1)Основные причины наличия в регрессионной модели случайного отклонения.

Невключение в модель всех объясняющих переменных.

Проблема в том, что никогда заранее не известно, какие факторы при создав­шихся условиях действительно являются определяющими, а какими можно пренебречь. Здесь уместно отметить, что в ряде случаев учесть непосредственно какой-то фактор нельзя в силу невозможности получения по нему статистических данных.

Неправильный выбор функциональной формы модели.

Из-за слабой изученности исследуемого процесса либо из-за его переменчивости может быть неверно подобрана функция, его моделирующая. Это, безусловно, скажется на отклонении моде­ли от реальности, что отразится на величине случайного члена.

Агрегирование переменных.

Во многих моделях рассмат­риваются зависимости между факторами, которые сами пред­ставляют сложную комбинацию других, более простых пере­менных.

Ошибки измерений.

Какой бы качественной ни была мо­дель, ошибки измерений переменных отразятся на несоответствии модельных значений эмпирическим данным, что также отразится на величине случайного члена.

Ограниченность статистических данных.

Зачастую строятся модели, выражаемые непрерывными функциями. Но для этого используется набор данных, имеющих дискретную структуру. Это несоответствие находит свое выражение в слу­чайном отклонении.

Непредсказуемость человеческого фактора.

Эта причи­на может «испортить» самую качественную модель. Действи­тельно, при правильном выборе формы модели, скрупулезном подборе объясняющих переменных все равно невозможно спрогнозировать поведение каждого индивидуума.

2)Основные этапы регрессионного анализа.

1. выбор формулы уравнения регрессии;

2. определение параметров выбранного уравнения;

1. анализ качества уравнения и проверка адекватности урав­нения эмпирическим данным, совершенствование уравнения.

3)Спецификация модели, каким образом она осуществляется?

Выбор формулы связи переменных называется специфика­цией уравнения регрессии. В случае парной регрессии выбор формулы обычно осуществляется по графическому изображе­нию реальных статистических данных в виде точек в декарто­вой системе координат, которое называется корреляционным полем (диаграммой рассеивания) (рис. 4.1).

На рис. 4.1 представлены три ситуации.

На графике 4.1, взаимосвязь между X и Y близка к ли­нейной, и прямая 1 достаточно хорошо соответствует эмпирическим точкам. Поэтому в данном случае в качестве зависимости между X и Y целесообразно выбрать линейную функцию .

На графике 4.1,б реальная взаимосвязь между X и У, скорее всего, описывается квадратичной функцией (линия 2). И какую бы мы ни провели прямую (например, ли­ния 1), отклонения точек наблюдений от нее будут существен­ными и неслучайными.

На графике 4.1,в явная взаимосвязь между X и У отсутст­вует. Какую бы мы ни выбрали форму связи, результаты ее спе­цификации и параметризации (определение коэффициентов уравнения) будут неудачными. В частности, прямые 1 и 2, про­веденные

через центр «облака» наблюдений и имеющие проти­воположный наклон, одинаково плохи для того, чтобы делать выводы об ожидаемых значениях переменной У по значениям переменной X.