- •Оценки линейного уравнения множественной регрессии
- •Оценка коэффициентов классической линейной модели множественной регрессии
- •Анализ вариации результативного признака y. Выборочный коэффициент детерминации
- •Проверка гипотезы о нормальном характере распределения регрессионных остатков
- •Проверка значимости уравнения регрессии и значимости коэффициентов
- •Проверка гипотез о значимости коэффициента лммр
- •Построение доверительных интервалов для значимых коэффициентов клмнр
- •Мультиколлинеарность
- •Анализ внешних признаков мультиколлинеарности
- •1. Неправильные с экономической точки зрения знаки отдельных коэффициентов регрессии
- •2. Достаточно высокие значение множественного коэффициента корреляции (детерминации) одной из объясняющих переменных на другие
- •Анализ формальных признаков мультиколлинеарности
- •Метод пошаговой регрессии с включением переменных
- •Метод пошаговой регрессии с исключением переменных
- •Метод ридж-регрессии
- •Приложение 1
- •Приложение 2
Мультиколлинеарность
Мультиколлинеарность – совместная или множественная взаимозависимость объясняющих переменных. Выделяют:
-
Полную мультиколлинеарность - если существует функциональная линейная зависимость между объясняющими переменными, определяется нарушением одного из требований КЛММР, а именно, требования к рангу матрицы Х .
-
Реальная (или частичная) мультиколлинеарность возникает в случаях существования достаточно тесных линейных статистических связей между объясняющими переменными.
Последствия полной мультиколлинеарности: матрица объясняющих переменных (матрица Х) вырождена, так как ранг матрицы Х меньше к+1, что в свою очередь, приводит к вырожденности , а это значит не существует обратная к этой матрице, и следовательно невозможно оценить коэффициенты методом наименьших квадратов.
Последствия реальной мультиколлинеарности: матрица становится плохо обусловленной, следовательно вычисляется с большой погрешностью, а значит и МНК оценки вычисляются с большой погрешностью.
Внешние признаки мультиколлинеарности
-
неправильные с экономической точки зрения знаки отдельных коэффициентов регрессии;
-
среди коэффициентов уравнения регрессии много (может быть все) незначимы, а модель значима;
-
стандартные отклонения велики на столько, что сравнимы или даже превосходят сами коэффициенты;
-
доверительные интервалы для коэффициентов уравнения регрессии содержат внутри себя точку ноль.
-
небольшие изменения исходных статистических данных приводит к существенному изменению оценок коэффициентов модели, вплоть до изменения их знаков;
-
неоправданно большие с экономической точки зрения значения оценок коэффициентов уравнения регрессии;
Формальные признаки мультиколлинеарности
-
среди значимых коэффициентов парной или частной корреляции объясняющих переменных есть такие, которые по абсолютной величине достаточно велики (превышают 0,75- 0,8);
-
достаточно высокие значение множественного коэффициента корреляции (детерминации) одной из объясняющих переменных на другие ;
-
определитель матрицы близок к нулю (необходимое условие плохой обусловленности).
-
достаточным условием плохой обусловленности является большое значение числа обусловленности.
Анализ внешних признаков мультиколлинеарности
1. Неправильные с экономической точки зрения знаки отдельных коэффициентов регрессии
В общем знаки коэффициентов регрессии верны с экономической точки зрения.
2. Достаточно высокие значение множественного коэффициента корреляции (детерминации) одной из объясняющих переменных на другие
Проверим модель на значимость:
Оценка линейной функции множественной регрессии имеет вид:
=
(5,2565) (0,1740) (0,1294) (0,3929) (0,4391)
(0,0581) (0,0034) (0,0084) (0,0318) (0,0005)
(0,05,9,40)=2,1240 (0,05,40)=1,6838
значит модель значима, незначимых коэффициентов почти половина.
3. стандартные отклонения велики на столько, что сравнимы или даже превосходят сами коэффициенты
Есть некоторые стандартные отклонения, которые сравнимы с коэффициентами, в частности .
4. доверительные интервалы для коэффициентов уравнения регрессии содержат внутри себя точку ноль.
Нет доверительных интервалов, содержащих точку 0.
5. небольшие изменения исходных статистических данных приводит к существенному изменению оценок коэффициентов модели, вплоть до изменения их знаков;
рисунок 7 – итоги регрессии для изменённых исходных данных
Немного изменили изначальные данные – несильно поменялись оценки коэффициентов.
6. неоправданно большие с экономической точки зрения значения оценок коэффициентов уравнения регрессии;
Нет неоправданно больших с экономической точки зрения значения оценок коэффициентов уравнения регрессии.