4.Осн задачи и этапы коррел-регр анализа.Спецификация ур-я регрессии.Схема анализа зав-тей

Задачи корреляцион-регрессион анализа: установление формы корреляцион связи, т.е. вида функции регрессии (линейн, квадратичн, показательн); оценка тесноты корреляцион связи Y и X; оценка неизвестных параметров регрессион модели, проверка гипотез об их значимости и адекватности модели рассматриваемому эконом объекту). Этапы кор-рег анализа: 1предварительный анализ явлений и выявлений причин возникновения взаимосвязей м/д признаками,разделение признаков на факторные и результатив, выбор наиболее существен признаков; 2предварительная оценка формы уравнения регрессии определение уравнения регрессии, расчет теоретически ожидаемых значений результ признака, оценка тесноты связи м/д признаками, вкл в модель; 3общая оценка качества модели,отсев или включение факторов, построение исправленной модели; 4статистическая оценка достоверности параметров уравнения регрессии, осуществление практических выводов из проведен анализа.

7.Предпосылки мнк.Гаусса-Маркова

Предпосылки МНК: 1) Математич. ожидания случайных отклонений = 0 для всех наблюдений M(ɛ _i)=0.то есть случ отклонение не оказ-т влияния на у.

2) Дисперсия случайных отклонений постоянная D (ε_i)=σ². Выполнимость данной предпосылки наз-ся гомоскедастичностью.3)случ отклонения не зав др от др ɛ_iне= ɛ_j при i не=j. Если условие выполняется, то говорят об отсутствии автокорреляции. 4) Случайное отклонение должно быть независимо от объясняющих переменных. 5) случ отклонение ε_i это нормально распределенная СВ

17. Мультиколлинеарность

Последствия мультиколлинеарности:

1Большие дисперсии оценок (затруднение нахождение истинных значений, расширяет интервальные оценки, ухудшение точности)

2Уменьшается t- статистики коэф (неоправданный вывод о сущности влияния объясняющей переменной на независимую)

3Оценки коэф по МНК и их стандартные ошибки становятс неустойчивыми

4Затрудняется определение вклада каждой из переменных в дисперсию зависимой переменной

5Возможно получение неверного знака у коэф регрессии

Причины возникновения мультиколлинеарности между признаками:

1изученные факторные признаки хар-т одну и ту же сторону явления или процесса (напр., показатель объема произведенной продукции и среднегодовой стоимости основных фондов – оба хар-ют размер предприятия)

2использование в качестве факторных признаков суммарное значение кот представляет собой постоянную величину (напр., коэф годности и коэф износа основных фондов)

3Факторные признаки, явл эл-тами др.(затраты на пр-во пр-ции и себестоимость ед. пр-ции)

4Факторные признаки. По экономическому смыслу дублируют др. друга (прибыль и рентабельность продукции)

Определение мультиколлинеарности и методы ее устранения.

Определение мультиколлинеарности

- коэф-т детерминации высок, но некоторые из коэф-тов регрессии статистич. незначимы, т.е. они имеют низкие t-статистики;

- парная корреляция между малозначимыми объясняющими перемен-ми достаточно высока.

Описание методов устранения или уменьшения мультиколлинеарности

- сравнение значений линейных коэф-тов корреляции

При отборе факторов предпочтение отдается тому фактору, который более тесно свуязан с результ-ным признаком.

- метод исключения факторов

Из модели исключ фактор, коэф-т при котором незначим и имеет наименьшее значение t-критерия. Получают новое уравнение регрессии и снова проводят оценку значимости оставшихся коэф-ов регрессии. Процесс продолжается, пока модель не станет удовлетворять определенным условиям и все коэф-ты регрессии не будут значимыми.

- получение дополнит данных или новой выборки

Увеличение кол-ва данных сокращ дисперсии коэф-ов регрессии, увелич их значимость.

Однако получение новой выборки или расширение старой не всегда возможно.

Кроме того это может усилить автокорреляцию.

- изменение спецификации модели

Измен-ся форма модели, добавл-ся переменные не учтенные в модели, но существенно влияющие на зависимую переменную.

- использование предварительной информации о некоторых параметрах