- •Лекция №8 показатели качества регрессии
- •Лекция №13 нормальная линейная модель множественной регрессии Лекция №14
- •Лекция №15 традиционный метод наименьших квадратов для многомерной регрессии
- •Лекция №21 тест чоу
- •Лекция №31 оценка сверхидентифицированного уравмвшя. Двухшаговый метод наименьших квадратов (дмнк – 2 sls)
- •Лекция №32 автокорреляция уровней временного ряда и выявление его структуры
- •Лекция №33 моделирование тенденции временного ряда (построение тренда)
- •Лекция №34 моделирование сезонных и циклических колебаний
- •Лекция №42 модель частичной (неполной) корректировки
Лекция №15 традиционный метод наименьших квадратов для многомерной регрессии
Расчет необходимых сумм для системы нормальных линейных уравнений сведем в табл. 7.
i |
у – зара-ботная плата, $ |
х1 –возраст, лёт |
х2 – выра-ботка, шт./ смену |
yx1 |
yx2 |
x12 |
x22 |
x1x2 |
1 |
300 |
29 |
17 |
8700 |
5100 |
841 |
289 |
493 |
2 |
400 |
40 |
25 |
16000 |
10000 |
1600 |
625 |
1000 |
3 |
300 |
36 |
15 |
10800 |
4500 |
1296 |
225 |
540 |
4 |
320 |
32 |
17 |
10240 |
5440 |
1024 |
289 |
544 |
5 |
200 |
23 |
15 |
4600 |
3000 |
529 |
225 |
345 |
6 |
350 |
45 |
18 |
15750 |
6300 |
2025 |
324 |
810 |
7 |
350 |
38 |
17 |
13300 |
5950 |
1444 |
289 |
646 |
8 |
400 |
40 |
25 |
16000 |
10000 |
1600 |
625 |
1000 |
9 |
380 |
50 |
19 |
19000 |
7220 |
2500 |
361 |
950 |
10 |
400 |
47 |
23 |
18800 |
9200 |
2209 |
529 |
1081 |
11 |
250 |
28 |
15 |
7000 |
3750 |
784 |
225 |
420 |
12 |
350 |
30 |
18 |
10500 |
6300 |
900 |
324 |
540 |
13 |
200 |
25 |
16 |
5000 |
3200 |
625 |
256 |
400 |
14 |
400 |
48 |
23 |
19200 |
9200 |
2304 |
529 |
1104 |
15 |
220 |
30 |
18 |
6600 |
3960 |
900 |
324 |
540 |
16 |
320 |
40 |
18 |
12800 |
5760 |
1600 |
324 |
720 |
17 |
390 |
40 |
25 |
15600 |
9750 |
1600 |
625 |
1000 |
18 |
360 |
38 |
23 |
13680 |
8280 |
1444 |
529 |
874 |
19 |
260 |
29 |
18 |
7540 |
4680 |
841 |
324 |
522 |
20 |
250 |
25 |
17 |
6250 |
4250 |
625 |
289 |
425 |
|
6400 |
713 |
382 |
237360 |
125840 |
26691 |
7530 |
13954 |
Тогда система нормальных линейных уравнений будет иметь вид:
Решив систему, найдем значения :
; ; .
Найдем МНК-оценки для нашего примера матричным способом.
Воспользовавшись правилами умножения матриц будем иметь:
ХТХ=
ХТХ=
;
;
и т.д.
В результате получим:
Тогда вектор оценок коэффициентов регрессии равен:
То есть ; ; (оценки такие же, что и найденные 1-м способом).
