
- •Виды эконометрических моделей
- •Множественная корреляция (multiple correlation)
- •Выбор формы уравнения регрессии
- •10.1. Спецификация модели множественной регрессии
- •10.2. Отбор факторов при построении множественной регрессии
- •9. Оценка параметров уравнения множественной регрессии (мр).
- •1. Модель парной линейной регрессии. Метод наименьших квадратов для оценки параметров уравнения регрессии и проверка его адекватности.
- •Показатель тесноты связи между у и х в парной линейной регрессионной модели
- •Понятие и основные элементы временного ряда.
1. Модель парной линейной регрессии. Метод наименьших квадратов для оценки параметров уравнения регрессии и проверка его адекватности.
Парная регрессия характеризует связь между двумя признаками: результативным и факторным. Аналитическая связь между ними описывается уравнениями:
Прямой -
,
Гиперболы
,
Параболы
Модель линейной регрессии (линейное уравнение) является наиболее распространенным (и простым) видом зависимости между экономическими переменными.
Определить тип уравнения можно, исследуя зависимость графически.
Сущность МНК заключается
в нахождении параметров модели (а0,
а1),
при которых минимизируется сумма
квадратов отклонений эмпирических
(фактических) значений результативного
признака от теоретических, полученных
по выбранному уравнению регрессии:
.
Проводят дифференцирование S
по коэффицентам и
приравнивают уравнения к 0.
Из системы уравнений,
получаем:
Здесь
Параметр а1 называется коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на единицу.
После того как получено уравнение множественной регрессии, необходимо измерить тесноту связи между результативным признаком и факторными признаками. Для измерения степени совокупного влияния отобранных факторов на результативный признак рассчитывают совокупный коэффициент детерминации R2 и совокупный коэффициент множественной корреляции R - общие показатели тесноты связи многих признаков.
Проверка адекватности моделей, построенных на основе уравнений регрессии, начинается с проверки значимости каждого коэффициента регрессии. Значимость коэффициента регрессии осуществляется с помощью t-критерия Стьюдента (отношение коэффициента регрессии к его средней ошибке):
.
Коэффициент регрессии
считается статистически значимым,
если
превышает tтабл -
табличное (теоретическое) значение
t-критерия Стьюдента.
Проверка адекватности всей
модели осуществляется с помощью F-критерия
и величины средней ошибки аппроксимации
.
Значение средней ошибки аппроксимации, определяемой по формуле
не
должно превышать 12 - 15 %.
Расчетное значение F-критерия определяется по формуле и сравнивается с табличным:
,
где
-
коэффициент множественной детерминации.
Если Fрасч Fтабл, связь признается существенной.
Показатель тесноты связи между у и х в парной линейной регрессионной модели
Просмотров: 4934
Уравнение регрессии всегда дополняется показателем тесноты связи. При использовании линейной регрессии в качестве такого показателя выступает линейный коэффициент корреляции rxy, который можно рассчитать по следующим формулам:
Линейный коэффициент корреляции находится в пределах: -1£rxy£1.
Если r>0, то прямая связь
Если r<0, то обратная связь
Если |r|³0,7, то сильная связь
Если 0,5£|r|<0,7, то умеренная связь
Если |r|<0,5, то слабая связь
Если b>0, то 0£rxy£1, если b<0, то -1£rxy£0.
Для оценки качества подбора
линейной функции рассчитывается квадрат
линейного коэффициента корреляции
,
называемый коэффициентом детерминации.
Коэффициент детерминации показывает
сколько процентов приходится на долю
учтенных в модели факторов:
Соответственно
величина
характеризует
долю дисперсии y, вызванную влиянием
остальных, не учтенных в модели, факторов.