід перетворити до множинної лінійної регресії шляхом логарифмування:
lnYt ln 0 1Kt Lt t ,t 1,35 .
Оцінюємо отриману регресію звичайним методом найменших квадратів:
lnY 0,63 0,72lnK 0,32lnL , R2 |
0,94, RSS 0,5847 . |
||||||||||||||||||
Необхідну гіпотезу записуємо у вигляді: |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
2 |
1, |
|
тобто |
|
|
0 1 1 |
, |
r |
|
1 |
, J 2 ,n k 32 . |
|||||||
1 |
|
|
|
1 0 |
|
|
|
|
|||||||||||
ln 0 |
ln2, |
|
|
|
|
0 |
|
|
|
ln2 |
|
|
|
||||||
Тоді |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ˆ |
T |
X |
T |
X |
1 |
|
T 1 |
ˆ |
r |
|
||||
|
|
|
|
|
β r |
|
|
|
|
|
β |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Fpr |
|
|
|
|
|
|
|
J |
|
|
|
|
|
|
|
1,22 |
, |
|
|
|
|
|
|
|
RSS |
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
n k |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
Fteor |
F(2;32;0,1) 2,48 . |
|
ОскількиFpr Fteor , то гіпотеза про лінійні обмеження слід прийняти; це означає, що підприємства мають постійну віддачу від масштабу.
2.6.4. Перевірка гіпотез про стійкість моделі
Припустимо, що треба побудувати модель деякої економічної системи за даними, що є часовими рядами. Нехай, наприклад, треба змоделювати ВВП країни, у якій відбувається структурна економічна реформа. Постає питання, чи можна розробити єдину модель для аналізу ВВП, яку можна було б використовувати протягом усього періоду досліджень. Іноді реформи приводять до таких великих зрушень, що доцільно розглядати окремо
46
моделі до та після початку реформ. Відповідь про те, скільки моделей слід розглядати – одну чи кілька, дає гіпотеза про стійкість моделі.
Загалом модель називатиметься стійкою, якщо коефіцієнти моделей, побудовані за різними вибірками, були статистично рівними. Іншими словами, гіпотезу про стійкість моделей треба записати у вигляді
H0 : j I j II j III .
Для перевірки такої гіпотези використовують критерій Чоу. Залежно від кількості спостережень розрізняють кілька модифікацій цього критерію.
Припустимо, що є n спостережень, які розбито на дві групи з n1 та n2 спостережень відповідно (n n1 n2 ). Нехай розміри груп достатні для коректного обчислення моделей.
Тоді оцінюємо модель тричі: за всіма спостереженнями і за кожною групою окремо. Нехай:
RSS – сума квадратів залишків у моделі, яку оцінено за всіма n спостереженнями,
RSS1 – сума квадратів залишків у моделі, яку оцінено за першими n1
спостереженнями
RSS2 – сума квадратів залишків у моделі, яку оцінено за останніми n2
спостереженнями.
Якщо гіпотеза про стійкість моделі правильна, то
|
|
RSS (RSS1 RSS2 ) |
|
||||
Fpr |
|
|
|
k |
~ Fk,n 2k . |
||
|
RSS1 |
RSS2 |
|||||
|
|
|
|
||||
|
|
|
|
n 2k |
|
|
|
Таким чином, обраховуємо значення Fpr |
і порівнюємо її з теоретичним значенням із |
||||||
таблиці розподілу Фішера з k та n 2k |
степенями свободи і рівнем значущості . Якщо |
||||||
практичне значення менше |
теоретичного Fpr Fteor , то гіпотезу про стійкість |
приймається можна прийняти.
Якщо одна із груп містить невелику кількість спостережень, недостатню для знаходження оцінок, то застосовують модифікацію критерію Чоу. Нехай для визначеності n1 n2 . Для перевірки гіпотези слід оцінити модель двічі: за всіма спостереженнями і за
більшою групою. Позначимо:
RSS – сума квадратів залишків у моделі, яку оцінено за всіма n спостереженнями
RSS1 – сума квадратів залишків у моделі, яку оцінено за більшою групою, що
містить n1 спостережень.
Якщо гіпотеза про стійкість моделі буде прийнято, то
RSS RSS1
Fpr |
n2 |
~ Fn ,n k . |
||
RSS1 |
||||
|
2 |
1 |
||
|
|
n1 k
Таким чином, обраховуємо значення Fpr і порівнюємо її з теоретичним значенням із таблиці розподілу Фішера з n1 та n1 k степенями свободи і рівнем значущості . Якщо практичне значення менше від теоретичного Fpr Fteor , то гіпотезу про стійкість можна прийняти.