Лекция №16
ПОКАЗАТЕЛИ ТЕСНОТЫ СВЯЗИ ФАКТОРА С РЕЗУЛЬТАТОМ: КОЭФФИЦИЕНТЫ ЧАСТНОЙ ЭЛАСТИЧНОСТИ И СТАНДАРТИЗОВАННЫЕ КОЭФФИЦИЕНТЫ РЕГРЕССИИ ( – КОЭФФИЦИЕНТЫ)
Пример. Рассмотрим ранжирование факторов на примере. Исходные данные были приведены в табл. 7. Воспользуемся результатами оценивания регрессии заработной платы рабочих у по возрасту x1 и выработке х2:
(3)
(см. вопрос 15).
Лекция №17
ЧАСТНАЯ КОРРЕЛЯЦИЯ
.
, которая будет не больше .
.
.
Лекция №18
КОЭФФИЦИЕНТЫ МНОЖЕСТВЕННОЙ ДЕТЕРМИНАЦИИ И КОРРЕЛЯЦИИ. СКОРРЕКТИРОВАННЫЙ КОЭФФИЦИЕНТ МНОЖЕСТВЕННОЙ ДЕТЕРМИНАЦИИ
.
,
для однофакторной регрессии: ;
для двухфакторной регрессии:
Лекция №19
ОЦЕНКА ЗНАЧИМОСТИ УРАВНЕНИЯ МНОЖЕСТВЕННОЙ РЕГРЕССИИ. ОЦЕНКА ЗНАЧИМОСТИ ФАКТОРА, ДОПОЛНИТЕЛЬНО ВКЛЮЧЕННОГО В МОДЕЛЬ РЕГРЕССИИ. ОБЩИЙ И ЧАСТНЫЙ F-КРИТЕРИИ
,
.
. (4)
Тогда: .
.
Fнабл=41,9>Fкр, следовательно, уравнение регрессии (4) статистически значимо и может быть использовано на практике.
Лекция №20
ФИКТИВНЫЕ ПЕРЕМЕННЫЕ МНОЖЕСТВЕННОЙ РЕГРЕССИИ
Рассмотрим применение фиктивных переменных на примере. Пусть по данным о 20 рабочих цеха оценивается регрессия заработной платы рабочего за месяц у ($) от количественного фактора х1 – возраст рабочего (лет) и качественного фактора х2 – пол. Мы предполагаем, что у мужчин зарплата выше, чем у женщин. Введем в модель: фиктивную переменную z, которая принимает 2 значения: 1 — если пол рабочего мужской; 0 — если пол женский.
Построим модель:
(5)
Исходные данные приведены в табл. 8.
Таблица 8
№ наблюдения |
у – заработная плата рабочего за месяц, $ |
Х – возраст рабочего, лет |
Пол, м/ж |
1 |
300 |
29 |
ж |
2 |
400 |
40 |
м |
3 |
300 |
36 |
ж |
4 |
320 |
32 |
ж |
5 |
200 |
23 |
м |
6 |
350 |
45 |
м |
7 |
350 |
38 |
ж |
8 |
400 |
40 |
м |
9 |
380 |
50 |
м |
10 |
400 |
47 |
м |
11 |
250 |
28 |
ж |
12 |
350 |
30 |
м |
13 |
200 |
25 |
м |
14 |
400 |
48 |
м |
15 |
220 |
30 |
ж |
16 |
320 |
40 |
м |
17 |
390 |
40 |
м |
18 |
360 |
38 |
м |
19 |
260 |
29 |
ж |
20 |
250 |
25 |
м |
Для оценки параметров модели (5) используем обычный МНК. Построим систему нормальных линейных уравнений:
В результате решения системы получим оценки: ; 4; .
(1,63) (6,14) (0,541);
; ; .
В скобках указаны значения t-критерия.
.
(4,29) (4,104)
; ; .
а) при z=1 (рабочий – мужчина);
б) при z=0 (рабочий – женщина).
Таблица 9
Образование |
z1 |
z2 |
до 8 классов |
0 |
0 |
среднее |
1 |
0 |
специальное |
0 |
1 |
Модель регрессии будет иметь вид:
'.
«до 8 классов»: ;
«среднее»: ;
«специальное»: .