Приклад 2.4. Перевірка моделі на стійкість
Нехай треба дослідити на стійкість модель залежності грошової маси (M2, млн грн) від відсоткової ставки НБУ (R, %) за критерієм дисперсійного аналізу, розбивши всі спостереження на дві групи розмірами n1 16 та n2 12 з рівнем надійності 95 %.
(Чому квартали позначено по-різному: то "1993:1", то "1993:Q1", то "1993/1", то "1993/Q1"??? Слід обрати щось одне. Перевірте всі таблиці)
47
|
|
Кварт |
М2 |
R |
|
|
али |
|
|
||
|
|
1993/ |
|
47 |
80 |
|
Q1 |
|
|
|
|
|
|
1993/ |
|
79 |
18 |
|
Q2 |
|
|
|
6,7 |
|
|
1993/ |
|
26 |
24 |
|
QЗ |
|
|
0 |
0 |
|
|
1993/ |
|
38 |
24 |
|
Q4 |
|
|
6 |
0 |
|
|
1994/ |
|
57 |
24 |
|
Q1 |
|
|
4 |
0 |
|
|
1994/ |
|
92 |
24 |
|
Q2 |
|
|
7 |
0 |
|
|
1994/ |
|
15 |
16 |
|
QЗ |
|
|
96 |
1,1 |
|
|
1994/ |
|
21 |
28 |
|
Q4 |
|
|
63 |
3,3 |
|
|
1995/ |
|
26 |
23 |
|
Q1 |
|
|
81 |
9,1 |
|
|
1995/ |
|
38 |
10 |
|
Q2 |
|
|
45 |
7,4 |
|
|
1995/ |
|
46 |
68 |
|
QЗ |
|
|
45 |
,9 |
|
|
1995/ |
|
52 |
97 |
|
Q4 |
|
|
69 |
,4 |
|
|
1996/ |
|
55 |
10 |
|
Q1 |
|
|
62 |
2,3 |
|
|
1996/ |
|
60 |
65 |
|
Q2 |
|
|
77 |
,3 |
|
|
1996/ |
|
62 |
40 |
|
Q3 |
|
|
20 |
,1 |
|
|
1996/ |
|
73 |
40 |
|
Q4 |
|
|
06 |
|
|
|
1997/ |
|
80 |
32 |
|
Q1 |
|
|
40 |
,8 |
|
|
1997/ |
|
92 |
23 |
|
Q2 |
|
|
79 |
,4 |
|
|
1997/ |
|
10 |
17 |
|
QЗ |
|
|
464 |
|
|
|
1997/ |
|
10 |
24 |
|
Q4 |
|
|
775 |
,7 |
|
|
1998/ |
|
10 |
40 |
|
Q1 |
|
|
973 |
|
|
|
1998/ |
|
11 |
44 |
|
Q2 |
|
|
269 |
,9 |
|
|
1998/ |
|
10 |
80 |
|
QЗ |
|
|
873 |
|
|
|
1998/ |
|
12 |
79 |
|
Q4 |
|
|
175 |
,4 |
|
|
1999/ |
|
11 |
60 |
|
Q1 |
|
|
976 |
|
|
|
1999/ |
|
14 |
50 |
|
Q2 |
|
|
242 |
,1 |
|
|
1999/ |
|
15 |
45 |
|
QЗ |
|
|
360 |
|
|
|
1999/ |
|
16 |
45 |
|
Q4 |
|
|
820 |
|
Розв'язання
Оцінюємо послідовно три регресії:
48
|
|
|
|
Регресійна |
|
|
Коефіцієнт |
|
|
Сума |
квадратів |
|||
|
|
|
|
функція |
|
|
детермінації, R2 |
|
залишків, RSS |
|||||
По |
всіх |
|
ˆ |
11642,8 |
45,8 |
0,568 |
|
|
305482333,6 |
|||||
спостереженнях |
|
|
|
M |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
По першій групі |
|
ˆ |
6374,8 22,4R |
|
|
|
|
|
|
|||||
|
|
|
|
M |
0,557 |
|
|
43476277,5 |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|||
По другій групі |
|
ˆ |
10263,9 |
35,2 |
0,080 |
|
|
63563902,0 |
|
|||||
|
|
|
|
M |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Підраховуємо: |
|
|
|
|
|
305482333,6 43476277,5 63563902,0 |
|
|||||||
|
|
RSS (RSS1 RSS2 ) |
|
|
||||||||||
Fpr |
|
|
|
|
k |
|
|
|
2 |
|
|
|
|
|
|
|
RSS1 |
RSS2 |
|
43476277,5 |
|
63563902,0 |
|
||||||
|
|
|
|
|
|
|
|
|||||||
22,25 |
|
n 2k |
|
|
|
28 2 2 |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
Fteor F(2;24;0,05) 3,40 . |
|
|
|
|
Оскільки Fpr Fteor , то гіпотезу про стійкість моделі треба відхилити. Таким чином, слід розглядати окрему регресію на кожному з часових інтервалів.
2.7. Моделі, які зводяться до моделі лінійної регресії
За допомогою стандартних математичних перетворень можна велику кількість моделей звести до множинної лінійної регресії. Наприклад, розглянемо виробничу функцію Кобба – Дугласа
yt 0K 1L 2 ,
де Kt – основні фонди підприємства; Lt – обсяг фонду оплати праці; yt – випуск
продукції.
Логарифмувавши рівняння, маємо
lnyt ln 0 1 lnKt 2 lnLt .
Уведемо нові позначення:
yt lnYt , kt lnKt , lt lnLt , *0 ln 0 .
Тоді модель можна записати у вигляді yt* *0 1*x1t *2x2t .
Якщо ввести до цього рівняння стохастичний доданок, то одержимо модель лінійної регресії
yt* *0 1*x1t *2x2t t .
Аналогічно можна вивчати досить широкий клас моделей, які за допомогою перетворень змінних і рівнянь можливо звести до моделі лінійної регресії. Досить часто використовують поліноміальну регресію
y 0 1x 1x2 k 1xk 1 .
Проте при використанні поліноміальної регресії спостерігається явище мультиколінеарності, яке буде розглянуто у наступних розділах.
Задачі
Група А
Задача 2.1. Визначте, чи можна перетворити надані рівняння на рівняння, лінійні за параметрами?
1. yt e xt t .
49
2.yt ln x1 ln x2 ex3 t .
3.yt e xt t .
4.yt ln x3x1 ln x1x2 x3ex3 t .
5.yt e xt t .
6.yt ln x1 ln x1x2 ex3 x4 t .
7.yt xt t .
8.yt x1 x22 x3 ln x1x2 ex3 t .
Задача 2.2. Доведіть, що МНК–оцінка коефіцієнтів множинної лінійної регресії y Xβ ε є незміщеною.
Задача 2.3. Знайдіть коваріаційну матрицю МНК-оцінки коефіцієнтів множинної лінійної регресії y Xβ ε.
Задача 2.4. Нехай βˆ – МНК–оцінка вектора коефіцієнтів при регресії y Xβ ε за
допомогою МНК |
, а |
ˆ |
– будь-який інший k-вимірний вектор. Довести, що |
||||||||||||
α |
|||||||||||||||
|
|
|
|
T |
|
|
ˆ T |
ˆ |
|
ˆ T |
X |
T |
X αˆ |
ˆ |
. |
|
|
y Xαˆ |
y Xαˆ y Xβ y Xβ αˆ β |
|
β |
||||||||||
Задача 2.5. Задано матрицю коваріацій оцінок параметрів моделі |
|
|
|||||||||||||
|
|
|
|
|
|
|
11,4 |
1,7 |
0,9 |
|
|
|
|
|
|
|
|
|
|
|
ˆ |
|
1,7 |
1,4 |
0,4 |
|
|
|
|
|
|
|
|
|
|
|
cov β |
. |
|
|
|
|
|
||||
|
|
|
|
|
|
|
0,9 |
0,4 |
0,1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Визначте дисперсії оцінок параметрів моделі та їхні стандартні помилки.
Задача 2.6. За допомогою МНК отримано рівняння n 24 (у дужках указано стандартні t-статистики)
yt |
1,12 0,098x1t 5,62x2t 0,044xt3 , |
|||
|
2,14 |
0,0034 |
3,42 |
0,009 |
RSS 110,32 , ESS 21,43 .
1.Перевірте значущість кожного коефіцієнта, 0,1
2.Знайдіть коефіцієнт детермінації.
3.Протестуйте значущість моделі в цілому, 0,1.
Задача 2.7. Бюджетне обстеження п'яти випадково вибраних сімей дало результати:
Сім'я |
1 |
2 |
3 |
4 |
5 |
|
|
|
|
|
|
Нагромадження, |
3 |
6 |
5 |
3 |
1 |
S |
|
|
|
,5 |
,5 |
Дохід, Y |
4 |
5 |
4 |
3 |
3 |
0 |
5 |
5 |
|
0 |
0 |
Майно, W |
6 |
3 |
3 |
1 |
9 |
0 |
6 |
6 |
|
5 |
0 |
1.Оцініть регресію S на Y та W з константою.
2.Знайдіть коефіцієнт детермінації моделі.
3.Побудуйте 90-відсотково надійні інтервали для коефіцієнтів регресії.
4.Перевірте гіпотезуH0 : 2 3 0 , 0,05 .
5.Перевірте гіпотезу про незначущість величини доходу H0 : 2 0 , 0,05 .
6.Перевірте гіпотезу про незначущість вартості майна H0 : 3 0 , 0,01.
50